Classification of operator’s workload based on physiological response

Abstract

People spend most of their lives at work, during which time they are exposed to mechanical and environmental conditions that can harm their health. This risk can occur in an hour- long or over long periods, even when performed at a light to moderate intensity due to cumulative fatigue. Several measures have been proposed in order to prevent or reduce fatigue-inducing repetitive work. However, these measures are essentially subjective or only measure fatigue locally. Wearables are an attractive solution to measure work-related fatigue globally and at any time. The purpose of this study is to quantify biosignals information for the determination of fatigue while performing repetitive work. Electrocardiogram (ECG), electromyography (EMG), respiratory inductance plethysmography (RIP) and Accelerometer (ACC) signals were collected from 25 healthy participants. The participants were instructed to perform a repetitive task after induced fatigue. Their biosignals were processed, and different families of features were extracted. These features were used to fit a classifier in order to evaluate fatigue. Self-Similarity Matrix (SSM) was used to select and segment the data in Baseline and Fatigue. Autocorrelation of inertial measures, respiratory synchrony, and the root mean square of the cardiovascular load features achieved 88% of accuracy. It was possible to verify that the ACC’s features lead to the best classification results, followed by the RIP, EMG and finally the ECG’s features. Multimodal data allows global classification of when a person is working after expe- riencing fatigue. Motor information contributes significantly to this classification due to compensations that occur while performing the repetitive task. More studies should be done to develop an index characterising the fatigue state.

As pessoas passam a maior parte da sua vida a trabalhar. A exposição a condições mecânicas e ambientais no trabalho pode ser prejudicial à sua saúde. Este risco pode ocorrer devido à fadiga cumulativa. Lesões podem surgir tanto em curtos como em longos períodos, mesmo quando a tarefa tem uma intensidade leve a moderada. Várias medidas foram propostas para prevenir ou reduzir o trabalho repetitivo que induz fadiga, no entanto, estas medidas são essencialmente subjetivas ou apenas medem a fadiga localmente. Os wearables são uma solução interessante para medir a fadiga relacionada ao trabalho a nível global e em qualquer momento. O objetivo deste estudo foi quantificar informações de biosinais para a determinação da fadiga durante a realização de trabalhos repetitivos. Os sinais de eletrocardiograma (ECG), eletromiografia (EMG), pletismografia de indutância respiratória (RIP) e acelerómetro (ACC) foram recolhidos de 25 participantes saudáveis. Os participantes realizaram uma tarefa repetitiva onde fadiga foi provocada. Os biosinais foram processados, e diferentes famílias de métricas foram extraídas. Estas métricas foram usadas para classificar a fadiga. Recorreu-se a Matrizes de Auto-Similaridade (SSM) para selecionar e segmentar os dados em fadiga e não fadiga. A autocorrelação das medidas inerciais, a sincronia respiratória e o quadrado médio da raiz da carga cardiovascular alcançaram 88% de precisão. Foi possível verificar que as features do ACC tiveram os melhores resultados de classificação, seguindo-se do RIP, EMG e, por último, de ECG. Os dados multimodais permitiram a classificação global de quando uma pessoa está a trabalhar, após sentir fadiga. A informação motora contribui, significativamente, para esta classificação devido às compensações que ocorrem durante a realização da tarefa repetitiva. Futuro trabalho deve ser feito com fim a determinar um índice que possa caracterizar o estado de fadiga.