《Applied Ergonomics》：Evaluating the accuracy and feasibility of a commercial AI-powered ergonomic assessment system for automotive assembly work
编辑推荐：
本研究评估了商业AI驱动的姿势分析系统在工业场景中的准确性与实用性。通过对比3D动作捕捉系统发现，系统在手部姿势（尤其是肘部和手腕）及风险估计方面存在显著误差，且不同摄像头布局影响结果。专家访谈指出系统易用但受环境复杂性和精细动作限制。该研究为AI姿势分析系统的优化提供了依据。
Saman Jamshid Nezhad Zahabi | Sunwook Kim | Maury A. Nussbaum | Ryan Porto | Sol Lim
弗吉尼亚理工大学工业与系统工程系，美国弗吉尼亚州布莱克斯堡，24061
摘要
准确的人体工程学风险评估对于预防与工作相关的肌肉骨骼疾病至关重要。人工智能（AI）和计算机视觉为自动风险评估提供了新的机会，但其准确性和可用性仍不确定。我们通过两项研究评估了一个商业化的、基于AI的人体工程学评估系统：在探索性评估中（研究1；n = 10），我们比较了使用三种相机布置与黄金标准3D运动捕捉系统得出的风险估计值和关节角度。在研究2中（n = 10），我们采访了使用该软件系统进行汽车组装任务的人体工程学专家。我们发现关节角度（尤其是左肘和双侧手腕）以及风险估计值存在显著的不准确性，并且不同相机设置之间存在较大的差异。尽管该软件系统被认为易于使用且直观，但在杂乱的环境中以及涉及精细手部动作的任务中，其可靠性仍存在问题。虽然这些系统具有潜力，但可能需要进一步改进以提高准确性和适应性。
引言
工人经常从事体力要求高的任务，这增加了他们患上与工作相关的肌肉骨骼疾病（WMSDs）的风险，例如腰痛（Waters等人，2007年；Spallek等人，2010年）。举重物和重复性任务是全球WMSDs的主要原因之一，影响着发达国家和发展中国家（Choobineh等人，2010年）。WMSDs不仅损害工人的健康和福祉，还由于医疗费用、生产力损失和赔偿索赔给组织带来了沉重的经济负担（Demissie等人，2024年；Marcum和Adams，2017年）。有效应对这些挑战需要实用、可用且有效的方法来评估工业环境中的人体工程学暴露和风险。
有几种传统的方法用于评估WMSDs的物理风险因素暴露。自我报告（如访谈和问卷调查）被广泛使用，但这些方法的有效性和可靠性通常较低（Chiasson等人，2015年；Trask等人，2010年）。直接测量方法可以提供更准确的定量数据，例如使用可穿戴的惯性传感器或肌电传感器（Lim和D’Souza，2020年）。然而，诸如工人配合困难、数据存储和隐私问题以及佩戴传感器的不适等因素限制了这些方法在实际应用或大规模应用中的可行性（Lind等人，2023年；Schall等人，2018年）。主要基于观察的方法（尽管也需要直接测量）为评估物料处理任务中的物理需求和WMSD风险提供了实用的解决方案。常用的风险评估工具包括NIOSH举重方程（NLE；Waters等人，1993年）、Liberty Mutual表格（Snook和Ciriello，1991年）、快速上肢评估（RULA；McAtamney和Nigel Corlett，1993年）、快速全身评估（REBA；Hignett和McAtamney，2000年）以及修订后的应变指数（RSI；Garg等人，2017年）。然而，这些工具需要详细的手动测量，因此耗时且资源密集（David，2005年；Aliasgari等人，2024年）。评分者之间的差异也会降低可靠性，因为专家判断的差异可能导致结果不一致（Murugan等人，2025年）。
姿势测量是大多数人体工程学暴露评估的核心，也是所有上述风险评估工具所必需的。计算机视觉和人工智能（AI）的最新进展使得姿势跟踪自动化成为可能。因此，出现了可以直接从工人执行任务的图像或视频记录中评估工作姿势的商业系统，而无需直接测量（例如，使用反射标记或可穿戴传感器）。这些系统使用2D或3D姿态估计来确定姿势，并利用NLE等工具来估算人体工程学风险所需的参数（MassirisFernández等人，2020年；Mgbemena等人，2018年）。这样的系统大大减少了传统上所需的手动评估时间。
