Ин таҳқиқот системаи бехатарии меҳнатии Edge-AI-ро таҳия мекунад, ки ҳадафаш таҳлили ҳолати физиологии коргарони сохтмон дар наздикии дастгоҳи ченкунанда аст, на фиристодани пайвастаи тамоми маълумот ба абр. Прототипи пешниҳодшуда MAX30102-ро барои фотоплетизмография (PPG), MLX90614-ро барои ченкунии бетаъсири ҳарорати инфрасурх ва сенсори нӯҳмеҳвари IMU-и BNO055-ро барои таҳлили ҳаракат/ориентатсия дар микроконтроллери Raspberry Pi Pico муттаҳид мекунад. Модели сабуки бисёрбаромадаи logistic regression барои се ҳолати дуӣ қарорҳои маҳаллӣ мебарорад: тағйирпазирии афзудаи PPG, хоболудӣ ва хастагӣ.

Прототипи ҷисмонии мавҷуда дар шакли воқеии дастгоҳи дохили гӯш ё гӯшмонак нест. Муҳаққиқон меъмории фюжни сенсорҳоро дар breadboard сохта, ҳадаф гузоштаанд, ки дар оянда системаро то форм-фактори стандартии earbud хурд кунанд. Мутобиқати гӯш, корпуси механикӣ, фишори тамос, батарея, муҳофизат аз арақ/чанг/ларзиш ва мутобиқати ҷисмонӣ бо кулоҳи муҳофизатӣ ё воситаи ҳифзи шунавоӣ дар ин таҳқиқот санҷида нашудаанд.

Арзёбии омӯзиши мошинӣ на бо додаҳои барчаспшудаи ҷамъоваришуда аз коргарони воқеии майдони сохтмон, балки танҳо бо иштирокчиёни S2, S3 ва S4 аз маҷмӯи додаҳои физиологии оммавии WESAD анҷом дода шудааст. S2 ва S3 барои таҳияи модел, S4 бошад ҳамчун субъекти комилан нодидаи external validation истифода шудааст. Аз ҳар равзанаи панҷсониягии сенсор танҳо панҷ хусусият гирифта шудааст: миёна ва инҳирофи стандартии сигнали PPG, миёна ва инҳирофи стандартии бузургии шитоб ва ҳарорати миёнаи пӯст.

Азбаски дар WESAD барчаспҳои “тағйирпазирии афзудаи PPG”, “хоболудӣ” ва “хастагӣ”, ки таҳқиқот ҳадаф гирифтааст, вуҷуд надоранд, муҳаққиқон онҳоро худ бо K-means clustering сохтаанд. Сипас модели logistic regression барои пешгӯии ҳамин барчаспҳои прокси, ки аз ҳамон панҷ хусусияти физиологӣ ҳосил шудаанд, омӯзонида шудааст. Аз ин рӯ, қиматҳои F1-и гузоришшуда дақиқӣ нисбат ба ground truth-и клиникӣ ё касбӣ нестанд; онҳо нишон медиҳанд, ки модел сохтори proxy label-и аз clustering ҳосилшударо то чӣ андоза хуб бозтавлид мекунад.

Дар манбаъ F1-score-и се ҳадаф барои иштирокчии external S4 мутаносибан %98,46, %98,55 ва %96,40 нишон дода шуда, F1-score-и миёнаи external %97,80 гузориш шудааст. Миёнаи internal S2+S3 holdout %97,53 аст. Ин қиматҳои баланд аз ҷиҳати техникӣ мутобиқати қавӣ бо proxy label-ҳоро нишон медиҳанд; аммо набояд ҳамчун дақиқии ошкоркунии хастагӣ ё хоболудӣ дар шароити воқеии майдони сохтмон тафсир шаванд.

Арзёбии inference дар сахтафзори воқеӣ яке аз ҷанбаҳои муҳими таҳқиқот аст. Дар Raspberry Pi Pico барои batch size 1 вақти inference-и logistic regression дар Шакли 8 тақрибан 2,07 ms ва XGBoost 62,73 ms нишон дода шудааст. Ҳамин тавр, logistic regression дар ҳамон санҷиш вақти model-inference-ро тақрибан сӣ маротиба кӯтоҳ мекунад. Бо вуҷуди ин, барои XGBoost ченакҳои flash, SRAM, энергия ва deployment-и пурра дода нашудаанд, бинобар ин аз натиҷаи latency танҳо қобили татбиқи пурраи deployment-ро хулоса кардан мумкин нест.

