相关实验视频
Updated: Jul 10, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
基于机器学习技术的包裹配送工人导致长期脚不稳定的因素
Ui-Jae Hwang1,2, Oh-Yun Kwon3,4, Jun-Hee Kim3,4
1College of Health Science, Laboratory of KEMA AI Research (KAIR), Yonsei University, 234 Maeji-ri, Heungeop-Myeon, Wonju, Kangwon-Do, 220-710, South Korea. smartkema@yonsei.ac.kr.
BMC medical informatics and decision making
|February 13, 2025
概括
机器学习模型准确地识别了包裹递送工人 (PDW) 慢性脚不稳定 (CAI). 关键预测因素包括脚运动有限,平衡不佳,体重指数较高,有助于预防伤害的策略.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 职业健康 职业健康 职业健康
背景情况:
- 关节受伤,特别是扭伤,在包裹配送工人 (PDW) 中很常见,经常导致慢性关节不稳定 (CAI).
- 脚扭伤的高复发率强调了需要有效识别有CAI风险的PDW.
研究的目的:
- 开发和比较机器学习模型的预测性能,用于分类具有和没有CAI的PDW.
- 用姿势控制,运动范围,肌肉强度和解剖变形来确定PDW中CAI的预测关键变量.
主要方法:
- 244名PDW被评估使用13个预测因素,包括平衡测试,运动范围,肌肉力量和解剖测量.
- 训练了五种机器学习算法 (LASSO逻辑回归,极端梯度提升,支持矢量机,天真贝叶斯,随机森林).
- 预测性能在训练和测试数据集上进行了评估.
主要成果:
- 支持矢量机和随机森林模型显示了在PDW中对CAI进行分类的良好预测性能.
- 在不同模型中发现的关键预测变量包括 limited ankle dorsiflexion, reduced lunge angle,更高的BMI,更老的年龄,增加平衡重试,以及更低的evertor强度比.
结论:
- 机器学习模型可以有效地分类带有和没有CAI的PDW,显示出良好的预测准确性.
- 该研究确定了CAI的重要预测因素,为这一职业群体提供了针对性干预和伤害预防的潜力.
