基于三维姿态估计与物理信息神经网络的制造任务个性化人体工学风险评估方法

《Manufacturing Letters》：Physics-Informed Deep Learning for Personalized Ergonomic Risk Prediction for Manufacturing Tasks

　　

摘要

肌肉骨骼疾病（MSDs）仍然是重复性任务中受伤和生产率下降的主要原因，尤其是在工业环境中。传统的人体工学评估方法通常依赖人工观察或基于传感器的系统，这些系统的可扩展性、响应速度和适应性较差。本研究介绍了一种针对制造任务的人体工学风险评估的非侵入性方法，该方法使用三维姿态估计和物理信息神经网络（PINN），并通过基于身高和体重的缩放来适应个体身体尺寸。该系统在基于解剖学的参考系内解释来自 VoxelPose 等姿态估计算法的原始运动数据，确保提取的运动学特征具有生物力学合理性。从这些轨迹中提取关节角度、角速度和加速度，并根据针对每位工人人体测量学特征动态缩放的人体工学阈值进行评估。基于这种个性化表示，一个受 REBA 启发的规则系统在帧级别识别与姿势相关的风险。同时，使用 PINN 预测每种运动序列中风险类型和每次违规的频率，从而捕捉超过传统基于阈值方法能力的多关节相互作用。该框架在超过 13,000 个标记制造动作的数据集上进行了验证，在制造任务的各种运动模式下，多标签人体工学风险分类的平均 F1 分数约为 0.94，显示出强大的预测性能。通过将生物力学原理与深度学习相结合，所提出的方法能够在无需佩戴设备的情况下，实现准确、个性化且可扩展的人体工学风险评估。结果表明，该框架有潜力在工业环境中提供及时且可解释的反馈，从而支持伤害预防和更安全工作场所的设计。

Dorsa Rezayat|Sam Anand