DOI: https://doi.org/10.1016/j.autcon.2025.106356
تاريخ النشر: 2025-06-21
المؤلف: Waleed Umer وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تتناول هذه الدراسة القضية الحرجة للإرهاق الجسدي بين عمال البناء، والذي يمكن أن يؤدي إلى مخاطر صحية، وانخفاض جودة العمل، وزيادة الحوادث. كانت طرق مراقبة الإرهاق السابقة باستخدام مقاييس فسيولوجية محدودة بسبب عدم كفاية المعايير مقارنة بتقييمات الجهد المدرك (RPE)، والاعتماد على بيئات خاضعة للرقابة، وإغفال الطبيعة الزمنية للبيانات الفسيولوجية. تقترح هذه الدراسة نهجًا جديدًا يستخدم نماذج التعلم العميق لتحليل الإشارات الفسيولوجية المجمعة في الموقع، مما يظهر تحسينات كبيرة في مراقبة الإرهاق. حقق نموذج Bi-LSTM دقة مثيرة للإعجاب بلغت 98.5% ودرجة F1 تتراوح بين 97.3% و99.0%، مما يدل على فعاليته في تقييم الإرهاق في الوقت الحقيقي.
تؤكد النتائج على الحاجة الملحة لاستراتيجيات فعالة لإدارة الإرهاق في البناء، حيث يتأثر أداء العمال بشدة بالإرهاق. تقترح الدراسة أن الأجهزة القابلة للارتداء القادرة على المراقبة في الوقت الحقيقي يمكن أن توفر تنبيهات في الوقت المناسب لكل من العمال والمشرفين، مما يعزز بروتوكولات السلامة. علاوة على ذلك، يمكن أن تُعلم البيانات الناتجة التغييرات السياسية المتعلقة بتنظيم ساعات العمل بناءً على عتبات الإرهاق. ومع ذلك، تشمل قيود الدراسة حجم العينة الصغيرة والمتجانسة وفترة جمع البيانات القصيرة، مما قد يقيد إمكانية تعميم النتائج. يجب أن تهدف الأبحاث المستقبلية إلى مجموعات أكبر وأكثر تنوعًا من المشاركين وفترات مراقبة ممتدة لفهم ديناميات الإرهاق بشكل أفضل مع مرور الوقت.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم للإرهاق في زيادة خطر الحوادث في مواقع البناء، حيث يواجه العمال غالبًا ساعات طويلة، ومهام بدنية شاقة، وظروف خطرة. تشير الأدبيات إلى أن الإرهاق هو مساهم كبير في الأخطاء البشرية، حيث تظهر الدراسات أن أكثر من 65% من الحوادث مرتبطة بمثل هذه الأخطاء، ويشكل الإرهاق اختلافات كبيرة في التعرف على المخاطر وإدراك السلامة. نظرًا لهذه النتائج، هناك حاجة ملحة لمراقبة وإدارة الإرهاق بشكل استباقي في صناعة البناء، التي اعتمدت تقليديًا على استبيانات ذاتية لتقييم الإرهاق. ومع ذلك، فإن هذه الطرق محدودة بسبب اعتمادها على جمع البيانات اليدوي والانحيازات المحتملة، مما يدفع نحو استخدام أجهزة الاستشعار القابلة للارتداء لتقييم الإرهاق بشكل موضوعي من خلال الإشارات الفسيولوجية.
تهدف الدراسة الحالية إلى معالجة عدة فجوات منهجية في أبحاث الإرهاق من خلال استخدام مقياس تقييم الإرهاق (ROF)، الذي هو أكثر ملاءمة للطبيعة المتقطعة لمهام البناء مقارنة بمقياس Borg-20. كما تؤكد على أهمية جمع البيانات الفسيولوجية في بيئات البناء الواقعية، مما يعزز الصلاحية الخارجية للنتائج. من خلال مقارنة ديناميات الإرهاق التي لوحظت في بيئات المختبر الخاضعة للرقابة بتلك الموجودة في مواقع البناء الفعلية، تسعى الدراسة إلى تحسين فهم أنماط تراكم الإرهاق. علاوة على ذلك، تستكشف الدراسة فعالية نماذج التعلم العميق في تصنيف مستويات الإرهاق الجسدي باستخدام بيانات من أجهزة الاستشعار القابلة للارتداء، مع فرضية أن هذه النماذج يمكن أن تحقق دقة تزيد عن 70%. تم وضع هذه الدراسة لتساهم بشكل كبير في تطوير أنظمة مراقبة الإرهاق القوية، مما يعزز في النهاية سلامة ورفاهية العمال في صناعة البناء.
