AI-Driven Physical Fatigue Classification in a Pharmaceutical Case Study Using Wearable Biometric Data
Notice bibliographique
Résumé
Physical fatigue is a significant concern in repetitive production line operations, often contributing to musculoskeletal disorders (MSDs) and high absenteeism rates. This study focuses on a pharmaceutical packaging line where workers frequently develop MSDs due to the repetitive nature of their tasks. To address this issue, biometric data from smartwatches, including pulse rate, internal temperature, electrodermal activity, and movement patterns, were collected alongside demographic factors such as age and experience and occupational factors related to task demands, including physical load, and operational conditions such as production line location, day of the week, work shift, and timing within the shift. Principal Component Analysis was first applied to reduce the dataset's dimensionality, extracting the most relevant features. Subsequently, fuzzy logic was employed to label the data into two and four levels of fatigue based on prior research. The resulting features and labels were then used as inputs for machine learning classification models to predict fatigue states. Our findings demonstrate that integrating wearable sensor data significantly enhances classification performance. In binary classification, the Random Forest model achieved an F1 score of 0.935 with biometric data and 0.681 without it. For the four-level classification, incorporating biometric data improved the F1 score from 0.573 to 0.903, highlighting its importance in fatigue prediction. This study contributes by developing a generalized predictive fatigue model and establishing a foundation for a real-time fatigue alert system to enhance worker safety and productivity.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».