使用可穿戴的电肌图学腕带来检测升降任务并分类手负载
1Department of Industrial and Systems Engineering, Virginia Tech, 1145 Perry Street, Blacksburg, VA, USA.
Applied ergonomics
|May 26, 2024
概括
带有机器学习的表面电肌图 (sEMG) 腕带准确地检测起重活动并分类手负荷. 这项技术在评估职业提升风险方面表现有前途.
科学领域:
- 生物力学 生物力学
- 人体工程学就是人体工程学.
- 可穿戴技术可穿戴技术
背景情况:
- 职业举重任务带来肌肉骨损伤的风险.
- 准确评估起重生物力学和负载对于预防伤害至关重要.
- 表面电肌图 (sEMG) 提供了一种非侵入性方法来测量肌肉活动.
研究的目的:
- 评估sEMG腕带与机器学习 (ML) 结合的有效性,用于自动检测升降活动.
- 评估这些系统在提升过程中分类不同的手载荷的能力.
- 为了比较各种sEMG功能集和ML分类器的性能.
主要方法:
- 九名健康参与者进行了模拟举重任务,使用不同的负载 (2.3公斤和6.8公斤).
- 使用带有嵌入电极的腕带收集sEMG数据.
- 评估了三个sEMG特征集 (时间域,频域,组合) 和三个ML分类器 (随机森林,支持向量机,物流回归).
主要成果:
- 随机森林和支持矢量机模型在检测升降启动 (79.2%) 和完成 (86.7%) 中取得了高准确性.
- 这些ML模型在分类手负荷方面也表现出强的性能 (80.9%的准确性).
- 在不同的sEMG功能集中,模型性能强大.
结论:
- 与ML模型集成的sEMG腕带为客观评估职业提升提供了可行的工具.
- 这项技术可以自动检测起重动作,并区分负载水平.
- 这些发现突出了使用sEMG腕带来评估暴露和减轻与手动处理任务相关的风险的潜力.
