Validation of markerless vision-based motion capture for ergonomics risk assessment
Notice bibliographique
Résumé
Work-related musculoskeletal disorders impact millions annually, often due to awkward postures and heavy lifting. Vision-based markerless optical motion capture (ML-OMC) systems have gained attention as a possible solution for identifying ergonomic risks in workplace settings. However, their reliability remains unknown compared to marker-based optical motion capture (MB-OMC) and inertial measurement units (IMUs). This study reports on a comparative analysis of an ML-OMC against MB-OMC and IMUs and its suitability for joint reaction force estimation. Eight participants performed lifting, a task considered physically demanding among manual handling activities, while their joint angles were recorded using the three measurement systems, and joint reaction forces were determined using joint angle data and ground reaction forces through biomechanical modeling. Furthermore, postural ergonomic assessment scores were computed for the lifting initiation posture of the activity using data from the three systems and biomechanics experts’ inputs. The back angle obtained by ML-OMC exhibited a strong correlation (0.95) with both MB-OMC and IMUs, along with small RMSE values of 6.5° and 9.9° compared to the readouts from MB-OMC and IMUs, respectively. The L5-S1 joint reaction forces obtained by ML-OMC showed a high correlation (0.91 with MB-OMC and 0.85 with IMUs), and small RMSE and normalized RMSE values. Additionally, postural ergonomic assessment scores obtained from ML-OMC aligned with MB-OMC for 87 % of participants, showing significant consistency compared to the notable variation seen with expert-derived scores. These findings underscore the potential of ML-OMC as a dependable in-field ergonomic risk assessment tool for preventing work-related musculoskeletal disorders.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».