Fatigue assessment in multi-activity manual handling tasks through joint angle monitoring with wearable sensors
Notice bibliographique
Résumé
• Using joint motion and coordination data in an FFNN showed reasonable accuracy in detecting performance fatigue. • Performance fatigue resulted in reduced coordination of adjacent joints, assessed by mutual information. • Comparing end-to-end and feature-engineering models showed motion and coordination data’s potential in fatigue detection. • Segmenting manual handling tasks revealed activity-related joint behavior and its importance for fatigue analysis. Performance fatigue is a primary contributor to work-related musculoskeletal disorders and understanding its impact during manual handling tasks (MHT) is crucial to preventing such issues. This study evaluated fatigue during prolonged MHT by analyzing body joint angles kinematics and their coordinative variability using readouts from inertial measurement units (IMUs). Eight individuals participated in the MHT experiment, continuously reporting their fatigue levels. The MHT was further segmented into repetitive activities of lifting, carrying, and lowering, and kinematic metrics (average, maximum joint excursions, variability) were extracted from the body joint angles in the sagittal plane. During lifting and lowering repetitions, mean and peak joint angles increased with fatigue levels across all joints except the knee, where both decreased, with average Spearman’s ρ values of −0.24 and −0.16 during lifting, respectively. Furthermore, as fatigue progressed, coordination among adjacent joints decreased, indicated by reduced information transmission measured by mutual information theory. Particularly, the knee-hip mutual information during carrying activity decreased with fatigue (average correlation coefficient: −0.47). Finally, using the proposed features, a feed-forward neural network model achieved a subject-independent accuracy of 66 % in detecting five stages of perceived fatigue. Comparatively, a multi-head convolutional neural networks and long-short-term memory networks using the normalized raw joint angle data achieved 74 % accuracy while requiring significantly greater data and computational resources. These findings provide insights into how fatigue affects joint kinematics and coordination, enhancing our understanding of fatigue-related risk of work-related musculoskeletal disorders. Further investigations are needed to characterize such risks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».