在使用sEMG记录的手动处理任务中,追踪感知疲劳的进展
Armin Bonakdar1, Catherine Disselhorst-Klug2, Karla Beltran Martinez1
1Department of Mechanical Engineering, University of Alberta, Edmonton, AB, T6G 1H9, Canada.
Journal of neuroengineering and rehabilitation
|November 19, 2025
概括
身体疲劳会影响工作安全. 这项研究发现,基于复杂性的疲劳肌电表现 (MMF) 指标在手动处理任务中比线性指标更好地追踪感知到的劳动力.
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
- 人体工程学就是人体工程学.
背景情况:
- 身体疲劳是与工作相关的肌肉骨疾病的主要原因.
- 了解手动操作期间的疲劳对于预防至关重要.
- 肌电疲劳表现 (MMF) 指标用于评估体力活动.
研究的目的:
- 为了将货币货币基金指标的变化与手动处理期间感知到的劳动力相关联.
- 为了比较线性和基于复杂性的货币市场基金指标的有效性.
- 开发用于疲劳分类的机器学习模型.
主要方法:
- 使用了表面电肌图 (sEMG) 和惯性测量单元.
- sEMG录音根据活动和联合运动范围进行了细分.
- 提取了线性和基于复杂性的货币市场基金指标,并与感知到的努力相关联.
主要成果:
- 基于复杂性的MMF指标显示,在大多数研究的肌肉中,与感知到的疲劳有显著的相关性.
- 线性指标显示了主要在下腿肌肉中显著的相关性.
- 一个深度学习模型在分类五个疲劳阶段时实现了69%的准确性.
结论:
- 基于复杂性的货币市场基金指标优于线性指标来监测感知疲劳.
- 货币货币基金指标可以与机器学习一起用于实际的疲劳分类.
- 这种方法为职业环境中个性化的疲劳和健康监测提供了潜力.