最近的研究表明，在某些情况下，计算机视觉和AI系统可以准确估计关节角度并支持人体工程学风险评估。基于视觉的关节角度估计与基于标记的运动捕捉和IMU的结果高度相关（r > 0.9），而在受控环境中，无标记的姿态估计框架与参考系统的吻合度良好（Bonakdar等人，2025年；Wang等人，2021年；Kim等人，2021年；Needham等人，2022年；Bae等人，2024年）。除了关节运动学之外，基于计算机视觉的系统还应用于自动化的人体工程学风险评估，其中基于姿势的指标（如RULA和REBA）与专家评估的结果吻合度很高（ICC > 0.75），并且能够从RGB数据中高精度地预测风险水平（Nayak和Kim，2021年；Roggio等人，2024年；Crombrugge等人，2022年）。
然而，现有的验证主要集中在基于姿势或关节角度的指标上，对于NLE等工具至关重要的基于距离的参数的评估有限。此外，尚未系统地在更广泛的手动物料处理任务范围（例如推、拉、搬运）或不同的现实世界条件下评估准确性。虽然最近的研究探讨了在工业环境中的应用，并强调了遮挡、照明和相机位置等因素的影响（Agostinelli等人，2024年；Papoutsakis等人，2026年；Murugan等人，2025年），但很少有实证工作从人体工程学专家的角度考察了其可用性、感知准确性和采用情况。
为了解决这些不足，我们的工作围绕两个与基于计算机视觉的人体工程学评估系统相关的研究问题（RQs）展开。RQ1：当应用于模拟的工业任务时，商业化的基于视觉的系统与黄金标准的光学运动捕捉系统的准确性如何？RQ2：人体工程学专家如何看待这项技术在评估汽车组装和物料处理任务中的可用性、准确性和实际效用？回答这些问题旨在帮助我们更好地了解这项快速发展的技术的潜在优势和局限性。
参与者
通过校园范围内的电子邮件公告和张贴的研究传单，从大学生群体中招募了10名参与者（5名男性，5名女性）。感兴趣的个体通过在线问卷接受了资格筛选。符合条件的参与者是18-35岁的健康成年人，没有自我报告的肌肉骨骼疾病或过去一年内有过背部受伤或慢性肌肉骨骼疼痛的历史。
男性的平均（标准差）年龄为25.4岁（3.1岁）
参与者
我们与通用汽车（GM）公司的人体工程学或健康与安全专家进行了半结构化访谈。参与者是通过作者在GM的专业网络通过电子邮件招募的。参与者需要至少有六个月的人体工程学工作经验。共有10名参与者（5名女性和5名男性）自愿参与。所有参与者使用了该软件系统最多三个月，并报告称间歇性地使用它进行分析。
总体讨论
我们评估了一种商业化的自动化人体工程学评估软件在估计职业风险因素方面的准确性和可行性。在研究I中，我们将软件系统的输出与从三个不同角度记录的模拟任务的3D运动捕捉数据进行了比较。该软件经常产生不准确且不一致的估计结果，错误严重程度因任务和设置而异。在研究II中，与GM人体工程学专家的访谈表明，该软件可用性有限，但在效果上有所欠缺。
局限性
本研究存在几个局限性。首先，由于工作的新颖性和探索性质，以及缺乏先前的数据来支持事前功效估计，研究1的样本量相对较小。其次，模拟任务的范围有限，每种任务类型只进行了一次试验，没有评估更复杂的动作，如高空组装、狭空间任务或需要大幅改变手腕姿势的重复性精细动作。因此，我们的发现可能无法
结论
我们通过实验测试和访谈评估了一种基于商业AI和计算机视觉的自动化人体工程学风险评估软件。该软件在估计关键风险因素时存在显著的不准确性，尤其是在姿势距离方面，错误因任务类型和相机位置而异。在所有风险评估中，大多数不准确性涉及与距离相关的参数，而不是姿势或关节角度。这些错误可能反映了高度测量方面的挑战
CRediT作者贡献声明
Saman Jamshid Nezhad Zahabi： 方法论、正式分析、调查、初稿撰写、审稿与编辑、可视化。Sunwook Kim： 方法论、撰写、审稿与编辑。Maury A. Nussbaum： 方法论、撰写、审稿与编辑。Ryan Porto： 方法论、撰写、审稿与编辑。Sol Lim： 构思、方法论、调查、资源获取、撰写、审稿与编辑、监督、资金筹集。
资金支持
本工作的支持来自通用汽车（GM）对弗吉尼亚理工大学的资助。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本研究得到了通用汽车（GM）公司的支持。本文表达的任何观点仅代表作者本人，并不一定反映GM的观点。作者感谢Isabella Slatten女士对研究的支持。
