Acidentes catastróficos têm sido um problema em indústrias complexas como petróleo e gás (O&G), química e nuclear, apesar dos esforços contínuos para melhorar a segurança. Embora os sistemas físicos tenham avançado, fatores humanos como fadiga, sonolência e desatenção continuam sendo riscos significativos, levando à redução do desempenho, erros de julgamento e maior probabilidade de acidentes. Fatores relacionados à fadiga — descanso insuficiente, privação de sono, turnos noturnos, estresse e monotonia prolongada — são comuns em ambientes críticos de segurança e frequentemente resultam em sonolência e lapsos de atenção. No entanto, a natureza subjetiva da sonolência autorrelatada apresenta um desafio na detecção de sinais precoces para reduzir riscos potenciais e prevenir acidentes em organizações com altas demandas de segurança e ambientais. Assim, esta tese apresenta uma estrutura abrangente que aborda o desempenho do operador e os desafios relacionados à atenção em sistemas industriais críticos de segurança por meio de várias contribuições. Primeiro, ela explora a aplicação de aprendizado de máquina (ML) e aprendizado de máquina quântica (QML) para análise de sinal de eletroencefalograma (EEG), alavancando modelos de conjunto e arquiteturas avançadas de rede neural para melhorar a precisão na detecção de sonolência. A introdução de algoritmos quânticos variacionais aplicados à análise de dados de EEG, que destaca o potencial da computação quântica para processar conjuntos de dados grandes e complexos em contextos de segurança industrial, surge como uma das novas contribuições deste trabalho. Segundo, a tese propõe uma abordagem de fusão de dados que combina dados fisiológicos e visuais (EEG e faciais) para aumentar a robustez dos sistemas de detecção de sonolência. Essa fusão é implementada nos níveis de decisão e de recurso, com resultados experimentais mostrando melhorias significativas na recuperação e precisão em comparação com abordagens de modalidade única. Terceiro, o desenvolvimento de um aplicativo baseado na web em tempo real, DrowsinessNET, integra o modelo de detecção em uma ferramenta prática para monitorar a sonolência em ambientes de alto risco. Este aplicativo destaca a viabilidade de aplicar modelos avançados de detecção em cenários do mundo real. Finalmente, um experimento baseado em simulador foi conduzido para avaliar o desempenho do operador em operações automatizadas de O&G, focando particularmente no impacto de fatores relacionados à automação, como excesso de confiança, tédio e desatenção. O experimento revela que a automação pode induzir erros humanos e reduzir a atenção em tarefas monótonas, enfatizando ainda mais a necessidade crítica de integrar tecnologias de confiabilidade humana em sistemas críticos de segurança. Assim, esta tese expande os limites do campo de pesquisa em desempenho humano e segurança operacional ao introduzir modelos multimodais orientados a dados (ML/QML/DL), técnicas de fusão de dados e aplicações práticas para prevenir acidentes e aumentar a segurança em indústrias de alto risco.