应用基于增量深度神经网络的姿态识别模型评估建筑作业中的损伤风险
计算机视觉与模式识别
2020-08-05 v1 机器学习
图像与视频处理
摘要
监测不良姿态是预防建筑作业中肌肉骨骼疾病（MSDs）的前摄性手段。机器学习（ML）模型在基于可穿戴传感器的姿态识别中已展现出良好前景。然而，仍需进一步研究：i）增量学习（IL），即已训练模型适应学习新姿态并控制对已学姿态的遗忘；ii）利用已识别姿态进行 MSDs 评估。本研究提出一种增量卷积长短期记忆（CLN）模型，探究有效的 IL 策略，并基于识别出的姿态评估 MSDs。对九名工人的测试表明，具有较浅卷积层的 CLN 模型在个性化（0.87）与泛化（0.84）建模下均取得较高识别性能（F1 分数）。在 Many-to-One IL 方案下的泛化浅层 CLN 模型可平衡对已学对象的适应（0.73）与遗忘（0.74）。使用增量 CLN 模型识别出的姿态进行 MSDs 评估与真值差异微小，这表明在建筑作业中实现自动化 MSDs 监测具有较高潜力。
引用
@article{arxiv.2008.01679,
title = {Applying Incremental Deep Neural Networks-based Posture Recognition Model for Injury Risk Assessment in Construction},
author = {Junqi Zhao and Esther Obonyo},
journal= {arXiv preprint arXiv:2008.01679},
year = {2020}
}
备注
27 pages, journal manuscript