抛光行业肌肉骨骼风险的新型工效学评估方法——基于人工智能的REBA分析案例研究

本研究针对高负荷复杂手工任务中的职业健康安全（OHS）问题，通过人工智能驱动的TuMeke平台应用快速全身评估（REBA）方法，系统分析了金属抛光行业操作员的肌肉骨骼疾病（WMSD）风险。研究发现不同年龄层和性别存在显著风险差异，为传统制造业的工效学干预提供了数据支持，对实现工业5.0以人为本的生产环境具有重要意义。

　　

在制造业数字化转型浪潮中，金属抛光行业仍高度依赖人工操作，操作员长期暴露于重复性动作、不良姿势等职业风险，导致工作相关肌肉骨骼疾病（WMSD）高发。随着工业5.0强调人机协作与劳动者福祉，如何精准评估这类传统行业的工效学风险成为关键挑战。葡萄牙贝拉内陆大学（University of Beira Interior）的研究团队创新性地将人工智能技术引入工效学领域，通过TuMeke平台的计算机视觉算法对60名抛光操作员进行快速全身评估（REBA），研究成果发表于《Safety Science》。

研究采用三阶段框架：首先通过北欧肌肉骨骼问卷（NMQ）采集症状数据，随后运用TuMeke平台分析视频记录的作业姿势，最终结合Spearman相关性检验探究风险因素。该技术方案突破传统传感器限制，实现非侵入式、高效率的工效学评估。

研究结果显示，88.3%的操作员日均处于中等WMSD风险水平，其中女性（18.5%高风险）和老龄工人（30%下午高风险）风险尤为突出。身体部位分析揭示上肢（Upper Arm）和躯干（Trunk）是主要风险区域，与操作员报告的颈部（73.3%）、手腕（78.3%）症状高度吻合。值得注意的是，年轻工人虽主观健康评价良好，但REBA评分显示其颈部风险显著，揭示认知偏差。跨行业对比发现，抛光业与纺织、食品加工等行业共享"颈部-上肢-腰椎"风险三联征，验证工效学干预措施的普适性潜力。

该研究证实人工智能辅助的REBA评估在传统制造业的适用性，为劳动密集型产业提供可扩展的工效学监测方案。作者建议结合可穿戴设备与协作机器人（cobot）实施分层干预，特别强调通过参与式工效学设计改善老龄工人作业条件。这些发现不仅为工业5.0时代的人本化生产提供实证依据，更推动职业健康管理从被动治疗转向主动预防的范式转变。研究局限性包括样本量较小和观测者效应，未来需通过肌电监测等技术增强评估维度。这项开创性工作为传统制造业的可持续发展提供了关键技术支撑，标志着工效学评估正式进入智能化时代。