Бул изилдөө курулуш жумушчуларынын физиологиялык абалын үзгүлтүксүз булутка жөнөтүүнүн ордуна өлчөө жүргүзүлгөн түзмөккө жакын жерде талдоону көздөгөн Edge-AI негизиндеги эмгек коопсуздугу системасын иштеп чыгат. Сунушталган прототип фотоплетизмография (PPG) үчүн MAX30102, тийбестен инфракызыл температура өлчөө үчүн MLX90614 жана кыймыл/ориентация талдоосу үчүн BNO055 тогуз октуу IMU сенсорун Raspberry Pi Pico микроконтроллеринде бириктирет. Жеңил көп чыгыштуу logistic regression модели үч бинардык абал үчүн жергиликтүү чечим чыгарат: жогорулаган PPG өзгөрмөлүүлүгү, drowsiness жана fatigue.

Азыркы физикалык прототип реалдуу кулактын ичине тагылуучу же кулакчын формасында эмес. Изилдөөчүлөр сенсор fusion архитектурасын breadboard үстүндө куруп, системаны келечекте стандарттуу earbud форма факторуна кичирейтүүнү көздөшкөн. Кулакка туура келүү, механикалык корпус, тийишүү басымы, батарея, тер/чаң/термелүүдөн коргоо жана каска же угуу коргоочу каражат менен физикалык шайкештик бул изилдөөдө сыналган эмес.

Машина үйрөнүүсүн баалоо реалдуу курулуш аянтындагы жумушчулардан алынган этикеттелген маалымат менен эмес, ачык WESAD физиологиялык маалымат топтомунун S2, S3 жана S4 катышуучулары гана менен жүргүзүлгөн. S2 жана S3 модель иштеп чыгууга, S4 болсо толугу менен мурда көрүлбөгөн external validation subject катары колдонулган. Ар бир беш секунддук сенсор терезесинен болгону беш өзгөчөлүк чыгарылган: PPG сигналынын орточосу жана стандарттык четтөөсү, ылдамдануу чоңдугунун орточосу жана стандарттык четтөөсү жана орточо тери температурасы.

WESADда изилдөө бутага алган “жогорулаган PPG өзгөрмөлүүлүгү”, “drowsiness” жана “fatigue” этикеттери жок болгондуктан изилдөөчүлөр аларды K-means clustering менен өздөрү түзүшкөн. Андан соң logistic regression модели ошол эле беш физиологиялык өзгөчөлүктөн алынган proxy этикеттерди божомолдоого үйрөтүлгөн. Ошондуктан изилдөөдө билдирилген F1 маанилери клиникалык же кесиптик ground truth'ка каршы тактык эмес; модель clustering-derived proxy label түзүлүшүн канчалык жакшы кайра чыгарарын көрсөтөт.

Булакта external S4 катышуучусу үчүн үч максаттын F1-score'лору тиешелүүлүгүнө жараша %98,46, %98,55 жана %96,40 деп көрсөтүлүп, орточо external F1-score %97,80 деп билдирилген. Internal S2+S3 holdout орточосу %97,53. Бул жогорку маанилер техникалык жактан күчтүү proxy-label шайкештигин көрсөтөт; бирок реалдуу курулуш аянты шартында чарчоо же уйку басуу аныктоо тактыгы катары чечмеленбеши керек.

Реалдуу жабдыктагы inference баалоосу изилдөөнүн маанилүү тарабы. Raspberry Pi Pico үстүндө batch size 1 үчүн logistic regression inference убактысы Сүрөт 8’де болжол менен 2,07 ms, XGBoost болсо 62,73 ms деп көрсөтүлгөн. Ошентип logistic regression ошол эле тестте болжол менен отуз эсе кыска model-inference убактысын берет. Бирок XGBoost үчүн flash, SRAM, энергия жана толук deployment өлчөөлөрү берилбегендиктен latency жыйынтыгынын өзүнөн эле бүт deployment колдонууга жарамдуулугун чыгарууга болбойт.

Supervisor dashboard классификация жыйынтыгын USB serial аркылуу алат. Интерфейс PPG, температура жана кыймыл маалыматын, убакыт белгиси бар эскертүүлөрдү жана жумушчу marker'ларын көрсөтөт. Картадагы жумушчу жайгашуулары реалдуу убакыттагы GPS же indoor localisation менен өлчөнгөн эмес; изилдөөчүлөр алар визуалдаштыруу үчүн кол менен дайындалган marker'лар экенин ачык айтышат. BLE же Wi-Fi да азыркы прототипке колдонулган эмес.

