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, few studies have used nonlinear methods to analyze HRV in order to determine the level of physical fatigue experienced by construction workers. As a result, to identify and categorize physical fatigue in construction workers, the current study examined the linear and nonlinear approaches of HRV analysis. Fifteen healthy construction workers (mean age, 33.2±6.9 years) were selected for this study. A textile-based wearable sensor monitored each participant’s HRV after they completed 60 min of bar bending and fixing tasks. At baseline, 15, 30, 45, and 60 min into the task, participants were given the Borg-20 to measure their subjective levels of physical fatigue. Nonlinear [e.g., R-R interval (RRI) variability, entropy, detrended fluctuation analysis] and linear (e.g., time- and frequency-domain) HRV parameters were extracted. Five machine learning classifiers were used to identify 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 either combining or individualized HRV features derived from linear and nonlinear HRV analyses. In the individualized feature sets, time-domain features had the highest classification accuracy (92%) based on the random forest (RF) classifier. The combined feature (i.e., 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 can be used to detect and classify physical fatigue in construction workers. This research offers important contributions to the industry by analyzing the variations in linear and nonlinear HRV parameters in response to construction tasks. This study demonstrates that HRV values changed significantly in response to physical work, indicating a change in the relative activity of cardiac autonomic functions as a result of fatigue. Using the ways in which HRV parameters vary in response to increased workloads provides a sensitive marker for contrasting construction workers with and without cardiovascular disease. It also allows the site manager to track how quickly workers fatigue, so that they can switch up their workload to reduce the likelihood that any one worker would get severely exhausted, or to suggest that workers who are already severely fatigued take a break to prevent further injury.
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 ».