面向事件触发边缘人工智能（Edge AI）的多传感器可穿戴工人风险评估框架：有限期保留上下文与分级安全决策

《Biosensors》：A Multi-Sensor Wearable Framework for Retained-Context Worker Risk Assessment Using Event-Triggered Edge AI

　　

本研究提出一种设备端工人安全框架，该框架将已解决的主要风险保留为有限上下文，以解释后续工人行为。持续FFH（fall-from-height，高处坠落）、工作负荷和BSEC（BME688配套环境指标算法）来源环境监测与事件触发No-motion（无运动）门控及INT8（8位整数量化）工人状态识别集成。所选4.6-s CNN（卷积神经网络）在分段分层验证中达到98.66% macro-F1（宏平均F1），nRF5340重放完成计划的1.2-s推理周期且无截止期错过。研究人员将代表性文献来源的P1–P4（决策范式）与受控集成P4-I（integrated P4 control，集成P4对照）/P5（保留上下文范式）比较区分开来，使用相同FFH、气体、工作负荷和工人状态输入以及相同同事件内决策规则。在1212条有界匹配事件序列中，策略输出在事件关闭前一致；在1812个关闭后工人状态检查点，P5保留先前风险证据，产生719个监测（R1）和1093个升高/危急（R2/R3）输出，而P4-I已关闭先前事件。一项单独的有限状态审计枚举9134个可达抽象状态和91,861个可允许转移。这些确定性发现分离决策语义，而非现场危害准确性或受试者无关泛化。另外，在基于nRF5340的Thingy:53上进行PPK2（Power Profiler Kit II，功率分析仪）剖析，测得3.319对2.454 mA（周期CNN对跳过CNN），当跳过推理时，在P2排针处测得的nRF5340 SoC（system-on-chip，片上系统）平均电流降低26.05%。

研究背景方面，工业工人会遭遇急性FFH、累积热负荷以及逐渐或快速的气体相关环境变化；职业伤害与热病报告促使对上述时间尺度进行可穿戴监测。现有工作已提供直接检测、持续性评估、并发情境化、事件内后续细化、多传感器可穿戴和嵌入式人工智能，但尚未明确解决“已解决的主要风险如何在后续工人状态解释中继续发挥作用”的问题。工人运动不等于职业安全，稳定行为可能与持续环境或工作负荷风险共存，主要事件结束后仍可能发生后续恶化；因此研究将主要风险解决、行为恢复和上下文过期区分开，提出有限期保留已解决风险身份的P5决策语义，并评估其与文献来源P1–P4及匹配P4-I对照的差异。研究人员构建了腕戴多传感器框架，将FFH、热工作负荷和BSEC来源气体指标与事件触发INT8工人状态证据及风险特定保留上下文集成，得出保留上下文影响跨事件决策语义而非普遍提高分类准确率或经现场验证减少不必要报警的结论；其意义在于把“已解决但未过期”的风险身份作为后续行为解释的有限上下文，并通过设备端时序与功耗测量支持事件触发部署可行性。

关键技术方法不超过250字：研究人员在nRF5340腕戴平台上以ADXL362/BME688连续监测FFH、热工作负荷和气体风险，以BMI270按100 Hz采集六轴数据，仅在存在Active或Retained风险时启用No-motion门控和轻量1D CNN的INT8推理，并在Zephyr RTOS下完成设备端决策；采用P1–P5决策语义比较、1212条有界匹配P4-I/P5序列消融和有限状态可达性审计，并在Thingy:53的P2排针用PPK2测量nRF5340 SoC电流。工人状态数据队列来源为协议驱动记录与连续记录，Stable、Unstable、Fall分别有13、5、3名参与者贡献，研究经Kyungpook National University IRB批准（KNU-2021-0164；2026-0090）。