Түркия жагынан чечмелөө: Изилдөө Түркиядагы курулуш аянттарында же Түркиядагы курулуш жумушчулары менен жүргүзүлгөн эмес. Ошого карабастан сенсор маалыматын борбордук булутка жеткенче күтпөстөн edge түзмөктө талдоо жогорку тобокелдүү жумуш аймактарында аз кечигүүчү эскертүү системасын иштеп чыгуу жагынан Түркиядагы эмгек коопсуздугу технологиялары үчүн изилдене турган архитектура. Реалдуу колдонуу үчүн Түркиядагы курулуш аянтынын температурасы, чаң, термелүү, жеке коргоочу жабдуу, смена режими, жумушчу демографиясы жана реалдуу чарчоо/уйку басуу окуяларын камтыган expert-labelled талаа маалыматы менен кайра текшерүү керек. Изилдөөнүн %97,80 F1 мааниси Түркиядагы реалдуу жумушчу коопсуздугу өндүрүмдүүлүгү эмес.

Изилдөөнүн негизги көйгөйү эмне?

Кийилүүчү эмгек коопсуздугу түзмөктөрүнүн олуттуу бөлүгү бир гана сенсор же бир гана тобокел көрсөткүчү менен иштеши мүмкүн. Курулуш жумушчусунда болсо температура, кыймыл, жүрөк-кан тамыр өзгөрүүсү жана чарчоо сыяктуу факторлор бир убакта пайда болушу мүмкүн. Мындан тышкары маалыматтын баарын булутка жөнөтүп, чечимди алыскы серверде чыгаруу байланыш көз карандылыгын жана кошумча кечигүүнү жаратат.

Бул изилдөө үч ар башка сенсор модалдуулугун бир edge платформада бириктирип, классификацияны түз Raspberry Pi Pico үстүндө жүргүзүүнү көздөйт.

Жабдык чындап кантип курулган?

Булак Сүрөт 2’де физикалык прототип breadboard үстүндө көрсөтүлгөн. Борбордо Raspberry Pi Pico бар жана үч сенсор I2C аркылуу туташат:

I2C маалымат шинасы булакта 400 kHz деп көрсөтүлгөн.

Форма факторунун чеги: Бул түзүлүш реалдуу кулак деңгээлинде тагылуучу даяр түзмөк эмес. Изилдөөчүлөр breadboard конфигурациясы үч сенсорлуу архитектуранын техникалык ишке ашырылышын гана көрсөтөрүн жана ear-level miniaturisation келечектеги иш экенин белгилешет.

Эмне үчүн Raspberry Pi Pico тандалган?

Булак Raspberry Pi Pico RP2040 эки өзөктүү ARM Cortex-M0+ процессорун 133 MHzге чейин иштетерин, 264 KB SRAM бар экенин жана прототип тактасында 2 MB flash мейкиндиги модель менен MicroPython firmware үчүн колдонулганын билдирет.

Модель neural network ордуна logistic regression болушу бул ресурс чектөөлөрүнө ылайык аң-сезимдүү инженердик тандоо. Үч binary чыгыш үчүн керек болгон салмактар сызыктуу матрица түзүлүшүндө сакталып, inference туруктуу чекиттүү матрица көбөйтүүсү менен аткарылышы мүмкүн.

Бирок изилдөө модель салмактарынын чыныгы flash көлөмүн, иш маалындагы SRAM колдонулушун же туруктуу чекит көрсөтүүсүнүн бит кеңдигин өзүнчө сандык таблицада бербейт. Ошондуктан “2 MB flash'ка батат” деген маалымат бар; бирок реалдуу колдонмонун memory footprint'и толук билдирилген эмес.

Offline окутуу менен online deployment кантип бөлүнөт?

Модель чындап кайсы беш маалыматты колдонот?

Бул минималдуу feature set моделди орнотулган системага оңой өткөрүү үчүн тандалган.

PPG өлчөөлөрү жүрөк кагышы же HRVби?

