Bu tədqiqat tikinti işçilərinin fizioloji vəziyyətini davamlı olaraq buluda göndərmək əvəzinə ölçmənin aparıldığı cihaza yaxın nöqtədə təhlil etməyi hədəfləyən Edge-AI əsaslı əməyin mühafizəsi sistemi hazırlayır. Təklif olunan prototip fotopletismoqrafiya (PPG) üçün MAX30102, təmassız infraqırmızı temperatur ölçümü üçün MLX90614 və hərəkət/oriyentasiya analizi üçün BNO055 doqquz oxlu IMU sensorunu Raspberry Pi Pico mikrokontrolleri üzərində birləşdirir. Yüngül, çoxçıxışlı logistic regression modeli üç ikili vəziyyət üçün lokal qərar yaradır: yüksəlmiş PPG dəyişkənliyi, drowsiness və fatigue.

Mövcud fiziki prototip real qulaqdaxili və ya qulaqlıq formasında deyil. Tədqiqatçılar sensor fusion memarlığını breadboard üzərində qurmuş və sistemi gələcəkdə standart earbud forma faktoruna kiçiltməyi hədəfləmişdir. Qulağa uyğunluq, mexaniki korpus, təmas təzyiqi, batareya, tər/toz/vibrasiya qorunması və dəbilqə və ya eşitmə qoruyucusu ilə fiziki uyğunluq bu tədqiqatda sınaqdan keçirilməmişdir.

Maşın öyrənməsi qiymətləndirilməsi real tikinti sahəsi işçilərindən toplanmış etiketli məlumatlarla deyil, açıq WESAD fizioloji məlumat dəstinin yalnız S2, S3 və S4 iştirakçıları ilə aparılmışdır. S2 və S3 modelin hazırlanması üçün, S4 isə tamamilə görülməmiş external validation subject kimi istifadə edilmişdir. Hər beş saniyəlik sensor pəncərəsindən yalnız beş xüsusiyyət çıxarılmışdır: PPG siqnalının ortası və standart sapması, sürətlənmə böyüklüyünün ortası və standart sapması ilə orta dəri temperaturu.

WESAD-da tədqiqatın hədəflədiyi “yüksəlmiş PPG dəyişkənliyi”, “drowsiness” və “fatigue” etiketləri olmadığı üçün tədqiqatçılar bunları K-means clustering ilə özləri yaratmışdır. Daha sonra logistic regression modeli eyni beş fizioloji xüsusiyyətdən törədilən bu proxy etiketləri proqnozlaşdırmaq üçün öyrədilmişdir. Buna görə tədqiqatda bildirilən F1 dəyərləri klinik və ya peşəkar ground truth-a qarşı dəqiqlik deyil; modelin clustering-derived proxy label quruluşunu nə dərəcədə yaxşı yenidən istehsal etdiyini göstərir.

Mənbədə external S4 iştirakçısı üçün üç hədəfin F1-score'ları müvafiq olaraq %98,46, %98,55 və %96,40 kimi göstərilmiş; orta external F1-score %97,80 olaraq bildirilmişdir. Internal S2+S3 holdout ortalaması %97,53'dür. Bu yüksək dəyərlər texniki olaraq güclü proxy-label uyğunluğunu göstərir; lakin real tikinti sahəsi şəraitində yorğunluq və ya yuxululuq aşkarlama dəqiqliyi kimi şərh edilməməlidir.

Real avadanlıq üzərində inference qiymətləndirilməsi tədqiqatın mühüm tərəfidir. Raspberry Pi Pico üzərində batch size 1 üçün logistic regression inference müddəti Şəkil 8-də təxminən 2,07 ms, XGBoost isə 62,73 ms olaraq göstərilir. Beləliklə logistic regression eyni testdə təxminən otuz dəfə daha qısa model-inference müddəti yaradır. Bununla belə XGBoost üçün flash, SRAM, enerji və tam deployment ölçmələri verilmədiyindən yalnız latency nəticəsindən bütün deployment tətbiqolunarlığı çıxarıla bilməz.

