机器学习方法用于确定裁机操作员对工作姿势的人体工程学评估中的决策规则
Jun-Ming Su1, Jer-Hao Chang2, Ni Luh Dwi Indrayani3
1Department of Information and Learning Technology, National University of Tainan, 33, Sec. 2, Shu-Lin St., 700301 Tainan, Taiwan.
Journal of safety research
|December 11, 2023
概括
本研究引入了一种机器学习方法来评估机操作员的姿势,确定肌肉骨疾病的关键风险因素. 该方法准确预测风险,改善了制造业的人体工程学评估.
科学领域:
- 人体工程学就是人体工程学.
- 职业健康 职业健康 职业健康
- 机器学习 机器学习
背景情况:
- 对工作姿势进行人体工程学评估的观察方法缺乏稳定性和精确性.
- 主观性偏见是传统人体工程学评估的一个重大挑战.
- 与工作相关的肌肉骨疾病 (WMSDs) 对机操作员构成风险.
研究的目的:
- 开发一种机器学习 (ML) 方法,以克服观察性人体工程学评估的主观性.
- 在机操作员中识别与WMSD相关的风险模式.
- 提高工作姿势分析的准确性和可靠性.
主要方法:
- 提出了一个决策树分析方案,用于对工作姿势的人体工程学评估 (DTAS-EAWP).
- 计算机视觉技术分析了视频中的身体运动角度,以生成快速全身评估 (REBA) 风险分数.
- 数据挖掘技术 (WEKA,C4.5算法) 构建了一个决策树 (RDT) 用于风险水平预测和属性重要性分析.
主要成果:
- DTAS-EAWP处理了11,211个工作姿势样本,并计算了REBA分数.
- 具有13条规则的代表性决策树 (RDT) 实现了超过95%的预测准确度和83%的路径覆盖率.
- 下臂和上臂部分被确定为关键因素,显著增加WMSD风险水平.
结论:
- 机器学习与计算机视觉和决策树分析相结合,可用于人体工程学评估.
- 这种方法可以全面探索裁机操作员对WMSD风险预测的决策规则.
- 开发的系统可以应用于制造业,用于自动化姿势分析和风险模式识别.