Жок. Булак бул айырманы ачык көрсөтөт. bvp_mean жана bvp_std чийки PPG waveform amplitude сүрөттөөчүлөрү.

Чыныгы heart rate эсептөө үчүн pulse peak detection жана peak-to-peak interval; HRV үчүн inter-beat interval катары, artefact rejection жана тиешелүү убакыт/жыштык талаасы иштетүүлөрү керек. Азыркы моделде булар колдонулган эмес.

Ошондуктан булак Сүрөт 6’да колдонулган “Heart Rate Increase” этикети ыкма бөлүмүндө аныкталган чыныгы эсептөө менен толук шайкеш келбейт. Ыкмада тиешелүү максат “elevated PPG variability” катары түзүлөт.

SpO2 өлчөнөбү?

Изилдөөнүн техникалык фон бөлүмүндө эки толкун узундуктуу PPG аркылуу SpO2 эсептөөнүн теориялык теңдемелери берилген. Бирок изилдөөчүлөр азыркы implementация PPG amplitude жана кыймыл өзгөчөлүктөрүнө көңүл бурарын жана SpO2 божомолдоо келечектеги ишке калтырылганын ачык белгилешет.

Демек MAX30102 сенсорунда SpO2 мүмкүнчүлүгү бар болушу азыркы моделде SpO2 колдонулганын билдирбейт.

HRV колдонулабы?

Булак фон бөлүмүндө SDNN жана RMSSD сыяктуу HRV өлчөмдөрүнүн теңдемелерин түшүндүрөт. Бирок реалдуу моделдин feature set'инде HRV жок. Бул теңдемелер изилдөөнүн контексттик техникалык фону.

Heat Stress Index же Fatigue Index колдонулабы?

Булак HSI жана FI үчүн теориялык курама индекстерди да берет. Бирок изилдөө бул эки индекс азыркы системада колдонулбаганын жана келечектеги модель кеңейтүүсү үчүн контексттик мисал катары гана берилгенин өзгөчө белгилейт.

Азыркы logistic regression беш түз WESAD feature'ын гана колдонот.

Proxy этикет кантип түзүлөт?

WESAD маалымат топтому “construction fatigue”, “drowsiness” же “elevated PPG variability” түрүндөгү кесиптик этикеттерди бербейт. Ошондуктан изилдөөчүлөр үч көз карандысыз K-means clustering операциясы менен surrogate ground truth түзүшөт.

Булакта максаттар төмөнкү физиологиялык үлгүлөр менен байланышкан:

• Жогорулаган PPG өзгөрмөлүүлүгү: жогорку bvp_std.
• Drowsiness: төмөн acc_std менен төмөн/suppressed bvp_std айкалышы.
• Fatigue: жогорку temp_mean менен жогорку acc_std айкалышы.

Андан кийин logistic regression кайра эле ошол беш feature аркылуу бул cluster-derived этикеттерди үйрөнөт.

Бул айырма эмне үчүн өтө маанилүү?

Бул эксперимент дизайнында моделдин жогорку F1-score бериши ошол эле feature мейкиндигинде K-means түзгөн decision structure'ды logistic regression канчалык жакшы туурай аларын көрсөтөт.

Мисалы, “fatigue” этикети эксперт тарабынан “бул жумушчу чындап чарчады” деп берилген эмес. Жогорку температура жана кыймыл өзгөрмөлүүлүгү камтылган белгилүү статистикалык cluster “fatigue” proxy'си деп аталган.

Демек:

%97,80 F1 ≠ реалдуу жумушчуда %97,80 чарчоону аныктоо тактыгы.

Булактын өз чектөө түшүндүрмөсү да өндүрүмдүүлүк expert-labelled occupational ground truth боюнча кайра текшерилиши керек экенин билдирет.

Маалымат топтому канчалык чоң?

S2, S3 жана S4’төн чыгарылган жалпы feature маалымат топтому:

4217 даана беш секунддук терезе

камтыйт.

PCA визуалдаштыруу үчүн гана колдонулуп, беш өлчөмдүү feature space эки өлчөмгө проекцияланган. Булак Сүрөт 5’те K-means cluster'лары бул проекцияда айкын аймактарды түзгөнүн көрсөтөт.

PCA deployed моделдин input feature'ы катары аныкталган эмес; классификатордун киргизүүсү баштапкы беш өзгөчөлүк.