Supervisor dashboard təsnifat nəticəsini USB serial vasitəsilə alır. İnterfeys PPG, temperatur və hərəkət məlumatlarını, zaman möhürlü xəbərdarlıqları və işçi marker'larını göstərir. Xəritədəki işçi mövqeləri real vaxtlı GPS və ya indoor localisation ilə ölçülməmişdir; tədqiqatçılar bunların vizuallaşdırma məqsədilə əl ilə təyin edilmiş marker'lar olduğunu açıq şəkildə bildirir. BLE və ya Wi-Fi də mövcud prototipə tətbiq edilməmişdir.

Türkiyə baxımından şərh: Tədqiqat Türkiyədəki tikinti sahələrində və ya Türkiyədəki tikinti işçilərində aparılmamışdır. Bununla belə sensor məlumatının mərkəzi buluda çatmasını gözləmədən edge cihazda təhlil edilməsi yüksək riskli iş sahələrində aşağı gecikməli xəbərdarlıq sistemi hazırlamaq baxımından Türkiyədə əməyin mühafizəsi texnologiyaları üçün araşdırıla bilən memarlıqdır. Real istifadə üçün Türkiyədəki tikinti sahəsi temperaturu, toz, vibrasiya, fərdi qoruyucu avadanlıq, növbə rejimi, işçi demoqrafiyası və real yorğunluq/yuxululuq hadisələrini ehtiva edən expert-labelled sahə məlumatı ilə yenidən doğrulama tələb olunur. Tədqiqatın %97,80 F1 dəyəri Türkiyədəki real işçi təhlükəsizliyi performansı deyil.

Tədqiqatın əsas problemi nədir?

Geyilə bilən əməyin mühafizəsi cihazlarının mühüm hissəsi yalnız tək sensor və ya tək risk göstəricisi əsasında işləyə bilər. Tikinti işçisində isə temperatur, hərəkət, kardiovaskulyar dəyişiklik və yorğunluq kimi faktorlar eyni vaxtda meydana çıxa bilər. Bundan əlavə bütün məlumatın buluda göndərilməsi və qərarın uzaq serverdə verilməsi bağlantı asılılığı və əlavə gecikmə yarada bilər.

Bu tədqiqat üç fərqli sensor modalitesini eyni edge platformada birləşdirərək təsnifatı birbaşa Raspberry Pi Pico üzərində aparmağı hədəfləyir.

Avadanlıq əslində necə qurulmuşdur?

Mənbənin Şəkil 2-sində fiziki prototip breadboard üzərində göstərilir. Mərkəzdə Raspberry Pi Pico yerləşir və üç sensor I2C vasitəsilə qoşulur:

I2C məlumat yolu mənbədə 400 kHz olaraq göstərilmişdir.

Forma faktoru sərhədi: Bu quruluş real qulaq səviyyəsində daşınan tamamlanmış cihaz deyil. Tədqiqatçılar breadboard konfiqurasiyasının yalnız üç sensorlu memarlığın texniki tətbiqolunarlığını göstərdiyini və ear-level miniaturisation'ın gələcək iş olduğunu bildirir.

Raspberry Pi Pico niyə seçilmişdir?

Mənbə Raspberry Pi Pico-nun RP2040 iki nüvəli ARM Cortex-M0+ prosessorunu 133 MHz-ə qədər işlədə bildiyini, 264 KB SRAM olduğunu və prototip kartında 2 MB flash sahəsinin model və MicroPython firmware'i üçün istifadə edildiyini bildirir.

Modelin neural network əvəzinə logistic regression olması bu resurs məhdudiyyətlərinə görə şüurlu mühəndislik seçimidir. Üç binary çıxış üçün lazım olan çəkilər xətti matris quruluşunda saxlanıla və inference sabit nöqtəli matris vurması ilə həyata keçirilə bilər.