Supervisor dashboard натиҷаи таснифро тавассути USB serial қабул мекунад. Интерфейс маълумоти PPG, ҳарорат ва ҳаракат, огоҳиҳои вақтдор ва marker-ҳои коргаронро нишон медиҳад. Ҷойгиршавии коргарон дар харита бо GPS-и real-time ё indoor localisation чен нашудааст; муҳаққиқон ошкоро мегӯянд, ки онҳо marker-ҳои дастӣ таъиншуда барои визуализатсия мебошанд. BLE ё Wi-Fi низ дар прототипи мавҷуда татбиқ нашудаанд.

Шарҳ аз нигоҳи Туркия: Таҳқиқот дар майдонҳои сохтмонии Туркия ё бо коргарони сохтмони Туркия гузаронида нашудааст. Бо вуҷуди ин, таҳлили додаҳои сенсор дар дастгоҳи edge бидуни интизори расидани онҳо ба абри марказӣ меъмориест, ки барои таҳияи системаи огоҳии камтаъхир дар ҷойҳои кори хавфнок дар технологияҳои бехатарии меҳнатии Туркия метавонад таҳқиқ шавад. Барои истифодаи воқеӣ аз нав тасдиқ кардан бо додаҳои саҳроии expert-labelled зарур аст, ки ҳарорати майдони сохтмон, чанг, ларзиш, таҷҳизоти муҳофизати шахсӣ, тартиби баст, демографияи коргарон ва ҳодисаҳои воқеии хастагӣ/хоболудиро дар Туркия дар бар гирад. Қимати %97,80 F1-и таҳқиқот нишондиҳандаи воқеии бехатарии коргарон дар Туркия нест.

Мушкилоти асосии таҳқиқот чист?

Қисми муҳими дастгоҳҳои пӯшидашавандаи бехатарии меҳнат метавонад танҳо аз рӯйи як сенсор ё як нишондиҳандаи хавф кор кунад. Аммо дар коргари сохтмон омилҳое чун ҳарорат, ҳаракат, тағйироти дилу раг ва хастагӣ метавонанд ҳамзамон ба вуҷуд оянд. Илова бар ин, фиристодани тамоми додаҳо ба абр ва қабули қарор дар сервери дур метавонад вобастагӣ аз пайвастшавӣ ва таъхири иловагӣ эҷод кунад.

Ин таҳқиқот ҳадаф дорад се модалияти гуногуни сенсориро дар як платформаи edge муттаҳид карда, таснифро мустақиман дар Raspberry Pi Pico иҷро кунад.

Сахтафзор воқеан чӣ гуна сохта шудааст?

Дар Шакли 2-и манбаъ прототипи ҷисмонӣ дар breadboard нишон дода шудааст. Raspberry Pi Pico дар марказ қарор дорад ва се сенсор тавассути I2C пайваст мешаванд:

Дар манбаъ басомади шинаи додаҳои I2C 400 kHz нишон дода шудааст.

Маҳдудияти форм-фактор: Ин тарҳ дастгоҳи тайёри дар сатҳи гӯш пӯшидашаванда нест. Муҳаққиқон мегӯянд, ки конфигуратсияи breadboard танҳо қобили татбиқи техникии меъмории се-сенсориро нишон медиҳад ва miniaturisation дар сатҳи гӯш кори оянда аст.

Чаро Raspberry Pi Pico интихоб шудааст?

Манбаъ мегӯяд, ки Raspberry Pi Pico протсессори дуюдроҳаи ARM Cortex-M0+ RP2040-ро то 133 MHz иҷро мекунад, 264 KB SRAM дорад ва дар тахтаи прототип 2 MB flash барои модел ва firmware-и MicroPython истифода шудааст.