Канча адам менен баалоо жүргүзүлгөн?

WESADдын толук топтомунда 15 катышуучу болгону менен азыркы изилдөө төмөнкү гана:

• S2,
• S3,
• S4

жазууларын колдонот.

S2 жана S3 model training/internal testing үчүн; S4 толугу менен мурда көрүлбөгөн external validation subject катары бөлүнгөн.

Демек “unseen individual generalisation” жыйынтыгы болгону бир тышкы катышуучуга негизделет.

Internal split сандарында эмне үчүн суроо бар?

Булак S2–S4 жалпы 4217 терезе бар экенин билдирет. Сүрөт 7’де external S4 confusion matrix'теринин ар бири 1604 үлгү.

Демек:

\[ 4217-1604=2613 \]

S2+S3 терезеси калат.

Булак S2+S3 үчүн %80/%20 train–test split колдонулганын билдирет. 2613 үлгүнүн %20'си болжол менен 523 үлгү болушу керек.

Бирок Сүрөт 7’деги үч internal confusion matrix'тин ар бири:

\[ 628 \]

үлгү камтыйт.

Булак filtering, resampling же башка маалымат кичи топтому себептүү бул өзгөрүү болгонун түшүндүрбөйт. Ошондуктан internal test үлгү саны %20 split менен кантип алынганы булак аркылуу толук кайра чыгарылбайт.

Confusion matrix'тер эмнени көрсөтөт?

Сүрөт 7’де булак жарыялаган уячалар төмөнкүдөй:

Бул уячалар Сүрөт 6’дагы F1-score маанилерин кайра чыгарат. Мисалы external drowsiness үчүн:

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

алынат.

External жыйынтык чындап ар бир класста жогорубу?

Жок. Булак Сүрөт 6 түшүндүрмөсү external өндүрүмдүүлүк internal өндүрүмдүүлүктү ар бир категорияда теңдейт же ашат деп билдирет. Графикте болсо:

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

көрүнөт.

Ошондуктан external орточо жогору экени туура:

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

бирок external жыйынтык үч класстын баарында жогору эмес.

Реалдуу түзмөктө inference чындап аткарылганбы?

Ооба. Бул изилдөө мурдагы программалык гана/TinyML ылайыктуулук иштеринен айырмаланып logistic regression салмактарын Raspberry Pi Picoнун flash эс тутумуна өткөрүп, inference'ты түзмөктүн өзүндө иштеткен.

Ар бир online циклде Pico:

1. үч сенсорду I2C аркылуу окуйт,
2. 5 секунддук buffer боюнча беш feature эсептейт,
3. logistic regression үчүн туруктуу чекиттүү матрица операциясын жүргүзөт,
4. үч чыгыштын ар бири үчүн 0,5 decision threshold колдонот,
5. жыйынтыкты USB serial аркылуу dashboard'га жөнөтөт.

Inference latency чындап канча?

Logistic regression болжол менен:

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

эсе кыска inference убактысын көрсөтөт.

Бул logistic regression'дын RP2040 үстүндөгү өтө төмөн эсептөө жүгүн колдогон күчтүү жыйынтык.

XGBoost чындап “реалдуу убакытта иштей албайбы”?

Булак XGBoostтун 62,73 ms latency'син RP2040 deployment үчүн impractical деп чечмелейт. Бирок ошол эле система жаңы сенсор feature векторун ар 5 секунд сайын түзөт.

62,73 ms:

• 500 ms болгон “sub-0.5 s” референсинен төмөн,
• 5 секунддук сенсор терезесинин болжол менен %1,25'и.

Ошондуктан latency жалгыз өзү XGBoost реалдуу убакытта колдонулбай турганын көрсөтпөйт. XGBoostтун модель эс тутуму, SRAM керектөөсү, кубат сарптоосу жана реалдуу Pico deployment'ы боюнча салыштырмалуу сандык маалымат жок.

Булактын коопсузураак колдогон жыйынтыгы — logistic regression ошол эле салыштырууда кыйла ылдам жана сызыктуу түзүлүшүнө байланыштуу жөнөкөй embedded вариант болуп саналат.

Dashboard эмне кылат?