Bununla belə tədqiqat model çəkilərinin real flash ölçüsünü, iş zamanı SRAM istifadəsini və ya sabit nöqtə göstərişinin bit genişliyini ayrıca sayısal cədvəldə vermir. Buna görə “2 MB flash'a sığır” məlumatı vardır; lakin real tətbiqin memory footprint'i tam bildirilməmişdir.

Offline təlim və online deployment necə ayrılır?

Model əslində hansı beş məlumatdan istifadə edir?

Bu minimal feature set modelin gömülü sistemə asan daşına bilməsi üçün seçilmişdir.

PPG ölçmələri ürək sürəti və ya HRV-dirmi?

Xeyr. Mənbə bu fərqi açıq şəkildə göstərir. bvp_mean və bvp_std xam PPG waveform amplitude təsvirçiləridir.

Real heart rate hesabı üçün pulse peak detection və peak-to-peak interval; HRV üçün isə inter-beat interval ardıcıllığı, artefact rejection və uyğun zaman/tezlik sahəsi emalları tələb olunur. Mövcud modeldə bunlar tətbiq edilməmişdir.

Buna görə mənbənin Şəkil 6-da istifadə etdiyi “Heart Rate Increase” etiketi metod bölməsində müəyyən edilmiş real hesablama ilə tam uyğun gəlmir. Metodda müvafiq hədəf “elevated PPG variability” kimi yaradılır.

SpO2 ölçülürmü?

Tədqiqatın texniki arxa plan bölməsində iki dalğa uzunluqlu PPG üzərindən SpO2 hesabının nəzəri tənlikləri verilmişdir. Lakin tədqiqatçılar mövcud implementasiyanın PPG amplitude və hərəkət xüsusiyyətlərinə fokuslandığını və SpO2 proqnozlaşdırılmasının gələcək işə saxlanıldığını açıq şəkildə bildirir.

Beləliklə MAX30102 sensorunun SpO2 qabiliyyətinin olması mövcud modeldə SpO2 istifadə edildiyi demək deyil.

HRV istifadə olunurmu?

Mənbə arxa plan bölməsində SDNN və RMSSD kimi HRV ölçülərinin tənliklərini izah edir. Lakin real modelin feature setində HRV yoxdur. Bu tənliklər tədqiqatın kontekstual texniki arxa planıdır.

Heat Stress Index və ya Fatigue Index istifadə olunurmu?

Mənbə HSI və FI üçün nəzəri kompozit indekslər də təqdim edir. Lakin tədqiqat xüsusilə bu iki indeksin mövcud sistemdə tətbiq edilmədiyini və yalnız gələcək model genişləndirilməsi üçün kontekstual nümunə kimi verildiyini bildirir.

Mövcud logistic regression yalnız beş birbaşa WESAD feature'ından istifadə edir.

Proxy etiket necə yaradılır?

WESAD məlumat dəsti “construction fatigue”, “drowsiness” və ya “elevated PPG variability” formasında peşəkar etiketlər təqdim etmir. Tədqiqatçılar buna görə üç müstəqil K-means clustering əməliyyatı ilə surrogate ground truth yaradır.

Mənbədə hədəflər aşağıdakı fizioloji nümunələrlə əlaqələndirilmişdir:

• Yüksəlmiş PPG dəyişkənliyi: yüksək bvp_std.
• Drowsiness: aşağı acc_std ilə aşağı/suppressed bvp_std kombinasiyası.
• Fatigue: yüksək temp_mean ilə yüksək acc_std kombinasiyası.

Daha sonra logistic regression yenə eyni beş feature üzərindən bu cluster-derived etiketləri öyrənir.

Bu fərq niyə çox vacibdir?

Bu eksperiment dizaynında modelin yüksək F1-score yaratması eyni feature fəzasında K-means tərəfindən yaradılmış decision structure'ın logistic regression ilə nə qədər yaxşı təqlid edilə bildiyini göstərir.

