Utafiti huu unatengeneza mfumo wa usalama kazini unaotegemea Edge-AI unaolenga kuchanganua hali ya kifiziolojia ya wafanyakazi wa ujenzi karibu na kifaa ambacho kipimo kinafanywa, badala ya kuituma kila mara kwenye wingu. Prototipu iliyopendekezwa inaunganisha MAX30102 kwa photoplethysmography (PPG), MLX90614 kwa kipimo cha joto cha infrared bila mguso, na sensa ya IMU ya BNO055 yenye mhimili tisa kwa uchambuzi wa mwendo/orientation kwenye mikrokontrola ya Raspberry Pi Pico. Modeli nyepesi ya logistic regression yenye outputs nyingi hutoa uamuzi wa ndani kwa hali tatu za binary: kuongezeka kwa ubadilifu wa PPG, kusinzia na uchovu.

Prototipu ya sasa ya kimwili si kifaa halisi cha ndani ya sikio wala katika umbo la earbud. Watafiti wamejenga usanifu wa sensor fusion kwenye breadboard na wanalenga kuupunguza mfumo huo katika siku zijazo hadi form factor ya kawaida ya earbud. Ulinganifu na sikio, housing ya kimakanika, shinikizo la mguso, betri, ulinzi dhidi ya jasho/vumbi/mtetemo na ulinganifu wa kimwili na kofia ngumu au kifaa cha kulinda usikivu havikujaribiwa katika utafiti huu.

Tathmini ya machine learning haikufanywa kwa data zenye lebo zilizokusanywa kutoka kwa wafanyakazi halisi wa eneo la ujenzi, bali ilitumia washiriki S2, S3 na S4 pekee kutoka Dataset ya kifiziolojia ya WESAD inayopatikana hadharani. S2 na S3 zilitumika kwa maendeleo ya modeli, huku S4 ikitumika kama external validation subject ambaye hakuwahi kuonekana kabisa. Vipengele vitano pekee vilitolewa kutoka kila dirisha la sensa la sekunde tano: wastani na standard deviation ya ishara ya PPG, wastani na standard deviation ya ukubwa wa acceleration, na wastani wa joto la ngozi.

Kwa kuwa WESAD haina lebo za “kuongezeka kwa ubadilifu wa PPG”, “kusinzia” na “uchovu” zinazolengwa na utafiti, watafiti walizitengeneza wenyewe kwa K-means clustering. Kisha modeli ya logistic regression ilifundishwa kutabiri lebo hizi za proxy zilizotokana na vipengele vilevile vitano vya kifiziolojia. Kwa hiyo, thamani za F1 zilizoripotiwa katika utafiti si usahihi dhidi ya clinical au occupational ground truth; zinaonyesha jinsi modeli inavyoweza kuzalisha upya muundo wa proxy label uliotokana na clustering.

Katika chanzo, F1-score za malengo matatu kwa mshiriki wa external S4 zimeonyeshwa kuwa %98,46, %98,55 na %96,40 mtawalia; wastani wa external F1-score umeripotiwa kuwa %97,80. Wastani wa internal S2+S3 holdout ni %97,53. Thamani hizi za juu zinaonyesha kitaalamu ulinganifu mkubwa na proxy labels; hata hivyo, hazipaswi kutafsiriwa kama usahihi wa kugundua uchovu au kusinzia katika mazingira halisi ya eneo la ujenzi.

Tathmini ya inference kwenye hardware halisi ni sehemu muhimu ya utafiti. Kwenye Raspberry Pi Pico, kwa batch size 1, muda wa inference wa logistic regression umeonyeshwa katika Kielelezo 8 kuwa takriban 2,07 ms, huku XGBoost ikiwa 62,73 ms. Hivyo logistic regression hutoa muda wa model-inference ulio karibu mara thelathini mfupi katika jaribio hilohilo. Hata hivyo, kwa kuwa vipimo vya flash, SRAM, nishati na full deployment vya XGBoost havijatolewa, uwezekano wa deployment yote hauwezi kuhitimishwa kutokana na latency pekee.

Supervisor dashboard hupokea matokeo ya uainishaji kupitia USB serial. Kiolesura huonyesha data za PPG, joto na mwendo, arifa zenye muhuri wa muda na marker za wafanyakazi. Maeneo ya wafanyakazi kwenye ramani hayajapimwa kwa GPS ya real-time au indoor localisation; watafiti wanaeleza wazi kwamba ni marker zilizowekwa kwa mkono kwa madhumuni ya uwasilishaji. BLE au Wi-Fi pia hazijatekelezwa katika prototipu ya sasa.