الطرق
تتركز المنهجية الموضحة في هذه الدراسة على تحديد وتصنيف الإرهاق الجسدي لدى عمال البناء من خلال نهج منهجي يستخدم البيانات الفسيولوجية من ساعة Empatica E4. تم إجراء الدراسة في أربع خطوات متتالية. في البداية، تم جمع البيانات من عمال البناء الذين يرتدون ساعة Empatica E4، والتي قدمت بيانات فسيولوجية مجهولة الهوية، مكملةً باستبيان لجمع التقييمات الذاتية للإرهاق الجسدي.
في الخطوة الثانية، تم تحليل البيانات الفسيولوجية وتصنيفها وفقًا لمستويات الإرهاق المبلغ عنها، تلتها معالجة مسبقة لإزالة العوامل المربكة لتدريب نموذج الذكاء الاصطناعي. تضمنت الخطوة الثالثة استخدام تقنيات التعلم العميق لتصنيف مستويات الإرهاق الجسدي، باستخدام البيانات الفسيولوجية المعالجة كمدخلات للنماذج. أخيرًا، تم تقييم فعالية هياكل التعلم العميق المختلفة في التعرف على وتصنيف مستويات الإرهاق باستخدام مقاييس مناسبة. أكدت النتائج التجريبية أن جميع المشاركين الأربعة عشر أكملوا الدراسة، مما سمح بإجراء تحليل شامل للبيانات المجمعة.
النتائج
في هذه الدراسة، تم استخدام ثلاثة نماذج تعلم عميق—ذاكرة طويلة وقصيرة الأجل (LSTM)، وذاكرة طويلة وقصيرة الأجل ثنائية الاتجاه (Bi-LSTM)، ووحدة متكررة مغلقة (GRU)—لتصنيف الإرهاق الجسدي بين عمال البناء. أشارت النتائج إلى أن نموذج Bi-LSTM تفوق على الآخرين، محققًا دقة تصنيف بلغت 98.5%. تبع ذلك نموذج LSTM بدقة 98.0%، بينما أظهر نموذج GRU أداءً أقل قليلاً، بدقة تجاوزت 96%. تشير هذه النتائج إلى أن Bi-LSTM فعال بشكل خاص لهذه المهمة التصنيفية.
المناقشة
تقدم قسم المناقشة في الورقة البحثية نظرة شاملة على الإرهاق، مع التركيز بشكل خاص على الإرهاق الجسدي الحاد لكامل الجسم بين عمال البناء. يميز بين الإرهاق الجسدي والعقلي، مشيرًا إلى أن الإرهاق الجسدي ينتج عن العمل المطول دون راحة كافية، بينما يتضمن الإرهاق العقلي انخفاضًا في الدافع وصعوبات في المعالجة المعرفية. تصنف الورقة الإرهاق إلى نوعين حاد ومزمن، مع التأكيد على أن هذه الدراسة تتناول بشكل خاص الإرهاق الحاد. تسلط الضوء على أهمية الدراسات الاسترجاعية والاستباقية في فهم تطور الإرهاق، حيث توفر الدراسات الاسترجاعية رؤى حول التغيرات الفسيولوجية أثناء مهام العمل، بينما تهدف الدراسات الاستباقية إلى التنبؤ ببدء الإرهاق من خلال المراقبة الفسيولوجية.
تكشف النتائج من دراسات استرجاعية مختلفة عن اختلافات كبيرة في مستويات الإرهاق بين الحرف المختلفة في البناء، حيث تؤدي بعض المهام إلى معدلات ضربات قلب أعلى وإرهاق محسوس. على سبيل المثال، أظهر عمال السقالات وعمال تثبيت الفولاذ إرهاقًا أكبر مقارنة بأدوار أخرى. انتقلت الدراسات الاستباقية نحو المراقبة والتنبؤ في الوقت الحقيقي للإرهاق باستخدام مقاييس فسيولوجية، على الرغم من أن العديد منها يعتمد على مقياس Borg-20، الذي قد لا يكون مناسبًا لمهام البناء المتنوعة. تنتقد الورقة قيود الدراسات الحالية، خاصة اعتمادها على مقياس Borg-20 والبيئات الخاضعة للرقابة، مشيرة إلى أنه بينما أظهرت نماذج التعلم الآلي وعدًا في التنبؤ بالإرهاق، قد لا تعكس المنهجيات المستخدمة الظروف الواقعية بدقة. بشكل عام، تؤكد المناقشة على الحاجة إلى تحسين استراتيجيات إدارة الإرهاق في بيئات البناء، مع التأكيد على العلاقة بين متطلبات المهام وتراكم الإرهاق.
