一种用于手工搬运时下背痛风险预测的深度学习方法
机器学习
2021-06-09 v1 信号处理
机器学习
摘要
职业性引起的背痛是导致工业生产率降低的主要原因。检测工人何时搬运姿势不正确且背部受伤风险增加时，具有显著潜在益处。这些益处包括因背痛发生率降低而提高工人生活质量，以及减少雇主的工伤赔偿索赔和误工时间。然而，由于加速度计和陀螺仪数据通常数据集较小且潜在特征细微，识别搬运风险存在挑战。本文提出一种使用二维卷积神经网络（CNN）且无需手动特征提取来对搬运数据集进行分类的新方法；该数据集由10名受试者以距身体不同相对距离进行搬运组成，共720次试验。所提出的深度CNN相较于另一种CNN和多层感知机（MLP）表现出更高的准确率（90.6%）。深度CNN可经调整用于分类许多其他在工业环境中因其规模和复杂性而传统上更具挑战性的活动。
引用
@article{arxiv.2003.09521,
title = {A deep learning approach for lower back-pain risk prediction during manual lifting},
author = {Kristian Snyder and Brennan Thomas and Ming-Lun Lu and Rashmi Jha and Menekse S. Barim and Marie Hayden and Dwight Werren},
journal= {arXiv preprint arXiv:2003.09521},
year = {2021}
}
备注
21 pages, 10 figures