深度学习算法用于识别人工物料处理任务中的人类活动
Giulia Bassani1,2, Carlo Alberto Avizzano1,2, Alessandro Filippeschi1,2
1Institute of Mechanical Intelligence, Scuola Superiore Sant'Anna, 56124 Pisa, Italy.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
像BiLSTM和RCNN这样的深度学习模型显示出使用可穿戴传感器识别手动物料处理活动的前景. 这些在计算上较轻的算法提供了与复杂模型相匹配的性能,有助于人体工程学风险评估.
科学领域:
- 职业健康和安全问题 职业健康和安全问题
- 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:
- 人类活动识别 (HAR) 在医疗保健中至关重要,但在手动物料处理 (MMH) 中未得到充分利用.
- MMH的活动对工作人员的健康和安全产生重大影响.
- 现有的HAR研究很少解决MMH的具体挑战.
研究的目的:
- 开发和评估深度学习算法用于MMH中的HAR.
- 为了比较不同HAR模型的性能和计算复杂性.
- 确定适合实时人体工程学风险评估的高效算法.
主要方法:
- 提出了四种深度学习算法:双向长期短期记忆 (BiLSTM),稀疏排斥自编码器 (Sp-DAE),循环Sp-DAE和循环卷积神经网络 (RCNN).
- 利用来自14名受试者的可穿戴传感器数据来训练和测试模型.
- 使用F1分数,70-30%分割和Leave-One-Subject-Out (LOSO) 验证,以及计算复杂度指标 (MAC,MA) 的性能比较.
主要成果:
- BiLSTM获得了最高的分类性能 (95.7%在70-30%分割上,90.3%在LOSO上).
- RCNN表现相似 (95.9%; 89.2%),随着受试者数量的增加,结果有所改善.
- 虽然DeepConvLSTM的性能相对较高,但在计算上比BiLSTM和RCNN要复杂得多.
结论:
- BiLSTM和RCNN为MMH提供了强大的分类准确性和计算效率平衡.
- 这些较轻的模型适用于嵌入式系统和自动人体工程学风险评估.
- 促进个性化风险评估,提高工业MMH实践中的安全性.
