基于可穿戴传感器和情境建模的工业体力疲劳早期检测研究

《Safety Science》：Early detection of physical fatigue in industry using wearable sensors and contextual modeling

本研究针对工业环境中体力疲劳导致的肌肉骨骼疾病和缺勤问题，在哥伦比亚制药包装生产线开展实证研究。研究人员结合智能手表采集的脉搏率、皮电活动、皮肤温度和运动数据，以及人口统计学和职业因素，采用主成分分析(PCA)降维和模糊逻辑标记方法，训练多种机器学习分类器。结果表明，整合情境特征后，二元分类F1分数从0.8848提升至0.9375，四水平分类从0.8232提升至0.8793，显著提高了疲劳状态检测的准确性，特别是对中间疲劳状态的识别准确率提升约10个百分点，为工业5.0背景下实时安全干预提供了可靠技术方案。

　　

在当今工业4.0时代，物联网、人工智能和机器人技术极大地提升了生产自动化水平和效率。然而，在这些技术进步的背后，人类工作者仍然是工业系统中不可或缺的核心要素。传统以质量为导向的方法往往忽视人因工程学因素，特别是工人疲劳和人体工程学问题，这些因素对维持工业环境中的安全和生产力至关重要。忽视这些因素会导致事故增加、伤害风险升高以及潜在的生产质量问题。

体力疲劳是涉及重复性任务行业的普遍关注点，如包装、搬运、推拉和装配线工作。长期疲劳会导致疲惫感增加、人为错误增多和工作场所事故。疲劳还会损害认知和运动功能，增加滑倒、跌倒和受伤的风险。长时间暴露于疲劳状态不仅影响工人表现，还会导致长期健康问题，包括慢性疲劳综合征、肌肉骨骼疾病和免疫功能减弱。

全球肌肉骨骼疾病的高患病率凸显了有效工作场所预防策略的紧迫性。据世界卫生组织统计，全球约有17.1亿人受到肌肉骨骼疾病的影响，使其成为全球致残的主要原因。在哥伦比亚，肌肉骨骼疾病一直是职业健康的重要关注点。2009年至2013年的数据显示，报告的职业病中有88%是肌肉骨骼疾病。值得注意的是，女性受影响比例显著高于男性，比例达到8:1。最受影响的年龄组是41-60岁，但近年来在16-25岁的年轻工人中报告病例数有所增加。研究还发现，制药生产线包装区域的操作员受人体工程学风险因素影响最大，手腕调理区域有69.8%的操作员报告了疼痛相关症状。这些发现强调了改进疲劳监测和预防策略的迫切需求。

尽管疲劳影响重大，但由于其主观性，疲劳评估仍然具有挑战性，因为它受到个人健康状况、工作需求和个人环境的影响。传统的主观疲劳评估方法，如自我报告问卷，虽然广泛使用但常常存在偏差和变异性。更客观的方法涉及与交感神经系统相关的生理测量，如心脏活动、血液参数和皮电反应，这些提供了可量化的疲劳指标。当一个人从事体力要求高的任务时，交感神经系统通过增加心率、提高汗腺活动（反映在皮电活动中）和改变体温调节等方式作出反应。这些生理标志不仅是疲劳积累的客观指标，而且与将疲劳与稳态失衡和自主应激调节联系起来的成熟理论模型相一致，使它们成为主观自我评估的可靠替代方案。近年来，可穿戴和无线传感器技术的进步使得实时、非侵入性和连续监测这些信号成为可能，使它们特别适合动态工业环境，其中早期疲劳检测对安全和性能至关重要。

然而，许多现有的疲劳分类模型主要依赖于生物特征数据或主观评估，忽视了显著影响疲劳水平的关键职业和人口统计学因素。这一差距可能导致模型准确性较低和泛化能力较弱，限制其在真实工业环境中的有效性。此外，许多方法采用监督学习技术，需要标记数据进行训练，通常依赖于主观自我报告，如Borg-20量表（范围从6"完全没有用力"到20"最大用力"）。虽然广泛使用，但这些评估具有侵入性，要求参与者中断任务提供评分，这可能扰乱工作流程并引入变异性。这种对主观报告的依赖也引入了偏差，限制了所得模型的泛化能力，降低了它们在真实工业环境中的实际有效性。

为了解决这些差距，这项研究提出了一种综合方法，结合生物特征数据与人口统计学和职业因素，旨在提高疲劳检测的准确性，减少偏差，并提高工业环境中体力疲劳分类的鲁棒性。该研究聚焦于哥伦比亚一家制药公司的包装区域，操作员在此执行重复性上肢动作任务。这些动作涉及短工作周期，需要重复肌肉用力，涉及肌肉群、骨骼、关节、肌腱、韧带和神经。随着时间的推移，这种重复性劳损可能导致肌肉骨骼疾病相关并发症。

