Bu araştırma, inşaat çalışanlarının fizyolojik durumunu sürekli olarak buluta göndermek yerine ölçümün yapıldığı cihaza yakın bir noktada analiz etmeyi amaçlayan Edge-AI tabanlı bir iş güvenliği sistemi geliştirmektedir. Önerilen prototip; fotopletismografi (PPG) için MAX30102, temassız kızılötesi sıcaklık ölçümü için MLX90614 ve hareket/orientasyon analizi için BNO055 dokuz eksenli IMU sensörünü Raspberry Pi Pico mikrodenetleyicisi üzerinde birleştirmektedir. Hafif bir çok çıkışlı logistic regression modeli üç ikili durum için yerel karar üretmektedir: yükselmiş PPG değişkenliği, drowsiness ve fatigue.

Mevcut fiziksel prototip gerçek bir kulak içi veya kulaklık biçiminde değildir. Araştırmacılar sensör füzyon mimarisini breadboard üzerinde kurmuş ve sistemi gelecekte standart bir earbud form faktörüne küçültmeyi hedeflemiştir. Kulak uyumu, mekanik muhafaza, temas basıncı, batarya, ter/toz/titreşim koruması ve baret veya işitme koruyucusuyla fiziksel uyumluluk bu araştırmada test edilmemiştir.

Makine öğrenmesi değerlendirmesi gerçek şantiye çalışanlarından toplanan etiketli verilerle değil, kamuya açık WESAD fizyolojik veri setinin yalnız S2, S3 ve S4 katılımcılarıyla yapılmıştır. S2 ve S3 model geliştirme için, S4 ise tamamen görülmemiş external validation subject olarak kullanılmıştır. Her beş saniyelik sensör penceresinden yalnız beş özellik çıkarılmıştır: PPG sinyalinin ortalaması ve standart sapması, ivme büyüklüğünün ortalaması ve standart sapması ile ortalama deri sıcaklığı.

WESAD'da araştırmanın hedeflediği “yükselmiş PPG değişkenliği”, “drowsiness” ve “fatigue” etiketleri bulunmadığından araştırmacılar bunları K-means clustering ile kendileri oluşturmuştur. Daha sonra logistic regression modeli aynı beş fizyolojik özellikten türetilen bu proxy etiketleri tahmin etmek üzere eğitilmiştir. Bu nedenle çalışmada bildirilen F1 değerleri klinik veya mesleki ground truth'a karşı doğruluk değildir; modelin clustering-derived proxy label yapısını ne kadar iyi yeniden ürettiğini gösterir.

Kaynakta external S4 katılımcısı için üç hedefin F1-score'ları sırasıyla %98,46, %98,55 ve %96,40 olarak gösterilmiş; ortalama external F1-score %97,80 olarak bildirilmiştir. Internal S2+S3 holdout ortalaması %97,53'tür. Bu yüksek değerler teknik olarak güçlü proxy-label uyumunu göstermektedir; ancak gerçek şantiye koşullarında yorgunluk veya uyuklama tespit doğruluğu şeklinde yorumlanmamalıdır.

Gerçek donanım üzerindeki çıkarım değerlendirmesi araştırmanın önemli bir tarafıdır. Raspberry Pi Pico üzerinde batch size 1 için logistic regression çıkarım süresi Şekil 8'de yaklaşık 2,07 ms, XGBoost ise 62,73 ms olarak gösterilmektedir. Böylece logistic regression aynı testte yaklaşık otuz kat daha kısa model-inference süresi üretmektedir. Bununla birlikte XGBoost için flash, SRAM, enerji ve tam deployment ölçümleri verilmediğinden yalnız latency sonucundan bütün deployment uygulanabilirliği çıkarılamaz.

Supervisor dashboard sınıflandırma sonucunu USB serial üzerinden almaktadır. Arayüz PPG, sıcaklık ve hareket verilerini, zaman damgalı uyarıları ve çalışan işaretlerini göstermektedir. Haritadaki çalışan konumları gerçek zamanlı GPS veya indoor localisation ile ölçülmemiştir; araştırmacılar bunların görselleştirme amacıyla elle atanmış marker'lar olduğunu açıkça belirtmektedir. BLE veya Wi-Fi de mevcut prototipe uygulanmamıştır.

