Estudio sobre la clasificación de la fatiga muscular para el levantamiento manual mediante la fusión de las señales...

Área de la Ciencia:

• Ingeniería biomédica
• Salud en el trabajo
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• El levantamiento manual de cargas pesadas plantea riesgos de fatiga muscular y potencial deterioro irreversible.
• El análisis preciso de la fatiga muscular es crucial para prevenir las lesiones profesionales.
• Los métodos existentes pueden no capturar completamente las complejidades de la fatiga muscular durante las tareas dinámicas.

Objetivo del estudio:

• Proponer y evaluar un nuevo método de fusión de señales para analizar la fatiga muscular durante el levantamiento manual.
• Investigar la aplicación inaugural de la red neuronal de propagación inversa y la representación bidireccional del codificador desde el algoritmo del transformador (BP + BERT) para los datos de los sensores fusionados en el análisis de la fatiga muscular.
• Comparar el rendimiento de diferentes algoritmos de aprendizaje automático para clasificar la fatiga muscular utilizando señales combinadas de sEMG y MMG.

Principales métodos:

• Se realizaron pruebas de fatiga por levantamiento manual en 16 participantes, recogiendo señales de electromiografía de superficie (sEMG) y mecanomiografía (MMG).
• Se extraen los valores propios de la frecuencia de potencia media (MPF) de las señales sEMG y MMG para etiquetar la fatiga muscular.
• Se fusionaron datos de sEMG y MMG en tres conjuntos de datos y se clasificó la fatiga muscular utilizando algoritmos SVM+RBF, SVM+BERT, BP y BP+BERT.

Principales resultados:

• La fusión de las señales sEMG y MMG demostró su eficacia en el análisis de la fatiga muscular.
• La red neuronal de propagación hacia atrás y la representación bidireccional del codificador del algoritmo del transformador (BP + BERT) lograron la mayor precisión promedio del 98,10% en la clasificación de la fatiga muscular.
• El algoritmo BP + BERT mostró un rendimiento mejorado al utilizar el conjunto de datos fusionado de sEMG y MMG.

Conclusiones:

• La fusión de señales de sEMG y MMG es una estrategia viable y efectiva para el análisis de la fatiga muscular durante el levantamiento manual.
• El algoritmo BP + BERT ofrece un enfoque potente y preciso para la clasificación de la fatiga muscular, superando a otros métodos probados.
• Este estudio pone de relieve el potencial de las técnicas avanzadas de aprendizaje automático combinadas con la fusión de datos de múltiples sensores para mejorar la seguridad laboral y comprender la fatiga muscular.