Ushbu tadqiqot qurilish ishchilarining fiziologik holatini uzluksiz ravishda bulutga yuborish o‘rniga, o‘lchov amalga oshirilayotgan qurilmaga yaqin joyda tahlil qilishni maqsad qilgan Edge-AI asosidagi mehnat xavfsizligi tizimini ishlab chiqadi. Taklif etilgan prototip fotopletizmografiya (PPG) uchun MAX30102, kontaktsiz infraqizil harorat o‘lchovi uchun MLX90614 va harakat/orientatsiya tahlili uchun BNO055 to‘qqiz o‘qli IMU sensorini Raspberry Pi Pico mikrokontrollerida birlashtiradi. Yengil, ko‘p chiqishli logistic regression modeli uchta ikkilik holat bo‘yicha mahalliy qaror chiqaradi: oshgan PPG o‘zgaruvchanligi, uyquchanlik va charchoq.

Mavjud jismoniy prototip haqiqiy quloq ichki qurilmasi yoki quloqchin shaklida emas. Tadqiqotchilar sensorlar fuzioni arxitekturasini breadboard ustida qurgan va kelajakda tizimni standart earbud form-faktoriga kichraytirishni maqsad qilgan. Quloqqa moslashuv, mexanik korpus, kontakt bosimi, batareya, ter/chang/tebranishdan himoya va kaska yoki eshitishni himoya qiluvchi vositalar bilan jismoniy moslik ushbu tadqiqotda sinovdan o‘tkazilmagan.

Mashinali o‘rganish baholashi haqiqiy qurilish maydoni ishchilaridan yig‘ilgan yorliqlangan ma’lumotlar bilan emas, balki ochiq WESAD fiziologik ma’lumotlar to‘plamining faqat S2, S3 va S4 ishtirokchilari bilan amalga oshirilgan. S2 va S3 modelni ishlab chiqish uchun, S4 esa butunlay ko‘rilmagan tashqi validatsiya subyekti sifatida ishlatilgan. Har bir besh soniyalik sensor oynasidan atigi beshta xususiyat ajratilgan: PPG signalining o‘rtacha qiymati va standart og‘ishi, tezlanish kattaligining o‘rtacha qiymati va standart og‘ishi hamda o‘rtacha teri harorati.

WESAD’da tadqiqot nishonga olgan “oshgan PPG o‘zgaruvchanligi”, “uyquchanlik” va “charchoq” yorliqlari mavjud bo‘lmagani uchun tadqiqotchilar ularni K-means clustering yordamida o‘zlari yaratgan. Keyin logistic regression modeli ayni beshta fiziologik xususiyatdan hosil qilingan ushbu proksi yorliqlarni bashorat qilish uchun o‘qitilgan. Shu sababli tadqiqotda bildirilgan F1 qiymatlari klinik yoki kasbiy ground truth’ga nisbatan aniqlik emas; ular model clustering orqali hosil qilingan proksi yorliq tuzilmasini qanchalik yaxshi qayta ishlab bera olishini ko‘rsatadi.

Manbada tashqi S4 ishtirokchisi uchun uch nishonning F1-score qiymatlari mos ravishda %98,46, %98,55 va %96,40 sifatida ko‘rsatilgan; o‘rtacha tashqi F1-score %97,80 deb bildirilgan. Ichki S2+S3 holdout o‘rtachasi %97,53. Ushbu yuqori qiymatlar texnik jihatdan proksi yorliqlarga kuchli moslikni ko‘rsatadi; biroq ularni haqiqiy qurilish maydoni sharoitida charchoq yoki uyquchanlikni aniqlash aniqligi sifatida talqin qilib bo‘lmaydi.

