Comparative analysis of classical and ensemble models for predicting whole body vibration induced lumbar spine stress. A case study of agricultural tractor operators
Notice bibliographique
Résumé
Accurate prediction of lumbar health is necessary for developing effective ergonomic strategies for tractor operators exposed to whole-body vibration. This study aims to predict static compression dose (S ed ), a key measure of lumbar spine stress as per ISO 2631-5, by comparing classical regression and ensemble models. Three tractor operation parameters (average speed, average depth, and pulling force) are considered to assess S ed during rotary tillage operation. The performance of two classical models (Linear and Huber regression) is compared with five ensemble models (Random Forest, Gradient Boosting, XGBoost, AdaBoost, and Bagging regressors) in predicting S ed . The comparison identifies the best models in each category, with linear regression achieving a mean bootstrap R 2 of 0.91 (95 % CI: 0.87 to 0.94) and Random Forest achieving 0.93 (95 % CI: 0.90 to 0.95). To further enhance performance, meta-models are developed using two meta-learners (Random Forest and Gradient Boosting) to integrate classical and ensemble models. These models are optimized using different ensemble strategies: simple averaging, weighted averaging, stacking, and voting regressors. Among these, the stacking method proves most effective, achieving a mean bootstrap R 2 of 0.94 (95 % CI: 0.93 to 0.96). Feature importance analysis reveals that the multi-model combination of ensemble models achieves the highest predictive score (0.99) for S ed . These findings demonstrate that ensemble models outperform classical models in predicting Sed, particularly when combined through stacking methods. This advancement has significant implications for improving occupational health and safety among tractor operators, potentially leading to better ergonomic tractor designs aimed at reducing lumbar spine stress.
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) | 0,001 | 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 | 0,000 | 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 ».