Maoni kwa mtazamo wa Uturuki: Utafiti haukufanywa katika maeneo ya ujenzi nchini Uturuki wala kwa wafanyakazi wa ujenzi nchini Uturuki. Hata hivyo, kuchanganua data za sensa kwenye kifaa cha edge bila kusubiri zifikie wingu la kati ni usanifu unaoweza kuchunguzwa kwa teknolojia za usalama kazini nchini Uturuki ili kujenga mfumo wa tahadhari wenye latency ndogo katika maeneo yenye hatari kubwa. Kwa matumizi halisi, uthibitishaji mpya kwa data za field zilizo expert-labelled unahitajika, ukiwemo joto la eneo la ujenzi nchini Uturuki, vumbi, mtetemo, vifaa vya kujikinga binafsi, mpangilio wa zamu, demografia ya wafanyakazi na matukio halisi ya uchovu/kusinzia. Thamani ya %97,80 F1 katika utafiti si utendaji halisi wa usalama wa wafanyakazi nchini Uturuki.

Tatizo kuu la utafiti ni nini?

Sehemu kubwa ya vifaa vya usalama kazini vinavyovaliwa inaweza kufanya kazi kwa sensa moja tu au kiashirio kimoja cha hatari. Kwa mfanyakazi wa ujenzi, hata hivyo, mambo kama joto, mwendo, mabadiliko ya moyo na mishipa na uchovu yanaweza kutokea kwa wakati mmoja. Zaidi ya hayo, kutuma data yote kwenye wingu na kufanya uamuzi kwenye seva ya mbali kunaweza kusababisha utegemezi wa muunganisho na latency ya ziada.

Utafiti huu unalenga kuunganisha modaliti tatu tofauti za sensa kwenye platform moja ya edge na kufanya uainishaji moja kwa moja kwenye Raspberry Pi Pico.

Hardware imejengwaje kwa kweli?

Katika Kielelezo 2 cha chanzo, prototipu ya kimwili inaonyeshwa kwenye breadboard. Raspberry Pi Pico iko katikati na sensa tatu zimeunganishwa kupitia I2C:

Basi la data la I2C limetajwa katika chanzo kuwa 400 kHz.

Kikomo cha form factor: Mpangilio huu si kifaa kilichokamilika kinachovaliwa katika kiwango cha sikio. Watafiti wanasema kwamba konfigurasheni ya breadboard inaonyesha tu uwezekano wa kiufundi wa usanifu wenye sensa tatu na kwamba ear-level miniaturisation ni kazi ya baadaye.

Kwa nini Raspberry Pi Pico ilichaguliwa?

Chanzo kinasema Raspberry Pi Pico inaendesha processor ya RP2040 dual-core ARM Cortex-M0+ hadi 133 MHz, ina 264 KB SRAM, na eneo la 2 MB flash kwenye bodi ya prototipu limetumika kwa modeli na MicroPython firmware.

Kutumia logistic regression badala ya neural network ni uamuzi wa kimhandisi wa makusudi kulingana na vikwazo hivi vya rasilimali. Uzito unaohitajika kwa outputs tatu za binary unaweza kuhifadhiwa katika muundo wa matrix ya mstari, na inference inaweza kufanywa kwa fixed-point matrix multiplication.

Hata hivyo, utafiti hautoi katika jedwali tofauti la kiasi ukubwa halisi wa flash wa model weights, matumizi ya SRAM wakati wa uendeshaji au bit width ya fixed-point representation. Kwa hiyo, kuna taarifa kwamba “inaingia kwenye 2 MB flash”, lakini memory footprint halisi ya utekelezaji haijaripotiwa kikamilifu.

Mafunzo ya offline na online deployment yanatenganishwaje?

Modeli inatumia taarifa gani tano kwa kweli?

Minimal feature set hii ilichaguliwa ili modeli iweze kuhamishwa kwa urahisi kwenye mfumo wa embedded.

Je, vipimo vya PPG ni heart rate au HRV?

Hapana. Chanzo kinaweka wazi tofauti hii. bvp_mean na bvp_std ni viashiria vya amplitude ya raw PPG waveform.

