An Evaluation Method of Assessing the Low Back Muscle Fatigue in Manual Material Handling
Notice bibliographique
Résumé
Workers in certain industries are exposed to high labor-intensive tasks. Low back pain (LBP) is widespread among construction workers (Hildebrandt, 1995) and is extremely prevalent, with every adult having up to an 85% chance of experiencing LBP at least once during his or her lifetime. Back-related complaints are more costly than those from any other body part for Alberta work-related claims. Ergonomic principles in addition to the engineering considerations should be included in the design of work stations to minimize the risk of injury for employees. In this study, we assessed the low back muscle fatigue due to lifting tasks. The objective was to investigate the changes in muscle activity and kinematics of the human body caused by fatigue due to repetitive lifting tasks. Three healthy male volunteers with no recent back complications were asked to complete 3 cycles of lifting task at the Syncrude Centre of the Glenrose Rehabilitation Hospital. Each cycle involved lifting a 15lb window frame for 20 times. Self? adhesive reflective markers were attached on the hands, trunk, and legs to measure displacements and rotation of the body parts while performing the task. Electromyography (EMG) sensors were placed on lower back muscles to record their activity. The muscle fatigue was investigated by studying change in EMG spectral parameters such as RMS, mean frequency (MNF), and median frequency (MDF) as well as physical condition of subjects due to repetitive lifting. The power frequency curve shifted to the low frequency when muscle fatigue occurred. As a result, the slope of the RMS, and MNF indicators were successful to describe the fatigue behavior expected.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».