研究团队使用智能手表收集生物特征数据，包括皮电活动、内部温度、脉搏率和运动数据，以监测与体力疲劳相关的生理反应。此外，还考虑了人口统计学因素（如年龄和工作经验）、任务相关因素（如体力负荷，以每盒包装药品数量衡量）以及操作变量（如生产线位置、星期几、工作班次和班次时间）。环境温度、噪音和湿度通过安装在包装区域的物联网传感器系统进行监测，读数在整个数据收集期间保持在非常窄的范围内，完全符合哥伦比亚标准。

研究方法包括三个关键步骤：使用主成分分析降低维度，应用基于模糊逻辑的数据标记方法生成二元和四类疲劳标签，以及使用多种机器学习分类算法开发体力疲劳预测模型。主成分分析不仅用于降维，还解决了变量间的多重共线性和冗余问题，将相关变量转化为正交成分，提高了模型清晰度和稳定性。模糊逻辑方法为每个样本分配属于疲劳或非疲劳组的隶属度，而不是进行严格的二元分类，提供了更灵活和真实的体力疲劳表示，捕捉了传统方法经常忽略的疲劳状态之间的逐渐过渡。

机器学习评估包括神经网络、随机森林、XGBoost、梯度提升、K近邻、支持向量机和逻辑回归等算法，使用加权F1分数作为主要性能指标。评估比较了两种特征配置：仅使用内部因素（生物特征数据）和结合外部（人口统计学和职业因素）与内部因素，以评估整合情境信息带来的潜在性能改进。

主要技术方法包括：使用Empatica EmbracePlus智能手表采集43名操作员（42名女性；19-53岁）的脉搏率、皮电活动、皮肤温度和运动数据；通过主成分分析(PCA)对生物特征数据和情境因素进行降维处理；采用模糊逻辑方法生成二元和四水平疲劳标签；应用多种机器学习算法（神经网络、随机森林、XGBoost等）进行疲劳状态分类。

研究结果部分展示了详细的分类性能数据。在仅使用内部特征进行二元分类时，神经网络表现最佳，F1分数达到0.8848。当结合外部特征后，性能显著提升，神经网络F1分数提高至0.9375。特征重要性分析显示，运动相关指标(IPC2)是最具信息量的预测因子，重要性为0.6431，其次是生理反应指标(IPC1)，重要性为0.1945。

在四水平疲劳分类任务中，仅使用内部特征时，XGBoost算法获得最高F1分数0.8232。结合外部特征后，神经网络成为最佳模型，F1分数提升至0.8793。混淆矩阵分析表明，整合情境特征后，对中间疲劳状态（较高非疲劳和较高疲劳）的分类准确率提高了约10个百分点。更重要的是，在纯疲劳类中消除了假阴性情况——之前被误分类为较高非疲劳的3%病例被正确映射到疲劳谱系内。这一转变增强了系统实时安全干预的有效性。

研究讨论部分强调了整合外部特征的重要性。人口统计学和职业因素提供了额外的情境信息，帮助模型更好地捕捉疲劳表达的个体差异，最终导致预测性能提高和模型稳定性增强。与先前研究相比，该模型的性能达到甚至超过了现有的疲劳分类方法，特别是在更复杂的多类场景中。模糊逻辑标记方法的使用避免了传统主观自我报告的局限性，提供了更客观和可扩展的解决方案。

研究结论指出，这项工作通过结合生物特征和情境建模，减少了关键疲劳状态中的假阴性，提供了一个可扩展、非侵入性和以人为本的早期预警系统。通过与工业5.0理念对齐，该方法展示了可穿戴和情境数据如何共同支持主动和可信的安全干预，同时保持操作流程。未来应用包括将该方法扩展到其他行业，如重工业和高要求操作环境，其中体力疲劳不仅受生理和任务相关因素影响，还受环境条件如噪音、温度和照明的影响。

该研究的创新性在于开发了一种综合方法，将生物特征监测与情境因素相结合，为工业环境中的体力疲劳检测提供了更准确、可靠的解决方案。通过减少对主观报告的依赖，提高分类准确性，特别是对关键疲劳状态的识别能力，该研究为工业安全管理和工人健康保护提供了重要的技术支持和理论指导。随着工业5.0理念的深入推进，这种以人为本、技术赋能的疲劳监测方法有望在更广泛的工业领域发挥重要作用，为构建更安全、更健康的工作环境贡献力量。