Bärbara sensorer och maskininlärning för bedömning av biomekaniska risker vid lyftuppgifter

Att lyfta laster kan orsaka arbetsrelaterade besvär i rörelseapparaten. National Institute for Occupational Safety and Health (NIOSH) etablerade en metod för att bedöma lyftåtgärder med hjälp av en kvantitativ metod baserad på intensitet, varaktighet, frekvens och andra geometriska egenskaper för lyft. Kroppsburen tröghetssensorteknik ger ett antal möjligheter att främja säkerheten och hälsan för arbetare som är engagerade i fysiskt arbete. Rörelsespårningssystem tillsammans med algoritmer för maskininlärning (ML) används inom det ergonomiska området för biomekanisk riskbedömning med hjälp av data som samlats in av bärbara tröghetssystem. Utredarna ställde frågan om det är möjligt att klassificera lyftuppgifter som tillhör olika riskklasser efter värdet av LI med hjälp av en maskininlärningsmetod med hjälp av funktioner extraherade från råsignaler. Syftet med denna studie var att utveckla och validera, genom ML-algoritmer, ett icke-invasivt detektionssystem av kinetisk-kinematiska parametrar med hjälp av IMU- och EMG-sensorer, för den ergonomiska bedömningen av risken förknippad med en lastlyftningsaktivitet.