Məsələn “fatigue” etiketi mütəxəssis tərəfindən “bu işçi həqiqətən yorğun idi” formasında verilməmişdir. Yüksək temperatur və hərəkət dəyişkənliyi ehtiva edən müəyyən statistik cluster “fatigue” proxy'si kimi adlandırılmışdır.

Beləliklə:

%97,80 F1 ≠ real işçidə %97,80 yorğunluq aşkarlama dəqiqliyi.

Mənbənin öz məhdudiyyət açıqlaması da performansın expert-labelled occupational ground truth üzərində yenidən doğrulanmalı olduğunu bildirir.

Məlumat dəsti nə qədər böyükdür?

S2, S3 və S4-dən çıxarılan ümumi feature məlumat dəsti:

4217 ədəd beş saniyəlik pəncərə

ehtiva edir.

PCA yalnız vizuallaşdırma üçün istifadə edilmiş və beşölçülü feature space iki ölçüyə proyeksiya edilmişdir. Mənbənin Şəkil 5-ində K-means cluster'larının bu proyeksiyada aydın bölgələr yaratdığı göstərilir.

PCA modelin deployed input feature'ı kimi müəyyən edilməmişdir; təsnifatçının girişi orijinal beş xüsusiyyətdir.

Neçə nəfərlə qiymətləndirmə aparılmışdır?

WESAD-ın tamamında 15 iştirakçı olmasına baxmayaraq mövcud tədqiqat yalnız:

• S2,
• S3,
• S4

qeydlərindən istifadə edir.

S2 və S3 model training/internal testing üçün; S4 tamamilə görülməmiş external validation subject kimi ayrılmışdır.

Beləliklə “unseen individual generalisation” nəticəsi yalnız bir xarici iştirakçıya əsaslanır.

Internal split saylarında niyə sual işarəsi var?

Mənbə S2–S4 ümumisində 4217 pəncərə olduğunu bildirir. Şəkil 7-də external S4 confusion matrix'lərinin hər biri 1604 nümunədir.

Buna görə:

\[ 4217-1604=2613 \]

S2+S3 pəncərəsi qalır.

Mənbə S2+S3 üçün %80/%20 train–test split istifadə etdiyini bildirir. 2613 nümunənin %20'si təxminən 523 nümunə olmalıdır.

Lakin Şəkil 7-dəki üç internal confusion matrix'in hər biri:

\[ 628 \]

nümunə ehtiva edir.

Mənbə filtering, resampling və ya fərqli məlumat alt çoxluğu səbəbindən bu dəyişikliyin yarandığını izah etmir. Buna görə internal test nümunə sayının %20 split ilə necə əldə edildiyi mənbə əsasında tam yenidən istehsal edilə bilmir.

Confusion matrix'lər nə göstərir?

Şəkil 7-də mənbə tərəfindən dərc edilmiş hüceyrələr bunlardır:

Bu hüceyrələr Şəkil 6-dakı F1-score dəyərlərini yenidən əldə edir. Məsələn external drowsiness üçün:

Precision ≈ %99,56, Recall ≈ %97,57 və F1 ≈ %98,55

əldə edilir.

External nəticə həqiqətən hər sinifdə daha yüksəkdir?

Xeyr. Mənbənin Şəkil 6 izahı external performansın internal performansı hər kateqoriyada uyğunlaşdırdığını və ya aşdığını bildirir. Qrafikdə isə:

• PPG variability: %97,78 → %98,46, artım;
• Drowsiness: %98,98 → %98,55, azalma;
• Fatigue: %95,83 → %96,40, artım

görünür.

Beləliklə external ortanın daha yüksək olması doğrudur:

Internal orta: %97,53
External orta: %97,80

lakin external nəticə üç sinfin hamısında daha yüksək deyil.

Real cihazda inference həqiqətən həyata keçirilibmi?

