همگرایی فناوری‌های پوشیدنی و یادگیری ماشین برای شناسایی خستگی اپراتورها پیش از خطرناک شدن آن
خستگی از دیرباز یکی از سرسخت‌ترین خطرات در محیط‌های کاری حساس و پرمخاطره بوده است. جراح در پایان یک عمل طولانی، خلبانی که در چهارمین بخش از شیفت کاری خود و در میان تلاطم هوا در حال فرود است، یا پرستاری که سومین شیفت شب پیاپی خود را به پایان می‌رساند، همگی به‌تدریج با افت توانایی تصمیم‌گیری، توجه و کنترل حرکتی مواجه می‌شوند؛ وضعیتی که نه خود فرد و نه همکارانش نمی‌توانند در همان لحظه آن را به‌طور قابل اعتماد اندازه‌گیری کنند. مجموعه‌ای تازه از پژوهش‌ها که در قالب یک موضوع پژوهشی در نشریه Frontiers in Electronics با عنوان «یادگیری ماشین برای شناسایی و پایش خستگی اپراتورها با استفاده از فناوری‌های پوشیدنی» گردآوری شده است، می‌گوید دوران حدس و گمان درباره این وضعیت رو به پایان است. این مجموعه به ویراستاری N. Sertac Artan از مؤسسه فناوری نیویورک و Ihsan Cicek از دانشگاه فنی گبزه، پژوهش‌هایی را گرد هم آورده است که حسگرهای پوشیدنی را با یادگیری ماشین ترکیب می‌کنند تا خستگی را از حالتی نامرئی و ذهنی به معیاری پیوسته، عینی و شخصی‌سازی‌شده تبدیل کنند.
گستردگی این مشکل را به‌سختی می‌توان بیش از این توصیف کرد. خستگی در حوزه‌های بهداشت و درمان، هوانوردی، عملیات صنعتی و تقریباً هر محیطی که انسان در آن بر ماشین‌آلات پیچیده نظارت می‌کند یا تحت فشار زمانی تصمیم‌های مهم می‌گیرد، فراگیر است. نکته مهم این است که در مقاله سردبیری تأکید می‌شود خستگی یک پدیده واحد نیست، بلکه شکل‌های متعددی دارد. خستگی مؤلفه‌های فیزیولوژیک، عصبی و روان‌شناختی دارد و می‌تواند به شکل حاد، نوسانی، طولانی‌مدت یا مزمن بروز کند؛ فرسودگی شغلی نیز شدیدترین سطح طیف مزمن آن به شمار می‌رود. خلبانی که ۲۰ دقیقه پیش از فرود خسته است، همان پدیده‌ای را تجربه نمی‌کند که یک نیروی حوزه سلامت پس از ماه‌ها فشار کاری مداوم و فرسودگی عاطفی با آن روبه‌رو است، هرچند در زبان روزمره هر دو «خسته» توصیف می‌شوند. همین ناهمگونی یکی از دلایلی است که این حوزه طی دهه‌ها برای یافتن یک معیار واحد و قابل اعتماد با مشکل مواجه بوده است و پرسش علمی محوری این مجموعه پژوهشی را شکل می‌دهد: آیا یادگیری ماشین می‌تواند این سیگنال‌های هم‌پوشان را از یکدیگر تفکیک کند و به ارزیابی‌هایی کاربردی و متناسب با هر فرد برسد؟
پاسخی که از مطالعات این مجموعه به دست می‌آید، «بله» است؛ البته بله‌ای محتاطانه و امیدوارکننده که بر پایه پایش شاخص‌های فیزیولوژیک بنا شده است. تغییرپذیری ضربان قلب یا HRV ــ یعنی تغییرات فاصله میان ضربان‌های قلب که دستگاه عصبی خودمختار آن را تنظیم می‌کند ــ تقریباً در تمامی پژوهش‌های این مجموعه جایگاه مهمی دارد. در یکی از مطالعات، Aboagye و همکارانش HRV را با شاخص‌های فعالیت و خواب ثبت‌شده توسط دستگاه‌های پوشیدنی ترکیب کردند تا میزان خستگی را در افراد مبتلا به خستگی پس از کووید پیش‌بینی کنند؛ گروهی که خستگی در آن‌ها اغلب شدید، از نظر علمی کمتر شناخته‌شده و از نظر بالینی دشوار برای کمّی‌سازی است. یافته‌های این مطالعه این ایده را تقویت می‌کند که پویایی دستگاه عصبی خودمختار، که مدت‌ها در پژوهش‌های مرتبط با استرس و بازیابی مورد توجه بوده است، اطلاعات کافی درباره خستگی در اختیار می‌گذارد تا بتوان از آن برای ساخت مدل‌های پیش‌بینی‌کننده استفاده کرد، نه اینکه صرفاً پس از وقوع خستگی آن را شناسایی کرد.
