Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Puettavat anturit ja koneoppiminen biomekaanisten riskien arviointiin nostotehtävissä

torstai 21. joulukuuta 2023 päivittänyt: Edda Capodaglio, Istituti Clinici Scientifici Maugeri SpA

Puettavat anturit ja koneoppiminen: teknologinen lähestymistapa biomekaaniseen riskinarviointiin nostotehtävissä

Kuormien nostaminen voi aiheuttaa työhön liittyviä tuki- ja liikuntaelinsairauksia. Työturvallisuus- ja työterveyslaitos (NIOSH) on laatinut menetelmän nostotoiminnan arvioimiseksi kvantitatiivisella menetelmällä, joka perustuu noston voimakkuuteen, kestoon, tiheyteen ja muihin geometrisiin ominaisuuksiin. Kehon päällä käytettävä inertia-anturitekniikka tarjoaa useita mahdollisuuksia edistää fyysistä työtä tekevien työntekijöiden turvallisuutta ja terveyttä. Liikkeenseurantajärjestelmiä yhdessä koneoppimisalgoritmien (ML) kanssa käytetään ergonomia-alalla biomekaaniseen riskien arviointiin puettavien inertiajärjestelmien keräämän tiedon avulla. Tutkijat pohtivat, onko mahdollista luokitella eri riskiluokkiin kuuluvat nostotehtävät LI-arvon mukaan koneoppimislähestymistapaa käyttäen raakasignaaleista poimittujen ominaisuuksien avulla. Tämän tutkimuksen tavoitteena oli kehittää ja validoida ML-algoritmeilla ei-invasiivinen kineettis-kinemaattisten parametrien havaitsemisjärjestelmä IMU- ja EMG-antureita käyttäen kuorman nostotoimintaan liittyvien riskien ergonomiseen arviointiin.

Tutkimuksen yleiskatsaus

Tila

Valmis

Interventio / Hoito

Yksityiskohtainen kuvaus

Tutkimuksessa suunnitellaan terveiden koehenkilöiden vapaaehtoista ilmoittautumista työhön liittyvien sairauksien hoitoklinikoihin (pois lukien alle 18-vuotiaat tai >65-vuotiaat sekä tuki- ja liikuntaelinten sairaudet tai muut vammauttavat sairaudet) suorittamaan kaksi toistuvaa nostotestiä. . Nämä kaksi testiä on asetettu vastaamaan kahta NIOSH-riskiluokkaa (LI<1, EI RISKIÄ; ja LI>1, RISKI). IMU-anturit tarjoavat langattomasti sarjan dataa, josta on tarkoitus poimia useita ominaisuuksia (ominaisuuksien erotus), joilla on korkea ennusteteho digitaalisen signaalinkäsittelytekniikan avulla käyttämällä erityistä ohjelmistoa (esim. Matlab, SPSS). Toisessa vaiheessa EMG-antureista saadut tiedot lisätään analyysiin. Erilaisten tekoälyalgoritmien joukosta tutkija etsii niitä, jotka pystyvät parhaiten erottamaan eri riskiluokat motorisessa tehtävässä havaituista signaaleista poimittujen parametrien perusteella.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Todellinen)

41

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

18 vuotta - 65 vuotta (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Joo

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

terve vapaaehtoinen, joka viittaa työhön liittyvien sairauksien hoitoon

Kuvaus

Sisällyttämiskriteerit:

  • terveitä aiheita

Poissulkemiskriteerit:

  • henkilöt, joilla on tuki- ja liikuntaelinten patologioita tai muita vammauttavia sairauksia

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Ehdotetun strategian validointi nostotoimintojen riskin arvioimiseksi RNLE:n mukaan
Aikaikkuna: ensimmäinen vuosi
tarkkuusaste ja AucRoc
ensimmäinen vuosi

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Tutkijat

  • Päätutkija: Edda Capodaglio, PhD, ICS Maugeri IRCCS

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Torstai 7. lokakuuta 2010

Ensisijainen valmistuminen (Todellinen)

Maanantai 24. tammikuuta 2022

Opintojen valmistuminen (Todellinen)

Perjantai 6. toukokuuta 2022

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Torstai 2. maaliskuuta 2023

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Perjantai 17. maaliskuuta 2023

Ensimmäinen Lähetetty (Todellinen)

Tiistai 21. maaliskuuta 2023

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Torstai 28. joulukuuta 2023

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Torstai 21. joulukuuta 2023

Viimeksi vahvistettu

Perjantai 1. joulukuuta 2023

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Tilaa