Türkiye açısından yorum: Çalışma Türkiye'deki şantiyelerde veya Türkiye'deki inşaat çalışanlarında gerçekleştirilmemiştir. Bununla birlikte sensör verisinin merkezi buluta ulaşmasını beklemeden edge cihazda analiz edilmesi, yüksek riskli çalışma alanlarında düşük gecikmeli uyarı sistemi geliştirmek açısından Türkiye'deki iş güvenliği teknolojileri için araştırılabilir bir mimaridir. Gerçek kullanım için Türkiye'deki şantiye sıcaklığı, toz, titreşim, kişisel koruyucu donanım, vardiya düzeni, çalışan demografisi ve gerçek yorgunluk/uyuklama olaylarını içeren expert-labelled saha verisiyle yeniden doğrulama gerekir. Çalışmanın %97,80 F1 değeri Türkiye'deki gerçek işçi güvenliği performansı değildir.

Çalışmanın temel problemi nedir?

Giyilebilir iş güvenliği cihazlarının önemli bir bölümü yalnız tek bir sensör veya tek risk göstergesi üzerinden çalışabilir. İnşaat çalışanında ise sıcaklık, hareket, kardiyovasküler değişim ve yorgunluk gibi faktörler aynı anda ortaya çıkabilir. Ayrıca verinin bütününü buluta gönderip kararın uzak sunucuda verilmesi bağlantı bağımlılığı ve ek gecikme oluşturabilir.

Bu çalışma üç farklı sensör modalitesini aynı edge platformunda birleştirerek sınıflandırmayı doğrudan Raspberry Pi Pico üzerinde yapmayı hedeflemektedir.

Donanım gerçekte nasıl kurulmuş?

Kaynak Şekil 2'de fiziksel prototip breadboard üzerinde gösterilmektedir. Merkezde Raspberry Pi Pico bulunmakta ve üç sensör I2C üzerinden bağlanmaktadır:

I2C veri yolu kaynakta 400 kHz olarak belirtilmektedir.

Form faktörü sınırı: Bu düzen gerçek kulak seviyesinde taşınan bitmiş cihaz değildir. Araştırmacılar breadboard konfigürasyonunun yalnız üç sensörlü mimarinin teknik uygulanabilirliğini gösterdiğini ve ear-level miniaturisation'ın gelecek çalışma olduğunu belirtmektedir.

Raspberry Pi Pico neden seçilmiş?

Kaynak Raspberry Pi Pico'nun RP2040 çift çekirdekli ARM Cortex-M0+ işlemciyi 133 MHz'e kadar çalıştırdığını, 264 KB SRAM bulunduğunu ve prototip kartta 2 MB flash alanının model ve MicroPython firmware'i için kullanıldığını belirtmektedir.

Modelin neural network yerine logistic regression olması bu kaynak sınırlamalarına göre bilinçli bir mühendislik seçimidir. Üç binary çıktı için gereken ağırlıklar doğrusal bir matris yapısında tutulabilir ve çıkarım sabit noktalı matris çarpımıyla gerçekleştirilebilir.

Bununla birlikte çalışma model ağırlıklarının gerçek flash boyutunu, çalışma anındaki SRAM kullanımını veya sabit nokta gösteriminin bit genişliğini ayrı bir nicel tabloda vermemektedir. Bu nedenle “2 MB flash'a sığıyor” bilgisi vardır; fakat gerçek uygulama memory footprint'i tam olarak raporlanmamıştır.

Offline eğitim ve online deployment nasıl ayrılıyor?

Model gerçekte hangi beş bilgiyi kullanıyor?

Bu minimal feature set modelin gömülü sisteme kolay taşınabilmesi için seçilmiştir.

PPG ölçümleri kalp hızı veya HRV mi?

Hayır. Kaynak bu ayrımı açık biçimde yapmaktadır. bvp_mean ve bvp_std ham PPG waveform amplitude tanımlayıcılarıdır.

