结合姿势摇摆参数和机器学习来评估与举重活动相关的生物机械风险

科学领域:

• 职业人体工程学是什么
• 生物力学 生物力学
• 机器学习 机器学习

背景情况:

• 与工作相关的肌肉骨疾病与起重负载的因素有关,例如持续时间,强度和重复.
• 传统的人体工程学评估缺乏标准化,这促使人们研究新的方法.
• 可穿戴传感器和人工智能为监测和减轻生物机械风险提供了一个有希望的途径.

研究的目的:

• 评估机器学习模型来分类举重风险.
• 在风险评估中使用惯性测量单元 (IMU) 的姿势摇摆指标.
• 为了使风险分类与修订的NIOSH提升方程保持一致.

主要方法:

• 放置在腰部区域的IMU捕获了加速数据,用于姿势摇摆分析.
• 八名参与者在两个场景中连续执行了20个举重任务.
• 测试了8个机器学习分类器,其中渐变增强树表现最高.

主要成果:

• 梯度提升树模型实现了91.2%的准确性和94.5%的ROC曲线下的面积.
• 功能重要性分析确定了影响风险分类的关键波动参数和方向.
• 摇摆指标和梯度提升模型的组合被证明是可行的,用于预测生物力学风险.

结论:

• 使用IMU衍生的摇摆指标和机器学习的拟议方法是评估提升负载中的生物力学风险的可行方法.
• 建议与不同参与者和升降条件进行进一步的研究,以扩大在职业环境中的适用性.