Ha habido un crecimiento de robots colaborativos en la Industria 5.0 debido a la investigación en automatización que involucra el diseño de lugares de trabajo centrados en el ser humano. Ha tenido un impacto sustancial en los procesos industriales; sin embargo, el esfuerzo físico en los trabajadores humanos sigue siendo un problema, lo que requiere soluciones que combinen la innovación tecnológica con el desarrollo centrado en el ser humano. Al analizar datos del mundo real, los modelos de aprendizaje automático (ML) pueden detectar la fatiga física. Sin embargo, la recopilación de datos basada en sensores se utiliza con frecuencia, lo que a menudo es costoso y limitado. Para superar esta brecha, la generación de datos sintéticos (SDG) utiliza métodos como las redes generativas adversariales tabulares (GANs) para producir conjuntos de datos estadísticamente realistas que mejoran el entrenamiento de modelos de aprendizaje automático mientras proporcionan escalabilidad y rentabilidad. Este estudio presenta un enfoque innovador que utiliza GAN condicional con condicionamiento auxiliar para generar conjuntos de datos sintéticos con características esenciales para detectar la fatiga física humana en escenarios industriales. Este enfoque nos permite mejorar el proceso de SDG al manejar de manera efectiva la naturaleza heterogénea y desequilibrada de los datos de fatiga humana, que incluye puntos de datos tabulares, categóricos y de series temporales. Estos conjuntos de datos generados se utilizarán para entrenar modelos de ML especializados, como modelos de conjunto, para aprender del conjunto de datos original a partir de las características extraídas y luego identificar signos de fatiga física. El modelo de ML entrenado se someterá a pruebas rigurosas utilizando datos auténticos del mundo real para evaluar su sensibilidad y especificidad en el reconocimiento de cuán de cerca los datos generados coinciden con la fatiga física humana real en entornos industriales. Esta investigación tiene como objetivo proporcionar a los investigadores un método innovador para abordar los desafíos de ML impulsados por datos de escasez y mejorar aún más la eficiencia de la tecnología de ML a través del entrenamiento en SD. Este estudio no solo proporciona un enfoque para crear conjuntos de datos realistas complejos, sino que también ayuda a cerrar la brecha de los desafíos de datos de la Industria 5.0 con el propósito de innovaciones y el bienestar de los trabajadores al mejorar las capacidades de detección.