Haqiqiy apparatdagi inference baholashi tadqiqotning muhim jihatlaridan biridir. Raspberry Pi Pico’da batch size 1 uchun logistic regression inference vaqti Shakl 8 da taxminan 2,07 ms, XGBoost esa 62,73 ms sifatida ko‘rsatilgan. Shunday qilib, logistic regression ayni testda model inference vaqtini taxminan o‘ttiz baravar qisqartiradi. Biroq XGBoost uchun flash, SRAM, energiya va to‘liq deployment o‘lchovlari berilmagani sababli, faqat latency natijasidan to‘liq deployment imkoniyati haqida xulosa chiqarib bo‘lmaydi.

Supervisor dashboard tasniflash natijasini USB serial orqali qabul qiladi. Interfeys PPG, harorat va harakat ma’lumotlarini, vaqt belgisi qo‘yilgan ogohlantirishlarni va ishchi markerlarini ko‘rsatadi. Xaritadagi ishchi joylashuvlari real vaqt GPS yoki indoor localisation bilan o‘lchanmagan; tadqiqotchilar ular vizualizatsiya maqsadida qo‘lda tayinlangan markerlar ekanini ochiq aytgan. BLE yoki Wi-Fi ham mavjud prototipga joriy etilmagan.

Turkiya nuqtayi nazaridan sharh: Tadqiqot Turkiyadagi qurilish maydonlarida yoki Turkiyadagi qurilish ishchilarida o‘tkazilmagan. Shunga qaramay, sensor ma’lumotlarini markaziy bulutga yetib borishini kutmasdan edge qurilmada tahlil qilish yuqori xavfli ish joylarida past kechikishli ogohlantirish tizimini ishlab chiqish nuqtayi nazaridan Turkiyadagi mehnat xavfsizligi texnologiyalari uchun o‘rganilishi mumkin bo‘lgan arxitekturadir. Haqiqiy foydalanish uchun Turkiyadagi qurilish maydoni harorati, chang, tebranish, shaxsiy himoya vositalari, smena tartibi, ishchi demografiyasi hamda real charchoq/uyquchanlik hodisalarini qamrab oladigan, mutaxassis tomonidan yorliqlangan dala ma’lumotlari bilan qayta validatsiya talab etiladi. Tadqiqotdagi %97,80 F1 qiymati Turkiyadagi haqiqiy ishchi xavfsizligi ko‘rsatkichi emas.

Tadqiqotning asosiy muammosi nima?

Kiyiladigan mehnat xavfsizligi qurilmalarining muhim qismi faqat bitta sensor yoki bitta xavf ko‘rsatkichi asosida ishlashi mumkin. Qurilish ishchisida esa harorat, harakat, yurak-qon tomir o‘zgarishi va charchoq kabi omillar bir vaqtning o‘zida yuzaga kelishi mumkin. Bundan tashqari, barcha ma’lumotni bulutga yuborib, qarorni uzoq serverda chiqarish ulanishga qaramlik va qo‘shimcha kechikish keltirib chiqarishi mumkin.

Ushbu tadqiqot uch xil sensor modalitetini bir edge platformada birlashtirib, tasniflashni bevosita Raspberry Pi Pico’da bajarishni maqsad qiladi.

Apparat amalda qanday qurilgan?

Manbaning Shakl 2 qismida jismoniy prototip breadboard ustida ko‘rsatilgan. Markazda Raspberry Pi Pico joylashgan va uchta sensor I2C orqali ulanadi:

I2C ma’lumot shinasi manbada 400 kHz deb ko‘rsatilgan.

Form-faktor cheklovi: Ushbu tuzilma quloq darajasida taqiladigan tayyor qurilma emas. Tadqiqotchilar breadboard konfiguratsiyasi faqat uch sensorli arxitekturaning texnik amalga oshirilish imkonini ko‘rsatishini va quloq darajasidagi miniaturizatsiya kelajakdagi ish ekanini ta’kidlaydi.

Nega Raspberry Pi Pico tanlangan?

Manba Raspberry Pi Pico’dagi RP2040 ikki yadroli ARM Cortex-M0+ protsessori 133 MHz gacha ishlashini, 264 KB SRAM mavjudligini va prototip platadagi 2 MB flash maydoni model hamda MicroPython firmware uchun ishlatilganini bildiradi.