研究结果如下。5.1 实验基础与连续主要风险模块表征：研究人员在此表征持续运行的热负荷与气体模块；FFH性能此前已详细评估，本文不重复。5.1.1 热工作负荷模块：Working/Resting LUT（lookup table，查找表）由13名参与者250 h运动数据导出，分钟级决策更新热指数知情累加器；这些系统特定分数不是生理测量或WBGT（wet-bulb globe temperature，湿球黑球温度）暴露限值。5.1.2 气体风险表征与自适应阈值依据：基于800 h日常室内记录、400 h封闭累积数据和20次快速变化试验，快速变化组平均指标速率为1156.66（CO₂等效）和213.40（bVOC等效）ppm等效/min，高于所选日常高值组的133.64和12.72；原始ENV日志重放使用237/240文件、5,423,763条观测，其中5,023,585条有效，产生10个Active事件和10次确认解决，9个为快速上升首次激活、1个为复发；这些是算法事件计数，不是真实危害起始预测或独立气体准确性。5.2 Edge-AI评估协议与指标：验证使用98,471个窗口，FP32与INT8预测在99.949%验证窗口一致，macro-F1绝对下降0.138个百分点；窗口级结果作为模型转换与开发指标，部署主张主要基于连续事件、相位、背景和目标设备分析。5.3 由粗到细配置选择：顺序筛选确定4.6-s窗口、0.1-s训练步长、重叠阈值0.725、无时移增强和INT8转换，部署步长后续设为1.2 s；4.6-s候选背景关键事件率低于5.0-s候选，1.2-s在保持关键事件鲁棒性同时降低决策频率。5.4 连续时间鲁棒性与类别特定确认：在全部120个相位偏移下，Unstable单次决策最低召回94.12%、平均94.88%、最高97.06%，两次或三次决策使最差相位降至88.24%，故保留单次；Fall三次决策对62个事件全相位保持100%召回，单次使最差相位降至72.58%，故采用Unstable单次、Fall三次确认；Unstable最大相位中位延迟1.740 s、最大观察延迟6.210 s，Fall三次确认最大相位中位延迟3.945 s、95分位4.529 s、最大观察4.900 s，均为系统级确认延迟；三次连续决策要求使Fall背景运行减少约74.27%并保持100% Fall事件召回，而Unstable额外持续性会降低短真不稳定事件敏感性。5.5 No-motion优先门控与连续参与者测量：最终3.6-s/95%门控未丢失已确认关键事件，Unstable最差相位召回94.12%、Fall为100%；约27.86%背景决策窗口满足No-motion，关键背景事件率基本不变，说明门控主要分离持续低活动而非抑制含运动假阳性；代表性连续测量覆盖跑步、踉跄、前向跌倒和行走中跌倒。6.1 nRF5340部署：最终4.6-s模型转为全整数INT8 TensorFlow Lite并直接部署，输入为六通道各460个100 Hz样本，决策间隔1.2 s。6.2 所选模型内存需求：INT8模型占40,680字节（约39.7 KiB），32,768字节张量区中执行使用25,620字节，余7,148字节。6.3 设备端延迟与连续重放：模型单独推理均值337.839 ms，最小337.646、95分位337.982、最大338.043 ms；10次连续重放共10,970个调度推理周期全部完成且无截止期错过，总处理均值342.027 ms、最大342.407 ms，占1.2-s预算28.53%，余约857.6 ms。6.4 Thingy:53 PPK2功率测量与条件CNN运行：周期CNN使SoC平均电流为3.319 mA，跳过CNN为2.454 mA，跳过推理降低26.05%；增量0.864 mA（3.0 V假设下2.593 mW），24 h投影中4 h或12 h的Active/Retained CNN相对连续1.2-s推理分别降低SoC能量21.71%或13.02%，这些是占空比外推而非24 h PPK2记录。7.1 比较设计与操作范围：文献来源P1–P4适配器存在不同定义范围与N/A边界，P4-I与P5共享FFH/气体/工作负荷及确认工人状态输入、初始等级、事件内规则和R0–R3尺度，仅上下文寿命不同；R1为监测，仅R2/R3为报警。7.2 匹配P4-I/P5序列比较：在1212条有界序列中，两者关闭前一致；1812个关闭后工人状态检查点中，P5保留先前风险证据并产生719个R1和1093个R2/R3输出，而P4-I已关闭先前事件；2432个P4-I和2028个P5报警起始是符号路径转移，不是验证的现场假阳性；198个Stable检查点在P5下仍为监测级，说明Stable不总等于无风险。7.3 有限状态可达性与代表性时间线：修正P3急性FFH标志并防止Unstable降低既有等级后，有限状态审计得到9134个状态和91,861个转移，未发现测试的过期、复发或跨风险不变量违反；该审计与P4-I/P5消融不同，不作为其分母。7.4 保留期与研究范围：名义10 min从气体/工作负荷解决或急性FFH事件开始，确认Unstable/Fall会刷新，Stable/No-motion不刷新；10 min是研究参数，其关联与功耗权衡需现场验证。

讨论部分总结：核心贡献是使用已解决但未过期的风险身份解释后续工人状态证据，包括独立过期、复发和等级更新，改变的是决策语义而非CNN精度。所选动态状态路径在所有120个部署相位以三次决策确认62次模拟跌倒；No-motion门控单独表示不活动，而非实质性降低背景动态假阳性；nRF5340实现最多使用28.53%决策预算且无重放截止期错过，确立事件导向时序可行性而非电池寿命节省。局限包括：分段分层验证非受试者独立，Unstable仅5名、Fall仅3名贡献者，未采集真实职业跌倒，相关验证窗口不能表征未见者精度；热负荷使用腕部温湿度而非WBGT、心率或核心温度，No-motion不等于运动LUT休息输入；BSEC等效指标不能建立校准毒性气体暴露限值、现场误报率或真实危害起始提前时间；10 min保留非生理优化；PPK2在P2排针测得SoC平均电流3.319对2.454 mA，假设3.0 V时增量2.593 mW或每额外CNN小时2.593 mWh，24 h假设4 h或12 h Active/Retained CNN相对连续1.2-s推理分别降低SoC能量21.71%或13.02%，为占空比投影；P2测量排除非SoC板级负载，真实轨压、自定义板电池输入、实际上下文占用和现场电池寿命仍待表征。P4-I/P5消融共享输入和事件内分级，仅差异为关闭时删除还是有限关闭后保留；输出由比较规则施加，不能无独立严重性标签确定现场报警率；有限状态审计9134状态和91,861转移零检查不变量违反，但两项研究均未穷尽任意连续时间事件序列，保留期及滋扰/陈旧关联权衡需纵向现场研究。

研究结论翻译：研究人员提出一种腕戴框架，将FFH、热工作负荷和BSEC来源气体指标与事件触发INT8工人状态证据及风险特定保留上下文集成。集成P4-I与P5比较在保持检测器、工人状态输入和事件内解释不变时，将事件关闭与有限上下文过期分离。在1212条生成的有界事件序列中，两种实现在关闭前一致；关闭后，P5保留先前风险联系，并可表示监测、持续警告、延迟恶化、多风险重叠和复发。一项单独修正的形式模型枚举9134个可达抽象状态和91,861个转移。保留上下文贡献涉及跨事件决策语义，而非普遍更高分类准确率或经现场验证减少不必要报警。在P2进行的一项受控Thingy:53 PPK2测量识别出周期CNN执行使nRF5340 SoC平均电流增加0.864 mA；计算的24 h SoC能量节省随累计Active/Retained占空时间变化，而现场占用和自定义腕带电池寿命仍未测量。未来工作需要未见参与者、校准暴露仪器、带时间标注的危害、保留长度敏感性以及自定义板电池路径功率验证。