論文の概要: Enhancing Construction Worker Safety in Extreme Heat: A Machine Learning Approach Utilizing Wearable Technology for Predictive Health Analytics

• arxiv url: http://arxiv.org/abs/2604.19559v1
• Date: Tue, 21 Apr 2026 15:12:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.836418
• Title: Enhancing Construction Worker Safety in Extreme Heat: A Machine Learning Approach Utilizing Wearable Technology for Predictive Health Analytics
• Title（参考訳）: 極端熱における建設作業者の安全を向上する: ウェアラブル技術を活用した機械学習による予測健康分析
• Authors: Syed Sajid Ullah, Amir Khan,
• Abstract要約: 本研究は,サウジアラビアの19人の労働者の熱ストレスを予測するための深層学習モデルの開発と評価である。 Garmin Vivosmart 5のスマートウォッチを使って心拍数、HRV、酸素飽和度などの測定値を監視することで、注意ベースのモデルはベースラインを上回り、95.40%のテスト精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Construction workers are highly vulnerable to heat stress, yet tools that translate real-time physiological data into actionable safety intelligence remain scarce. This study addresses this gap by developing and evaluating deep learning models, specifically a baseline Long Short-Term Memory (LSTM) network and an attention-based LSTM, to predict heat stress among 19 workers in Saudi Arabia. Using Garmin Vivosmart 5 smartwatches to monitor metrics such as heart rate, HRV, and oxygen saturation, the attention-based model outperformed the baseline, achieving 95.40% testing accuracy and significantly reducing false positives and negatives. With precision, recall, and F1 scores of 0.982, this approach not only improves predictive performance but also offers interpretable results suitable for integration into IoT-enabled safety systems and BIM dashboards, advancing proactive, informatics-driven safety management in the construction industry.
• Abstract（参考訳）: 建設作業員は熱ストレスに弱いが、リアルタイムの生理データを行動可能な安全知能に変換するツールはほとんどない。 本研究は、サウジアラビアの19人の労働者の熱ストレスを予測するために、ディープラーニングモデル、特に、ベースライン長短記憶(LSTM)ネットワークと注意に基づくLSTMを開発し、評価することで、このギャップを解消する。 Garmin Vivosmart 5 のスマートウォッチを使って心拍数、HRV、酸素飽和度などの測定値を監視することで、注意ベースのモデルはベースラインを上回り、95.40%のテスト精度を達成し、偽陽性と否定性を著しく低減した。 精度、リコール、F1スコア0.982の精度で、このアプローチは予測性能を向上するだけでなく、IoT対応の安全システムとBIMダッシュボードとの統合に適した解釈可能な結果を提供し、建設業界における積極的な情報駆動型安全管理を前進させる。

関連論文リスト

• Asymmetric-Loss-Guided Hybrid CNN-BiLSTM-Attention Model for Industrial RUL Prediction with Interpretable Failure Heatmaps [0.0]
  本研究では,Twin-Stage One-dimensional Convolutional Neural Networks (1D-CNN),Bidirectional Long Short-Term Memory (BiLSTM) ネットワーク,Bahdanau Additive Attention 機構を組み合わせたハイブリッドアーキテクチャを提案する。 100基のテストエンジンの実験は17.52サイクルのルート平均正方形誤差(RMSE)と922.06のNASA Sスコアを達成した。
  論文  参考訳（メタデータ） (2026-04-15T04:25:38Z)
• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• SafetyFlow: An Agent-Flow System for Automated LLM Safety Benchmarking [41.446821694939615]
  SafetyFlowは、安全ベンチマークの構築を自動化するために設計されたエージェントフローシステムである。 人間の介入なしに、総合的な安全ベンチマークをわずか4日で自動的に構築できる。 コントリビューションには、最初の完全に自動化されたベンチマークパイプラインと、包括的な安全ベンチマークが含まれています。
  論文  参考訳（メタデータ） (2025-08-21T13:00:53Z)
• Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
  我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。 安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。 複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
  論文  参考訳（メタデータ） (2025-08-17T23:46:36Z)
• Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction [0.0]
  本研究では,バッテリ寿命予測のためのハイブリッド学習フレームワークを提案する。 動的マルチソースデータ融合と積み重ねアンサンブル(SE)モデリングアプローチを統合する。 平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839である。
  論文  参考訳（メタデータ） (2025-04-25T10:24:45Z)
• Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
  足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。 本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。 その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T10:51:40Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems [0.23408308015481666]
  提案モデルは,畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)ディープラーニング(DL)モデルを組み合わせて構成する。 この融合により、IoTトラフィックをバイナリカテゴリ、良性、悪意のあるアクティビティに検出し、分類することが可能になる。 提案モデルの精度は98.42%,最小損失は0.0275である。
  論文  参考訳（メタデータ） (2024-05-28T22:12:15Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• EEG-based Drowsiness Estimation for Driving Safety using Deep Q-Learning [46.3327842128563]
  本研究では、深部Q-ラーニングを用いて、模擬耐久運転テスト中に得られた脳波データセットを分析することを提案する。 運転テストにおける用語を強化学習フレームワークに適合させ,Q-ラーニングタスクの最適化として眠気推定問題を定式化する。 その結果、トレーニングされたモデルでは、脳波データに対して十分な方法で精神状態の変動を追跡できることがわかった。
  論文  参考訳（メタデータ） (2020-01-08T07:10:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。