Neural network o‘rniga logistic regression modelining tanlanishi ushbu resurs cheklovlariga ko‘ra ongli muhandislik qaroridir. Uchta binary chiqish uchun zarur og‘irliklar chiziqli matritsa tuzilmasida saqlanishi va inference sobit nuqtali matritsa ko‘paytmasi bilan bajarilishi mumkin.

Biroq tadqiqot model og‘irliklarining haqiqiy flash hajmini, ish vaqtidagi SRAM foydalanishini yoki sobit nuqta tasvirining bit kengligini alohida miqdoriy jadvalda bermaydi. Shu bois “2 MB flash ichiga sig‘adi” degan ma’lumot bor, ammo haqiqiy ilovaning memory footprint’i to‘liq hisobot qilinmagan.

Offline o‘qitish va online deployment qanday ajratilgan?

Model amalda qaysi beshta ma’lumotdan foydalanadi?

Ushbu minimal feature set modelni embedded tizimga oson ko‘chirish uchun tanlangan.

PPG o‘lchovlari yurak urish tezligi yoki HRVmi?

Yo‘q. Manba bu farqni aniq ko‘rsatadi. bvp_mean va bvp_std xom PPG waveform amplitude tavsiflovchilaridir.

Haqiqiy heart rate hisoblash uchun pulse peak detection va peak-to-peak interval; HRV uchun esa inter-beat interval ketma-ketligi, artefact rejection va tegishli vaqt/chastota sohasi ishlovlari talab qilinadi. Mavjud modelda bular qo‘llanmagan.

Shu sababli manbaning Shakl 6 qismida ishlatilgan “Heart Rate Increase” yorlig‘i usul bo‘limida ta’riflangan haqiqiy hisoblash bilan to‘liq mos kelmaydi. Usulda tegishli nishon “elevated PPG variability” sifatida yaratiladi.

SpO2 o‘lchanadimi?

Tadqiqotning texnik asos bo‘limida ikki to‘lqin uzunlikli PPG orqali SpO2 hisobining nazariy tenglamalari berilgan. Biroq tadqiqotchilar mavjud implementatsiya PPG amplitude va harakat xususiyatlariga e’tibor qaratishini, SpO2 baholashi esa kelajakdagi ishga qoldirilganini aniq aytadi.

Shunday qilib, MAX30102 sensorining SpO2 imkoniyati mavjud bo‘lishi amaldagi model SpO2 dan foydalanadi degani emas.

HRV ishlatiladimi?

Manbaning asos bo‘limida SDNN va RMSSD kabi HRV o‘lchovlarining tenglamalari tushuntiriladi. Biroq haqiqiy modelning feature set’ida HRV yo‘q. Bu tenglamalar tadqiqotning kontekstual texnik asosidir.

Heat Stress Index yoki Fatigue Index ishlatiladimi?

Manba HSI va FI uchun nazariy kompozit indekslarni ham beradi. Biroq tadqiqot aynan shu ikki indeks amaldagi tizimda joriy etilmaganini va faqat kelajakdagi model kengaytmasi uchun kontekstual misol sifatida keltirilganini bildiradi.

Mavjud logistic regression faqat WESAD’dan bevosita olingan beshta feature’dan foydalanadi.

Proksi yorliq qanday yaratiladi?

WESAD ma’lumotlar to‘plami “construction fatigue”, “drowsiness” yoki “elevated PPG variability” ko‘rinishidagi kasbiy yorliqlarni bermaydi. Shu sababli tadqiqotchilar uchta mustaqil K-means clustering jarayoni orqali surrogate ground truth yaratadi.

Manbada nishonlar quyidagi fiziologik naqshlar bilan bog‘langan:

• Oshgan PPG o‘zgaruvchanligi: yuqori bvp_std.
• Uyquchanlik: past acc_std bilan past/suppressed bvp_std kombinatsiyasi.
• Charchoq: yuqori temp_mean bilan yuqori acc_std kombinatsiyasi.

