基于上肢轨迹概率回归框架的手部活动水平自动评估方法及其在肌肉骨骼损伤风险预测中的应用

针对手部重复性作业中肌肉骨骼损伤风险评估的难题，研究人员开发了基于视频的上肢姿态轨迹概率回归框架，实现手部活动水平(HAL)的自动化评估与置信度量化。该研究突破传统主观评估局限，展现出优异的域内性能(RMSE=0.24)和跨域泛化能力(RMSE=0.74)，为工效学风险监测提供了客观可靠的新工具。

　　

精准量化手部活动水平(Hand Activity Level, HAL)对评估重复性手部作业引发的肌肉骨骼损伤风险至关重要。传统人工评估方法存在主观性强、难以大规模应用的缺陷。这项研究创新性地构建了概率回归框架，通过捕捉视频中上肢姿态轨迹数据，不仅实现HAL评分的自动化预测，还能输出置信度指标。该技术突破使得工效学风险评估具备量化不确定性分析能力，实验数据验证了其卓越性能：在域内测试中展现出0.24的均方根误差(Root Mean Square Error, RMSE^*)和0.17的平均绝对误差(Mean Absolute Error, MAE)，跨域测试中仍保持0.74 RMSE和0.54 MAE的稳健表现，充分证明该框架兼具精确性和迁移应用价值。