[논문 리뷰] Automated Workers’ Ergonomic Risk Assessment in Manual Material Handling Using sEMG Wearable Sensors and Machine Learning

Srimantha E. Mudiyanselage|arXiv (Cornell University)|2021. 10. 19.

Ergonomics and Musculoskeletal Disorders참고 문헌 27인용 수 133

한 줄 요약

이 연구는 수동 물자 취급 작업 중 인체공학적 위험 평가를 자동화하기 위한 시스템을 제안한다. 표면 전기근전도도(sEMG) 센서와 기계학습을 활용하여 NIOSH 운반 방정식 기반으로 위험 수준을 분류한다. 决책 트리 모델은 흉부 근육에서 측정한 sEMG 신호를 기반으로 명목, 증가, 고위험 운반 작업을 분류하는 데 최대 99.35%의 정확도를 달성하였다.

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.

연구 동기 및 목표

• 수동 물자 취급 작업 중 실시간 인체공학적 위험 평가를 위한 자동화된 시스템을 개발하기 위해.
• 흉부 근육에서 측정한 sEMG 신호가 NIOSH 운반 방정식에서 정의한 인체공학적 위험 수준을 신뢰성 있게 반영할 수 있는지 평가하기 위해.
• 결책 트리, 서포트 벡터 머신(SVM), K-최근접 이웃(KNN), 랜덤 포레스트의 네 가지 기계학습 모델이 sEMG 데이터로부터 위험 수준을 분류하는 데 얼마나 잘 작동하는지 비교하기 위해.
• sEMG 신호 처리를 위해 분류 정확도를 극대화하는 데 최적의 시간 분할 창 크기를 규명하기 위해.
• 상 fer지 전에 해로운 자세와 근육 긴장을 사전에 탐지할 수 있는 데이터 기반의 비침습적 방법을 제공하기 위해.

제안 방법

• 54개의 제어된 운반 시험 동안 단일 참가자의 흉부(T1-T3) 근육에 sEMG 센서를 부착하여 전기적 활동을 기록하였다.
• NIOSH 운반 방정식에서 정의한 세 가지 위험 수준(명목, 증가, 고위험)에 따라 여섯 가지 다른 무게로 운반 작업을 수행하였다.
• sEMG 신호는 1초, 0.5초, 0.25초의 시간 창으로 분할하여 분석하였다.
• 결책 트리, 서포트 벡터 머신(SVM), K-최근접 이웃(KNN), 랜덤 포레스트의 네 가지 기계학습 모델을 사용하여 sEMG 진폭 특징 기반으로 위험 수준을 분류하도록 훈련시켰다.
• 위험 수준 분류의 기준으로 NIOSH 운반 지수(LI)를 사용하였으며, LI < 1.0은 명목 위험, 1.0 ≤ LI < 3.0은 증가 위험, LI ≥ 3.0은 고위험을 의미한다.
• 분류 정확도, 혼동 행렬, 다양한 창 크기에서의 민감도 분석을 통해 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 NIOSH 운반 방정식에서 정의한 인체공학적 위험 수준을 기반으로, 흉부 근육의 sEMG 신호가 수동 운반 작업 중에 신뢰성 있게 위험 수준을 반영할 수 있는가?
• RQ2 결책 트리, SVM, KNN, 랜덤 포레스트 중에서 sEMG 데이터로부터 위험 수준을 분류하는 데 가장 우수한 성능을 보이는 기계학습 모델은 무엇인가?
• RQ3 1초, 0.5초, 0.25초의 시간 분할 창 선택이 기계학습 모델의 분류 정확도에 어떤 영향을 미치는가?
• RQ4 특히 '증가 위험' 카테고리에서의 잘못 분류 패턴은 어떻게 되는가?
• RQ5 K=1일 경우 KNN 모델에서 과적합이 문제가 되는가? K를 증가시키면 성능에 어떤 영향을 미치는가?

주요 결과

• 결책 트리 모델은 0.5초의 시간 분할 창을 사용하여 최고의 분류 정확도 99.35%를 기록하였다.
• 0.25초 분할 시 Random Forest 모델은 99.05%의 정확도를 기록하여 모든 모델 중 두 번째로 높은 성능을 보였다.
• '증가 위험' 카테고리의 잘못 분류 비율이 모든 모델과 분할 크기에서 가장 높았으며, 이는 다른 카테고리와의 구분이 더 어려움을 시사한다.
• KNN 모델은 전체적으로 가장 낮은 정확도를 보였으며, 0.25초 분할 시 최고로 96.21%의 정확도를 기록했고, K=5가 K=1보다 성능이 떨어지지 않아 과적합이 명백히 나타나지 않았다.
• sEMG 진폭(시간 도메인 및 주파수 도메인 모두)과 NIOSH 운반 지수 사이에 명확한 상관관계를 관찰하였으며, 높은 근육 활동이 높은 위험 수준과 관련이 있었다.
• 혼동 행렬을 통해 결책 트리 모델이 0.25초 분할 시 137건의 명목 위험, 77건의 증가 위험, 204건의 고위험 사례를 정확히 분류한 것으로 확인되어 강한 클래스 간 분리가 이루어졌음을 확인하였다.