sEMG光谱分析和机器学习算法能够区分与手动材料提升相关的生物机械风险类别
Leandro Donisi1,2, Deborah Jacob2, Lorena Guerrini2,3
1Department of Advanced Medical and Surgical Sciences, University of Campania Luigi Vanvitelli, 80138 Naples, Italy.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
使用机器学习和可穿戴传感器,可以预测危险的举重活动. 来自背部肌肉的肌电图信号可以识别生物机械风险,有助于预防与工作有关的肌肉骨疾病.
科学领域:
- 职业人体工程学是什么
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 手动物料搬运和举重是与工作相关的肌肉骨疾病的主要原因.
- 美国国家职业安全与健康研究所 (NIOSH) 根据各种参数开发了一个方程来评估基于各种参数的起重风险.
- 目前用于评估起重风险的方法可能无法完全捕捉工人的动态生理反应.
研究的目的:
- 调查使用机器学习 (ML) 算法与电肌图 (EMG) 信号来分类生物机械风险水平的可行性.
- 通过EMG检测到的肌肉疲劳与危险的举重活动相关联.
- 评估ML模型在识别高风险起重场景中的预测能力.
主要方法:
- 通过可穿戴传感器从多肌和直立脊柱背部肌肉收集了表面EMG信号.
- 从EMG信号中提取了频域特征.
- 一些ML算法,包括支持矢量机,经过训练并对其分类性能进行评估.
主要成果:
- 机器学习算法在区分生物机械风险类别方面表现出显著的能力.
- 支持矢量机算法实现了高精度 (高达0.985) 和ROC曲线下的面积.
- 在肌肉疲劳模式和与举重任务相关的生物机械风险之间发现了显著的相关性.
结论:
- 拟议的方法,整合可穿戴传感器和人工智能,是可行的预测生物力学风险在举重.
- 这种方法显示了提高职业人体工程学和预防肌肉骨损伤的潜力.
- 建议对更大的群体和各种提升场景进行进一步的研究,以验证和扩大其适用性.
