在自然环境中基于深度学习的疲劳监测:多级疲劳状态分类
Yuqi Wang1,2, Ruochen Dang1,2, Bingliang Hu1,2
1Key Laboratory of Spectral Imaging Technology, Xi'an Institute of Optics and Precision Mechanics (XIOPM), Chinese Academy of Sciences, Xi'an 710119, China.
Bioengineering (Basel, Switzerland)
|December 30, 2025
概括
这项研究引入了使用可穿戴设备的心电图信号的日常疲劳监测系统. 一个深度学习模型在现实环境中实现了83.3%的精度来分类疲劳水平.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习应用 机器学习应用
- 可穿戴技术可穿戴技术
背景情况:
- 工作量不断增加会增加疲劳,影响健康,安全和生产力.
- 之前的疲劳监测研究往往缺乏现实世界的适用性,依赖于受控实验.
- 在自然环境中评估日常疲劳仍然是一个重要的研究缺口.
研究的目的:
- 开发和验证使用可穿戴心电图的日常疲劳监测系统.
- 将机器学习模型与用于疲劳分类的新型深度学习方法进行比较.
- 建立一种可靠的方法来评估日常生活中的疲劳.
主要方法:
- 招募了12名受试者进行14天的监测期.
- 在日常活动中使用可穿戴设备收集心电图 (ECG) 信号.
- 开发和评估了机器学习模型 (手动功能) 和用于疲劳分类的深度学习模型 (C-BL).
主要成果:
- C-BL深度学习模型在分类疲劳水平方面实现了83.3%的准确率.
- 与其他方法相比,端到端深度学习模型表现出优异的性能.
- 该系统在现实环境中成功监测了疲劳.
结论:
- 开发的基于心电图的可穿戴系统可用于日常疲劳监测.
- 深度学习模型显示,在自然环境中对精确的疲劳评估有很大的希望.
- 这种方法可以促进积极的健康管理和安全干预.
