基于多模态可穿戴传感器与机器学习的疲劳评估

疲劳是由于睡眠不足、工作时间长、压力和体力消耗等生理因素导致的认知或身体表现下降。它对人身体的 adversely 影响，并会减慢反应时间、降低注意力以及限制短期记忆。因此，需要监测人的状态以避免可能导致生理并发症的极度疲劳状况。然而，用于理解和评估疲劳的工具很少。本文主要关注构建一个实验装置，该装置通过多种认知和体力任务诱发认知疲劳（CF）和体力疲劳（PF），同时记录生理数据。首先，我们构建了一个嵌入多种生理传感器的原型传感服，便于在数据收集过程中使用。其次，受试者在每项任务后自我报告的视觉模拟评分（VAS）被用于确认疲劳诱发。最后，构建了一个利用机器学习（ML）模型从传感器数据中检测 CF 和 PF 状态的评估系统，从而提供客观度量。我们的方法优于最先进的方法，其中随机森林在以 80.5% 的准确率检测 PF 方面表现最佳，同时正确预测真实 PF 条件的比例为 88%。另一方面，长短期记忆（LSTM）循环神经网络在检测受试者 CF 方面产生最佳结果（准确率 84.1%，召回率 0.9）。