生物机械风险分类在重复提升使用多传感器电肌图数据,修订国家职业安全与健康研究所提升方程,和深度学习的重复提升
Fatemeh Davoudi Kakhki1,2, Hardik Vora1,3, Armin Moghadam4
1Machine Learning & Safety Analytics Lab, School of Engineering, Santa Clara University, Santa Clara, CA 95053, USA.
Biosensors
|February 25, 2025
概括
这项研究使用可穿戴传感器和深度学习来准确评估制造业中重复提升风险,提高工作场所的安全性和减少伤害. 卷积神经网络模型在识别高风险任务方面表现出高精度.
科学领域:
- 职业人体工程学是什么
- 生物机械风险评估
- 机器学习在安全方面
背景情况:
- 在制造业中,重复的举重任务通常会导致肩膀受伤,影响工人的健康和生产力.
- 目前评估生物机械风险的方法往往是主观的,缺乏准确性.
- 准确,实时的风险评估对于预防肌肉骨疾病至关重要.
研究的目的:
- 开发和验证深度学习模型,使用电肌图 (EMG) 数据对职业提升风险进行分类.
- 创建一个全面的数据集的EMG信号在重复的提升任务.
- 实现精确,实时和动态的风险评估,以提高工作场所的安全性.
主要方法:
- 收集了25名参与者使用可穿戴传感器执行重复举重任务的时间序列EMG数据.
- 使用修订后的国家职业安全与健康研究所 (NIOSH) 起重方程 (RNLE) 计算起重指数.
- 开发并比较了三种深度学习模型 (CNN,MLP,LSTM) 用于使用从EMG数据中提取的统计特征进行风险分类.
主要成果:
- 卷积神经网络 (CNN) 模型以98.92%的精度和98.57%的回忆率获得了最高的性能.
- 深度学习模型有效地根据EMG数据对升降风险水平进行了分类.
- 从EMG数据中提取的统计特征为风险评估提供了可操作的见解.
结论:
- 将可穿戴的EMG传感器与深度学习模型集成,可以实现准确的实时职业升降风险评估.
- 在动态的工作环境中,CNN模型对实时风险评估非常有效.
- 这种方法显著提高了工作场所安全协议,并可以减少与工作有关的肌肉骨疾病.
