[論文レビュー] Automated Workers’ Ergonomic Risk Assessment in Manual Material Handling Using sEMG Wearable Sensors and Machine Learning

Srimantha E. Mudiyanselage|arXiv (Cornell University)|Oct 19, 2021

Ergonomics and Musculoskeletal Disorders参考文献 27被引用数 133

ひとこと要約

本研究では、表面筋電図（sEMG）センサーや機械学習を用いて、NIOSHの持ち上げ方則に基づきリスクレベルを分類する、自動化されたエゴノミクス的リスク評価システムを提案する。意思決定木モデルは、胸部筋群から収集したsEMG信号を用いて、名目、増加、高リスクの持ち上げ作業を分類する際、最大99.35％の正確性を達成した。

ABSTRACT

Manual material handling tasks have the potential to be highly unsafe from an ergonomic viewpoint. Safety inspections to monitor body postures can help mitigate ergonomic risks of material handling. However, the real effect of awkward muscle movements, strains, and excessive forces that may result in an injury may not be identified by external cues. This paper evaluates the ability of surface electromyogram (EMG)-based systems together with machine learning algorithms to automatically detect body movements that may harm muscles in material handling. The analysis utilized a lifting equation developed by the U.S. National Institute for Occupational Safety and Health (NIOSH). This equation determines a Recommended Weight Limit, which suggests the maximum acceptable weight that a healthy worker can lift and carry, as well as a Lifting Index value to assess the risk extent. Four different machine learning models, namely Decision Tree, Support Vector Machine, K-Nearest Neighbor, and Random Forest are developed to classify the risk assessments calculated based on the NIOSH lifting equation. The sensitivity of the models to various parameters is also evaluated to find the best performance using each algorithm. Results indicate that Decision Tree models have the potential to predict the risk level with close to 99.35% accuracy.

研究の動機と目的

• 手作業による物資搬送作業中のリアルタイムなエゴノミクス的リスク評価のための自動化システムの開発。
• NIOSHの持ち上げ方則で定義されたリスクレベルを、胸部筋群からのsEMG信号が信頼性を持って反映できるかどうかの評価。
• 意思決定木、サポートベクターマシン（SVM）、K近傍法（KNN）、ランダムフォレストの4つの機械学習モデルが、sEMGデータからリスクレベルを分類する性能を比較すること。
• 分類の正確性を最大化するための最適な時間セグメンテーションウィンドウサイズを特定すること。
• 怪我の発生前に危険な姿勢や筋肉の緊張を、データドリブンかつ非侵襲的に検出する方法の提供。

提案手法

• 54回の制御された持ち上げ試行中に、1名の参加者の胸部（T1-T3）筋群にsEMGセンサーを装着し、電気的活動を記録した。
• NIOSHの持ち上げ方則で定義された3つのリスクレベル（名目、増加、高リスク）に従い、6種類の異なる重量を用いて持ち上げ作業を実施した。
• sEMG信号を1秒、0.5秒、0.25秒の時間ウィンドウにセグメント化して分析した。
• 意思決定木、サポートベクターマシン（SVM）、K近傍法（KNN）、ランダムフォレストの4つの機械学習モデルを、sEMGの振幅特徴に基づいてリスクレベルを分類するように訓練した。
• リスク分類の基準として、NIOSHの持ち上げインデックス（LI）を用い、LI < 1.0は名目リスク、1.0 ≤ LI < 3.0は増加リスク、LI ≥ 3.0は高リスクを示した。
• 分類の正確性、混同行列、およびさまざまなウィンドウサイズにおける感受性分析を用いて、モデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 NIOSHの持ち上げ方則で定義されたリスクレベルを、胸部筋群からのsEMG信号が、手作業の持ち上げ作業中に信頼性を持って示せるか。
• RQ2 意思決定木、SVM、KNN、ランダムフォレストのうち、どの機械学習モデルがsEMGデータからのリスクレベル分類において最も優れた性能を示すか。
• RQ3 時間セグメンテーションウィンドウ（1秒、0.5秒、0.25秒）の選択が、機械学習モデルの分類正確性にどのように影響するか。
• RQ4 特に「増加リスク」クラスにおいて、リスククラス間の誤分類パターンはどのようなものか。
• RQ5 K=1の場合にKNNモデルに過学習の懸念があるか。Kを増加させることで性能にどのような影響があるか。

主な発見

• 意思決定木モデルは、0.5秒の時間セグメンテーションウィンドウを用いて、99.35％の最高分類正確性を達成した。
• 0.25秒のセグメンテーションでは、ランダムフォレストモデルが99.05％の正確性を示し、全モデルの中で2番目に高い性能を示した。
• 「増加リスク」クラスは、全モデルおよび全セグメンテーションサイズにおいて、最も高い誤分類率を示しており、他のクラスと区別するのが難しいことが明らかになった。
• KNNモデルは全体の正確性が最も低く、0.25秒のセグメンテーションで最大96.21％であった。K=5がK=1を上回らなかったため、顕著な過学習の兆候は見られなかった。
• sEMGの振幅（時間領域および周波数領域の両方）とNIOSHの持ち上げインデックスとの間に明確な相関関係が観察され、筋肉活動が高くなるほどリスクレベルも高くなる傾向が確認された。
• 混同行列の結果、0.25秒のセグメンテーションにおいて、意思決定木モデルは137件の名目リスク、77件の増加リスク、204件の高リスクを正しく分類しており、クラス間の良好な分離が確認された。