Bəli. Bu tədqiqat əvvəlki yalnız proqram təminatı/TinyML uyğunluq işlərindən fərqli olaraq logistic regression çəkilərini Raspberry Pi Pico-nun flash yaddaşına köçürmüş və inference'ı cihaz üzərində işə salmışdır.

Hər online dövrdə Pico:

1. üç sensoru I2C ilə oxuyur,
2. 5 saniyəlik buffer üzərindən beş feature hesablayır,
3. logistic regression üçün sabit nöqtəli matris əməliyyatı aparır,
4. üç çıxışın hər biri üçün 0,5 decision threshold tətbiq edir,
5. nəticəni USB serial vasitəsilə dashboard'a göndərir.

Inference latency əslində nə qədərdir?

Logistic regression təxminən:

\[ \frac{62,73}{2,07}\approx30,3 \]

dəfə daha qısa inference müddəti göstərir.

Bu, logistic regression'ın RP2040 üzərində çox aşağı hesablama yükünü dəstəkləyən güclü nəticədir.

XGBoost həqiqətən “real vaxtda işləyə bilməz”mi?

Mənbə XGBoost-un 62,73 ms latency dəyərini RP2040 deployment'ı üçün impractical kimi şərh edir. Lakin eyni sistem yeni sensor feature vektorunu hər 5 saniyədən bir yaradır.

62,73 ms:

• 500 ms-lik “sub-0.5 s” referensindən aşağıdır,
• 5 saniyəlik sensor pəncərəsinin təxminən %1,25'idir.

Buna görə latency təkbaşına XGBoost-un real vaxtda istifadə edilə bilməyəcəyini göstərmir. XGBoost-un model yaddaşı, SRAM ehtiyacı, güc sərfi və real Pico deployment'ı barədə müqayisəli sayısal məlumat yoxdur.

Mənbənin daha təhlükəsiz dəstəklənən nəticəsi logistic regression'ın eyni müqayisədə aydın şəkildə daha sürətli və xətti quruluşuna görə daha sadə embedded seçim olmasıdır.

Dashboard nə edir?

Streamlit əsaslı supervisor dashboard aşağıdakı məlumatları göstərə bilər:

• Normal və ya Critical işçi vəziyyəti,
• PPG amplitude,
• temperatur,
• hərəkət intensity,
• zaman möhürlü alert log'ları,
• xəritə üzərində işçi marker'ları.

Mənbənin Şəkil 3-ü normal vəziyyəti yaşıl göstərici ilə; Şəkil 4 isə fatigue alert vəziyyətini sarı/narıncı xəbərdarlıq paneli ilə göstərir.

Xəritə real işçi mövqeyini ölçürmü?

Xeyr. Xəritədəki mövqelər tədqiqatçılar tərəfindən əl ilə təyin edilmişdir.

Mövcud sistemdə:

• GPS yoxdur,
• BLE localisation yoxdur,
• Wi-Fi localisation yoxdur,
• indoor positioning sistemi yoxdur.

Buna görə mənbə ekranındakı “Live Worker Locations” kimi vizual real vaxtlı localisation funksiyasının doğrulandığı mənasına gəlmir.

Wearable simsizdirmi?

Mövcud prototipdə xeyr. Pico ilə supervisor dashboard arasındakı rabitə USB serial vasitəsilə həyata keçirilir.

BLE və Wi-Fi növbəti avadanlıq reviziyalarına saxlanılmışdır. Beləliklə mövcud sistem tethered monitoring prototipidir.

Batareya ömrü ölçülübmi?

Xeyr. Mənbə üç sensorun davamlı işləməsinin batareya məhdudiyyətləri yaradacağını qəbul edir, lakin tam növbə boyunca güc sərfi və ya battery-life testi təqdim etmir.

Bu da breadboard proof-of-concept ilə real geyilə bilən məhsul arasındakı mühüm inkişaf mərhələlərindən biridir.