Kwa hesabu ya heart rate halisi, pulse peak detection na peak-to-peak interval zinahitajika; kwa HRV, inter-beat interval series, artefact rejection na uchakataji husika wa time/frequency domain unahitajika. Haya hayajatekelezwa katika modeli ya sasa.

Kwa hiyo, “Heart Rate Increase” lebo inayotumiwa katika Kielelezo 6 cha chanzo hailingani kikamilifu na hesabu halisi iliyoelezwa katika sehemu ya mbinu. Katika mbinu, lengo husika limeundwa kama “elevated PPG variability”.

Je, SpO2 inapimwa?

Sehemu ya usuli wa kiufundi ya utafiti inatoa milinganyo ya kinadharia ya kuhesabu SpO2 kupitia PPG ya wavelengths mbili. Hata hivyo, watafiti wanaeleza wazi kwamba implementation ya sasa inalenga PPG amplitude na vipengele vya mwendo, na makadirio ya SpO2 yameachwa kwa kazi ya baadaye.

Kwa hiyo, kuwa na uwezo wa SpO2 katika sensa ya MAX30102 hakumaanishi kwamba SpO2 inatumika katika modeli ya sasa.

Je, HRV inatumika?

Chanzo kinaeleza katika sehemu ya usuli milinganyo ya vipimo vya HRV kama SDNN na RMSSD. Hata hivyo, HRV haipo katika feature set ya modeli halisi. Milinganyo hii ni usuli wa kiufundi wa kimuktadha wa utafiti.

Je, Heat Stress Index au Fatigue Index inatumika?

Chanzo pia kinatoa composite indices za kinadharia kwa HSI na FI. Hata hivyo, utafiti unaeleza hasa kwamba indices hizi mbili hazijatekelezwa katika mfumo wa sasa na zimetolewa tu kama mifano ya kimuktadha kwa upanuzi wa modeli wa baadaye.

Logistic regression ya sasa hutumia feature tano tu za moja kwa moja kutoka WESAD.

Proxy label inaundwaje?

Dataset ya WESAD haitoi lebo za kikazi kama “construction fatigue”, “drowsiness” au “elevated PPG variability”. Kwa hiyo, watafiti hutengeneza surrogate ground truth kupitia michakato mitatu huru ya K-means clustering.

Katika chanzo, malengo yamehusishwa na mifumo ifuatayo ya kifiziolojia:

• Kuongezeka kwa ubadilifu wa PPG: bvp_std ya juu.
• Kusinzia: mchanganyiko wa acc_std ya chini na bvp_std ya chini/suppressed.
• Uchovu: mchanganyiko wa temp_mean ya juu na acc_std ya juu.

Baadaye logistic regression hujifunza lebo hizi za cluster-derived kupitia feature zilezile tano.

Kwa nini tofauti hii ni muhimu sana?

Katika muundo huu wa jaribio, modeli kutoa F1-score ya juu kunaonyesha jinsi logistic regression inavyoweza kuiga vizuri decision structure iliyoundwa na K-means katika feature space ileile.

Kwa mfano, lebo ya “fatigue” haikutolewa na mtaalamu kwa maana kwamba “mfanyakazi huyu alikuwa amechoka kweli”. Cluster fulani ya kitakwimu yenye joto la juu na ubadilifu mkubwa wa mwendo iliitwa proxy ya “fatigue”.

Kwa hiyo:

%97,80 F1 ≠ usahihi wa %97,80 wa kugundua uchovu kwa mfanyakazi halisi.

Maelezo ya vikwazo ya utafiti chanzo pia yanaeleza kwamba utendaji unapaswa kuthibitishwa upya dhidi ya expert-labelled occupational ground truth.

Dataset ina ukubwa gani?

Jumla ya Dataset ya feature iliyotolewa kutoka S2, S3 na S4:

madirisha 4217 ya sekunde tano

yanajumuishwa.

PCA ilitumika kwa visualisation pekee na feature space ya vipimo vitano iliprojisiwa hadi vipimo viwili. Katika Kielelezo 5, chanzo kinaonyesha cluster za K-means zikijenga maeneo yanayoonekana wazi katika projection hii.

PCA haijafafanuliwa kama deployed input feature ya modeli; ingizo la kiainishaji ni vipengele vitano vya asili.

Tathmini ilifanywa kwa watu wangapi?