Gerçek heart rate hesabı için pulse peak detection ve peak-to-peak interval; HRV için ise inter-beat interval dizisi, artefact rejection ve ilgili zaman/frekans alanı işlemleri gerekir. Mevcut modelde bunlar uygulanmamıştır.

Bu nedenle kaynak Şekil 6'da kullanılan “Heart Rate Increase” etiketi, yöntem bölümünde tanımlanan gerçek hesaplama ile tam olarak uyuşmamaktadır. Yöntemde ilgili hedef “elevated PPG variability” olarak oluşturulmaktadır.

SpO2 ölçülüyor mu?

Çalışmanın teknik arka plan bölümünde iki dalga boylu PPG üzerinden SpO2 hesabının teorik denklemleri verilmiştir. Ancak araştırmacılar mevcut implementasyonun PPG amplitude ve hareket özelliklerine odaklandığını ve SpO2 tahmininin gelecek çalışmaya bırakıldığını açıkça belirtmektedir.

Dolayısıyla MAX30102 sensörünün SpO2 kabiliyeti bulunması, mevcut modelde SpO2 kullanıldığı anlamına gelmez.

HRV kullanılıyor mu?

Kaynak arka plan bölümünde SDNN ve RMSSD gibi HRV ölçülerinin denklemlerini açıklamaktadır. Ancak gerçek modelin feature setinde HRV yoktur. Bu denklemler araştırmanın bağlamsal teknik arka planıdır.

Heat Stress Index veya Fatigue Index kullanılıyor mu?

Kaynak HSI ve FI için teorik kompozit indeksler de sunmaktadır. Ancak çalışma özellikle bu iki indeksin mevcut sistemde uygulanmadığını ve yalnız gelecek model genişletmesi için bağlamsal örnek olarak verildiğini belirtmektedir.

Mevcut logistic regression yalnız beş doğrudan WESAD feature'ını kullanmaktadır.

Proxy etiket nasıl oluşturuluyor?

WESAD veri seti “construction fatigue”, “drowsiness” veya “elevated PPG variability” şeklinde mesleki etiketler sağlamamaktadır. Araştırmacılar bu nedenle üç bağımsız K-means clustering işlemiyle surrogate ground truth üretmektedir.

Kaynakta hedefler şu fizyolojik desenlerle ilişkilendirilmiştir:

• Yükselmiş PPG değişkenliği: yüksek bvp_std.
• Drowsiness: düşük acc_std ile düşük/suppressed bvp_std kombinasyonu.
• Fatigue: yüksek temp_mean ile yüksek acc_std kombinasyonu.

Daha sonra logistic regression yine aynı beş feature üzerinden bu cluster-derived etiketleri öğrenmektedir.

Neden bu ayrım çok önemli?

Bu deney tasarımında modelin yüksek F1-score üretmesi, aynı feature uzayında K-means tarafından oluşturulan decision structure'ın logistic regression ile ne kadar iyi taklit edilebildiğini göstermektedir.

Örneğin “fatigue” etiketi uzman tarafından “bu çalışan gerçekten yorgundu” şeklinde verilmemiştir. Yüksek sıcaklık ve hareket değişkenliği içeren belirli istatistiksel cluster “fatigue” proxy'si olarak adlandırılmıştır.

Dolayısıyla:

%97,80 F1 ≠ gerçek işçide %97,80 yorgunluk tanı doğruluğu.

Kaynak çalışmanın kendi sınırlılık açıklaması da performansın expert-labelled occupational ground truth üzerinde yeniden doğrulanması gerektiğini belirtmektedir.

Veri seti ne kadar büyük?

S2, S3 ve S4'ten çıkarılan toplam feature veri seti:

4217 adet beş saniyelik pencere

içermektedir.

PCA yalnız görselleştirme için kullanılmış ve beş boyutlu feature space iki boyuta projekte edilmiştir. Kaynak Şekil 5'te K-means cluster'larının bu projeksiyonda belirgin bölgeler oluşturduğunu göstermektedir.