Tədqiqatın dəstəklədiyi nəticələr

• MAX30102, MLX90614 və BNO055 sensorlarının Raspberry Pi Pico ilə eyni breadboard prototipində işlədilə bildiyi göstərilmişdir.
• Beş feature istifadə edən üç çıxışlı logistic regression modeli RP2040 üzərində lokal inference üçün tətbiq edilmişdir.
• Raspberry Pi Pico üzərində logistic regression inference müddəti Şəkil 8-də 2,07 ms olaraq ölçülmüşdür.
• Modelin K-means ilə yaradılan proxy etiketlərlə external S4 iştirakçısında orta F1 uyğunluğu %97,80 olaraq bildirilmişdir.
• Supervisor dashboard USB serial vasitəsilə real vaxtlı təsnifat çıxışını göstərə bilir.
• Lokal inference təsnifat üçün cloud bağlantısından asılılığı azaldır.

Tədqiqatın dəstəkləmədiyi və ya hələ sınaqdan keçirmədiyi nəticələr

• %97,80 F1 real tikinti işçilərində doğrulanmış fatigue/drowsiness accuracy deyil.
• Proxy etiketlər expert-labelled clinical və ya occupational ground truth deyil.
• Prototip real earbud və ya qulaq səviyyəsində daşına bilən məhsul deyil.
• Real tikinti sahəsi temperaturu, toz, vibrasiya, intensiv fiziki iş və PPE şəraitində sınaq aparılmamışdır.
• Batareya ömrü və ya enerji sərfi ölçülməmişdir.
• BLE və ya Wi-Fi rabitəsi tətbiq edilməmişdir.
• GPS və ya real işçi mövqeləndirilməsi tətbiq edilməmişdir.
• SpO2 mövcud təsnifatçıda istifadə olunmur.
• Real HR və ya HRV feature'ı hesablanmır.
• HSI və FI indeksləri tətbiq edilməmişdir.
• Tədqiqat tibbi diaqnozu və ya işçinin işləməyə davam edib-etməməsinə dair klinik qərar sistemini doğrulamır.
• External generalisation yalnız bir nəfər olan S4 üzərində qiymətləndirilmişdir.

Tədqiqatın Metodu və Nəticələri

Əsas avadanlıq

Mikrokontroller resursları

Proqram təminatı mühiti

Məlumat və feature quruluşu

F1 nəticələri

Elmi şərh sərhədi: Bu dəyərlərin hamısı K-means ilə yaradılan proxy label'lara qarşı hesablanmışdır.

Latency nəticəsi

Mənbə logistic regression seçimini yalnız latency ilə deyil, xətti quruluş, şərh edilə bilmə və RP2040-un yaddaş/hesablama məhdudiyyətləri ilə də əsaslandırır.

Tədqiqatın ən kritik metodoloji sərhədi

Bu tədqiqatda hədəf siniflərin özləri müstəqil mütəxəssis etiketindən gəlmir. K-means eyni beş xüsusiyyət fəzasından proxy label yaradır, logistic regression da bu proxy label'ı eyni beş xüsusiyyətdən proqnozlaşdırır.

Buna görə tədqiqatın mövcud mərhələdə göstərdiyi əsas məqam:

“Beş fizioloji feature üzərindən yaradılmış cluster əsaslı qaydalara bənzər qərarların son dərəcə yüngül xətti model ilə Raspberry Pi Pico üzərində çox aşağı gecikmə ilə yenidən istehsal edilə bilməsi”dir.

Real fatigue, drowsiness və ya əməyin mühafizəsi riskinin aşkarlanması üçün bundan sonrakı zəruri mərhələ müstəqil, mütəxəssis tərəfindən etiketlənmiş tikinti sahəsi məlumatıdır.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: Edge-AI Enabled Wearables for Construction Safety: Real-Time Physiological Monitoring and Localised Data Processing

Müəlliflər və sıraları: Basil Alshehri; Nayef Aljhani; Ahmed Albalawi; Waleed Abdulghani; Talal Alfawzan; Ahmad J. Alkhodair.

