基于皮肤电活动(EDA)的农业任务实时负荷评估新模型：精准分类与策略优化

农业劳动者长期面临肌肉骨骼疾病(MSDs)高发风险，传统负荷评估方法存在主观性强、实时性差等局限。本研究创新性开发基于皮肤电活动(EDA)的多项逻辑回归(MLR)模型，通过模拟修剪和收获任务，结合小波特征分析实现RPE分级（准确率88-89%），为农业及其他高危职业提供非侵入性实时监测方案，对优化劳动保护策略具有重要实践价值。

　　

农业作为全球经济支柱产业，却因高发的肌肉骨骼疾病(MSDs)成为最危险行业之一。据统计，农业从业者MSDs终身患病率超90%，其中30-40%非致命伤害源于上肢过度负荷。传统评估方法如NASA任务负荷指数(TLX)和主观疲劳量表(RPE)虽广泛应用，但存在主观偏差大、需中断操作等缺陷。更棘手的是，现有生理监测技术如功能性近红外光谱(fNIRS)易受运动伪影干扰，肌电图(EMG)仅能反映局部肌肉状态，心率(HR)监测则难以区分认知与体力负荷。这些局限使得农业场景下的实时、精准负荷评估成为亟待突破的科学难题。

针对这一挑战，韩国建国大学的研究团队在《International Journal of Industrial Ergonomics》发表创新成果，开发出基于皮肤电活动(EDA)的实时负荷评估模型。研究通过模拟修剪和收获两类典型农业操作，采集24名受试者（男女各半）的EDA信号与RPE评分，运用小波特征提取和多项逻辑回归(MLR)建模，首次实现农业任务负荷的客观分级。结果显示，模型对中等RPE组分类准确率达88-89%，高低RPE组特异性均超91%，为农业安全管理提供了革命性技术工具。

关键技术方法包括：1）实验室控制条件下模拟修剪/收获任务，通过外骨骼干预制造负荷差异；2）同步采集EDA信号与RPE评分（n=349样本）；3）采用离散小波变换(DWT)提取EDA时频特征；4）构建MLR模型分析变量重要性，通过方差解释度(40-50%)和分类指标验证效能。

【Anthropometry data】
研究纳入12男12女，测量身高、上肢长度等18项人体参数。值得注意的是，81%参与者报告既往MSDs症状，印证农业从业者的高风险特征。

【Results of data collection】
数据分布显示RPE评分呈偏态分布：低负荷组27%、中负荷组64%、高负荷组9%。关键预测因子包括外骨骼使用、性别、任务类型及EDA特征中的近似熵(ApEn)和标准偏差(SD)。

【Discussion】
模型对修剪任务表现更优（高RPE组F1值73-92%），反映任务特异性影响。EDA的相位同步特征被证实与LT（乳酸阈值）存在关联，为生理机制解释提供新证据。研究创新点在于首次将EDA动态特征（如峰值振幅、变异系数）与农业操作体位变化建立量化关联。

【Conclusion】
该研究突破性地证实：1）EDA小波特征可有效区分RPE分级，尤以ApEn和SD最具判别力；2）外骨骼使用使高RPE概率降低2.3倍，但性别差异导致女性更易感知负荷；3）模型框架可扩展至建筑、物流等需持续监测的领域。这些发现不仅为农业工效学干预提供客观依据，更开创了通过自主神经系统反应评估复合负荷的新范式。

研究局限性在于样本量较小且为实验室模拟，未来需通过田间试验验证。但毫无疑问，这项成果标志着可穿戴监测技术从单纯生理参数记录向智能决策支持的跨越，对实现联合国可持续发展目标(SDGs)中"体面劳动"条款具有深远意义。正如作者Sujin Seong强调的，该模型的真正价值在于将隐性的生理应激转化为可视化管理指标，使"预防优于治疗"的职业健康理念得以落地。