Ingawa WESAD yote ina washiriki 15, utafiti wa sasa unatumia tu rekodi za:

• S2,
• S3,
• S4

.

S2 na S3 hutumika kwa model training/internal testing; S4 imetengwa kama external validation subject ambaye hajawahi kuonekana kabisa.

Kwa hiyo, matokeo ya “unseen individual generalisation” yanategemea mshiriki mmoja tu wa nje.

Kwa nini kuna swali kuhusu idadi ya internal split?

Chanzo kinaripoti jumla ya madirisha 4217 katika S2–S4. Katika Kielelezo 7, kila external S4 confusion matrix ina sampuli 1604.

Kwa hiyo:

\[ 4217-1604=2613 \]

madirisha ya S2+S3 yanabaki.

Chanzo kinasema split ya %80/%20 train–test ilitumika kwa S2+S3. %20 ya sampuli 2613 inapaswa kuwa takriban sampuli 523.

Hata hivyo, kila moja ya internal confusion matrix tatu katika Kielelezo 7 ina:

\[ 628 \]

sampuli.

Chanzo hakielezi kama tofauti hii imetokana na filtering, resampling au subset tofauti ya data. Kwa hiyo, haiwezekani kuzalisha upya kikamilifu kutoka kwenye chanzo jinsi idadi ya sampuli za internal test ilivyopatikana kwa split ya %20.

Confusion matrix zinaonyesha nini?

Seli zilizochapishwa na chanzo katika Kielelezo 7 ni hizi:

Seli hizi huzalisha upya thamani za F1-score katika Kielelezo 6. Kwa mfano, kwa external drowsiness:

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

hupatikana.

Je, matokeo ya external ni ya juu zaidi katika kila darasa kweli?

Hapana. Maelezo ya Kielelezo 6 katika chanzo yanasema external performance ililingana au kuzidi internal performance katika kila kategoria. Lakini grafu inaonyesha:

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

.

Kwa hiyo, ni kweli kwamba wastani wa external ni wa juu zaidi:

Wastani wa internal: %97,53
Wastani wa external: %97,80

lakini matokeo ya external si ya juu zaidi katika madarasa yote matatu.

Je, inference ilifanywa kweli kwenye kifaa halisi?

Ndiyo. Tofauti na tafiti za awali za software/TinyML feasibility pekee, utafiti huu ulihamisha uzito wa logistic regression kwenda kwenye flash ya Raspberry Pi Pico na kuendesha inference kwenye kifaa chenyewe.

Katika kila mzunguko wa online, Pico:

1. husoma sensa tatu kupitia I2C,
2. huhesabu feature tano kutoka buffer ya sekunde 5,
3. hufanya fixed-point matrix operation kwa logistic regression,
4. hutumia decision threshold ya 0,5 kwa kila output kati ya tatu,
5. na kutuma matokeo kwenye dashboard kupitia USB serial.

Inference latency ni kiasi gani kwa kweli?

Logistic regression ni takriban:

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

mara mfupi zaidi kwa muda wa inference.

Hili ni tokeo thabiti linalounga mkono mzigo mdogo sana wa computation wa logistic regression kwenye RP2040.

Je, XGBoost kweli “haiwezi kufanya kazi kwa real-time”?

Chanzo kinatafsiri latency ya 62,73 ms ya XGBoost kuwa impractical kwa deployment kwenye RP2040. Hata hivyo, mfumo huohuo huunda sensor feature vector mpya kila baada ya sekunde 5.

62,73 ms:

• iko chini ya rejea ya 500 ms ya “sub-0.5 s”,
• na ni takriban %1,25 ya dirisha la sensa la sekunde 5.

Kwa hiyo, latency peke yake haionyeshi kwamba XGBoost haiwezi kutumika kwa real-time. Hakuna data linganishi ya kiasi kuhusu model memory, hitaji la SRAM, matumizi ya nishati na deployment halisi ya Pico kwa XGBoost.

Hitimisho salama zaidi linaloungwa mkono na chanzo ni kwamba logistic regression ni chaguo rahisi zaidi la embedded kwa sababu ni ya haraka zaidi katika ulinganisho huu na ina muundo wa mstari.

Dashboard hufanya nini?

Supervisor dashboard inayotegemea Streamlit inaweza kuonyesha taarifa zifuatazo:

• hali ya mfanyakazi ya Normal au Critical,
• PPG amplitude,
• joto,
• movement intensity,
• alert log zenye muhuri wa muda,
• marker za wafanyakazi kwenye ramani.