همین خانواده از سیگنال‌های فیزیولوژیک در مورد اپراتورهای کاملاً متفاوت نیز کاربرد دارد. Dei Rossi و همکارانش از شاخص‌های مبتنی بر HRV برای پیش‌بینی خطر فرسودگی شغلی استفاده کردند، در حالی که Yuan و همکارانش ویژگی‌های HRV را برای مسئله‌ای کاملاً متفاوت به کار گرفتند: طبقه‌بندی بار ذهنی خلبانان در مراحل مختلف پرواز. اینکه داده‌های قلبی مشابه می‌توانند هم فرسایش روانی تدریجی ناشی از فرسودگی شغلی و هم نیازهای شناختی لحظه‌به‌لحظه هنگام هدایت هواپیما را آشکار کنند، هم قدرت این اندازه‌گیری‌ها و هم چالش موجود در تفسیر آن‌ها را نشان می‌دهد. این سیگنال‌ها غنی از اطلاعات‌اند، اما تفسیرشان به زمینه وابسته است و مدل‌های یادگیری ماشین نیز باید این وابستگی را در نظر بگیرند.
همه پژوهش‌های این مجموعه به قلب متکی نیستند. Schneider و همکارانش بار شناختی را با استفاده از مؤلفه P300 پتانسیل‌های برانگیخته اندازه‌گیری کردند؛ این مؤلفه یک نشانگر الکتریکی شناخته‌شده است که با استفاده از الکتروانسفالوگرافی ثبت می‌شود و نحوه ارزیابی محرک‌های غیرمنتظره یا برجسته توسط مغز را بازتاب می‌دهد. آن‌ها با ردیابی واکنش این نشانگر در شرایط واقعی کار، بهبودهایی را در بهره‌وری و پیامدهای ارگونومیک مرتبط با یک سامانه روشنایی هوشمند جراحی نشان دادند؛ نمونه‌ای از اینکه پژوهش درباره خستگی و بار کاری چگونه می‌تواند مستقیماً به طراحی تجهیزات اتاق عمل بازخورد دهد. در همین حال، Abdollahpour و Artan رویکردی عصبی متفاوت را در پیش گرفتند و از طیف‌سنجی عملکردی فروسرخ نزدیک، یا fNIRS، استفاده کردند؛ روشی که فعالیت همودینامیک مغز را از طریق عبور بی‌خطر نور فروسرخ نزدیک از جمجمه اندازه‌گیری می‌کند. آن‌ها به‌جای آنکه خستگی را برچسبی ایستا در نظر بگیرند، آن را به‌عنوان شبکه‌ای در حال تغییر در مغز مدل‌سازی کردند و تغییر سازمان الگوهای ارتباطات عصبی را همزمان با عبور خستگی از مراحل پی‌درپی دنبال کردند.
علاوه بر انتخاب حسگرها، این مجموعه مجموعه‌ای از نوآوری‌های روش‌شناختی را نیز آشکار می‌کند که شاید به اندازه سخت‌افزار اهمیت داشته باشند. چارچوب‌های استاندارد طبقه‌بندی و رگرسیون در مواجهه با داده‌های خستگی با مشکل روبه‌رو می‌شوند، زیرا این وضعیت پیچیده، متغیر و دارای شدت‌های گوناگون است و به‌سادگی در دسته‌های مشخص قرار نمی‌گیرد. Dei Rossi و همکارانش با بازتعریف پیش‌بینی فرسودگی شغلی به‌عنوان یک مسئله رتبه‌بندی دوتایی، استدلال قانع‌کننده‌ای برای استفاده از بازنمایی‌های ترتیبی ارائه کردند؛ مدل‌هایی که ماهیت دارای ترتیب شدت را در نظر می‌گیرند. در این روش، به‌جای آنکه از یک طبقه‌بند خواسته شود افراد را در گروه‌های ثابت قرار دهد، مدل یاد می‌گیرد تشخیص دهد کدام‌یک از دو فرد فرسوده‌تر است؛ رویکردی که نسبت به گزینه‌های طبقه‌بندی یا پیوسته، همخوانی بیشتری با شدت واقعی خستگی داشت.
