在简单 (对称) 起重数据上训练的分类算法在复杂 (自由动态) 起重任务中预测手负荷时表现不佳.

科学领域:

• 生物力学 生物力学
• 人体工程学就是人体工程学.
• 机器学习 机器学习

背景情况:

• 机器学习 (ML) 算法越来越多地用于评估举重风险.
• 当前的ML模型往往缺乏现实世界的适用性,原因是对有限的,受控的数据集进行训练.
• 举重场景和姿势的变化显著影响了ML的性能.

研究的目的:

• 为了研究不同提升场景对ML算法性能的影响.
• 为了评估在表面电肌图 (sEMG) 数据上训练的ML模型,用于分类手动负载水平.
• 为了比较各种培训数据集和sEMG功能类型的有效性.

主要方法:

• 十二名参与者执行了对称,不对称和自由动态的举重任务.
• 在使用sEMG数据的不同数据集 (对称,不对称,组合,自由动态) 上训练了ML算法.
• 使用自由动态数据集测试算法,模拟不受约束的升降.

主要成果:

• 在受约束数据集 (对称升降) 上训练的模型与在自然升降上训练的模型相比,显示出明显较低的准确性和灵敏性.
• 频域sEMG特征比时间域特征产生了更高的准确性,精度和灵敏度.
• 在受控升降机上训练的ML模型在动态,不受约束的升降任务上表现不佳.

结论:

• 在受控提升场景上训练的ML算法在现实应用中表现出有限的有效性.
• 用多样化,自然化的提升数据训练ML模型对于准确的风险评估至关重要.
• 频域sEMG功能提高了ML模型的性能,用于提升分析.