PCA modelin deployed input feature'ı olarak tanımlanmamıştır; sınıflandırıcının girdisi özgün beş özelliktir.

Kaç kişiyle değerlendirme yapılmış?

WESAD'ın tamamında 15 katılımcı bulunmasına karşın mevcut çalışma yalnız:

• S2,
• S3,
• S4

kayıtlarını kullanmaktadır.

S2 ve S3 model training/internal testing için; S4 tamamen görülmemiş external validation subject olarak ayrılmıştır.

Dolayısıyla “unseen individual generalisation” sonucu yalnız tek bir dış katılımcıya dayanmaktadır.

Internal split sayılarında neden soru işareti var?

Kaynak S2–S4 toplamında 4217 pencere olduğunu bildirir. Şekil 7'de external S4 confusion matrix'lerinin her biri 1604 örnektir.

Buna göre:

\[ 4217-1604=2613 \]

S2+S3 penceresi kalmaktadır.

Kaynak S2+S3 için %80/%20 train–test split kullandığını belirtmektedir. 2613 örneğin %20'si yaklaşık 523 örnek olmalıdır.

Ancak Şekil 7'deki üç internal confusion matrix'in her biri:

\[ 628 \]

örnek içermektedir.

Kaynak filtering, resampling veya farklı bir veri alt kümesi nedeniyle bu değişimin oluştuğunu açıklamamaktadır. Bu nedenle internal test örnek sayısının %20 split ile nasıl elde edildiği kaynak üzerinden tamamen yeniden üretilememektedir.

Confusion matrix'ler ne gösteriyor?

Şekil 7'de kaynak tarafından yayımlanan hücreler şunlardır:

Bu hücreler Şekil 6'daki F1-score değerlerini yeniden üretmektedir. Örneğin external drowsiness için:

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

elde edilmektedir.

External sonuç gerçekten her sınıfta daha yüksek mi?

Hayır. Kaynak Şekil 6 açıklaması external performansın internal performansı her kategoride eşlediğini veya geçtiğini söylemektedir. Grafikte ise:

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

görülmektedir.

Dolayısıyla external ortalamanın daha yüksek olması doğrudur:

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

ancak external sonuç üç sınıfın tamamında daha yüksek değildir.

Gerçek cihazda inference gerçekten yapılmış mı?

Evet. Bu çalışma önceki salt yazılım/TinyML uygunluk çalışmalarından farklı olarak logistic regression ağırlıklarını Raspberry Pi Pico'nun flash belleğine aktarmış ve inference'ı cihaz üzerinde çalıştırmıştır.

Her online döngüde Pico:

1. üç sensörü I2C ile okur,
2. 5 saniyelik buffer üzerinden beş feature hesaplar,
3. logistic regression için sabit noktalı matris işlemi yapar,
4. üç çıkışın her biri için 0,5 decision threshold uygular,
5. sonucu USB serial üzerinden dashboard'a gönderir.

Inference latency gerçekte ne kadar?

Logistic regression yaklaşık:

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

kat daha kısa inference süresi göstermektedir.

Bu, logistic regression'ın RP2040 üzerindeki çok düşük hesaplama yükünü destekleyen güçlü bir sonuçtur.

XGBoost gerçekten “gerçek zamanlı çalışamaz” mı?

Kaynak XGBoost'un 62,73 ms latency'sini RP2040 deployment'ı için impractical olarak yorumlamaktadır. Ancak aynı sistem yeni sensör feature vektörünü her 5 saniyede bir oluşturmaktadır.

62,73 ms:

• 500 ms'lik “sub-0.5 s” referansının altındadır,
• 5 saniyelik sensör penceresinin yaklaşık %1,25'idir.

Bu nedenle latency tek başına XGBoost'un gerçek zamanlı kullanılamayacağını göstermemektedir. XGBoost'un model belleği, SRAM ihtiyacı, güç tüketimi ve gerçek Pico deployment'ı hakkında karşılaştırmalı nicel veri bulunmamaktadır.

Kaynağın daha güvenli desteklenen sonucu, logistic regression'ın aynı karşılaştırmada belirgin biçimde daha hızlı ve doğrusal yapısı nedeniyle daha basit bir embedded seçenek olduğudur.

