使用机器学习算法和惯性传感器评估生物机械风险的自动方法

科学领域:

• 职业健康 职业健康 职业健康
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 与工作相关的肌肉骨疾病 (WMSDs) 是一个主要的职业健康问题.
• 手动材料处理涉及强度,重复和持续时间等风险.
• 目前用于评估生物机械风险的观察方法是主观的.

研究的目的:

• 开发一种自动化方法,用于在起重时区分生物机械风险.
• 整合机器学习算法与惯性可穿戴传感器进行客观风险评估.

主要方法:

• 十名健康的志愿者在胸和腰部地区穿着惯性测量单位 (IMU) 进行了举重任务.
• 惯性信号被处理以提取时间域和频域特征.
• 应用机器学习算法来分类生物机械风险水平.

主要成果:

• 该系统在区分风险类别方面实现了高准确度 (超过86%) 和曲线下的面积 (AUC) (超过95%).
• 胸骨为风险评估提供了最有信息的数据.
• 平均绝对值被确定为最重要的特征.

结论:

• 拟议的人工智能驱动的方法有效地区分了与举重相关的生物机械风险.
• 可穿戴式传感器和机器学习为主观人体工程学评估提供了一个客观的替代方案.
• 建议在更大的群体中进行进一步的验证,以便在工作场所实施.