Интихоби logistic regression ба ҷойи neural network бо назардошти ин маҳдудиятҳои захиравӣ қарори огоҳонаи муҳандисӣ мебошад. Вазнҳои лозим барои се баромади binary метавонанд дар сохтори матритсаи хаттӣ нигоҳ дошта шуда, inference бо зарби матритсаи нуқтаи собит иҷро шавад.

Бо вуҷуди ин, таҳқиқот андозаи воқеии flash-и вазнҳои модел, истифодаи SRAM дар вақти кор ё паҳнои битии намояндагии нуқтаи собитро дар ҷадвали алоҳидаи миқдорӣ намедиҳад. Аз ин рӯ, маълум аст, ки “ба 2 MB flash ҷой мешавад”, аммо memory footprint-и воқеии татбиқ пурра гузориш нашудааст.

Омӯзиши offline ва deployment-и online чӣ гуна ҷудо мешаванд?

Модел воқеан кадом панҷ маълумотро истифода мебарад?

Ин minimal feature set барои осонтар интиқол додани модел ба системаи embedded интихоб шудааст.

Оё ченкуниҳои PPG heart rate ё HRV мебошанд?

Не. Манбаъ ин фарқро ошкоро нишон медиҳад. bvp_mean ва bvp_std тавсифгарони амплитудаи waveform-и хоми PPG мебошанд.

Барои ҳисоб кардани heart rate-и воқеӣ pulse peak detection ва peak-to-peak interval; барои HRV бошад силсилаи inter-beat interval, artefact rejection ва коркарди мувофиқи соҳаи вақт/басомад заруранд. Дар модели мавҷуда инҳо татбиқ нашудаанд.

Аз ин рӯ, “Heart Rate Increase” барчаспе, ки дар Шакли 6-и манбаъ истифода шудааст, бо ҳисоби воқеии дар бахши усул тавсифшуда пурра мувофиқат намекунад. Дар усул ҳадафи дахлдор ҳамчун “elevated PPG variability” сохта мешавад.

Оё SpO2 чен карда мешавад?

Дар бахши заминаи техникии таҳқиқот муодилаҳои назариявии ҳисоби SpO2 аз PPG-и ду дарозии мавҷ дода шудаанд. Аммо муҳаққиқон ошкоро мегӯянд, ки татбиқи мавҷуда ба PPG amplitude ва хусусиятҳои ҳаракат тамаркуз мекунад ва баҳодиҳии SpO2 ба кори оянда гузошта шудааст.

Аз ин рӯ, доштани қобилияти SpO2 дар сенсори MAX30102 маънои истифода шудани SpO2 дар модели мавҷударо надорад.

Оё HRV истифода мешавад?

Манбаъ дар бахши замина муодилаҳои ченакҳои HRV, аз ҷумла SDNN ва RMSSD-ро шарҳ медиҳад. Аммо дар feature set-и модели воқеӣ HRV нест. Ин муодилаҳо заминаи техникии контекстии таҳқиқот мебошанд.

Оё Heat Stress Index ё Fatigue Index истифода мешавад?

Манбаъ барои HSI ва FI низ индексҳои назариявии таркибиро пешниҳод мекунад. Аммо таҳқиқот махсус қайд мекунад, ки ин ду индекс дар системаи мавҷуда татбиқ нашудаанд ва танҳо ҳамчун мисоли контекстӣ барои густариши ояндаи модел оварда шудаанд.

Logistic regression-и мавҷуда танҳо панҷ feature-и мустақими WESAD-ро истифода мебарад.

Proxy label чӣ гуна сохта мешавад?

Маҷмӯи додаҳои WESAD барчаспҳои касбии “construction fatigue”, “drowsiness” ё “elevated PPG variability”-ро пешниҳод намекунад. Аз ин рӯ, муҳаққиқон бо се раванди мустақили K-means clustering surrogate ground truth месозанд.

Дар манбаъ ҳадафҳо бо намунаҳои физиологии зерин алоқаманд карда шудаанд:

• Тағйирпазирии афзудаи PPG: bvp_std-и баланд.
• Хоболудӣ: омезиши acc_std-и паст бо bvp_std-и паст/suppressed.
• Хастагӣ: омезиши temp_mean-и баланд бо acc_std-и баланд.

