一个基于深度学习的平台,用于使用最小侵入性的多感官设备检测工人的压力.

科学领域:

• 人与计算机的交互
• 职业健康 职业健康 职业健康
• 人工智能的人工智能

背景情况:

• 工业4.0增加了人机交互,在监测工人的压力方面带来了挑战.
• 传统的压力评估方法 (如问卷) 缺乏实时能力.
• 现有的生理监测系统往往是侵入性的或易受噪声的影响.

研究的目的:

• 为了提高检测工人压力的最小侵入性可穿戴和环境平台的准确性.
• 利用深度学习技术来提高压力水平的识别.
• 解决以前系统在准确检测多个压力水平方面的局限性.

主要方法:

• 开发和完善一个硬件软件平台,用于最小的侵入性生理信号测量.
• 实现和比较三个不同的神经网络架构.
• 应用一维卷积神经网络 (1D-CNN) 进行压力级别分类.

主要成果:

• 1D-CNN模型实现了95.38%的高精度,用于识别两个不同的压力水平.
• 与之前的压力检测方法相比,这代表了显著的性能改善.
• 增强的平台表现出更好的可靠性和减少对运动工件的敏感性.

结论:

• 深度学习,特别是1D-CNN,显著提高了非侵入性工人压力检测的准确性.
• 改进的平台为工业4.0环境中的实时压力监测提供了可行的解决方案.
• 准确,持续的压力监测可以减轻健康问题,改善工人的生活质量.