Chanzo kinaonyesha hali ya normal katika Kielelezo 3 kwa kiashirio cha kijani; Kielelezo 4 kinaonyesha hali ya fatigue alert kwa paneli ya tahadhari ya njano/machungwa.

Je, ramani inapima eneo halisi la mfanyakazi?

Hapana. Maeneo kwenye ramani yaliwekwa kwa mkono na watafiti.

Katika mfumo wa sasa:

• hakuna GPS,
• hakuna BLE localisation,
• hakuna Wi-Fi localisation,
• hakuna mfumo wa indoor positioning.

Kwa hiyo, taswira kama “Live Worker Locations” kwenye skrini ya chanzo haimaanishi kwamba utendaji wa real-time localisation umethibitishwa.

Je, wearable ni ya wireless?

Katika prototipu ya sasa, hapana. Mawasiliano kati ya Pico na supervisor dashboard hufanywa kupitia USB serial.

BLE na Wi-Fi zimeachwa kwa marekebisho ya hardware ya baadaye. Kwa hiyo mfumo wa sasa ni prototipu ya tethered monitoring.

Je, muda wa betri umepimwa?

Hapana. Chanzo kinakubali kwamba kuendesha sensa zote tatu mfululizo kutaweka vikwazo kwa betri, lakini hakitoi kipimo cha matumizi ya nguvu au battery-life kwa zamu nzima.

Hii pia ni mojawapo ya hatua muhimu za maendeleo kati ya breadboard proof-of-concept na bidhaa halisi inayovaliwa.

Matokeo yanayoungwa mkono na utafiti

• Imeonyeshwa kwamba sensa MAX30102, MLX90614 na BNO055 zinaweza kuendeshwa pamoja na Raspberry Pi Pico katika prototipu ileile ya breadboard.
• Modeli ya logistic regression yenye outputs tatu inayotumia feature tano imetekelezwa kwa local inference kwenye RP2040.
• Muda wa logistic regression inference kwenye Raspberry Pi Pico ulipimwa kuwa 2,07 ms katika Kielelezo 8.
• Wastani wa ulinganifu wa F1 wa modeli kwa proxy labels zilizoundwa na K-means kwa mshiriki wa external S4 umeripotiwa kuwa %97,80.
• Supervisor dashboard inaweza kuonyesha matokeo ya uainishaji wa real-time kupitia USB serial.
• Local inference hupunguza utegemezi wa cloud connection kwa uainishaji.

Matokeo ambayo utafiti hauungi mkono au bado haujajaribu

• %97,80 F1 si fatigue/drowsiness accuracy iliyothibitishwa kwa wafanyakazi halisi wa ujenzi.
• Proxy labels si expert-labelled clinical au occupational ground truth.
• Prototipu si earbud halisi wala bidhaa inayovaliwa katika kiwango cha sikio.
• Hakuna majaribio yaliyofanywa katika joto halisi la eneo la ujenzi, vumbi, mtetemo, kazi nzito ya kimwili na hali za PPE.
• Muda wa betri au matumizi ya nishati hayajapimwa.
• Mawasiliano ya BLE au Wi-Fi hayajatekelezwa.
• GPS au uwekaji halisi wa eneo la mfanyakazi haujatekelezwa.
• SpO2 haitumiki katika kiainishaji cha sasa.
• Feature halisi ya HR au HRV haihesabiwi.
• Indices za HSI na FI hazijatekelezwa.
• Utafiti hauthibitishi mfumo wa utambuzi wa kitabibu au mfumo wa maamuzi ya kliniki kuhusu kama mfanyakazi anaweza kuendelea kufanya kazi.
• External generalisation imetathminiwa kwa mtu mmoja tu, S4.

Mbinu na Matokeo ya Utafiti

Hardware ya msingi

Rasilimali za mikrokontrola

Mazingira ya software

Muundo wa data na feature

Matokeo ya F1

Kikomo cha tafsiri ya kisayansi: Thamani hizi zote zimehesabiwa dhidi ya proxy labels zilizoundwa kwa K-means.

Matokeo ya latency

Chanzo kinahalalisha uchaguzi wa logistic regression si kwa latency pekee, bali pia kwa muundo wa mstari, uwezekano wa kufasirika na vikwazo vya memory/computation vya RP2040.