Сипас logistic regression ҳамин cluster-derived label-ҳоро боз аз рӯйи ҳамон панҷ feature меомӯзад.

Чаро ин фарқият ин қадар муҳим аст?

Дар ин тарҳи таҷриба F1-score-и баланд нишон медиҳад, ки logistic regression decision structure-и сохтаи K-means-ро дар ҳамон feature space то чӣ андоза хуб тақлид карда метавонад.

Масалан, барчаспи “fatigue” аз ҷониби мутахассис бо маънои “ин коргар воқеан хаста буд” дода нашудааст. Cluster-и муайяни оморӣ, ки ҳарорати баланд ва тағйирпазирии ҳаракатро дар бар мегирад, ҳамчун proxy-и “fatigue” номгузорӣ шудааст.

Аз ин рӯ:

%97,80 F1 ≠ дақиқии %97,80-и ташхиси хастагӣ дар коргари воқеӣ.

Тавзеҳи маҳдудиятҳои худи манбаъ низ мегӯяд, ки натиҷа бояд дар expert-labelled occupational ground truth аз нав тасдиқ шавад.

Маҷмӯи додаҳо чӣ қадар калон аст?

Маҷмӯи умумии feature-додаҳои аз S2, S3 ва S4 гирифташуда:

4217 равзанаи панҷсониягӣ

-ро дар бар мегирад.

PCA танҳо барои визуализатсия истифода шуда, feature space-и панҷандоза ба ду андоза проексия шудааст. Дар Шакли 5-и манбаъ нишон дода мешавад, ки cluster-ҳои K-means дар ин проексия минтақаҳои равшан ташкил мекунанд.

PCA ҳамчун deployed input feature-и модел тавсиф нашудааст; вуруди таснифгар ҳамон панҷ хусусияти аслӣ мебошад.

Арзёбӣ бо чанд нафар анҷом дода шудааст?

Гарчанде WESAD дар маҷмӯъ 15 иштирокчӣ дорад, таҳқиқоти мавҷуда танҳо сабтҳои:

• S2,
• S3,
• S4

-ро истифода мебарад.

S2 ва S3 барои model training/internal testing истифода мешаванд; S4 ҳамчун external validation subject-и комилан нодида ҷудо шудааст.

Аз ин рӯ, натиҷаи “unseen individual generalisation” танҳо ба як иштирокчии беруна такя мекунад.

Чаро дар рақамҳои internal split савол вуҷуд дорад?

Манбаъ мегӯяд, ки дар S2–S4 ҳамагӣ 4217 равзана ҳаст. Дар Шакли 7 ҳар як external S4 confusion matrix 1604 намуна дорад.

Аз ин бармеояд:

\[ 4217-1604=2613 \]

равзана барои S2+S3 боқӣ мемонад.

Манбаъ мегӯяд, ки барои S2+S3 split-и %80/%20 train–test истифода шудааст. %20 аз 2613 бояд тақрибан 523 намуна бошад.

Аммо ҳар яке аз се internal confusion matrix дар Шакли 7:

\[ 628 \]

намунаро дар бар мегирад.

Манбаъ шарҳ намедиҳад, ки ин тағйир аз filtering, resampling ё зергурӯҳи дигари додаҳо ба вуҷуд омадааст ё не. Аз ин рӯ, аз рӯйи манбаъ пурра бозтавлид кардан мумкин нест, ки шумораи internal test бо split-и %20 чӣ гуна ҳосил шудааст.

Confusion matrix-ҳо чиро нишон медиҳанд?

Ҳуҷайраҳои нашркардаи манбаъ дар Шакли 7 чунинанд:

Ин ҳуҷайраҳо қиматҳои F1-score-и Шакли 6-ро дубора ҳосил мекунанд. Масалан, барои external drowsiness:

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

ба даст меояд.

Оё натиҷаи external воқеан дар ҳар синф баландтар аст?

Не. Тавзеҳи Шакли 6-и манбаъ мегӯяд, ки external performance дар ҳар категория ба internal performance баробар ё аз он баландтар аст. Аммо дар график:

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

дида мешавад.

Аз ин рӯ, external миёна баландтар буданаш дуруст аст:

Миёнаи internal: %97,53
Миёнаи external: %97,80

аммо натиҷаи external дар ҳар се синф баландтар нест.