Keyin logistic regression yana shu beshta feature orqali cluster-derived yorliqlarni o‘rganadi.

Nega bu farq juda muhim?

Ushbu tajriba dizaynida modelning yuqori F1-score berishi, ayni feature fazosida K-means yaratgan decision structure’ni logistic regression qanchalik yaxshi taqlid qila olishini ko‘rsatadi.

Masalan, “fatigue” yorlig‘i mutaxassis tomonidan “bu ishchi haqiqatan ham charchagan edi” degan baho bilan berilmagan. Yuqori harorat va harakat o‘zgaruvchanligini o‘z ichiga olgan muayyan statistik cluster “fatigue” proksisi deb nomlangan.

Shuning uchun:

%97,80 F1 ≠ haqiqiy ishchida %97,80 charchoqni aniqlash aniqligi.

Manba tadqiqotning o‘z cheklovlar bayoni ham natijani mutaxassis tomonidan yorliqlangan occupational ground truth asosida qayta validatsiya qilish zarurligini ta’kidlaydi.

Ma’lumotlar to‘plami qanchalik katta?

S2, S3 va S4 dan ajratib olingan jami feature ma’lumotlar to‘plami:

4217 ta besh soniyalik oyna

ni o‘z ichiga oladi.

PCA faqat vizualizatsiya uchun ishlatilgan va besh o‘lchamli feature space ikki o‘lchamga proyeksiya qilingan. Manbaning Shakl 5 qismida K-means cluster’lari ushbu proyeksiyada aniq hududlar hosil qilgani ko‘rsatiladi.

PCA modelning deployed input feature’i sifatida ta’riflanmagan; tasniflagichning kirishi asl beshta xususiyatdir.

Baholash nechta ishtirokchi bilan o‘tkazilgan?

WESAD’ning to‘liq to‘plamida 15 ishtirokchi bo‘lishiga qaramay, ushbu tadqiqot faqat:

• S2,
• S3,
• S4

yozuvlaridan foydalanadi.

S2 va S3 model training/internal testing uchun; S4 esa butunlay ko‘rilmagan external validation subject sifatida ajratilgan.

Shu sababli “unseen individual generalisation” natijasi faqat bitta tashqi ishtirokchiga asoslanadi.

Internal split sonlarida nega savol belgisi bor?

Manba S2–S4 bo‘yicha jami 4217 oyna borligini bildiradi. Shakl 7 dagi external S4 confusion matrix’larining har biri 1604 namunadan iborat.

Shunga ko‘ra:

\[ 4217-1604=2613 \]

S2+S3 oynasi qoladi.

Manba S2+S3 uchun %80/%20 train–test split qo‘llanganini bildiradi. 2613 namunaning %20 qismi taxminan 523 namuna bo‘lishi kerak.

Biroq Shakl 7 dagi uchta internal confusion matrix’ning har biri:

\[ 628 \]

namunani o‘z ichiga oladi.

Manba filtering, resampling yoki boshqa ma’lumotlar quyi to‘plami tufayli bu farq qanday yuzaga kelganini tushuntirmaydi. Shu bois internal test namunalarining %20 split orqali qanday hosil qilingani manba asosida to‘liq qayta ishlab bo‘lmaydi.

Confusion matrix’lar nimani ko‘rsatadi?

Shakl 7 da manba tomonidan e’lon qilingan kataklar quyidagilar:

Ushbu kataklar Shakl 6 dagi F1-score qiymatlarini qayta hosil qiladi. Masalan, external drowsiness uchun:

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

olinadi.

External natija haqiqatan ham har bir sinfda yuqoriroqmi?

Yo‘q. Manbaning Shakl 6 izohi external natija internal natijani har bir kategoriyada tenglashtirishi yoki undan oshishini aytadi. Grafikda esa:

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

ko‘rinadi.

