机器学习算法在举重任务中使用惯性传感器分类安全和不安全的姿势的能力

科学领域:

• 职业人体工程学是什么
• 生物机械工程 生物机械工程
• 机器学习应用 机器学习应用

背景情况:

• 与工作相关的肌肉骨疾病是职业健康的一个重大问题.
• 在举重等任务期间评估身体压力因素对于预防至关重要.
• 目前的姿势评估方法可能是劳动密集型和主观的.

研究的目的:

• 调查使用机器学习 (ML) 与惯性传感器数据的可行性,以自动分类安全和不安全的起重姿势.
• 为此分类任务评估不同ML算法的性能.
• 为了确定一个单一的惯性测量单位 (IMU) 基于实时姿势分析系统的潜力.

主要方法:

• 惯性信号 (线性加速度,角速度) 从15名实验对象中收集,这些实验对象使用胸上的单个IMU执行举重任务.
• 从惯性信号中提取了时间和频域特征.
• 创建了一个受监督的数据集,并用于训练和评估各种ML模型,用于二元安全/不安全姿势分类.

主要成果:

• 后勤回归模型实现了高性能,精度高达96%,接收器操作特征曲线下的面积为99%.
• 拟议的ML方法证明了在安全和不安全的姿势之间有很强的区分能力.
• 结果强调了使用单个IMU的功能来评估姿势的有效性.

结论:

• 该研究证实了基于人工智能的方法的可行性,该方法使用单一的惯性传感器来区分安全/不安全的姿势.
• 这种方法有望通过提供客观和自动化的姿势评估来增强职业人体工程学.
• 建议对更大的群体和各种提升场景进行进一步的研究,以验证和扩大其应用.