Оё inference воқеан дар дастгоҳи ҷисмонӣ иҷро шудааст?

Бале. Ин таҳқиқот аз корҳои қаблии танҳо software/TinyML feasibility фарқ карда, вазнҳои logistic regression-ро ба flash-и Raspberry Pi Pico интиқол дода ва inference-ро дар худи дастгоҳ иҷро кардааст.

Дар ҳар даври online Pico:

1. се сенсорро тавассути I2C мехонад,
2. аз buffer-и 5-сониягӣ панҷ feature ҳисоб мекунад,
3. барои logistic regression амали матритсаи нуқтаи собитро иҷро мекунад,
4. барои ҳар яке аз се баромад decision threshold-и 0,5 татбиқ мекунад,
5. натиҷаро тавассути USB serial ба dashboard мефиристад.

Inference latency воқеан чӣ қадар аст?

Logistic regression тақрибан:

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

маротиба вақти inference-и кӯтоҳтар нишон медиҳад.

Ин натиҷаи қавиест, ки бори хеле ками ҳисоббарории logistic regression-ро дар RP2040 дастгирӣ мекунад.

Оё XGBoost воқеан “дар real-time кор карда наметавонад”?

Манбаъ latency-и 62,73 ms-и XGBoost-ро барои deployment дар RP2040 impractical арзёбӣ мекунад. Аммо ҳамон система вектори нави sensor feature-ро ҳар 5 сония месозад.

62,73 ms:

• аз истиноди 500 ms-и “sub-0.5 s” камтар аст,
• тақрибан %1,25-и равзанаи сенсории 5-сониягиро ташкил медиҳад.

Аз ин рӯ, latency танҳо нишон намедиҳад, ки XGBoost барои real-time истифода намешавад. Дар бораи хотираи модел, эҳтиёҷи SRAM, масрафи қувва ва deployment-и воқеии Pico барои XGBoost маълумоти муқоисавии миқдорӣ вуҷуд надорад.

Хулосаи боэътимодтаре, ки манбаъ дастгирӣ мекунад, ин аст, ки logistic regression дар ҳамон муқоиса ба таври назаррас тезтар ва бо сабаби сохтори хаттии худ варианти embedded-и соддатар аст.

Dashboard чӣ кор мекунад?

Supervisor dashboard-и асосёфта ба Streamlit метавонад маълумоти зеринро нишон диҳад:

• ҳолати Normal ё Critical-и коргар,
• PPG amplitude,
• ҳарорат,
• ҳаракат intensity,
• alert log-ҳои вақтдор,
• marker-ҳои коргарон дар харита.

Манбаъ дар Шакли 3 ҳолати normal-ро бо нишондиҳандаи сабз ва дар Шакли 4 ҳолати fatigue alert-ро бо панели огоҳии зард/норанҷӣ нишон медиҳад.

Оё харита ҷойгиршавии воқеии коргарро чен мекунад?

Не. Ҷойҳо дар харита аз ҷониби муҳаққиқон дастӣ таъин шудаанд.

Дар системаи мавҷуда:

• GPS нест,
• BLE localisation нест,
• Wi-Fi localisation нест,
• системаи indoor positioning нест.

Аз ин рӯ, тасвири монанди “Live Worker Locations” дар экрани манбаъ маънои тасдиқ шудани функсияи real-time localisation-ро надорад.

Оё wearable бесим аст?

Дар прототипи мавҷуда не. Алоқа байни Pico ва supervisor dashboard USB serial анҷом дода мешавад.

BLE ва Wi-Fi ба ревизияҳои минбаъдаи сахтафзор гузошта шудаанд. Бинобар ин, системаи мавҷуда прототипи tethered monitoring мебошад.

Оё муҳлати кори батарея чен шудааст?

Не. Манбаъ эътироф мекунад, ки кори пайвастаи се сенсор маҳдудиятҳои батарея эҷод мекунад, аммо санҷиши масрафи қувва ё battery-life дар тӯли басти пурра пешниҳод намекунад.

