[论文解读] 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 133

一句话总结

本研究提出了一种基于表面肌电图（sEMG）传感器和机器学习的自动化人体工程学风险评估系统，用于手动物料搬运任务。该系统依据NIOSH提举方程对风险等级进行分类。决策树模型在从胸肌获取的sEMG信号中，对名义、增加和高风险提举任务的分类准确率最高，达到99.35%。

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.

研究动机与目标

• 开发一种用于手动物料搬运任务期间实时人体工程学风险评估的自动化系统。
• 评估胸肌sEMG信号是否能可靠反映NIOSH提举方程定义的人体工程学风险水平。
• 比较四种机器学习模型——决策树、支持向量机（SVM）、K近邻（KNN）和随机森林——在基于sEMG数据分类风险等级方面的性能。
• 确定sEMG信号处理中最佳的时间分段窗口大小，以最大化分类准确率。
• 提供一种数据驱动的、非侵入性方法，用于在损伤发生前检测危险姿势和肌肉应激。

提出的方法

• 在单名参与者的胸椎（T1-T3）肌肉上放置sEMG传感器，记录54次受控提举试验中的电活动。
• 提举任务使用六种不同重量，按NIOSH提举方程定义的三种风险等级（名义、增加、高）执行。
• 将sEMG信号分段为1秒、0.5秒和0.25秒的时间窗口以供分析。
• 训练四种机器学习模型——决策树、支持向量机（SVM）、K近邻（KNN）和随机森林——基于sEMG振幅特征对风险等级进行分类。
• 使用NIOSH提举指数（LI）作为风险分类的真实标签，其中LI < 1.0表示名义风险，1.0 ≤ LI < 3.0表示增加风险，LI ≥ 3.0表示高风险。
• 通过分类准确率、混淆矩阵和不同窗口大小下的敏感性分析评估模型性能。

实验结果

研究问题

• RQ1 胸肌sEMG信号是否能可靠指示NIOSH提举方程定义的手动提举任务中的人体工程学风险水平？
• RQ2 在决策树、SVM、KNN和随机森林中，哪种机器学习模型在基于sEMG数据分类风险等级方面表现最佳？
• RQ3 时间分段窗口（1秒、0.5秒、0.25秒）的选择如何影响机器学习模型的分类准确率？
• RQ4 各类风险之间的误分类模式如何，特别是“增加风险”类别？
• RQ5 KNN模型是否存在过拟合问题，特别是在K=1时？增加K值是否会影响性能？

主要发现

• 决策树模型在使用0.5秒时间分段窗口时达到最高分类准确率99.35%。
• 0.25秒分段下，随机森林模型取得99.05%的准确率，为所有模型中第二高。
• “增加风险”类别在所有模型和分段尺寸下均具有最高的误分类率，表明其与其他类别的区分更具挑战性。
• KNN模型整体准确率最低，最大准确率为96.21%（0.25秒分段），且K=5未优于K=1，表明无显著过拟合现象。
• 观察到sEMG振幅（时域与频域）与NIOSH提举指数之间存在明显相关性，肌肉活动越高，风险水平也越高。
• 混淆矩阵确认，决策树模型在0.25秒分段下正确分类了137例名义风险、77例增加风险和204例高风险实例，表明各类别间具有良好的分离性。