基于机器学习的手部负载估计中的公平性：负荷携带任务的案例研究

从传感器数据预测外部手部负载对于人体工效学暴露评估至关重要，因为通常需要直接观察或补充数据。虽然机器学习方法已被用于从工人的姿势或力量数据估计外部手部负载，但我们的发现表明，这些预测由于个体差异（如年龄和生物性别）而产生系统性偏差。为探索此问题，我们通过改变训练数据集中的性别比例来考察手部负载预测中的偏差。我们发现，当训练数据集更不平衡时，预测性能在性别之间存在显著差异。为解决此偏差，我们开发并评估了一个用于手部负载估计的公平预测模型，采用具有特征解缠的变分自编码器（VAE）。这种方法旨在分离性别不可知和性别特定的潜在特征，最小化特征重叠。解缠能力使模型能够仅基于运动模式的性别不可知特征进行预测，确保两种生物性别都能获得公平预测。我们提出的公平算法在公平性和预测准确性方面均优于常规机器学习方法（如随机森林），在男性和女性数据集之间的平均绝对误差差异更低，且公平性指标（如统计比例和正负残差差异）得到改善，即使在性别不平衡的数据集上也是如此。这些发现强调了在工作场所健康和安全方面对某些工人群体可能产生不利影响的重要性，以及实施公平感知机器学习算法的必要性。