Shuning uchun external o‘rtachaning yuqoriroq bo‘lishi to‘g‘ri:

Internal o‘rtacha: %97,53
External o‘rtacha: %97,80

ammo external natija uchala sinfning barchasida yuqori emas.

Haqiqiy qurilmada inference rostdan ham bajarilganmi?

Ha. Ushbu tadqiqot avvalgi faqat dasturiy/TinyML moslik ishlaridan farqli ravishda logistic regression og‘irliklarini Raspberry Pi Pico flash xotirasiga uzatgan va inference’ni qurilmaning o‘zida bajargan.

Har bir online siklda Pico:

1. uchta sensorni I2C orqali o‘qiydi,
2. 5 soniyalik buffer orqali beshta feature hisoblaydi,
3. logistic regression uchun sobit nuqtali matritsa amalini bajaradi,
4. uchta chiqishning har biri uchun 0,5 decision threshold qo‘llaydi,
5. natijani USB serial orqali dashboard’ga yuboradi.

Inference latency amalda qancha?

Logistic regression taxminan:

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

baravar qisqaroq inference vaqtini ko‘rsatadi.

Bu logistic regression’ning RP2040 dagi juda past hisoblash yukini qo‘llab-quvvatlaydigan kuchli natijadir.

XGBoost haqiqatan ham “real vaqtda ishlay olmaydimi”?

Manba XGBoost’ning 62,73 ms latency qiymatini RP2040 deployment’i uchun impractical deb talqin qiladi. Biroq ayni tizim yangi sensor feature vektorini har 5 soniyada bir marta hosil qiladi.

62,73 ms:

• 500 ms lik “sub-0.5 s” mezonidan past,
• 5 soniyalik sensor oynasining taxminan %1,25 qismidir.

Shu sababli latency’ning o‘zi XGBoost real vaqtda ishlatilmaydi degan xulosani ko‘rsatmaydi. XGBoost’ning model xotirasi, SRAM talabi, quvvat sarfi va haqiqiy Pico deployment’i bo‘yicha qiyosiy miqdoriy ma’lumot yo‘q.

Manba xavfsizroq tarzda qo‘llab-quvvatlaydigan xulosa shuki, logistic regression ayni taqqoslashda sezilarli darajada tezroq va chiziqli tuzilishi tufayli sodda embedded variantdir.

Dashboard nima qiladi?

Streamlit asosidagi supervisor dashboard quyidagi ma’lumotlarni ko‘rsatishi mumkin:

• Ishchining Normal yoki Critical holati,
• PPG amplitude,
• harorat,
• harakat intensity,
• vaqt belgili alert log’lari,
• xaritadagi ishchi markerlari.

Manbaning Shakl 3 qismi normal holatni yashil indikator bilan; Shakl 4 esa fatigue alert holatini sariq/to‘q sariq ogohlantirish paneli bilan ko‘rsatadi.

Xarita haqiqiy ishchi joylashuvini o‘lchaydimi?

Yo‘q. Xaritadagi joylashuvlar tadqiqotchilar tomonidan qo‘lda tayinlangan.

Mavjud tizimda:

• GPS yo‘q,
• BLE localisation yo‘q,
• Wi-Fi localisation yo‘q,
• indoor positioning tizimi yo‘q.

Shu sababli manba ekranidagi “Live Worker Locations”ga o‘xshash tasvir real vaqt localisation funksiyasi tasdiqlanganini anglatmaydi.

Wearable simsizmi?

Mavjud prototipda yo‘q. Pico bilan supervisor dashboard o‘rtasidagi aloqa USB serial orqali amalga oshiriladi.

BLE va Wi-Fi keyingi apparat reviziyalariga qoldirilgan. Demak, mavjud tizim tethered monitoring prototipidir.

Batareya ishlash muddati o‘lchanganmi?

Yo‘q. Manba uchta sensorning uzluksiz ishlashi batareya cheklovlarini keltirib chiqarishini tan oladi, biroq to‘liq smena davomida quvvat sarfi yoki battery-life testini taqdim etmaydi.

