AI-Enhanced Model for Integrated Performance Prediction and Classification of Vibration-Reducing Gloves for Hand-Transmitted Vibration Control
Notice bibliographique
Résumé
This study presents a human-centric, data-driven modeling framework for the intelligent evaluation and classification of vibration-reducing (VR) gloves used in hand-transmitted vibration environments. Recognizing the trade-offs between protection and functionality, the integrated performance assessment incorporates three critical and often conflicting metrics: manual dexterity, grip strength, and distributed vibration transmissibility at the palm and fingers. Three independent experiments involving fifteen participants were conducted to evaluate the individual performance of ten commercially available VR gloves fabricated from air bladders, polymers, and viscoelastic gels. The effects of VR gloves on manual dexterity, grip strength, and distributed vibration transmission were investigated. The resulting experimental data were used to train and tune seven different machine learning models. The results suggested that the AdaBoost model demonstrated superior predictive performance, achieving 92% accuracy in efficiently evaluating the integrated performance of VR gloves. It is further shown that the proposed data-driven model could be effectively applied to classify the performances of VR gloves in three workplace conditions based on the dominant vibration frequencies (low-, medium-, and high-frequency). The proposed framework demonstrates the potential of AI-enhanced intelligent actuation systems to support personalized selection of wearable protective equipment, thereby enhancing occupational safety, usability, and task efficiency in vibration-intensive environments.
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 ».