Estimating Lumbar Spine Compression Using Markerless Motion Capture
Notice bibliographique
Résumé
Compressive forces at the L5-S1 intervertebral joint are a contributing factor to low back pain, a leading cause of work-related musculoskeletal disorders. Estimating these forces in field settings and comparing them to safety limits can support ergonomic risk assessments. While musculoskeletal modeling platforms such as OpenSim provide accurate estimations of spinal loading, their reliance on expert operation and high computational demands limits their practicality in field settings. This study presents a biomechanical model that estimates L5-S1 compression force using joint angles derived from a markerless motion capture system, along with the user’s body weight, sex, and the lifted load. A proof-of-concept evaluation was conducted with one participant performing symmetric lifting tasks at 5, 10, and 15 kg. The proposed method’s outputs were compared to OpenSim estimates, showing close agreement in peak compression force for 10 and 15 kg conditions, with normalized peak estimation errors of 4 ± 2% and 2 ± 1% during lifting and 11 ± 5% and 5 ± 4% during lowering, respectively. Larger errors were observed for the 5 kg condition and during mid-movement for all load conditions, likely due to unmodeled muscle co-contraction and static assumptions. Overall, the method shows promise for accessible in-field ergonomic assessment of peak spinal loads during lifting and provides a foundation for evaluating interventions such as occupational exoskeletons in real-world settings.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».