Bu ham breadboard proof-of-concept bilan haqiqiy kiyiladigan mahsulot o‘rtasidagi muhim rivojlantirish bosqichlaridan biridir.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• MAX30102, MLX90614 va BNO055 sensorlarini Raspberry Pi Pico bilan ayni breadboard prototipida ishlatish mumkinligi ko‘rsatilgan.
• Beshta feature ishlatadigan uch chiqishli logistic regression modeli RP2040 da mahalliy inference uchun joriy etilgan.
• Raspberry Pi Pico dagi logistic regression inference vaqti Shakl 8 da 2,07 ms sifatida o‘lchangan.
• Modelning K-means yordamida yaratilgan proksi yorliqlarga tashqi S4 ishtirokchisidagi o‘rtacha F1 mosligi %97,80 deb bildirilgan.
• Supervisor dashboard USB serial orqali real vaqt tasniflash chiqishini ko‘rsata oladi.
• Mahalliy inference tasniflash uchun cloud ulanishiga qaramlikni kamaytiradi.

Tadqiqot qo‘llab-quvvatlamaydigan yoki hali sinovdan o‘tkazmagan natijalar

• %97,80 F1 haqiqiy qurilish ishchilarida tasdiqlangan fatigue/drowsiness accuracy emas.
• Proksi yorliqlar expert-labelled clinical yoki occupational ground truth emas.
• Prototip haqiqiy earbud yoki quloq darajasida taqiladigan mahsulot emas.
• Haqiqiy qurilish maydoni harorati, chang, tebranish, og‘ir jismoniy mehnat va PPE sharoitlarida sinov o‘tkazilmagan.
• Batareya ishlash muddati yoki energiya sarfi o‘lchanmagan.
• BLE yoki Wi-Fi aloqasi joriy etilmagan.
• GPS yoki haqiqiy ishchi joylashuvini aniqlash joriy etilmagan.
• SpO2 mavjud tasniflagichda ishlatilmaydi.
• Haqiqiy HR yoki HRV feature hisoblanmaydi.
• HSI va FI indekslari joriy etilmagan.
• Tadqiqot tibbiy tashxis yoki ishchi ishlashni davom ettira olishi-olmasligi bo‘yicha klinik qaror tizimini tasdiqlamaydi.
• External generalisation faqat bitta shaxs — S4 da baholangan.

Tadqiqot usuli va natijalari

Asosiy apparat

Mikrokontroller resurslari

Dasturiy muhit

Ma’lumot va feature tuzilmasi

F1 natijalari

Ilmiy talqin chegarasi: Ushbu qiymatlarning barchasi K-means yordamida yaratilgan proksi label’larga nisbatan hisoblangan.

Latency natijasi

Manba logistic regression tanlovini faqat latency bilan emas, balki chiziqli tuzilma, izohlanish imkoniyati va RP2040 ning xotira/hisoblash cheklovlari bilan ham asoslaydi.

Tadqiqotning eng muhim metodologik cheklovi

Ushbu tadqiqotda nishon sinflarning o‘zi mustaqil ekspert yorlig‘idan kelib chiqmaydi. K-means ayni beshta xususiyat fazosidan proksi label yaratadi, logistic regression esa shu proksi label’ni ayni beshta xususiyatdan bashorat qiladi.

Shu sababli tadqiqotning hozirgi bosqichda amalda ko‘rsatgani:

“Beshta fiziologik feature asosida yaratilgan cluster qoidalariga o‘xshash qarorlarni nihoyatda yengil chiziqli model bilan Raspberry Pi Pico’da juda past kechikishda qayta ishlab berish mumkinligi”dir.

Haqiqiy fatigue, drowsiness yoki mehnat xavfsizligi xavfini aniqlash uchun keyingi zarur bosqich — mustaqil, mutaxassis tomonidan yorliqlangan qurilish maydoni ma’lumotlaridir.