Dashboard ne yapıyor?

Streamlit tabanlı supervisor dashboard şu bilgileri gösterebilmektedir:

• Normal veya Critical çalışan durumu,
• PPG amplitude,
• sıcaklık,
• hareket intensity,
• zaman damgalı alert log'ları,
• harita üzerinde çalışan marker'ları.

Kaynak Şekil 3 normal durumu yeşil göstergeyle; Şekil 4 ise fatigue alert durumunu sarı/turuncu uyarı paneliyle göstermektedir.

Harita gerçek çalışan konumunu mu ölçüyor?

Hayır. Haritadaki konumlar araştırmacılar tarafından manuel atanmıştır.

Mevcut sistemde:

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

Bu nedenle kaynak ekranındaki “Live Worker Locations” benzeri görsel, gerçek zamanlı localisation fonksiyonunun doğrulandığı anlamına gelmez.

Wearable kablosuz mu?

Mevcut prototipte hayır. Pico ile supervisor dashboard arasındaki haberleşme USB serial üzerinden yapılmaktadır.

BLE ve Wi-Fi sonraki donanım revizyonlarına bırakılmıştır. Dolayısıyla mevcut sistem tethered monitoring prototipidir.

Batarya ömrü ölçülmüş mü?

Hayır. Kaynak sürekli üç sensör çalışmasının batarya kısıtları yaratacağını kabul etmekte, ancak tam vardiya boyunca güç tüketimi veya battery-life testi sunmamaktadır.

Bu da breadboard proof-of-concept ile gerçek giyilebilir ürün arasındaki önemli geliştirme adımlarından biridir.

Çalışmanın desteklediği sonuçlar

• MAX30102, MLX90614 ve BNO055 sensörlerinin Raspberry Pi Pico ile aynı breadboard prototipinde çalıştırılabildiği gösterilmiştir.
• Beş feature kullanan üç çıkışlı logistic regression modeli RP2040 üzerinde yerel inference için uygulanmıştır.
• Raspberry Pi Pico üzerindeki logistic regression inference süresi Şekil 8'de 2,07 ms olarak ölçülmüştür.
• Modelin K-means ile üretilen proxy etiketlerle external S4 katılımcısında ortalama F1 uyumu %97,80 olarak raporlanmıştır.
• Supervisor dashboard USB serial üzerinden gerçek zamanlı sınıflandırma çıktısı gösterebilmektedir.
• Yerel inference cloud bağlantısına sınıflandırma için bağımlılığı azaltmaktadır.

Çalışmanın desteklemediği veya henüz test etmediği sonuçlar

• %97,80 F1 gerçek inşaat çalışanlarında doğrulanmış fatigue/drowsiness accuracy değildir.
• Proxy etiketler expert-labelled clinical veya occupational ground truth değildir.
• Prototip gerçek earbud veya kulak seviyesinde taşınabilir ürün değildir.
• Gerçek şantiye sıcaklığı, toz, titreşim, yoğun fiziksel iş ve PPE koşullarında test yapılmamıştır.
• Batarya ömrü veya enerji tüketimi ölçülmemiştir.
• BLE veya Wi-Fi haberleşmesi uygulanmamıştır.
• GPS veya gerçek çalışan konumlandırması uygulanmamıştır.
• SpO2 mevcut sınıflandırıcıda kullanılmamaktadır.
• Gerçek HR veya HRV feature'ı hesaplanmamaktadır.
• HSI ve FI indeksleri uygulanmamıştır.
• Çalışma tıbbi tanı veya işçinin çalışmaya devam edip edemeyeceğine ilişkin klinik karar sistemi doğrulamamaktadır.
• External generalisation yalnız tek kişi olan S4 üzerinde değerlendirilmiştir.

Çalışmanın Yöntemi ve Bulguları

Temel donanım

Mikrodenetleyici kaynakları

Yazılım ortamı

Veri ve feature yapısı

F1 sonuçları

Bilimsel yorum sınırı: Bu değerlerin tamamı K-means ile oluşturulan proxy label'lara karşı hesaplanmıştır.