القيود
تقدم الدراسة تقدمًا كبيرًا في مراقبة الإرهاق الجسدي من خلال دمج البيانات الفسيولوجية ونماذج التعلم العميق. ومع ذلك، هناك عدة قيود تستدعي الانتباه في الأبحاث المستقبلية. أولاً، يحد حجم العينة المحدود، الذي يواجه تحديات جمع البيانات في بيئات البناء الواقعية، من إمكانية تعميم النتائج. يجب أن تهدف الدراسات المستقبلية إلى تضمين مجموعة أوسع من الحرف في البناء والملفات الديموغرافية، مع التركيز بشكل خاص على تضمين المشاركات الإناث لمعالجة التحيز الجنسي الموجود في العينة الحالية التي تضم الذكور فقط. هذه الشمولية ضرورية، حيث قد تختلف الاستجابات الفسيولوجية للإرهاق بين الجنسين، مما يؤثر على قابلية تطبيق النموذج.
بالإضافة إلى ذلك، ركزت الدراسة حصريًا على ثلاثة أنواع من الشبكات العميقة، وتحديدًا هياكل LSTM، التي، على الرغم من فعاليتها لبيانات السلاسل الزمنية، تتطلب موارد كبيرة ووقت تدريب. يمكن أن تستكشف التحقيقات المستقبلية أساليب تعلم عميق بديلة تعطي الأولوية للتكلفة وكفاءة المعالجة، خاصة للتطبيقات في الوقت الحقيقي. كانت مدة جمع البيانات الفسيولوجية محدودة أيضًا إلى نوبة عمل واحدة، مما يشير إلى أن الدراسات طويلة الأجل ضرورية لالتقاط اختلافات الإرهاق بشكل شامل. علاوة على ذلك، استخدمت المنهجية تقسيم 70-30 للتدريب والاختبار على مستوى القطعة، مما قد يهدد إمكانية تعميم النماذج. يجب أن تنفذ الأبحاث المستقبلية تقسيمًا على مستوى المشاركين وت考虑 تقنيات مثل زيادة البيانات والذكاء الاصطناعي القابل للتفسير لتعزيز قابلية تفسير النموذج وقوته. سيساهم معالجة هذه القيود في تعزيز الأساس لمراقبة وإدارة فعالة للإرهاق في قوة العمل في البناء.
DOI: https://doi.org/10.1016/j.autcon.2025.106356
Publication Date: 2025-06-21
Author(s): Waleed Umer et al.
Primary Topic: Occupational Health and Safety Research
Overview
The research addresses the critical issue of physical fatigue among construction workers, which can lead to health risks, reduced work quality, and increased accidents. Previous fatigue monitoring methods using physiological measures have been limited by inadequate benchmarking against the Ratings of Perceived Exertion (RPE), reliance on controlled environments, and neglect of the time-series nature of physiological data. This study proposes a novel approach utilizing deep learning models to analyze physiological signals collected on-site, demonstrating significant improvements in fatigue monitoring. The Bi-LSTM model achieved an impressive accuracy of 98.5% and an F1-score between 97.3% and 99.0%, indicating its effectiveness in real-time fatigue assessment.
The findings underscore the urgent need for effective fatigue management strategies in construction, where worker performance is heavily impacted by fatigue. The research suggests that wearable devices capable of real-time monitoring could provide timely alerts to both workers and supervisors, thereby enhancing safety protocols. Furthermore, the data generated could inform policy changes regarding work hour regulations based on fatigue thresholds. However, the study’s limitations include a small, homogeneous sample size and a short data collection period, which may restrict the generalizability of the results. Future research should aim for larger, more diverse participant groups and extended monitoring durations to better understand fatigue dynamics over time.
Introduction
The introduction of this research paper highlights the critical role of fatigue in increasing the risk of accidents on construction sites, where workers often face extended hours, physically demanding tasks, and hazardous conditions. The literature indicates that fatigue is a significant contributor to human errors, with studies showing that over 65% of accidents are linked to such mistakes, and fatigue accounts for substantial variations in hazard recognition and safety perception. Given these findings, there is a pressing need for proactive fatigue monitoring and management in the construction industry, which has traditionally relied on subjective questionnaires for fatigue assessment. However, these methods are limited by their reliance on manual data collection and potential biases, prompting a shift towards the use of wearable sensors for objective fatigue assessment through physiological signals.