Manba va usul haqida izoh

To‘liq asl tadqiqot nomi: Edge-AI Enabled Wearables for Construction Safety: Real-Time Physiological Monitoring and Localised Data Processing

Mualliflar va ularning tartibi: Basil Alshehri; Nayef Aljhani; Ahmed Albalawi; Waleed Abdulghani; Talal Alfawzan; Ahmad J. Alkhodair.

Mas’ul muallif: Ahmad J. Alkhodair.

Teng hissa/teng birinchi muallif: Manbada ko‘rsatilmagan.

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

Jurnal: Future Internet

Nashriyot: MDPI, Basel, Switzerland

Jild / son / maqola: 18 / 6 / 293

Qabul qilingan sana: 28 Aprel 2026

Reviziya sanasi: 16 May 2026

Qabul qilingan sana: 19 May 2026

Nashr sanasi: 28 May 2026

DOI: 10.3390/fi18060293

Rasmiy nashr havolasi:https://doi.org/10.3390/fi18060293

Manba turi: Hakamlikdan o‘tgan tadqiqot maqolasi; breadboard sensor prototipi, edge-AI deployment va nazorat qilinadigan ma’lumotlar to‘plamiga asoslangan machine-learning baholashi.

Hakamlik holati: Hakamlikdan o‘tgan jurnalda chop etilgan tadqiqotdir.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmagan.

Etika kengashi: Manba yangi inson ishtirokchilaridan bevosita ma’lumot yig‘magan; ochiq WESAD ma’lumotlar to‘plami ishlatilgani sababli Institutional Review Board va informed consent bo‘limlari ushbu tadqiqot uchun “not applicable” deb berilgan.

Ma’lumotlarning mavjudligi: WESAD ma’lumotlar to‘plami ommaga ochiq. Manbada kod va implementatsiya tafsilotlarini asosli so‘rov bilan mas’ul muallifdan olish mumkinligi aytilgan.

Muallif hissalari: Manbada konseptuallashtirish va metodologiya Nayef Aljhani, Basil Alshehri, Ahmed Albalawi, Talal Alfawzan va Waleed Abdulghani; dasturiy ta’minot Basil Alshehri va Nayef Aljhani; formal tahlil va ma’lumotlarni kuratsiya qilish Basil Alshehri hamda Nayef Aljhani; vizualizatsiya Basil Alshehri; nazorat va loyiha boshqaruvi Ahmad J. Alkhodair tomonidan bajarilgani bildirilgan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Avvalgi tadqiqot bilan aloqasi: Manba ushbu maqola 2–4 Fevral 2026 sanalarida University of Tabuk’da o‘tkazilgan 3rd GCC International Conference on Industrial Engineering and Operations Management konferensiyasiga qabul qilingan “Federated Edge AI Earables for Real-Time Physiological Monitoring and Predictive Safety Analytics in Construction Workforces” nomli posterning kengaytirilgan va sezilarli darajada rivojlantirilgan versiyasi ekanini bildiradi. Poster dastlabki prototip konsepsiyasini taqdim etgan; amaldagi maqola esa to‘liq tizim dizayni, mashinali o‘rganish pipeline’i, eksperimental baholash va supervisor dashboard’ni qo‘shgan.

Manba ichidagi terminologik nomuvofiqlik — PPG/heart rate: Bo‘lim 3.4.2 bvp_mean va bvp_std xom waveform amplitude tavsiflovchilari ekanini va haqiqiy HR/HRV emasligini aniq bildiradi. Bo‘lim 3.5 nishonni “elevated PPG variability” deb ta’riflaydi, Shakl 6 esa ayni chiqishni “Heart Rate Increase” deb yorliqlaydi. Peak detection yoki inter-beat interval hisobi qo‘llanmagani sababli bu ikki ifoda bir xil o‘lchov deb qabul qilinmagan.

