Perceived fatigue progression tracking during manual handling tasks using sEMG recordings
Notice bibliographique
Résumé
Physical fatigue significantly contributes to work-related musculoskeletal disorders, highlighting the need to understand its effects during manual handling tasks for effective prevention strategies. This study examines the correlation between changes in the myoelectric manifestation of fatigue (MMF) indicators and participants' perceived exertion during prolonged manual handling tasks using surface electromyography (sEMG) sensors. Given that the task involves various activities with different muscle engagements and ranges of motion, joint angles were obtained using inertial measurement units and used to segment the sEMG recordings based on activity and the joints' range of motion. Linear and complexity-based MMF indicators were then extracted from these segments, and their correlation with perceived exertion was evaluated. Linear indicators, such as activation level and median frequency, showed significant correlations with perceived fatigue (p < 0.05) in the lower leg muscles, including Lateral Gastrocnemius and Tibialis Anterior, with inconsistent results in other muscles. In contrast, complexity-based indicators, including mobility, fuzzy entropy, and Dimitrov's index, demonstrated significant correlations (p < 0.05) in eight out of ten studied muscles across all activities, revealing reduced signal variability, increased irregularity, and shifts in spectral properties as fatigue progressed. Finally, a deep learning model was developed, achieving 69% accuracy for a five-stage fatigue classification using MMF indicators. Our study showed that complexity-based MMF indicators outperform linear ones in monitoring perceived fatigue and that the full set of indicators can be used for classifying fatigue stages using machine learning, offering a practical approach for personalized fatigue and health monitoring in occupational 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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».