論文の概要: Automated Workers Ergonomic Risk Assessment in Manual Material Handling using sEMG Wearable Sensors and Machine Learning

• arxiv url: http://arxiv.org/abs/2109.15036v1
• Date: Mon, 27 Sep 2021 22:54:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 14:36:30.734838
• Title: Automated Workers Ergonomic Risk Assessment in Manual Material Handling using sEMG Wearable Sensors and Machine Learning
• Title（参考訳）: sEMGウェアラブルセンサと機械学習を用いた手動材料ハンドリングにおける作業者のエルゴノミクスリスクの自動評価
• Authors: Srimantha E. Mudiyanselage, Phuong H.D. Nguyen, Mohammad Sadra Rajabi, and Reza Akhavian
• Abstract要約: 本稿では, 表面筋電図(EMG)ベースのシステムと機械学習アルゴリズムを併用して, 物質処理時の筋肉を害する身体の動きを自動的に検出する能力について検討する。 NIOSHリフト方程式に基づいて計算されたリスク評価を分類するために、決定木、支援ベクトルマシン、K-Nearest Neighbor、ランダムフォレストという4つの異なる機械学習モデルを開発した。 その結果、決定木モデルはリスクレベルを99.35%の精度で予測できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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.
• Abstract（参考訳）: 手動の材料処理タスクは、人間工学的な観点から非常に危険である可能性がある。 体姿勢を監視する安全検査は、物質処理の人間工学的リスクを軽減するのに役立つ。 しかし、けがの原因となる筋肉の動き、緊張、過度な力の本当の影響は、外部の手がかりでは特定できないかもしれない。 本稿では, 表面筋電図(EMG)ベースのシステムと機械学習アルゴリズムを併用して, 物質処理時の筋肉を害する身体の動きを自動的に検出する能力について検討する。 この分析は、NIOSH(National Institute for Occupational Safety and Health)によって開発されたリフト式を利用した。 この方程式は、健康な労働者が持ち上げて持ち運べる最大許容重量と、リスク範囲を評価するためのリフティング指標値であるRecommended Weight Limitを決定する。 NIOSHリフト方程式に基づいて計算されたリスク評価を分類するために、決定木、支援ベクトルマシン、K-Nearest Neighbor、ランダムフォレストという4つの異なる機械学習モデルを開発した。 各種パラメータに対するモデルの感度も評価し,各アルゴリズムを用いて最適な性能を求める。 結果は、決定木モデルが99.35%の精度でリスクレベルを予測する可能性を示唆している。

関連論文リスト

• EAIRiskBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [47.69642609574771]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 EAIRiskBenchは、EAIシナリオにおける自動物理的リスクアセスメントのための新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• Data-Driven Ergonomic Risk Assessment of Complex Hand-intensive Manufacturing Processes [1.5837588732514762]
  手強い製造プロセスは、タスクの複雑さに対処するために、人間の器用さをかなり必要とします。 これらの激しい手の動きは、しばしば筋骨格障害やリハビリテーション手術につながる。 我々は,手強い製造プロセスに関連する人間工学的問題を特定し,対処するためのデータ駆動型人間工学的リスクアセスメントシステムを開発した。
  論文  参考訳（メタデータ） (2024-03-05T23:32:45Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Online Action Recognition for Human Risk Prediction with Anticipated Haptic Alert via Wearables [0.0]
  本稿では,オンライン状態推定,行動認識,行動予測を組み合わせたフレームワークを提案する。 ウェアラブルシステムに組み込まれた触覚アクチュエータは、潜在的なリスクを警告し、アクティブな予防装置として機能する。
  論文  参考訳（メタデータ） (2023-12-14T14:53:56Z)
• Learning Risk-Aware Quadrupedal Locomotion using Distributional Reinforcement Learning [12.156082576280955]
  危険環境への展開には、ロボットが事故を防ぐための行動や動きに関連するリスクを理解する必要がある。 本稿では,分散強化学習を用いたリスクセンシティブな移動訓練手法を提案する。 シミュレーションおよび四足歩行ロボットANYmalにおいて,突発的リスクに敏感な移動行動を示す。
  論文  参考訳（メタデータ） (2023-09-25T16:05:32Z)
• Computational ergonomics for task delegation in Human-Robot Collaboration: spatiotemporal adaptation of the robot to the human through contactless gesture recognition [0.0]
  本稿では,人間工学的に有効なタスクデリゲートとヒューマン・ヒューマン・コラボレーション(HRC)の2つの仮説を提案する。 第1の仮説では、縮小されたセンサー群からのモーションデータを用いて人間工学的なタスクを定量化することが可能である。 第2の仮説は、ジェスチャー認識と空間適応を含めることで、不要な動きを避けることで、HRCシナリオのエルゴノミクスを改善することができるというものである。
  論文  参考訳（メタデータ） (2022-03-21T14:23:00Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• Towards Creating a Deployable Grasp Type Probability Estimator for a Prosthetic Hand [11.008123712007402]
  InceptionV3は0.95角類似度で最高精度を達成し、1.4 MobileNetV2は0.93で動作量は20%である。 我々の研究は、機械学習とコンピュータビジョンによるEMGインテント推論を物理的状態の確率で拡張することを可能にする。
  論文  参考訳（メタデータ） (2021-01-13T21:39:41Z)
• Evaluating the Safety of Deep Reinforcement Learning Models using Semi-Formal Verification [81.32981236437395]
  本稿では,区間分析に基づく半形式的意思決定手法を提案する。 本手法は, 標準ベンチマークに比較して, 形式検証に対して比較結果を得る。 提案手法は, 意思決定モデルにおける安全性特性を効果的に評価することを可能にする。
  論文  参考訳（メタデータ） (2020-10-19T11:18:06Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• A Case for Humans-in-the-Loop: Decisions in the Presence of Erroneous Algorithmic Scores [85.12096045419686]
  本研究では,児童虐待のホットラインスクリーニング決定を支援するアルゴリズムツールの採用について検討した。 まず、ツールがデプロイされたときに人間が行動を変えることを示します。 表示されたスコアが誤ったリスク推定である場合、人間はマシンの推奨に従わない可能性が低いことを示す。
  論文  参考訳（メタデータ） (2020-02-19T07:27:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。