Évaluation de la fatigue musculaire au moyen de capteurs embarqués
Bibliographic record
Abstract
La répétition d’efforts de faible intensité provoque de la fatigue musculaire et représente un \nfacteur de risque de développement des troubles musculosquelettiques (TMS) à l’épaule. La \ndétection de la fatigue musculaire permettrait de meilleures interventions de prévention de TMS \nliés au travail répétitif. L’objectif de ce mémoire est de développer de nouveaux indicateurs \npermettant d’évaluer le mouvement des travailleurs à l’aide de capteurs inertiels portatifs afin \nd’offrir un outil d’évaluation du niveau de fatigue employable sur le terrain. Pour ce faire, vingt-quatre \ntravailleurs ont réalisé une tâche de travail avant et après une tâche de pointage répétitif \n(RPT) générant de la fatigue musculaire. La fatigue était évaluée à l’aide de l'échelle CR10 de Borg \ntoutes les 30s et d’une contraction maximale réalisée toutes les 2 minutes. Des données de \ncapteurs inertiels, positionnés sur le tronc et les membres supérieurs des travailleurs, ont été \nanalysées en temps-fréquence et leur coordination inter-segment calculée afin d’extraire des \nindicateurs de fatigue. Les résultats montrent une augmentation du spectre de puissance et de la \nvariabilité de la coordination sur les segments proximaux du haut du corps (tête, sternum, bassin, \népaule, bras, avant-bras et main) pendant la RPT. Aussi, une augmentation du spectre de \npuissance moyen a été observée sur les segments du bras (main, avant-bras et bras supérieur) \npendant la tâche de travail réalisée immédiatement après la RPT. En conclusion, il semblerait \npossible, en observant de tels changements cinématiques, de détecter la fatigue musculaire des \ntravailleurs en industrie à l’aide de capteurs inertiels.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".