使用表面电力学和惯性测量用于职业人体工程学的身体劳动的识别

科学领域:

• 职业健康和安全问题 职业健康和安全问题
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 通过观察操作员的行为来评估工作任务的风险水平.
• 使用生物信号和惯性测量的人类活动识别是风险评估的可行方法.
• 自动化工作压力指数 (JSI) 需要准确的体力劳动检测.

研究的目的:

• 提出一种用于自动识别体力劳动的方法.
• 为了尽量减少生物信号和惯性测量数据中的噪声.
• 为了自动化工作压力指数 (JSI) 评估.

主要方法:

• 使用MindRove腕带进行运动捕捉和生物信号采集.
• 训练了一种二次支持向量机 (QSVM) 模型用于运动预测.
• 实现了数据过,异常值去除,零校准和EMG信号正常化.

主要成果:

• 在QSVM模型中达到最高准确率95.7%.
• 证明了数据预处理技术在提高模型性能方面的有效性.
• 成功识别了体力炼的标志性模式.

结论:

• 体力劳动的检测对于计算工作压力指数 (JSI) 的强度至关重要.
• 拟议的方法对职业压力的自动评估具有前景.
• 进一步开发可以导致JSI计算的更强大的自动化.