触觉手套预测提升时的负载重量,使用深度神经网络进行提升

科学领域:

• 职业安全 在职业安全.
• 生物力学 生物力学
• 机器学习 机器学习

背景情况:

• 举重时过度劳累是造成工作场所伤害的主要原因之一.
• 准确的负载重量估计对于评估提升任务风险至关重要.
• 目前用于估计负载重量的方法通常是间接的或需要侵入性传感器.

研究的目的:

• 提出触摸手套作为一种新的方法,用于预测提升时的负载重量.
• 评估深度神经网络在从触觉数据估计负载重量的性能.
• 通过可解释性技术,分析提升过程中的手力施加模式.

主要方法:

• 触摸手套用于收集提升任务期间的手压数据.
• 收集的数据被编制成一个2D矩阵,捕获空间和时间信息.
• 使用ResNet 18深度神经网络回归模型进行负载重量预测.
• 沙普利增量解释 (SHAPs) 用于解释模型决策并确定关键特征.

主要成果:

• ResNet 18模型实现了0.821的预测R平方和1.579公斤的平均绝对误差.
• SHAP的分析显示,右手,手指和中部提升阶段对体重预测最重要.
• 该研究证明了使用触觉感应来估计载荷重量的可行性.

结论:

• 触觉手套提供了一种可行的,非侵入性的方法,用于预测提升任务中的负载重量.
• 这些发现为我们提供了有价值的见解,了解如何在提升过程中施加手力.
• 这项技术有可能通过改进手动处理的风险评估来提高职业安全.