Kikomo muhimu zaidi cha kimetodolojia cha utafiti

Katika utafiti huu, madarasa lengwa yenyewe hayatokani na lebo huru ya mtaalamu. K-means hutengeneza proxy label kutoka feature space ileile yenye vipengele vitano, na logistic regression nayo hutabiri proxy label hiyo kutoka vipengele vilevile vitano.

Kwa hiyo, jambo kuu ambalo utafiti unaonyesha katika hatua yake ya sasa ni:

“Kwamba maamuzi yanayofanana na kanuni za cluster zilizoundwa kutoka feature tano za kifiziolojia yanaweza kuzalishwa upya kwa latency ndogo sana kwenye Raspberry Pi Pico kwa kutumia modeli nyepesi sana ya mstari.”

Kwa kugundua fatigue, drowsiness au hatari ya usalama kazini kwa uhalisia, hatua inayofuata inayohitajika ni data huru za eneo la ujenzi zilizopewa lebo na wataalamu.

Maelezo ya Chanzo na Mbinu

Jina kamili la utafiti asili: Edge-AI Enabled Wearables for Construction Safety: Real-Time Physiological Monitoring and Localised Data Processing

Waandishi na mpangilio wao: Basil Alshehri; Nayef Aljhani; Ahmed Albalawi; Waleed Abdulghani; Talal Alfawzan; Ahmad J. Alkhodair.

Mwandishi wa mawasiliano: Ahmad J. Alkhodair.

Mchango sawa/mwandishi wa kwanza sawa: Haikutajwa katika chanzo.

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

Jarida: Future Internet

Mchapishaji: MDPI, Basel, Switzerland

Juzuu / toleo / makala: 18 / 6 / 293

Tarehe ya kupokelewa: 28 Aprili 2026

Tarehe ya marekebisho: 16 Mei 2026

Tarehe ya kukubaliwa: 19 Mei 2026

Tarehe ya kuchapishwa: 28 Mei 2026

DOI: 10.3390/fi18060293

Kiungo rasmi cha chapisho:https://doi.org/10.3390/fi18060293

Aina ya chanzo: Makala ya utafiti iliyopitia peer review; prototipu ya sensa ya breadboard, edge-AI deployment na tathmini ya machine-learning inayotegemea Dataset iliyodhibitiwa.

Hali ya peer review: Ni utafiti uliochapishwa katika jarida lililopitia peer review.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Kamati ya maadili: Chanzo hakikukusanya data moja kwa moja kutoka kwa washiriki wapya wa binadamu; kwa kuwa Dataset ya WESAD inayopatikana hadharani ilitumika, sehemu za Institutional Review Board na informed consent zimetolewa kama “not applicable” kwa utafiti wa sasa.

Upatikanaji wa data: Dataset ya WESAD inapatikana hadharani. Chanzo kinasema kwamba maelezo ya code na implementation yanaweza kupatikana kutoka kwa mwandishi wa mawasiliano kwa ombi linalofaa.

Michango ya waandishi: Katika chanzo, conceptualization na methodology zimeripotiwa kwa Nayef Aljhani, Basil Alshehri, Ahmed Albalawi, Talal Alfawzan na Waleed Abdulghani; software kwa Basil Alshehri na Nayef Aljhani; formal analysis na data curation kwa Basil Alshehri na Nayef Aljhani; visualisation kwa Basil Alshehri; supervision na project management kwa Ahmad J. Alkhodair.

Mgongano wa maslahi: Waandishi wametangaza kutokuwa na mgongano wa maslahi.

Uhusiano na kazi ya awali: Chanzo kinasema makala hii ni toleo lililopanuliwa na kuboreshwa kwa kiasi kikubwa la poster yenye jina “Federated Edge AI Earables for Real-Time Physiological Monitoring and Predictive Safety Analytics in Construction Workforces”, iliyokubaliwa katika 3rd GCC International Conference on Industrial Engineering and Operations Management iliyofanyika University of Tabuk tarehe 2–4 Februari 2026. Poster iliwasilisha dhana ya awali ya prototipu; makala ya sasa imeongeza full system design, machine-learning pipeline, experimental evaluation na supervisor dashboard.