زمان نیز به یکی از مؤلفه‌های اصلی این مدل‌ها تبدیل می‌شود. Aboagye و همکارانش از داده‌های فیزیولوژیک جمع‌آوری‌شده طی یک روز استفاده کردند تا سطح خستگی روز بعد را پیش‌بینی کنند و بدین ترتیب دستگاه‌های پوشیدنی را عملاً به سامانه‌ای برای پیش‌بینی تبدیل کردند که می‌تواند پیش از رسیدن فرد به مرحله فرسودگی، به خود او و تیم مراقبتی‌اش هشدار دهد. Yuan و همکارانش بررسی کردند که بارهای کاری پویا چگونه در طول مراحل مختلف وظیفه تغییر می‌کنند و این واقعیت را ثبت کردند که وضعیت شناختی خلبان هنگام نزدیک شدن به مقصد، تحت تأثیر تمام مراحلی است که پیش از آن پشت سر گذاشته است. شبکه‌های مغزی در حال تحول که Abdollahpour و Artan بررسی کردند نیز بُعد زمانی دیگری به این موضوع می‌افزاید؛ در این رویکرد، خستگی فرایندی است که طی دقایق و ساعت‌ها شکل می‌گیرد، نه یک وضعیت لحظه‌ای. همزمان، این مطالعات طیفی از ابزارهای الگوریتمی را نیز به نمایش می‌گذارند: روش‌های تجمعی و مبتنی بر درخت، مانند XGBoost، در چند پژوهش دیده می‌شوند و به دلیل استحکامشان در کار با داده‌های فیزیولوژیک جدولی مورد توجه‌اند؛ در مقابل، معماری‌های شبکه عصبی بازگشتی و مدل‌های مبتنی بر گراف برای ارتباطات مغزی، نمایانگر مرزهای نوظهور یادگیری عمیق هستند که به‌ترتیب برای ساختارهای ترتیبی و رابطه‌ای مناسب‌ترند.
شاید مهم‌تر از همه اینکه این پژوهش‌ها صرفاً به آزمایشگاه محدود نمانده‌اند. Yuan و همکارانش امکان مدل‌سازی پیوسته بار کاری را در محیط واقعی هوانوردی نشان دادند و با استفاده از اندازه‌گیری‌های HRV وضعیت شناختی خلبانان را ارزیابی کردند؛ محیطی که در آن تجهیزات اندازه‌گیری، مقررات ایمنی و فشار عملیاتی همگی جمع‌آوری داده را دشوارتر می‌کنند. Schneider و همکارانش نیز رویکرد خود را در شرایط دشوار مربوط به روشنایی اتاق عمل به کار گرفتند و Aboagye و همکارانش سطح خستگی روزانه افراد مبتلا به خستگی پس از کووید را پیش‌بینی کردند؛ جمعیتی بالینی که نیازهای آن در سراسر جهان رو به افزایش است. این کاربردهای عملی نشان می‌دهند که این فناوری در سطح سامانه به بلوغ نزدیک شده است: حسگرهایی که برای استفاده در تمام روز به اندازه کافی راحت‌اند، الگوریتم‌هایی که می‌توانند به‌طور مداوم و پایدار اجرا شوند و خروجی‌هایی که به اندازه کافی اختصاصی هستند تا تصمیم‌های واقعی درباره استراحت، برنامه‌ریزی شیفت‌ها و توزیع بار کاری را پشتیبانی کنند.