The current study aims to address several methodological gaps in fatigue research by employing the Ratings of Fatigue (ROF) scale, which is more suited for the intermittent nature of construction tasks compared to the Borg-20 scale. It also emphasizes the importance of collecting physiological data in real-world construction environments, enhancing the external validity of the findings. By contrasting the dynamics of fatigue observed in controlled laboratory settings with those in actual construction sites, the research seeks to improve understanding of fatigue accumulation patterns. Furthermore, the study explores the effectiveness of deep learning models in classifying physical fatigue levels using data from wearable sensors, hypothesizing that these models can achieve over 70% accuracy. This research is positioned to contribute significantly to the development of robust fatigue monitoring systems, ultimately enhancing worker safety and well-being in the construction industry.
Methods
The methodology outlined in this research focuses on identifying and categorizing physical fatigue in construction workers through a systematic approach utilizing physiological data from an Empatica E4 watch. The study was conducted in four sequential steps. Initially, data were collected from construction workers wearing the Empatica E4 watch, which provided anonymized physiological data, complemented by a questionnaire to gather subjective assessments of physical fatigue.
In the second step, the physiological data were analyzed and categorized according to the reported fatigue levels, followed by preprocessing to eliminate confounding artifacts for AI model training. The third step involved employing deep learning techniques to classify the levels of physical fatigue, using the processed physiological data as input for the models. Finally, the effectiveness of various deep learning architectures in recognizing and categorizing fatigue levels was evaluated using appropriate metrics. The experimental results confirmed that all fourteen participants completed the study, allowing for a comprehensive analysis of the collected data.
Results
In this study, three deep learning models—Long Short-Term Memory (LSTM), Bidirectional LSTM (Bi-LSTM), and Gated Recurrent Unit (GRU)—were employed to classify physical fatigue among construction workers. The results indicated that the Bi-LSTM model outperformed the others, achieving a classification accuracy of 98.5%. The LSTM model followed closely with an accuracy of 98.0%, while the GRU model demonstrated a slightly lower performance, with an accuracy exceeding 96%. These findings suggest that Bi-LSTM is particularly effective for this classification task.
Discussion
The discussion section of the research paper provides a comprehensive overview of fatigue, particularly focusing on acute whole-body physical fatigue among construction workers. It distinguishes between physical and mental fatigue, noting that physical fatigue results from prolonged labor without adequate rest, while mental fatigue involves reduced motivation and cognitive processing difficulties. The paper categorizes fatigue into acute and chronic types, emphasizing that this study specifically addresses acute fatigue. It highlights the importance of retrospective and prospective studies in understanding fatigue development, with retrospective studies providing insights into physiological changes during work tasks, while prospective studies aim to predict fatigue onset through physiological monitoring.
The findings from various retrospective studies reveal significant variations in fatigue levels among different construction trades, with certain tasks leading to higher heart rates and perceived fatigue. For instance, scaffolders and steel fixers exhibited greater fatigue compared to other roles. Prospective studies have shifted towards real-time monitoring and prediction of fatigue using physiological measures, although many rely on the Borg-20 scale, which may not be suitable for the diverse tasks in construction. The paper critiques the limitations of existing studies, particularly their reliance on the Borg-20 scale and controlled environments, suggesting that while machine learning models have shown promise in predicting fatigue, the methodologies employed may not accurately reflect real-world conditions. Overall, the discussion underscores the need for improved fatigue management strategies in construction settings, emphasizing the relationship between task demands and fatigue accumulation.
Limitations
The study presents significant advancements in monitoring physical fatigue through the integration of physiological data and deep learning models. However, several limitations warrant attention in future research. Firstly, the limited sample size, constrained by the challenges of data collection in real-world construction environments, restricts the generalizability of the findings. Future studies should aim to include a wider range of construction trades and demographic profiles, particularly incorporating female participants to address the gender bias inherent in the current all-male sample. This inclusion is critical, as physiological responses to fatigue may differ between genders, impacting model applicability.
Additionally, the research focused exclusively on three types of deep learning networks, specifically LSTM architectures, which, while effective for time-series data, require substantial resources and training time. Future investigations could explore alternative deep learning approaches that prioritize cost and processing efficiency, particularly for real-time applications. The duration of physiological data collection was also limited to a single work shift, suggesting that longer-term studies are necessary to capture fatigue variations comprehensively. Furthermore, the methodology employed a 70-30 train-test split at the segment level, which may compromise the generalizability of the models. Future research should implement participant-level splitting and consider techniques such as data augmentation and explainable artificial intelligence to enhance model interpretability and robustness. Addressing these limitations will strengthen the foundation for effective fatigue monitoring and management in the construction workforce.