Streamlit негизиндеги supervisor dashboard төмөнкү маалыматтарды көрсөтө алат:

• Normal же Critical жумушчу абалы,
• PPG amplitude,
• температура,
• кыймыл intensity,
• убакыт белгиси бар alert log'дор,
• картадагы жумушчу marker'лары.

Булак Сүрөт 3 нормалдуу абалды жашыл көрсөткүч менен; Сүрөт 4 болсо fatigue alert абалын сары/кызгылт сары эскертүү панели менен көрсөтөт.

Карта реалдуу жумушчу жайгашуусун өлчөйбү?

Жок. Картадагы жайгашуулар изилдөөчүлөр тарабынан кол менен дайындалган.

Азыркы системада:

• GPS жок,
• BLE localisation жок,
• Wi-Fi localisation жок,
• indoor positioning системасы жок.

Ошондуктан булак экранындагы “Live Worker Locations” сыяктуу көрүнүш реалдуу убакыттагы localisation функциясы текшерилгенин билдирбейт.

Wearable зымсызбы?

Азыркы прототипте жок. Pico менен supervisor dashboard ортосундагы байланыш USB serial аркылуу жүргүзүлөт.

BLE жана Wi-Fi кийинки жабдык ревизияларына калтырылган. Демек азыркы система tethered monitoring прототиби.

Батарея мөөнөтү өлчөнгөнбү?

Жок. Булак үч сенсорду үзгүлтүксүз иштетүү батарея чектөөлөрүн жаратарын моюнга алат, бирок толук смена боюнча кубат сарптоосу же battery-life тестин бербейт.

Бул да breadboard proof-of-concept менен реалдуу кийилүүчү продуктунун ортосундагы маанилүү иштеп чыгуу кадамдарынын бири.

Изилдөө колдогон жыйынтыктар

• MAX30102, MLX90614 жана BNO055 сенсорлорун Raspberry Pi Pico менен бир breadboard прототибинде иштетүүгө болору көрсөтүлгөн.
• Беш feature колдонгон үч чыгыштуу logistic regression модели RP2040 үстүндө жергиликтүү inference үчүн ишке ашырылган.
• Raspberry Pi Pico үстүндөгү logistic regression inference убактысы Сүрөт 8’де 2,07 ms деп өлчөнгөн.
• Моделдин K-means менен түзүлгөн proxy этикеттерге external S4 катышуучусунда орточо F1 шайкештиги %97,80 деп билдирилген.
• Supervisor dashboard USB serial аркылуу реалдуу убакыттагы классификация чыгышын көрсөтө алат.
• Жергиликтүү inference классификация үчүн cloud байланышына көз карандылыкты азайтат.

Изилдөө колдобогон же азырынча сынабаган жыйынтыктар

• %97,80 F1 реалдуу курулуш жумушчуларында текшерилген fatigue/drowsiness accuracy эмес.
• Proxy этикеттер expert-labelled clinical же occupational ground truth эмес.
• Прототип реалдуу earbud же кулак деңгээлинде тагылуучу продукт эмес.
• Реалдуу курулуш аянтындагы температура, чаң, термелүү, интенсивдүү физикалык иш жана PPE шарттарында тест жүргүзүлгөн эмес.
• Батарея мөөнөтү же энергия сарптоосу өлчөнгөн эмес.
• BLE же Wi-Fi байланышы колдонулган эмес.
• GPS же реалдуу жумушчу жайгаштыруу ишке ашырылган эмес.
• SpO2 азыркы классификатордо колдонулбайт.
• Реалдуу HR же HRV feature эсептелбейт.
• HSI жана FI индекстери колдонулган эмес.
• Изилдөө медициналык диагноз же жумушчу ишин уланта алабы деген клиникалык чечим системасын текшербейт.
• External generalisation бир гана адам болгон S4 боюнча бааланган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Негизги жабдык

Микроконтроллер ресурстары

Программалык чөйрө

Маалымат жана feature түзүлүшү

F1 жыйынтыктары

Илимий чечмелөө чеги: Бул маанилердин баары K-means менен түзүлгөн proxy label'дарга каршы эсептелген.

Latency жыйынтыгы

Булак logistic regression тандоосун latency менен гана эмес, сызыктуу түзүлүш, чечмелөө мүмкүнчүлүгү жана RP2040’дун эс тутум/эсептөө чектөөлөрү менен да негиздейт.