با این حال، نویسندگان مقاله سردبیری با صراحتی قابل توجه درباره موانع باقی‌مانده سخن می‌گویند. مهم‌ترین نگرانی، قابلیت تعمیم است: بیشتر مطالعات خستگی به مجموعه‌داده‌های نسبتاً کوچک و وابسته به یک حوزه خاص متکی هستند که اغلب نمی‌توانند به جمعیت‌ها و محیط‌های عملیاتی دیگر تعمیم پیدا کنند. مدلی که با داده‌های خلبانان جوان و سالم آموزش دیده است، نمی‌تواند به‌سادگی برای بیماران مبتلا به خستگی پس از کووید یا پرستاران شیفت شب به کار گرفته شود. مشکل دیگر، نبود معیارهای مرجع پذیرفته‌شده و گسترده است؛ معیار طلایی واحدی برای اندازه‌گیری خستگی وجود ندارد، بخشی از این مسئله به این دلیل است که خستگی شکل‌های مختلفی دارد و از فرایندهای متنوع فیزیولوژیک، شناختی و روان‌شناختی ناشی می‌شود. Dei Rossi و همکارانش نشان دادند که سازه‌های سطح بالاتری مانند فرسودگی عاطفی را نمی‌توان به‌سادگی تنها از روی سیگنال‌های فیزیولوژیک استنباط کرد؛ نکته‌ای هشداردهنده که یادآوری می‌کند شاید مهم‌ترین ابعاد روان‌شناختی فرسودگی شغلی در برابر ثبت با هر حسگر پوشیدنی روی مچ دست مقاومت کنند.
نویسندگان مقاله سردبیری معتقدند مسیر پیش رو به دو تلاش هماهنگ نیاز دارد. نخست، این حوزه به یک رده‌بندی جامع‌تر از انواع خستگی نیازمند است؛ رده‌بندی‌ای که به‌طور صریح میان خستگی ذهنی و فیزیولوژیک و نیز میان شکل‌های مزمن و حاد تفاوت بگذارد تا مدل‌ها و مجموعه‌داده‌ها بتوانند بر مبنایی مشترک با یکدیگر مقایسه شوند. دوم، جامعه پژوهشی باید با بهره‌گیری از گسترش سریع دستگاه‌های پوشیدنی و پیشرفت‌های یادگیری عمیق، مجموعه‌داده‌های بزرگ، چندوجهی و در دسترس عموم ایجاد کند که طیف کامل شکل‌ها و الگوهای زمانی خستگی را پوشش دهند. اگر چنین مجموعه‌داده‌هایی ایجاد شوند، چشم‌اندازی که این موضوع پژوهشی ترسیم کرده است، به واقعیتی ملموس تبدیل خواهد شد: آینده‌ای که در آن خستگی اپراتور به‌طور پیوسته و عینی و با استفاده از تجهیزات الکترونیکی نامحسوس پایش می‌شود، مدل‌های یادگیری ماشین پیش از وقوع خطا افزایش خطر را شناسایی می‌کنند و مداخلاتی از تغییر برنامه کاری گرفته تا اصلاح شرایط محیطی، به‌موقع برای محافظت از کارکنان و افرادی که به آن‌ها وابسته‌اند انجام می‌شود. همگرایی فناوری‌های پوشیدنی و یادگیری ماشین این آینده را امکان‌پذیر کرده است؛ سال‌های پیش رو مشخص خواهند کرد که این فناوری با چه سرعتی به بخشی عادی از محیط‌های کاری تبدیل می‌شود.
موضوع پژوهش: شناسایی و پایش خستگی اپراتورها با استفاده از یادگیری ماشین و فناوری‌های پوشیدنی
عنوان مقاله: مقاله سردبیری: یادگیری ماشین برای شناسایی و پایش خستگی اپراتورها با استفاده از فناوری‌های پوشیدنی
منابع مقاله: Artan, N. S., & Cicek, I. (2026). Editorial: Machine learning for operator fatigue detection and monitoring with wearable electronics. Frontiers in Electronics, 7, Article 1940900. https://doi.org/10.3389/felec.2026.1940900
اعتبار تصویر: تولیدشده با هوش مصنوعی
DOI: 10.3389/felec.2026.1940900
کلیدواژه‌ها: خستگی، فناوری‌های پوشیدنی، یادگیری ماشین، تغییرپذیری ضربان قلب، EEG، fNIRS، فرسودگی شغلی، بار ذهنی، خلبانان، خستگی پس از کووید، دستگاه عصبی خودمختار، XGBoost
منبع خبر: Denise Maddox. (15 اکتبر 2026). Wearable Electronics and Machine Learning Converge to Catch Operator Fatigue Before It Turns Dangerous. Scienmag.