A FIELD WEARABLE SENSOR-BASED INVESTIGATION FOR ASSESSING FATIGUE IN CONSTRUCTION WORKERS DURING DAY AND NIGHT OPERATIONS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis Albert Santana CEM.pdf Restricted to Repository staff only until 11 December 2026. Download (5MB)

Arabic Abstract

يُعد الإجهاد بين عمال البناء عاملاً حاسماً يؤثر على السلامة والإنتاجية والأداء العام للمشروعات. ومع تزايد الاتجاه نحو تنفيذ أنشطة البناء خلال فترة الليل لتقليل الازدحام المروري وتسريع إنجاز المشاريع، يتعرض العمال بشكل متزايد لظروف بيئية وفسيولوجية صعبة تزيد من خطر الإجهاد. تهدف هذه الدراسة إلى تحليل ومقارنة أنماط الإجهاد بين فترات العمل النهارية والليلية في أعمال البناء بالطوب من خلال تحليل شامل يدمج بيانات أجهزة الاستشعار القابلة للارتداء والعوامل البيئية والشخصية ونتائج الإنتاجية تحت ظروف ميدانية حقيقية. تم جمع البيانات من ستة عشر عاملاً في مجال البناء عبر عدة جلسات ميدانية. تم تسجيل مستويات الإجهاد الذاتي كل 15 دقيقة باستخدام مقياس تقييم الإجهاد (ROF) وتصنيفها إلى ثلاث فئات: منخفض، متوسط، وعالٍ. كما تم تسجيل الإشارات الفسيولوجية بشكل مستمر، بما في ذلك نبض حجم الدم (BVP) والنشاط الكهربائي للجلد (EDA) ودرجة حرارة الجلد (ST) باستخدام جهاز قابل للارتداء. بالإضافة إلى ذلك، تمت مراقبة المتغيرات البيئية مثل الإضاءة والضوضاء ودرجة الحرارة والرطوبة ومؤشر الحرارة والغبار، إلى جانب العوامل الشخصية التي تشمل العمر والخبرة والطول والوزن ومؤشر كتلة الجسم (BMI). تم تطوير خمسة نماذج من خوارزميات التعلم الآلي، وهي: الشبكة العصبية الاصطناعية، شجرة القرار، الغابة العشوائية، أقرب الجيران (KNN)، وآلة متجه الدعم (SVM)، وتم التحقق من صحتها باستخدام تقسيم بنسبة 70/20/10 للتدريب والتحقق والاختبار. ومن بين هذه النماذج، حقق نموذج الغابة العشوائية أعلى دقة بنسبة 80% خلال النهار و85% خلال الليل في تصنيف مستويات الإجهاد بناءً على الخصائص الفسيولوجية والسياقية. كما تم تحليل الإنتاجية من خلال حساب عدد الطوب الذي تم وضعه كل 15 دقيقة، حيث أظهرت النتائج أن العمليات الليلية ارتبطت بتراكم أكبر للإجهاد وانخفاض مستويات الإنتاجية. تؤكد النتائج على التأثير المشترك للعوامل البيئية والشخصية في حدوث الإجهاد، وتوضح أن المراقبة المعتمدة على أجهزة الاستشعار القابلة للارتداء والمدعومة بخوارزميات التعلم الآلي يمكن أن تعزز من دقة التنبؤ بالإجهاد وتدعم تطوير استراتيجيات مبنية على البيانات لتحسين جدولة العمل وإدارة الأحمال وضمان سلامة العمال في مشاريع البناء.

English Abstract

Fatigue among construction workers is a critical factor influencing safety, productivity, and overall project performance. With the growing trend of performing construction activities during nighttime to, for example, reduce traffic disruptions and accelerate project delivery, workers are increasingly exposed to challenging environmental and physiological conditions that increase fatigue risk. This study investigates and compares fatigue patterns between daytime and nighttime masonry operations through a comprehensive analysis that integrates wearable sensor data, environmental and personal factors, and productivity outcomes under real construction site conditions. Data was collected from sixteen masonry workers across multiple field sessions. Subjective fatigue levels were reported every 15 minutes using the Ratings of Fatigue (ROF) scale and classified into Low, Medium, and High fatigue levels. Physiological signals, including Blood Volume Pulse (BVP), Electrodermal Activity (EDA), and Skin Temperature (ST), were continuously recorded using a wearable device. In addition, environmental variables such as lighting, noise, temperature, humidity, heat index, and dust were monitored, along with personal factors including age, experience, height, weight, and body mass index (BMI). Five machine learning models, Artificial Neural Network, Decision Tree, Random Forest, K-Nearest Neighbors, and Support Vector Machine, were developed and validated using a 70/20/10 split for training, validation, and testing. Among them, the Random Forest model achieved the highest accuracy of 80% for daytime and 85% for nighttime fatigue classification based on physiological and contextual features. Productivity was also analyzed by quantifying the number of blocks laid every 15 minutes, revealing that nighttime operations were associated with higher fatigue accumulation and reduced productivity levels. The findings emphasize the combined influence of environmental and personal factors on fatigue and demonstrate that wearable-sensor-based monitoring, supported by machine learning, can enhance fatigue prediction and inform data-driven strategies for optimizing scheduling, workload management, and safety in construction projects.

Item Type:	Thesis (Masters)
Subjects:	Construction
Department:	College of Design and Built Environment > Architectural Engineering and Construction Management
Committee Advisor:	Alshibani, Adel
Committee Members:	Awsan, Mohammed and Luqman, Hamzah
Depositing User:	ALBERT SANTANA (g202421180)
Date Deposited:	14 Dec 2025 08:12
Last Modified:	14 Dec 2025 08:12
URI:	http://eprints.kfupm.edu.sa/id/eprint/143784