Latency sonucu

Kaynak, logistic regression seçimini yalnız latency ile değil, doğrusal yapı, yorumlanabilirlik ve RP2040'un bellek/işlem sınırlamalarıyla da gerekçelendirmektedir.

Çalışmanın en kritik metodolojik sınırı

Bu araştırmada hedef sınıfların kendisi bağımsız uzman etiketinden gelmemektedir. K-means aynı beş özellik uzayından proxy label üretmekte, logistic regression da bu proxy label'ı aynı beş özellikten tahmin etmektedir.

Bu nedenle araştırmanın mevcut aşamada gösterdiği asıl şey:

“Beş fizyolojik feature üzerinden oluşturulmuş cluster tabanlı kurallara benzeyen kararların, son derece hafif bir doğrusal modelle Raspberry Pi Pico üzerinde çok düşük gecikmeyle yeniden üretilebilmesi”dir.

Gerçek fatigue, drowsiness veya iş güvenliği riski tespiti için bundan sonraki gerekli aşama bağımsız, uzman tarafından etiketlenmiş şantiye verisidir.

Kaynak ve Yöntem Notu

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

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

Sorumlu yazar: Ahmad J. Alkhodair.

Eş katkı/eş birinci yazar: Kaynakta belirtilmemiştir.

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

Dergi: Future Internet

Yayınevi: MDPI, Basel, Switzerland

Cilt / sayı / makale: 18 / 6 / 293

Alınma tarihi: 28 Nisan 2026

Revizyon tarihi: 16 Mayıs 2026

Kabul tarihi: 19 Mayıs 2026

Yayın tarihi: 28 Mayıs 2026

DOI: 10.3390/fi18060293

Resmî yayın bağlantısı:https://doi.org/10.3390/fi18060293

Kaynak türü: Hakemli araştırma makalesi; breadboard sensör prototipi, edge-AI deployment ve kontrollü veri seti tabanlı machine-learning değerlendirmesi.

Hakemlik durumu: Hakemli dergide yayımlanmış çalışmadır.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Araştırma dış finansman almamıştır.

Etik kurul: Kaynak yeni insan katılımcılarla doğrudan veri toplamamıştır; kamuya açık WESAD veri seti kullanıldığı için Institutional Review Board ve informed consent bölümleri mevcut çalışma açısından “not applicable” olarak verilmiştir.

Veri erişilebilirliği: WESAD veri seti kamuya açıktır. Kaynak, kod ve implementasyon ayrıntılarının makul talep üzerine sorumlu yazardan edinilebileceğini belirtmektedir.

Yazar katkıları: Kaynakta kavramsallaştırma ve metodoloji Nayef Aljhani, Basil Alshehri, Ahmed Albalawi, Talal Alfawzan ve Waleed Abdulghani; yazılım Basil Alshehri ve Nayef Aljhani; formal analiz ve veri kürasyonu Basil Alshehri ile Nayef Aljhani; görselleştirme Basil Alshehri; denetim ve proje yönetimi Ahmad J. Alkhodair olarak bildirilmektedir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmektedir.

Önceki çalışma ilişkisi: Kaynak bu makalenin 2–4 Şubat 2026 tarihlerinde University of Tabuk'ta düzenlenen 3rd GCC International Conference on Industrial Engineering and Operations Management konferansına kabul edilen “Federated Edge AI Earables for Real-Time Physiological Monitoring and Predictive Safety Analytics in Construction Workforces” adlı posterin genişletilmiş ve önemli ölçüde geliştirilmiş sürümü olduğunu belirtmektedir. Poster ilk prototip kavramını sunmuş; mevcut makale tam sistem tasarımı, makine öğrenmesi hattı, deneysel değerlendirme ve supervisor dashboard'u eklemiştir.