Manba ichidagi natija izohi — external/internal: Shakl 6 izohida external natija internal natijani har bir kategoriyada tenglashtirishi yoki undan oshishi aytiladi. Biroq drowsiness F1 internal %98,98, external %98,55. External o‘rtacha %97,80 bo‘lib, internal o‘rtacha %97,53 dan yuqori; ammo “har bir kategoriya” ifodasi grafikdagi qiymatlarga mos kelmaydi.

Manba ichidagi namuna soni noaniqligi: S2–S4 jami 4217 oyna va S4 external confusion matrix soni 1604. Shunga ko‘ra S2+S3 jami 2613 bo‘lishi kerak. Bunga qaramay, “%20 holdout” deb ko‘rsatilgan internal confusion matrix’lar 628 namunani o‘z ichiga oladi. 628 sonining 2613 dan qanday hosil qilingani usul bo‘limida tushuntirilmagan.

Latency talqini chegarasi: Shakl 8 logistic regression uchun 2,07 ms va XGBoost uchun 62,73 ms latency ko‘rsatadi. Manba XGBoost’ni RP2040 da latency nuqtayi nazaridan impractical deb ataydi. Biroq 62,73 ms ham 0,5 soniyalik mezondan va 5 soniyalik sensor oynasidan ancha qisqa. XGBoost’ning flash, SRAM va quvvat sarfi bo‘yicha taqqoslash berilmagani sababli deployment’ning amalga oshmasligi faqat ushbu latency tajribasidan qat’iy chiqarilmagan.

Form-faktor cheklovi: Manba tizimni ear-level wearable sifatida maqsad qiladi; mavjud jismoniy tizim breadboard proof-of-concept hisoblanadi. Earbud enclosure, ear-fit, kontakt bosimi, batareya, ter/chang/tebranishga chidamlilik va PPE integratsiyasi tasdiqlanmagan.

Aloqa va joylashuvni aniqlash cheklovi: Mavjud prototip USB serial orqali ulangan. BLE/WiFi joriy etilmagan. Dashboard xarita markerlari qo‘lda tayinlangan; GPS yoki boshqa localisation tizimi sinovdan o‘tkazilmagan.

Yorliqlash cheklovi: Uch nishon sinfi expert-labelled occupational ground truth emas. Ular K-means clustering yordamida ayni fiziologik feature space’dan hosil qilingan proksi yorliqlardir. Shu sababli yuqori F1-score haqiqiy kasbiy fatigue yoki drowsiness detection accuracy sifatida ishlatilmaydi.

Umumlashtirish cheklovi: WESAD haqiqiy qurilish maydoni ma’lumoti emas va mavjud tadqiqot faqat uchta WESAD ishtirokchisidan foydalangan. External validation faqat S4 ismli bitta shaxsga asoslanadi. Haqiqiy qurilish muhitidagi yuqori harorat, og‘ir PPE, chang, tebranish, intensiv qo‘l mehnati va maydondagi harakat artefaktlari o‘qitish ma’lumotlarida ifodalanmagan.

Kelajakdagi ish: Manba keyingi bosqichlar qatorida kamida 30 dala ishtirokchisi bilan expert-labelled field validation, PCB va earbud miniaturisation, BLE/WiFi, GPS, shaxsiy baseline calibration, model compression/quantization, batareya va quvvat profiling hamda kelajakda fiziologik yomonlashuvni yuz berishidan oldin bashorat qila oladigan time-series arxitekturalarini sanaydi.

Ushbu Verianla izohidagi usul, apparat ma’lumotlari, ma’lumotlar to‘plami, sonli natijalar, confusion matrix sifat nazoratlari va cheklovlar ko‘rib chiqilgan tadqiqotga asoslanadi. Tashqi bibliografik tekshiruv faqat nashr identifikatori, jurnal va hakamlik holatini tasdiqlash uchun ishlatilgan; tashqi manbalardan yangi unumdorlik qiymati yoki mehnat xavfsizligi muvaffaqiyati asosiy ilmiy mazmunga qo‘shilmagan.