Ин низ яке аз қадамҳои муҳими рушд байни breadboard proof-of-concept ва маҳсулоти воқеии пӯшидашаванда мебошад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Нишон дода шудааст, ки сенсорҳои MAX30102, MLX90614 ва BNO055 метавонанд бо Raspberry Pi Pico дар як прототипи breadboard кор кунанд.
• Модели се-баромадаи logistic regression бо панҷ feature барои inference-и маҳаллӣ дар RP2040 татбиқ шудааст.
• Вақти inference-и logistic regression дар Raspberry Pi Pico дар Шакли 8 ҳамчун 2,07 ms чен шудааст.
• Мутобиқати миёнаи F1-и модел ба proxy label-ҳои сохтаи K-means дар иштирокчии external S4 %97,80 гузориш шудааст.
• Supervisor dashboard метавонад тавассути USB serial баромади real-time-и таснифро нишон диҳад.
• Inference-и маҳаллӣ вобастагӣ аз cloud connection барои таснифро кам мекунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад ё ҳанӯз насанҷидааст

• %97,80 F1 дар коргарони воқеии сохтмон fatigue/drowsiness accuracy-и тасдиқшуда нест.
• Proxy label-ҳо expert-labelled clinical ё occupational ground truth нестанд.
• Прототип earbud-и воқеӣ ё маҳсулоти пӯшидашаванда дар сатҳи гӯш нест.
• Дар шароити воқеии ҳарорати майдони сохтмон, чанг, ларзиш, кори вазнини ҷисмонӣ ва PPE санҷиш гузаронида нашудааст.
• Муҳлати кори батарея ё масрафи энергия чен нашудааст.
• Алоқаи BLE ё Wi-Fi татбиқ нашудааст.
• GPS ё ҷойгиркунии воқеии коргар татбиқ нашудааст.
• SpO2 дар таснифгари мавҷуда истифода намешавад.
• Feature-и воқеии HR ё HRV ҳисоб карда намешавад.
• Индексҳои HSI ва FI татбиқ нашудаанд.
• Таҳқиқот системаи тасдиқшудаи ташхиси тиббӣ ё қарори клиникӣ дар бораи идомаи кори коргарро пешниҳод намекунад.
• External generalisation танҳо дар як нафар — S4 арзёбӣ шудааст.

Усул ва натиҷаҳои таҳқиқот

Сахтафзори асосӣ

Захираҳои микроконтроллер

Муҳити нармафзор

Сохтори дода ва feature

Натиҷаҳои F1

Ҳадди тафсири илмӣ: Ҳамаи ин қиматҳо нисбат ба proxy label-ҳое ҳисоб шудаанд, ки бо K-means сохта шудаанд.

Натиҷаи latency

Манбаъ интихоби logistic regression-ро на танҳо бо latency, балки бо сохтори хаттӣ, тафсирпазирӣ ва маҳдудиятҳои хотира/ҳисоббарории RP2040 низ асоснок мекунад.

Муҳимтарин маҳдудияти методологии таҳқиқот

Дар ин таҳқиқот худи синфҳои ҳадаф аз барчаспи мустақили мутахассис гирифта нашудаанд. K-means аз ҳамон фазои панҷ хусусият proxy label месозад ва logistic regression низ ҳамин proxy label-ро аз ҳамон панҷ хусусият пешгӯӣ мекунад.

Аз ин рӯ, он чизе ки таҳқиқот дар марҳилаи ҳозира воқеан нишон медиҳад:

“Қарорҳое, ки ба қоидаҳои cluster-ии аз панҷ feature-и физиологӣ сохташуда монанданд, метавонанд бо модели хаттии ниҳоят сабук дар Raspberry Pi Pico бо таъхири хеле кам бозтавлид шаванд.”

Барои ошкоркунии воқеии fatigue, drowsiness ё хавфи бехатарии меҳнат қадами навбатии зарурӣ додаҳои мустақили майдони сохтмон мебошанд, ки аз ҷониби мутахассис барчаспгузорӣ шудаанд.

Ёддошт оид ба манбаъ ва усул

Номи пурраи аслии таҳқиқот: Edge-AI Enabled Wearables for Construction Safety: Real-Time Physiological Monitoring and Localised Data Processing

Муаллифон ва тартиби онҳо: Basil Alshehri; Nayef Aljhani; Ahmed Albalawi; Waleed Abdulghani; Talal Alfawzan; Ahmad J. Alkhodair.