Kaynak içi terminoloji tutarsızlığı — PPG/heart rate: Bölüm 3.4.2 bvp_mean ve bvp_std'nin ham waveform amplitude tanımlayıcıları olduğunu ve gerçek HR/HRV olmadığını açıkça belirtmektedir. Bölüm 3.5 hedefi “elevated PPG variability” olarak tanımlarken Şekil 6 aynı çıktıyı “Heart Rate Increase” olarak etiketlemektedir. Peak detection veya inter-beat interval hesabı uygulanmadığından bu iki ifade aynı ölçüm olarak kabul edilmemiştir.

Kaynak içi sonuç açıklaması — external/internal: Şekil 6 açıklaması external performansın internal performansı her kategoride eşlediğini veya geçtiğini belirtmektedir. Ancak drowsiness F1 internal %98,98, external %98,55'tir. External ortalama %97,80 ile internal ortalama %97,53'ü aşmaktadır; “her kategori” ifadesi ise grafikteki değerlerle uyuşmamaktadır.

Kaynak içi örnek sayısı açıklığı: S2–S4 toplamı 4217 pencere ve S4 external confusion matrix sayısı 1604'tür. Buna göre S2+S3 toplamı 2613 olmalıdır. Buna karşın “%20 holdout” olarak belirtilen internal confusion matrix'ler 628 örnek içerir. 628'in 2613'e nasıl ulaştırıldığı yöntem bölümünde açıklanmamaktadır.

Latency yorum sınırı: Şekil 8 logistic regression için 2,07 ms ve XGBoost için 62,73 ms latency göstermektedir. Kaynak XGBoost'u RP2040 üzerinde latency bakımından impractical olarak nitelendirmektedir. Ancak 62,73 ms de 0,5 saniyelik referansın ve 5 saniyelik sensör penceresinin çok altındadır. XGBoost'un flash, SRAM ve güç tüketimi karşılaştırması verilmediğinden deployment uygulanamazlığı yalnız bu latency deneyinden kesin olarak çıkarılmamıştır.

Form faktörü sınırı: Kaynak sistemi ear-level wearable olarak hedeflemektedir; mevcut fiziksel sistem breadboard proof-of-concept'tir. Earbud enclosure, ear-fit, temas basıncı, batarya, ter/toz/titreşim dayanımı ve PPE entegrasyonu doğrulanmamıştır.

Haberleşme ve konumlandırma sınırı: Mevcut prototip USB serial ile bağlıdır. BLE/WiFi uygulanmamıştır. Dashboard harita marker'ları manuel atanmıştır; GPS veya herhangi bir localisation sistemi test edilmemiştir.

Etiketleme sınırı: Üç hedef sınıf expert-labelled occupational ground truth değildir. K-means clustering ile aynı fizyolojik feature space'ten oluşturulan proxy etiketlerdir. Bu nedenle yüksek F1-score gerçek mesleki fatigue veya drowsiness detection accuracy olarak kullanılamaz.

Genellenebilirlik sınırı: WESAD gerçek şantiye verisi değildir ve mevcut çalışma yalnız üç WESAD kişisini kullanmıştır. External validation tek kişi olan S4'e dayanmaktadır. Gerçek inşaat ortamındaki yüksek sıcaklık, ağır PPE, toz, titreşim, yoğun manuel iş ve saha kaynaklı hareket artefaktları eğitim verisinde temsil edilmemiştir.

Gelecek çalışma: Kaynak; en az 30 saha katılımcısıyla expert-labelled field validation, PCB ve earbud miniaturisation, BLE/WiFi, GPS, kişisel baseline calibration, model compression/quantization, batarya ve güç profilleme ile gelecekte fizyolojik bozulmayı oluşmadan önce tahmin edebilecek time-series mimarilerini sonraki aşamalar arasında saymaktadır.

Bu Verianla açıklamasındaki yöntem, donanım bilgileri, veri seti, sayısal sonuçlar, confusion matrix kalite kontrolleri ve sınırlılıklar incelenen çalışmaya dayanmaktadır. Bibliyografik dış doğrulama yalnız yayın kimliği, dergi ve hakemlik durumunun doğrulanması amacıyla kullanılmış; dış kaynaklardan yeni performans değeri veya iş güvenliği başarısı ana bilimsel içeriğe eklenmemiştir.