Изилдөөнүн эң маанилүү методологиялык чеги

Бул изилдөөдө максаттуу класстардын өзү көз карандысыз эксперттик этикеттен келбейт. K-means ошол эле беш өзгөчөлүк мейкиндигинен proxy label түзөт, logistic regression да бул proxy label'ды ошол эле беш өзгөчөлүктөн божомолдойт.

Ошондуктан изилдөөнүн азыркы баскычта көрсөткөн негизги нерсеси:

“Беш физиологиялык feature аркылуу түзүлгөн cluster негизиндеги эрежелерге окшош чечимдерди өтө жеңил сызыктуу модель менен Raspberry Pi Pico үстүндө өтө аз кечигүүдө кайра чыгарууга болору” болуп саналат.

Реалдуу fatigue, drowsiness же эмгек коопсуздугу тобокелдигин аныктоо үчүн кийинки зарыл баскыч — көз карандысыз, эксперт тарабынан этикеттелген курулуш аянты маалыматы.

Булак жана Ыкма Жөнүндө Эскертүү

Толук оригинал изилдөө аталышы: Edge-AI Enabled Wearables for Construction Safety: Real-Time Physiological Monitoring and Localised Data Processing

Авторлор жана ирети: Basil Alshehri; Nayef Aljhani; Ahmed Albalawi; Waleed Abdulghani; Talal Alfawzan; Ahmad J. Alkhodair.

Жооптуу автор: Ahmad J. Alkhodair.

Тең салым/тең биринчи автор: Булакта көрсөтүлгөн эмес.

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

Журнал: Future Internet

Басмакана: MDPI, Basel, Switzerland

Том / саны / макала: 18 / 6 / 293

Алынган күнү: 28 Апрель 2026

Кайра каралган күнү: 16 Май 2026

Кабыл алынган күнү: 19 Май 2026

Жарыяланган күнү: 28 Май 2026

DOI: 10.3390/fi18060293

Расмий жарыя шилтемеси:https://doi.org/10.3390/fi18060293

Булактын түрү: Рецензияланган изилдөө макаласы; breadboard сенсор прототиби, edge-AI deployment жана көзөмөлдөнгөн маалымат топтому негизиндеги machine-learning баалоосу.

Рецензия абалы: Рецензияланган журналда жарыяланган изилдөө.

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Изилдөө тышкы каржылоо алган эмес.

Этикалык комитет: Булак жаңы адам катышуучулардан түз маалымат чогулткан эмес; ачык WESAD маалымат топтому колдонулгандыктан Institutional Review Board жана informed consent бөлүмдөрү азыркы изилдөө үчүн “not applicable” деп берилген.

Маалымат жеткиликтүүлүгү: WESAD маалымат топтому ачык. Булак код жана implementация деталдарын негиздүү суроо боюнча жооптуу автордон алууга болорун билдирет.

Автор салымдары: Булакта концептуалдаштыруу жана методология Nayef Aljhani, Basil Alshehri, Ahmed Albalawi, Talal Alfawzan жана Waleed Abdulghani; программалык камсыздоо Basil Alshehri жана Nayef Aljhani; формалдык талдоо жана маалымат курациясы Basil Alshehri менен Nayef Aljhani; визуалдаштыруу Basil Alshehri; көзөмөл жана долбоор башкаруу Ahmad J. Alkhodair деп билдирилген.

Кызыкчылыктар кагылышы: Авторлор кызыкчылыктар кагылышы жок экенин билдирген.

Мурунку иш менен байланышы: Булак бул макала 2–4 Февраль 2026 күндөрү University of Tabuk'та өткөрүлгөн 3rd GCC International Conference on Industrial Engineering and Operations Management конференциясына кабыл алынган “Federated Edge AI Earables for Real-Time Physiological Monitoring and Predictive Safety Analytics in Construction Workforces” аттуу постердин кеңейтилген жана олуттуу жакшыртылган версиясы экенин билдирет. Постер алгачкы прототип концепциясын көрсөткөн; азыркы макала толук система дизайнын, машина үйрөнүү pipeline'ын, эксперименттик баалоону жана supervisor dashboard'ду кошкон.