Муаллифи масъул: Ahmad J. Alkhodair.

Саҳми баробар/муаллифи якуми баробар: Дар манбаъ зикр нашудааст.

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

Маҷалла: Future Internet

Ношир: MDPI, Basel, Switzerland

Ҷилд / шумора / мақола: 18 / 6 / 293

Санаи қабул: 28 Апрел 2026

Санаи бозбинӣ: 16 Май 2026

Санаи пазируфтан: 19 Май 2026

Санаи нашр: 28 Май 2026

DOI: 10.3390/fi18060293

Пайванди расмии нашр:https://doi.org/10.3390/fi18060293

Навъи манбаъ: Мақолаи таҳқиқотии аз peer review гузашта; прототипи сенсории breadboard, edge-AI deployment ва арзёбии machine-learning бар асоси маҷмӯи додаҳои назоратшаванда.

Ҳолати peer review: Таҳқиқот дар маҷаллаи аз peer review гузашта нашр шудааст.

Литсензия: Creative Commons Attribution (CC BY).

Маблағгузорӣ: Таҳқиқот маблағгузории беруна нагирифтааст.

Кумитаи этикӣ: Манбаъ аз иштирокчиёни нави инсонӣ мустақиман дода ҷамъ накардааст; азбаски маҷмӯи додаҳои оммавии WESAD истифода шудааст, бахшҳои Institutional Review Board ва informed consent барои ин таҳқиқот “not applicable” нишон дода шудаанд.

Дастрасии додаҳо: Маҷмӯи додаҳои WESAD оммавӣ аст. Манбаъ мегӯяд, ки код ва ҷузъиёти implementatsiya-ро бо дархости асоснок аз муаллифи масъул гирифтан мумкин аст.

Саҳми муаллифон: Дар манбаъ консептуализатсия ва методология ба Nayef Aljhani, Basil Alshehri, Ahmed Albalawi, Talal Alfawzan ва Waleed Abdulghani; нармафзор ба Basil Alshehri ва Nayef Aljhani; таҳлили formal ва data curation ба Basil Alshehri ва Nayef Aljhani; визуализатсия ба Basil Alshehri; назорат ва идоракунии лоиҳа ба Ahmad J. Alkhodair нисбат дода шудааст.

Бархӯрди манфиатҳо: Муаллифон изҳор кардаанд, ки бархӯрди манфиатҳо вуҷуд надорад.

Муносибат бо кори қаблӣ: Манбаъ мегӯяд, ки ин мақола версияи васеъшуда ва ба таври назаррас такмилёфтаи постери “Federated Edge AI Earables for Real-Time Physiological Monitoring and Predictive Safety Analytics in Construction Workforces” мебошад, ки ба 3rd GCC International Conference on Industrial Engineering and Operations Management, баргузоршуда 2–4 Феврал 2026 дар University of Tabuk, қабул шуда буд. Постер консепсияи аввалини прототипро пешниҳод кард; мақолаи ҳозира тарҳи пурраи система, pipeline-и омӯзиши мошинӣ, арзёбии таҷрибавӣ ва supervisor dashboard-ро илова кардааст.

Номувофиқии истилоҳӣ дар дохили манбаъ — PPG/heart rate: Бахш 3.4.2 ошкоро мегӯяд, ки bvp_mean ва bvp_std тавсифгарони амплитудаи waveform-и хоманд ва HR/HRV-и воқеӣ нестанд. Бахш 3.5 ҳадафро “elevated PPG variability” тавсиф мекунад, дар ҳоле ки Шакл 6 ҳамон баромадро “Heart Rate Increase” меномад. Азбаски peak detection ё ҳисоби inter-beat interval татбиқ нашудааст, ин ду ифода ҳамчун як ченак қабул нашудаанд.