Məsul müəllif: Ahmad J. Alkhodair.

Bərabər töhfə/bərabər birinci müəllif: Mənbədə göstərilməmişdir.

Qurum: Department of Computer Engineering, Faculty of Computer Science and Information Technology, University of Tabuk, Tabuk 47512, Saudi Arabia.

Jurnal: Future Internet

Nəşriyyat: MDPI, Basel, Switzerland

Cild / sayı / məqalə: 18 / 6 / 293

Qəbul üçün daxilolma tarixi: 28 Aprel 2026

Reviziya tarixi: 16 May 2026

Qəbul tarixi: 19 May 2026

Nəşr tarixi: 28 May 2026

DOI: 10.3390/fi18060293

Rəsmi nəşr keçidi:https://doi.org/10.3390/fi18060293

Mənbə növü: Rəyli tədqiqat məqaləsi; breadboard sensor prototipi, edge-AI deployment və nəzarətli məlumat dəsti əsaslı machine-learning qiymətləndirilməsi.

Rəy statusu: Rəyli jurnalda dərc olunmuş tədqiqatdır.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Tədqiqat xarici maliyyələşdirmə almamışdır.

Etik komitə: Mənbə yeni insan iştirakçıları ilə birbaşa məlumat toplamamışdır; açıq WESAD məlumat dəsti istifadə edildiyi üçün Institutional Review Board və informed consent bölmələri mövcud tədqiqat baxımından “not applicable” olaraq verilmişdir.

Məlumat əlçatanlığı: WESAD məlumat dəsti açıqdır. Mənbə kod və implementasiya təfərrüatlarının əsaslandırılmış sorğu əsasında məsul müəllifdən əldə edilə biləcəyini bildirir.

Müəllif töhfələri: Mənbədə konseptuallaşdırma və metodologiya Nayef Aljhani, Basil Alshehri, Ahmed Albalawi, Talal Alfawzan və Waleed Abdulghani; proqram təminatı Basil Alshehri və Nayef Aljhani; formal analiz və məlumat kurasiyası Basil Alshehri ilə Nayef Aljhani; vizuallaşdırma Basil Alshehri; nəzarət və layihə idarəetməsi Ahmad J. Alkhodair olaraq bildirilir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması olmadığını bəyan etmişdir.

Əvvəlki tədqiqat əlaqəsi: Mənbə bu məqalənin 2–4 Fevral 2026 tarixlərində University of Tabuk-da keçirilən 3rd GCC International Conference on Industrial Engineering and Operations Management konfransına qəbul edilmiş “Federated Edge AI Earables for Real-Time Physiological Monitoring and Predictive Safety Analytics in Construction Workforces” adlı posterin genişləndirilmiş və əhəmiyyətli dərəcədə təkmilləşdirilmiş versiyası olduğunu bildirir. Poster ilkin prototip konsepsiyasını təqdim etmiş; mövcud məqalə tam sistem dizaynı, maşın öyrənməsi xətti, eksperimental qiymətləndirmə və supervisor dashboard'u əlavə etmişdir.

Mənbədaxili terminologiya uyğunsuzluğu — PPG/heart rate: Bölmə 3.4.2 bvp_mean və bvp_std-nin xam waveform amplitude təsvirçiləri olduğunu və real HR/HRV olmadığını açıq şəkildə bildirir. Bölmə 3.5 hədəfi “elevated PPG variability” kimi müəyyən etdiyi halda Şəkil 6 eyni çıxışı “Heart Rate Increase” kimi etiketləyir. Peak detection və ya inter-beat interval hesabı tətbiq edilmədiyinə görə bu iki ifadə eyni ölçmə kimi qəbul edilməmişdir.

