Ergonomic Risk Prediction for Awkward Postures From 3D Keypoints Using Deep Learning
Notice bibliographique
Résumé
Work-related musculoskeletal ailments are injuries or disorders of the joints, muscles, nerves, or tendons caused by repetitive tasks and jobs that require uncomfortable postures. REBA (Rapid Entire Body Assessment) is a widely used assessment method for examining occupational ergonomics in areas where musculoskeletal disorders (MSDs) are common. REBA assessment necessitates the presence of a professional evaluator who monitors workers’ motions and postures, which takes time and has limitations in terms of real-world implementation. With the progress of deep learning-based human posture estimate algorithms, postural risk assessment has become an important and complex research area. We present a technique for forecasting REBA risk levels using 3D coordinates of human body position as input data in this study. We calculated REBA risk scores for various body segments and overall risk rating for corresponding action level for each body position using 3D keypoints from the widely renowned Human 3.6M dataset, which is a significant contribution for future research work in this arena. Using this vast ground truth dataset, a unique DNN model was created to forecast the REBA risk level for measuring the full body’s postural risk. REBA Ground Truth dataset is highly imbalanced which coped with data augmentation for the rare classes. To determine the optimal model configuration based on highest accuracy, ablation study is conducted by tuning different hyper-parameters. The proposed model, post-ablation study, attained 89.07% accuracy score on a test set of 128,046 samples from Nadam optimizer with a learning rate of 0.001 and batch size of 512.
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 | 0,000 | 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 | 0,000 |
| 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 ».