Identification and Classification of Physical Fatigue in Construction Workers Using Linear and Nonlinear Heart Rate Variability Measurements
Notice bibliographique
Résumé
Several studies have analyzed heart rate variability (HRV) using nonlinear methods, such as approximate entropy, the largest Lyapunov exponent, and correlation dimension in patients with cardiovascular disorders. However, no studies have used nonlinear methods to analyze HRV so as to evaluate physical fatigue in construction workers. Therefore, the current study evaluated the linear and nonlinear methods of analyzing HRV in order to identify and classify physical fatigue in construction workers. Fifteen healthy construction workers aged 18 years or older (mean age, 33.2 6.9 years) were recruited. Following the baseline assessments, each participant was asked to perform 60-minute bar bending and fixing tasks, while the corresponding HRV was measured by a textile-based wearable sensor. Subjective fatigue levels were measured using the Borg-20 at baseline, 15, 30, 45, and 60 minutes of the task. The sensor was used to extract linear (e.g., time- and frequency-domain) and nonlinear (e.g., RRI variability, entropy, and detrended fluctuation analysis) HRV features. Five machine learning classifiers were used to identify fatigue and discern different physical fatigue levels. The accuracy and validity of the classifier models were evaluated using 10-fold cross-validation. The classification models were developed by combining and individualizing HRV features derived from linear and nonlinear analysis. In the individualized feature sets, time-domain features had the highest classification accuracy (92%) for the RF classifier. The combined feature (the time-domain and nonlinear features) sets showed the highest classification accuracy (93.5%) using the RF classifier. In conclusion, this study showed that both linear and nonlinear HRV analyses could be used to detect and classify physical fatigue in construction workers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».