Mənbədaxili nəticə izahı — external/internal: Şəkil 6 izahı external performansın internal performansı hər kateqoriyada uyğunlaşdırdığını və ya aşdığını bildirir. Lakin drowsiness F1 internal %98,98, external %98,55'dir. External orta %97,80 ilə internal orta %97,53'ü aşır; “hər kateqoriya” ifadəsi isə qrafikdəki dəyərlərlə uyğun gəlmir.

Mənbədaxili nümunə sayı aydınlığı: S2–S4 cəmi 4217 pəncərə və S4 external confusion matrix sayı 1604'dür. Buna görə S2+S3 cəmi 2613 olmalıdır. Buna qarşılıq “%20 holdout” kimi göstərilən internal confusion matrix'lər 628 nümunə ehtiva edir. 628'in 2613-dən necə əldə edildiyi metod bölməsində açıqlanmır.

Latency şərh sərhədi: Şəkil 8 logistic regression üçün 2,07 ms və XGBoost üçün 62,73 ms latency göstərir. Mənbə XGBoost-u RP2040 üzərində latency baxımından impractical kimi xarakterizə edir. Lakin 62,73 ms də 0,5 saniyəlik referensdən və 5 saniyəlik sensor pəncərəsindən xeyli aşağıdır. XGBoost-un flash, SRAM və güc sərfi müqayisəsi verilmədiyindən deployment tətbiqolunmazlığı yalnız bu latency eksperimentindən qəti şəkildə çıxarılmamışdır.

Forma faktoru sərhədi: Mənbə sistemi ear-level wearable kimi hədəfləyir; mövcud fiziki sistem breadboard proof-of-concept'dir. Earbud enclosure, ear-fit, təmas təzyiqi, batareya, tər/toz/vibrasiya davamlılığı və PPE inteqrasiyası doğrulanmamışdır.

Rabitə və mövqeləndirmə sərhədi: Mövcud prototip USB serial ilə bağlıdır. BLE/WiFi tətbiq edilməmişdir. Dashboard xəritə marker'ları əl ilə təyin edilmişdir; GPS və ya hər hansı localisation sistemi sınaqdan keçirilməmişdir.

Etiketləmə sərhədi: Üç hədəf sinif expert-labelled occupational ground truth deyil. K-means clustering ilə eyni fizioloji feature space-dən yaradılmış proxy etiketlərdir. Buna görə yüksək F1-score real peşəkar fatigue və ya drowsiness detection accuracy kimi istifadə edilə bilməz.

Ümumiləşdirilə bilmə sərhədi: WESAD real tikinti sahəsi məlumatı deyil və mövcud tədqiqat yalnız üç WESAD şəxsi istifadə etmişdir. External validation tək nəfər olan S4-ə əsaslanır. Real tikinti mühitində yüksək temperatur, ağır PPE, toz, vibrasiya, intensiv əl işi və sahə mənşəli hərəkət artefaktları təlim məlumatında təmsil edilməmişdir.

Gələcək iş: Mənbə ən az 30 sahə iştirakçısı ilə expert-labelled field validation, PCB və earbud miniaturisation, BLE/WiFi, GPS, fərdi baseline calibration, model compression/quantization, batareya və güc profilləmə ilə gələcəkdə fizioloji pisləşməni baş verməzdən əvvəl proqnozlaşdıra biləcək time-series memarlıqlarını növbəti mərhələlər arasında sadalayır.

Bu Verianla izahındakı metod, avadanlıq məlumatları, məlumat dəsti, sayısal nəticələr, confusion matrix keyfiyyət nəzarətləri və məhdudiyyətlər araşdırılan tədqiqata əsaslanır. Biblioqrafik xarici doğrulama yalnız nəşr kimliyi, jurnal və rəy statusunun doğrulanması məqsədilə istifadə edilmiş; xarici mənbələrdən yeni performans dəyəri və ya əməyin mühafizəsi uğuru əsas elmi məzmuna əlavə edilməmişdir.