Olena Litovska

Ms. Olena Litovska

orcid

Research Focus & Metrics

Academic Career Length

3Years (2024-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
25 June 2024 in Measuring and computing devices in technological processes
Verified
Journal Article
Open access
PDF file
OPOlena Pavliuk
Olena Pavliuk
МММирослав Міщук
Мирослав Міщук
МММикола Медиковський
Микола Медиковський
OLOlena Litovska
Olena Litovska
Проведено порівняльний аналіз технологій та етапів розробки ієрархічних автоматизованих систем управління (ІАСУ) в контексті Індустрії 4.0 та Індустрії 5.0, з акцентом на розподілені системи збору та аналізу інформації і федеративне навчання для промислових підприємств, які використовують мобільні робототехнічні платформи (МРП). Основна мета роботи полягає у виокремленні технологій, інструментів та етапів розробки ІАСУ для забезпечення ефективного переходу до Індустрії 5.0. У дослідженні проаналізовано основні характеристики ІАСУ в Індустрії 4.0 та 5.0, визначено обмеження існуючих технологій Індустрії 5.0, встановлено етапи розробки ІАСУ, наведено приклади їх застосування для моніторингу та оптимізації маршрутів МРП. Описана структура ІАСУ з федеративним навчанням на основі розподіленої системи збору інформації з IoE для оптимізації маршрутів МРП в Індустрії 5.0. Наведено приклади розроблених додатків для збору інформації з сенсорів портативних пристроїв виробничого персоналу. Перевагами запропонованої структури федеративного навчання в Індустрії 5.0 є можливість підвищення ефективні методів управління промисловими підприємствами, що використовують МРП, їх гнучкості та адаптивності, економія ресурсів, зниження ризиків, покращення управління та моніторингу. Проведено аналіз обмежень існуючих технологій Індустрії 5.0 які дозволяють виявити потенційні ризики та розробити стратегії для їх мінімізації. Це сприяє підвищенню стабільності та надійності виробничих систем. Впровадження інноваційних технологій, що відповідають принципам Індустрії 5.0, сприяє сталому розвитку підприємств, забезпечуючи баланс між економічними, соціальними та екологічними аспектами.

10 March 2026 in Preprints.org
Verified
Preprint
Open access
PDF file
OLOlena Litovska
Olena Litovska
MMMyroslav Volodymyrovych Mishchuk
Myroslav Volodymyrovych Mishchuk
OPOlena Pavliuk
Olena Pavliuk
Wearable sensors enable continuous monitoring of human activity and physiological state, with applications in workplace health monitoring, occupational safety, sports performance analysis, and rehabilitation. However, effective use of these devices requires specialized data-processing algorithms and machine-learning (ML) methods. This work proposes a methodology for assessing workers’ physiological load using ML, combining accelerometer and photoplethysmography (PPG) signal processing. An ensemble Random Forest algorithm is used for activity recognition, while the KID-PPG deep learning model is applied for heart rate (HR) estimation. A personalized physiological load assessment framework normalizes effort indices against demographic-group-specific distributions defined by sex, age, and activity intensity. The methodology was validated on the PPG-DaLiA dataset comprising 15 participants with diverse demographic profiles across eight daily activities. Experiments demonstrated high accuracy in activity recognition (macro F1-score of 90.73%) and robust HR estimation even in the presence of motion artifacts (MAE below 10 bpm). The personalized assessment revealed that participant age substantially influences physiological-load patterns, confirming that demographic-aware normalization is essential for accurate workload interpretation. The main factors influencing system performance have been identified, and directions for improving the models across diverse user groups and limited-signal-quality conditions are discussed.

28 November 2024 in Measuring and computing devices in technological processes
Verified
Journal Article
Open access
PDF file
OPOlena Pavliuk
Olena Pavliuk
МММикола Медиковський
Микола Медиковський
МММирослав Міщук
Мирослав Міщук
OLOlena Litovska
Olena Litovska
ДКДмитро Костінський
Дмитро Костінський
АЗАнастасія Заболотна
Анастасія Заболотна
При переході від Індустрії 4.0 до Індустрії 5.0 фокус сучасної промисловості зміщується від людиноорієнтованості до людиноцентричності. Федеративне навчання (ФН) є найбільш ефективною інноваційною концепцією машинного навчання смарт індустрії. У цій публікації проаналізовано підходи до розробки людиноцентричних систем ФН, що впроваджуються на промислових підприємствах з використанням керованих робототехнічних платформ, інтернету речей персоналу та промислового інтернету речей. Проаналізовано схеми локально-централізованих і глобально-централізованих ФН. Для промислового підприємства розроблено покрокову реалізацію локально-централізованої та глобально-централізованої ФН. Виявлено, що локально-централізоване ФН забезпечує високий рівень захисту конфіденційності, оскільки дані обробляються і зберігаються безпосередньо на пристрої. Використання централізованого сервера зменшує затримки обробки даних. Однак загальність моделі обмежена, оскільки агреговані дані можуть не враховувати умови роботи всього підприємства. Широкий спектр умов може бути врахований і модель може бути збагачена за допомогою глобально-локально-централізованої ФН. Модель виявилася корисною при розробці систем для промислових компаній, що використовують інтернет речей персоналу та промисловий інтернет речей. Така архітектура підвищує ризик втрати конфіденційності через централізований обмін даними. Передача великих обсягів оновлених моделей є критичною у випадку ресурсомістких процесів.