机器学习和深度学习模型在使用人类学变量进行手动强度预测中的比较
Mayra Pacheco-Cardín1,2, Juan Luis Hernández-Arellano1, José-Manuel Mejía-Muñoz1
1Department of Electrical Engineering and Computer Science, Autonomous University of Ciudad Juarez, Mexico.
International journal of occupational safety and ergonomics : JOSE
|September 29, 2025
概括
机器学习和深度学习模型被评估用于预测人工力量使用人体测量数据. 线性回归为握力提供了最好的概括,而高级模型在扭矩强度预测方面表现出色.
科学领域:
- 人体工程学和生物力学
- 机器学习在健康科学中的应用
背景情况:
- 手动强度估计对于人体工程学评估和职业健康至关重要.
- 人类测量变量是常用的预测因素,但它们在先进模型中的有效性需要进一步调查.
研究的目的:
- 为了比较各种机器学习和深度学习模型的预测性能,以估计人工力量.
- 在不同模型中识别影响手动力量的关键人体测量预测因素.
主要方法:
- 收集了382名参与者的人体测量和手动力量数据.
- 实现并评估了线性回归,随机森林,AdaBoost,极端梯度提升,TabNet,TabPFN和一个定制的CNN.
- 评估模型性能使用平均绝对误差,平均平方误差和解释差异,并对特征重要性进行SHAP分析.
主要成果:
- 深度学习模型 (TabNet,TabPFN) 在扭矩强度预测方面表现出卓越的准确性.
- 线性回归表明了强大的概括,特别是抓地力.
- 手掌的长度和从肘到指尖的长度在SHAP分析中始终被确定为关键预测因素.
结论:
- 虽然先进的模型改善了特定强度的预测,但线性回归提供了更好的概括.
- 模型复杂性应与实际人体工程学应用的可解释性保持平衡.
- 人类测量预测因素,如手掌长度,在生物力学上与手动力量估计有关.
