Early detection of physical fatigue in industry using wearable sensors and contextual modeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Nonintrusive physical fatigue detection: smartwatch + context; fuzzy labels; F1 up to 0.9375. • Signals: EDA, pulse, skin temperature, and motion via smartwatch. • Adding demographic and occupational data improves performance. • Context features cut safety–critical false negatives in fatigue states. • Early detection in real plants; scalable, Industry 5.0–aligned safety. Physical fatigue in repetitive production lines contributes to musculoskeletal disorders and absenteeism. This study investigates a pharmaceutical packaging environment in Colombia with 43 operators (42 female; 19–53 years) performing repetitive inspection and packing. Smartwatches captured pulse rate, electrodermal activity, skin temperature, and motion, complemented by demographic (age, experience) and occupational factors (task load, line, shift, timing). Principal Component Analysis (PCA) reduced dimensionality, and a fuzzy logic–based labeling method—adapted from prior controlled experiments—generated binary and four-class fatigue labels without mid-shift self-reports. These labeled datasets were used to train multiple machine-learning classifiers. Integrating contextual features with biometrics substantially improved performance: in binary classification, F1 increased from 0.8848 (biometrics only) to 0.9375; in four-level classification, F1 rose from 0.8232 to 0.8793. Motion-related metrics emerged as the most informative predictors. Critically, feature integration improved reliability: accuracy for intermediate states (Higher Non-Fatigue and Higher Fatigue) rose by ∼10 percentage points, while false negatives in the Pure Fatigue class were eliminated—3% of cases previously misclassified as Higher Non-Fatigue were instead correctly mapped within the fatigue spectrum. This shift strengthens the system’s effectiveness for real-time safety interventions. The novelty of this work lies in combining biometric and contextual modeling to reduce false negatives in critical fatigue states, providing a scalable, non-intrusive, and human-centered early-warning system. By aligning with Industry 5.0, this approach demonstrates how wearable and contextual data can jointly support proactive and trustworthy safety interventions while maintaining operational flow.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découle