Булак ичиндеги терминологиялык шайкешсиздик — PPG/heart rate: Бөлүм 3.4.2 bvp_mean жана bvp_std чийки waveform amplitude сүрөттөөчүлөрү экенин жана реалдуу HR/HRV эмес экенин ачык айтат. Бөлүм 3.5 максатты “elevated PPG variability” деп аныктаса, Сүрөт 6 ошол эле чыгышты “Heart Rate Increase” деп белгилейт. Peak detection же inter-beat interval эсеби колдонулбагандыктан бул эки сөз бир эле өлчөө катары кабыл алынган эмес.

Булак ичиндеги жыйынтык түшүндүрмөсү — external/internal: Сүрөт 6 түшүндүрмөсү external өндүрүмдүүлүк internal өндүрүмдүүлүктү ар бир категорияда теңдейт же ашат деп билдирет. Бирок drowsiness F1 internal %98,98, external %98,55. External орточо %97,80 менен internal орточо %97,53'төн жогору; “ар бир категория” деген сөз графиктеги маанилерге шайкеш эмес.

Булак ичиндеги үлгү санынын ачыктыгы: S2–S4 жалпы 4217 терезе жана S4 external confusion matrix саны 1604. Демек S2+S3 жалпы 2613 болушу керек. Бирок “%20 holdout” деп көрсөтүлгөн internal confusion matrix'тер 628 үлгү камтыйт. 628 саны 2613'төн кантип алынганы ыкма бөлүмүндө түшүндүрүлгөн эмес.

Latency чечмелөө чеги: Сүрөт 8 logistic regression үчүн 2,07 ms жана XGBoost үчүн 62,73 ms latency көрсөтөт. Булак XGBoostту RP2040 үстүндө latency жагынан impractical деп мүнөздөйт. Бирок 62,73 ms да 0,5 секунддук референстен жана 5 секунддук сенсор терезесинен кыйла төмөн. XGBoostтун flash, SRAM жана кубат сарптоосу салыштырылбагандыктан deployment жараксыздыгы ушул latency экспериментинен гана так чыгарылган эмес.

Форма факторунун чеги: Булак системаны ear-level wearable катары көздөйт; азыркы физикалык система breadboard proof-of-concept. Earbud enclosure, ear-fit, тийишүү басымы, батарея, тер/чаң/термелүүгө туруктуулук жана PPE интеграциясы текшерилген эмес.

Байланыш жана жайгаштыруу чеги: Азыркы прототип USB serial менен туташкан. BLE/WiFi колдонулган эмес. Dashboard карта marker'лары кол менен дайындалган; GPS же кандайдыр бир localisation системасы сыналган эмес.

Этикеттөө чеги: Үч максаттуу класс expert-labelled occupational ground truth эмес. Алар K-means clustering менен ошол эле физиологиялык feature space'тен түзүлгөн proxy этикеттер. Ошондуктан жогорку F1-score реалдуу кесиптик fatigue же drowsiness detection accuracy катары колдонулбайт.

Жалпылоо чеги: WESAD реалдуу курулуш аянты маалыматы эмес жана азыркы изилдөө болгону үч WESAD адамын колдонгон. External validation бир гана S4 адамга негизделет. Реалдуу курулуш чөйрөсүндөгү жогорку температура, оор PPE, чаң, термелүү, интенсивдүү кол эмгеги жана талаадан чыккан кыймыл артефакттары окутуу маалыматында көрсөтүлгөн эмес.

Келечектеги иш: Булак жок дегенде 30 талаа катышуучусу менен expert-labelled field validation, PCB жана earbud miniaturisation, BLE/WiFi, GPS, жеке baseline calibration, model compression/quantization, батарея жана кубат профилдөө жана келечекте физиологиялык начарлоону боло электе божомолдой ала турган time-series архитектураларын кийинки этаптардын арасына кошот.

Бул Verianla түшүндүрмөсүндөгү ыкма, жабдык маалыматы, маалымат топтому, сандык жыйынтыктар, confusion matrix сапат текшерүүлөрү жана чектөөлөр каралган изилдөөгө негизделген. Библиографиялык тышкы текшерүү жарыя идентификациясын, журналды жана рецензия абалын ырастоо үчүн гана колдонулган; тышкы булактардан жаңы өндүрүмдүүлүк мааниси же эмгек коопсуздугу ийгилиги негизги илимий мазмунга кошулган эмес.