Bærbare sensorer og maskinlæring til vurdering af biomekaniske risici i løfteopgaver
21. december 2023 opdateret af: Edda Capodaglio, Istituti Clinici Scientifici Maugeri SpA
Bærbare sensorer og maskinlæring: en teknologisk tilgang til biomekanisk risikovurdering i løfteopgaver
Løft af byrder kan forårsage arbejdsrelaterede muskel- og skeletlidelser.
National Institute for Occupational Safety and Health (NIOSH) etablerede en metode til vurdering af løftehandlinger ved hjælp af en kvantitativ metode baseret på intensitet, varighed, frekvens og andre geometriske egenskaber ved løft.
Kropsbåret inertisensorteknologi giver en række muligheder for at fremme sikkerheden og sundheden for arbejdere, der er involveret i fysisk arbejde.
Motion-tracking-systemer sammen med Machine learning (ML) algoritmer bruges i det ergonomiske felt til biomekanisk risikovurdering ved hjælp af data indsamlet af bærbare inertisystemer.
Efterforskerne stillede spørgsmålet, om det er muligt at klassificere løfteopgaver, der tilhører forskellige risikoklasser, efter værdien af LI ved hjælp af en maskinlæringstilgang ved hjælp af funktioner udtrukket fra råsignaler.
Formålet med denne undersøgelse var at udvikle og validere, gennem ML-algoritmer, et ikke-invasivt detektionssystem af kinetisk-kinematiske parametre ved hjælp af IMU- og EMG-sensorer, til den ergonomiske vurdering af risikoen forbundet med en lastløftningsaktivitet.
Studieoversigt
Detaljeret beskrivelse
Undersøgelsen forudser frivillig tilmelding af raske forsøgspersoner, med henvisning til behandlingsklinikker for arbejdsrelaterede patologier (eksklusive forsøgspersoner i alderen <18 eller > 65 år, og personer med muskuloskeletale patologier eller andre invaliderende patologier i gang), for at udføre to gentagne løftetests .
De to test er sat op til at svare til henholdsvis de to NIOSH risikoklasser (LI<1, NO RISK; og LI>1, RISK).
IMU-sensorerne leverer trådløst en række data, hvorfra det er beregnet til at udtrække en række funktioner (funktionsudtræk), som har en høj forudsigelseskraft, gennem den digitale signalbehandlingsteknik ved hjælp af dedikeret software (dvs.
Matlab, SPSS).
I et andet trin vil data opnået fra EMG-sensorer blive tilføjet til analysen.
Blandt de forskellige kunstig intelligens-algoritmer vil efterforskeren lede efter dem, der er mest i stand til at skelne mellem de forskellige risikoklasser på basis af de parametre, der er udtrukket fra de signaler, der er detekteret under den motoriske opgave.
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
41
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
18 år til 65 år (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
rask frivillig med henvisning til behandlingsklinikker for arbejdsrelaterede patologier
Beskrivelse
Inklusionskriterier:
- sunde forsøgspersoner
Ekskluderingskriterier:
- forsøgspersoner med muskuloskeletale patologier eller andre invaliderende patologier i gang
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Validering af den foreslåede strategi til vurdering af risikoen ved løfteaktiviteter, ifølge RNLE
Tidsramme: første år
|
nøjagtighedsgrad og AucRoc
|
første år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Efterforskere
- Ledende efterforsker: Edda Capodaglio, PhD, ICS Maugeri IRCCS
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- Donisi L, Cesarelli G, Capodaglio E, Panigazzi M, D'Addio G, Cesarelli M, Amato F. A Logistic Regression Model for Biomechanical Risk Classification in Lifting Tasks. Diagnostics (Basel). 2022 Oct 29;12(11):2624. doi: 10.3390/diagnostics12112624.
- Donisi L, Cesarelli G, Pisani N, Ponsiglione AM, Ricciardi C, Capodaglio E. Wearable Sensors and Artificial Intelligence for Physical Ergonomics: A Systematic Review of Literature. Diagnostics (Basel). 2022 Dec 5;12(12):3048. doi: 10.3390/diagnostics12123048.
- Donisi L, Capodaglio EM, Amitrano F, Cesarelli G, Pagano G, D'Addio G. A multiple linear regression approach to extimate lifted load from features extracted from inertial data. G Ital Med Lav Ergon. 2021 Dec;43(4):373-378.
- Donisi L, Cesarelli G, Coccia A, Panigazzi M, Capodaglio EM, D'Addio G. Work-Related Risk Assessment According to the Revised NIOSH Lifting Equation: A Preliminary Study Using a Wearable Inertial Sensor and Machine Learning. Sensors (Basel). 2021 Apr 7;21(8):2593. doi: 10.3390/s21082593.
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
7. oktober 2010
Primær færdiggørelse (Faktiske)
24. januar 2022
Studieafslutning (Faktiske)
6. maj 2022
Datoer for studieregistrering
Først indsendt
2. marts 2023
Først indsendt, der opfyldte QC-kriterier
17. marts 2023
Først opslået (Faktiske)
21. marts 2023
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
28. december 2023
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
21. december 2023
Sidst verificeret
1. december 2023
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Andre undersøgelses-id-numre
- 2475
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .