Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Tragbare Sensoren und maschinelles Lernen zur Bewertung des biomechanischen Risikos bei Hebeaufgaben

21. Dezember 2023 aktualisiert von: Edda Capodaglio, Istituti Clinici Scientifici Maugeri SpA

Tragbare Sensoren und maschinelles Lernen: ein technologischer Ansatz zur biomechanischen Risikobewertung bei Hebeaufgaben

Das Heben von Lasten kann arbeitsbedingte Muskel-Skelett-Erkrankungen verursachen. Das National Institute for Occupational Safety and Health (NIOSH) hat eine Methodik zur Bewertung von Hebevorgängen mithilfe einer quantitativen Methode entwickelt, die auf Intensität, Dauer, Häufigkeit und anderen geometrischen Merkmalen des Hebens basiert. Am Körper getragene Trägheitssensortechnologie bietet eine Reihe von Möglichkeiten, die Sicherheit und Gesundheit von Arbeitern bei körperlicher Arbeit zu verbessern. Bewegungsverfolgungssysteme zusammen mit Algorithmen des maschinellen Lernens (ML) werden im ergonomischen Bereich für die biomechanische Risikobewertung mithilfe von Daten verwendet, die von tragbaren Inertialsystemen erfasst werden. Die Forscher stellten sich die Frage, ob es möglich ist, Hebeaufgaben verschiedener Risikoklassen nach dem Wert von LI mit einem maschinellen Lernansatz anhand von aus Rohsignalen extrahierten Merkmalen zu klassifizieren. Ziel dieser Studie war die Entwicklung und Validierung eines nicht-invasiven Erfassungssystems kinetisch-kinematischer Parameter unter Verwendung von IMU- und EMG-Sensoren durch ML-Algorithmen zur ergonomischen Bewertung des mit einer Lasthebetätigkeit verbundenen Risikos.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Die Studie sieht die freiwillige Aufnahme gesunder Probanden vor, die sich auf Behandlungskliniken für arbeitsbedingte Pathologien beziehen (ausgenommen Probanden im Alter von < 18 oder > 65 Jahren und solche mit muskuloskelettalen Pathologien oder anderen behindernden Pathologien im Gange), um zwei wiederholte Hebetests durchzuführen . Die beiden Tests sind so aufgebaut, dass sie den beiden NIOSH-Risikoklassen entsprechen (LI<1, KEIN RISIKO; und LI>1, RISIKO). Die IMU-Sensoren liefern drahtlos eine Reihe von Daten, aus denen eine Reihe von Merkmalen (Merkmalsextraktion) extrahiert werden sollen, die eine hohe Vorhersagekraft haben, durch die digitale Signalverarbeitungstechnik unter Verwendung dedizierter Software (d. h. Matlab, SPSS). In einem zweiten Schritt werden Daten von EMG-Sensoren in die Analyse aufgenommen. Unter den verschiedenen Algorithmen der künstlichen Intelligenz wird der Ermittler diejenigen suchen, die am besten in der Lage sind, die verschiedenen Risikoklassen auf der Grundlage der Parameter zu unterscheiden, die aus den während der motorischen Aufgabe erfassten Signalen extrahiert werden.

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

41

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

18 Jahre bis 65 Jahre (Erwachsene, Älterer Erwachsener)

Akzeptiert gesunde Freiwillige

Ja

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Gesunder Freiwilliger, der sich an Behandlungskliniken für arbeitsbedingte Pathologien überweist

Beschreibung

Einschlusskriterien:

  • gesunde Themen

Ausschlusskriterien:

  • Patienten mit muskuloskelettalen Pathologien oder anderen behindernden Pathologien im Gange

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Validierung der vorgeschlagenen Strategie zur Bewertung des Risikos von Hebetätigkeiten, laut RNLE
Zeitfenster: erstes Jahr
Genauigkeitsgrad und AucRoc
erstes Jahr

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Ermittler

  • Hauptermittler: Edda Capodaglio, PhD, ICS Maugeri IRCCS

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

7. Oktober 2010

Primärer Abschluss (Tatsächlich)

24. Januar 2022

Studienabschluss (Tatsächlich)

6. Mai 2022

Studienanmeldedaten

Zuerst eingereicht

2. März 2023

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

17. März 2023

Zuerst gepostet (Tatsächlich)

21. März 2023

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

28. Dezember 2023

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

21. Dezember 2023

Zuletzt verifiziert

1. Dezember 2023

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .

Abonnieren