可穿戴传感器和机器学习系统可以持续监测工厂工人的身体疲劳迹象。工厂工作可能非常耗费体力，安全且合乎道德的工作场所必须确保工人不会过度疲劳，否则会增加受伤和事故的风险，导致慢性健康问题，并影响工作表现。

由PingGuo、QiZhu及其同事设计的系统可从躯干和手臂的六个位置测量心率、心率变异性、皮肤温度和运动模式。目前尚无广泛接受的疲劳生物标记或指标，因此作者根据自我报告的自觉用力程度(0-10级)校准了测量结果。结果可在PNASNexus上找到。

43名年龄在18-56岁之间的参与者重复了两项繁重的制造任务：复合板铺层和线束装配，同时穿着加重背心以夸大诱发的疲劳并模拟在完成整个班次后可能感受到的疲劳程度。参与者在约一小时的数据收集期间的多个时间点报告了疲劳程度。

机器学习模型能够使用参与者的数据来实时预测疲劳程度。预测疲劳的最佳生理体征组合因人而异，但也发现了一些普遍趋势。非惯用手臂的运动普遍暴露了疲劳。而诸如线束之类的复杂任务则需要多种方式来捕捉疲劳。

在这张图片中，本文的共同第一作者PayalMohapatra和VasudevAravind正在展示他们对制造业工人疲劳预测的研究。Vasudev(左侧)在执行模拟工业活动的任务时佩戴传感器(ADAM用于运动，ANNE用于心率和体温)。Payal正在解释大屏幕上显示的预测活动数据，该数据将运动和生理信号整合到机器学习模型中。图片来源：PayalMohapatra和VasudevAravind

作者还在美国中西部和西海岸的大型制造工厂测试了他们的系统。真正的工厂工人有些不愿意报告他们的工作任务很累，汗水使传感器的粘附变得棘手。尽管存在这些挑战，工人们仍认为该系统不引人注目且易于使用。

据作者称，该技术可以提高工厂安全性、降低风险并增强工人的能力。