使用模糊不规则的细胞自动机优化人体工程学风险评估:一种新的方法,用于模拟工业工作站的肌肉骨疾病

科学领域:

• 人体工程学和职业健康学
• 数据科学和机器学习
• 生物医学工程 生物医学工程

背景情况:

• 肌肉骨系统疾病 (MSD) 和结构异常导致与工作相关的严重疼痛,残疾和生产力丧失.
• 传统的查方法无法捕捉由生物力学暴露,工作站问题和工人特征相结合的复杂风险模式.

研究的目的:

• 开发和验证一个数据驱动的框架,迷糊不规则的蜂自动机 (FICA),用于整合多式模式的人体工程学数据.
• 检测高风险的肌肉骨异常集群,量化它们与MSD和人口预测因素的关联,并优先考虑干预措施.

主要方法:

• 收集了415名行政工作人员的综合数据,包括15个客观异常,自我报告的MSD,工作站人体测量和暴露日志.
• 应用FICA,将输入表示为模糊图形,使用Mamdani推断和投票/彩色程序 (FICAVCA),以识别集群和排名干预.
• 使用重复的10倍交叉验证和对其他算法进行基准测试来验证模型.

主要成果:

• FICA确定了可解释的高风险集群 (例如,腰部主病 + 落下肩膀,22.2%) 具有强大的预测性能 (准确度=0.92,稳定性=0.89).
• 多变量分析证实BMI,年龄和工作经验是关键预测因素 (R2=0.43,p<0.001).
• 模拟估计优先干预措施可以将集群风险降低高达~34%.

结论:

• FICA提供了一种可解释,可扩展的方法,用于将多式联运人体工程学数据转化为优先级,资源高效的干预措施.
• 需要进行进一步的纵向试验,以验证预计的干预对减少MSD的影响.