基于机器学习的疲劳趋势分析IMU可穿戴传感器数据从建筑工地工人的数据.

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
• 可穿戴技术可穿戴技术

背景情况:

• 身体疲劳是建筑行业事故和伤害的重要危险因素.
• 可穿戴惯性测量单元 (IMU) 对疲劳检测有希望,但研究仅限于实验室环境.
• 在将基于IMU的疲劳检测应用到现实工作环境中存在一个差距.

研究的目的:

• 为了弥合实验室发现和基于IMU的疲劳检测的现实应用之间的差距.
• 调查使用建筑工地实际建筑工人的IMU数据来检测疲劳趋势.
• 通过结合频域分析和机器学习来增强疲劳检测.

主要方法:

• 使用可穿戴IMU传感器,在实际建筑工地模拟任务期间从建筑工人收集数据.
• 使用频域调查从传感器数据中提取详细的,与疲劳相关的特征.
• 应用机器学习算法,根据收集的IMU数据预测疲劳趋势.

主要成果:

• 在使用来自现实建筑环境的IMU数据来检测疲劳趋势方面实现了最先进的准确性.
• 确定了关键的传感器位置和功能,对于有效的疲劳监测至关重要.
• 在实际的工作环境中展示了基于IMU的疲劳检测的可行性.

结论:

• 在现实建筑工作环境中,IMU技术可以有效地应用于疲劳检测.
• 频域分析和机器学习显著提高了疲劳趋势预测的准确性.
• 这项研究为开发先进的安全措施提供了宝贵的见解,以减轻建筑中与疲劳相关的风险.