Kutokulingana kwa istilahi ndani ya chanzo — PPG/heart rate: Sehemu 3.4.2 inaeleza wazi kwamba bvp_mean na bvp_std ni viashiria vya raw waveform amplitude na si HR/HRV halisi. Sehemu 3.5 inafafanua lengo kama “elevated PPG variability”, huku Kielelezo 6 kikiipa output hiyo lebo ya “Heart Rate Increase”. Kwa kuwa peak detection au hesabu ya inter-beat interval haijatekelezwa, maneno haya mawili hayajachukuliwa kuwa kipimo kimoja.

Maelezo ya matokeo ndani ya chanzo — external/internal: Maelezo ya Kielelezo 6 yanasema external performance ililingana au kuzidi internal performance katika kila kategoria. Hata hivyo, drowsiness F1 ni internal %98,98 na external %98,55. Wastani wa external wa %97,80 unazidi wastani wa internal wa %97,53; lakini kauli ya “kila kategoria” hailingani na thamani kwenye grafu.

Kutokuwa wazi kwa idadi ya sampuli katika chanzo: Jumla ya S2–S4 ni madirisha 4217 na idadi ya external confusion matrix ya S4 ni 1604. Kwa hiyo jumla ya S2+S3 inapaswa kuwa 2613. Hata hivyo, internal confusion matrix zilizoelezwa kama “%20 holdout” zina sampuli 628. Sehemu ya mbinu haielezi jinsi 628 ilivyopatikana kutoka 2613.

Kikomo cha tafsiri ya latency: Kielelezo 8 kinaonyesha latency ya 2,07 ms kwa logistic regression na 62,73 ms kwa XGBoost. Chanzo kinaita XGBoost impractical kwenye RP2040 kwa upande wa latency. Hata hivyo, 62,73 ms bado ni chini sana ya rejea ya sekunde 0,5 na dirisha la sensa la sekunde 5. Kwa kuwa hakuna ulinganisho wa flash, SRAM na matumizi ya nguvu ya XGBoost, kutowezekana kwa deployment hakujahitimishwa kwa uhakika kutokana na jaribio hili la latency pekee.

Kikomo cha form factor: Chanzo kinalenga mfumo kama ear-level wearable; mfumo wa sasa wa kimwili ni breadboard proof-of-concept. Earbud enclosure, ear-fit, shinikizo la mguso, betri, ustahimilivu wa jasho/vumbi/mtetemo na PPE integration havijathibitishwa.

Kikomo cha mawasiliano na uwekaji wa eneo: Prototipu ya sasa imeunganishwa kwa USB serial. BLE/WiFi hazijatekelezwa. Marker za ramani kwenye dashboard zimewekwa kwa mkono; GPS au mfumo wowote wa localisation haujajaribiwa.

Kikomo cha uwekaji lebo: Madarasa matatu lengwa si expert-labelled occupational ground truth. Ni proxy labels zilizoundwa kwa K-means clustering kutoka physiological feature space ileile. Kwa hiyo, F1-score ya juu haiwezi kutumiwa kama fatigue au drowsiness detection accuracy halisi ya kikazi.

Kikomo cha generalisability: WESAD si data halisi ya eneo la ujenzi na utafiti wa sasa umetumia watu watatu tu kutoka WESAD. External validation inategemea mtu mmoja, S4. Joto la juu, PPE nzito, vumbi, mtetemo, kazi kubwa ya mikono na movement artefacts za field katika mazingira halisi ya ujenzi hazijawakilishwa katika data za mafunzo.

Kazi ya baadaye: Chanzo kinaorodhesha miongoni mwa hatua za baadaye expert-labelled field validation yenye angalau washiriki 30 wa field, PCB na earbud miniaturisation, BLE/WiFi, GPS, personal baseline calibration, model compression/quantization, battery na power profiling, pamoja na time-series architectures ambazo siku zijazo zinaweza kutabiri kuzorota kwa hali ya kifiziolojia kabla hakujatokea.

Mbinu, taarifa za hardware, Dataset, matokeo ya namba, ukaguzi wa ubora wa confusion matrix na vikwazo katika maelezo haya ya Verianla vinategemea utafiti uliopitiwa. Uthibitishaji wa nje wa bibliografia ulitumika tu kuthibitisha utambulisho wa chapisho, jarida na hali ya peer review; hakuna thamani mpya ya performance au mafanikio ya usalama kazini kutoka vyanzo vya nje yaliyoongezwa kwenye maudhui makuu ya kisayansi.