Тавзеҳи натиҷа дар дохили манбаъ — external/internal: Тавзеҳи Шакл 6 мегӯяд, ки external performance дар ҳар категория ба internal performance баробар ё аз он болотар аст. Аммо F1-и drowsiness: internal %98,98 ва external %98,55. Миёнаи external %97,80 аз миёнаи internal %97,53 болотар аст; аммо ибораи “ҳар категория” бо қиматҳои график мувофиқат намекунад.

Номуайянии шумораи намунаҳо дар манбаъ: Ҷамъи S2–S4 4217 равзана ва шумораи external confusion matrix барои S4 1604 аст. Пас, ҷамъи S2+S3 бояд 2613 бошад. Бо вуҷуди ин, internal confusion matrix-ҳое, ки ҳамчун “%20 holdout” нишон дода шудаанд, 628 намуна доранд. Дар бахши усул шарҳ дода нашудааст, ки 628 аз 2613 чӣ гуна ба даст омадааст.

Ҳадди тафсири latency: Шакл 8 барои logistic regression 2,07 ms ва барои XGBoost 62,73 ms latency нишон медиҳад. Манбаъ XGBoost-ро аз ҷиҳати latency дар RP2040 impractical меномад. Аммо 62,73 ms ҳам аз истиноди 0,5-сониягӣ ва ҳам аз равзанаи 5-сониягии сенсор хеле камтар аст. Азбаски муқоисаи flash, SRAM ва масрафи қувваи XGBoost дода нашудааст, ғайриқобили татбиқ будани deployment танҳо аз ҳамин таҷрибаи latency ба таври қатъӣ хулоса карда нашудааст.

Маҳдудияти форм-фактор: Манбаъ системаро ҳамчун ear-level wearable ҳадаф мегирад; системаи ҷисмонии мавҷуда breadboard proof-of-concept аст. Earbud enclosure, ear-fit, фишори тамос, батарея, муқовимат ба арақ/чанг/ларзиш ва ҳамгироии PPE тасдиқ нашудаанд.

Маҳдудияти алоқа ва ҷойгиркунӣ: Прототипи мавҷуда бо USB serial пайваст аст. BLE/WiFi татбиқ нашудаанд. Marker-ҳои харитаи dashboard дастӣ таъин шудаанд; GPS ё ягон системаи localisation санҷида нашудааст.

Маҳдудияти барчаспгузорӣ: Се синфи ҳадаф expert-labelled occupational ground truth нестанд. Онҳо proxy label-ҳое мебошанд, ки бо K-means clustering аз ҳамон physiological feature space сохта шудаанд. Аз ин рӯ, F1-score-и баландро ҳамчун fatigue ё drowsiness detection accuracy-и воқеии касбӣ истифода бурдан мумкин нест.

Маҳдудияти умумиятпазирӣ: WESAD додаи воқеии майдони сохтмон нест ва таҳқиқоти мавҷуда танҳо се иштирокчии WESAD-ро истифода кардааст. External validation танҳо ба як нафар — S4 такя мекунад. Ҳарорати баланд, PPE-и вазнин, чанг, ларзиш, кори шадиди дастӣ ва artefact-ҳои ҳаракатии саҳроӣ дар муҳити воқеии сохтмон дар додаҳои омӯзишӣ намояндагӣ нашудаанд.

Кори оянда: Манбаъ дар миёни қадамҳои оянда expert-labelled field validation бо ҳадди ақал 30 иштирокчии саҳроӣ, PCB ва earbud miniaturisation, BLE/WiFi, GPS, personal baseline calibration, model compression/quantization, профилсозии батарея ва қувва, инчунин меъмориҳои time-series-ро ном мебарад, ки дар оянда метавонанд бадшавии физиологиро пеш аз рух додан пешгӯӣ кунанд.

Усул, маълумоти сахтафзор, маҷмӯи додаҳо, натиҷаҳои ададӣ, санҷишҳои сифати confusion matrix ва маҳдудиятҳои ин шарҳи Verianla ба таҳқиқоти баррасишуда асос ёфтаанд. Санҷиши берунии библиографӣ танҳо барои тасдиқи шахсияти нашр, маҷалла ва ҳолати peer review истифода шудааст; аз манбаъҳои беруна ягон қимати нави performance ё натиҷаи бехатарии меҳнат ба мазмуни асосии илмӣ илова нашудааст.