面向活动感知的疲劳评估（SAFE）框架：职业任务的预测性疲劳建模

《Applied Ergonomics》：System for activity-aware fatigue evaluation (SAFE) framework: Predictive fatigue modelling for occupational tasks

　　

SAFE（面向活动感知的疲劳评估，System for Activity-aware Fatigue Evaluation）框架集成了可穿戴传感、生物力学建模和任务检测，以监控操作员耐力和工效学风险。在该可行性研究中，该框架在实验室环境中对10名执行工业类型任务的参与者进行了离线评估，结合了惯性测量单元（IMU）、压力鞋垫、基于扭矩的耐力模型、任务分类和定制应用程序。通过与运动捕捉的验证确认，IMU导出的关节角度在耐力估计的可接受误差范围内。该框架产生的耐力指标能够区分工效学高风险和低风险任务（P?mm≥.878，P?工作相关肌肉骨骼疾患（WMSDs，Work-related Musculoskeletal Disorders）是全球工作场所缺勤和残疾的主要原因，现有评估方法如自我报告、观察法和直接测量法存在偏差、重复性低、耗时且干扰任务等问题，尤其光学运动捕捉（MoCap）和测力板因便携性差不适合实际工作环境。可穿戴设备虽能非侵入式连续监测，但现有系统缺乏结合上肢动力学与任务信息的预测性疲劳评估能力。为此，研究人员提出面向活动感知的疲劳评估（SAFE）框架，集成可穿戴传感、生物力学建模和任务分类，以实现对操作员耐力的预测性监控和工效学风险评估。该研究在《Applied Ergonomics》发表，通过实验室离线验证，展示了SAFE框架在动态工业任务中区分工效学风险水平、与主观疲劳高度相关的能力，为未来实时部署奠定了基础。

研究人员主要采用以下关键技术方法：1）基于惯性测量单元（IMU）的关节角度估计，通过方向余弦和四元数计算肩肘屈伸角；2）基于扭矩的耐力模型，利用校准任务确定最大肩关节扭矩，再结合任务中关节扭矩预测耐力时间（ET）和消耗耐力（CE）；3）基于压力鞋垫数据的任务分类，使用随机森林分类器识别五种工业任务（手动搬运、取放、装配、行走、站立）及休息状态；4）自定义MATLAB应用程序，实现数据流采集、参数输入、耐力指标可视化与导出；5）使用OptiTrack运动捕捉系统（10台Prime 13相机）进行IMU角度验证。样本队列来源：通过口头招募10名参与者（6男4女），年龄20-37岁，身高1.62-1.80 m，体重54.7-97.3 kg，无肌肉骨骼疾患。

**框架实现**：通过IMU与MoCap关节角度比较，显示肩肘屈伸角均方根差（RMSD）为10.8°-15.1°，平均绝对误差（MAE）为8.2°-11.3°，肘关节波形相似度（CMC）≥0.91，肩关节CMC约0.52，表明IMU角度在可接受误差范围内。任务分类准确率（F1）为0.996%，特异性0.985%，能准确区分休息与活动阶段，避免疲劳累积。扭矩计算显示，休息时扭矩归零，耐力时间（ET）趋于无穷，消耗耐力（CE）归零；活动时高扭矩导致低ET和高CE。

**框架评估**：通过Wilcoxon符号秩检验，非工效学任务（NonErgon）相比工效学优化任务（Ergon）表现出更高平均扭矩（P<.05）、更低平均ET（P<.05）和更高CE（P<.05），与工效学风险评估（NIOSH LI和RULA）及主观Borg评分（P<.05）一致，表明CE能有效区分高低风险任务。CE与Borg评分高度相关（r_mm≥0.878，P<.001），与时间相关（r_mm≥0.962，P<.001），证明CE作为疲劳指标的预测能力。

**任务相关系数**：由于原始CE值偏高（因模型基于极端高扭矩条件），研究人员通过线性映射Borg评分生成目标CE（Target CE），计算任务特定耐力系数（k_Task），将CE缩放至与主观疲劳一致。缩放后归一化均方根误差（NRMSE）从2.84-4.49降至0.19-0.31，系数值从低到高为：MHErgon 0.1895、MHNonErgon 0.2042、PPErgon 0.2495、PPNonErgon 0.2734，表明手动搬运任务需更大缩放。

讨论部分总结了SAFE框架的优势，包括将传统基于力的静态耐力模型扩展至动态上肢任务，通过任务分类实现无手动输入的自适应预测，提供连续尺度（0-100% CE）风险指标，优于分类式工效学评估（如RULA）。验证结果支持IMU角度可靠性及CE区分风险的能力，但指出原始CE偏高需系数校准，且任务分类对休息检测准确。局限性包括低IMU采样率（约2.8 Hz）导致信号分辨率下降，校准任务对复杂任务普适性不足，参与者数量较小（10人），以及对称负载假设未考虑非对称发力。未来工作需优化蓝牙采样率至50 Hz，使用更大队列和实时可穿戴系统，并开发动态调整最大扭矩的方法。

研究结论翻译：该可行性研究表明，SAFE框架为动态工业任务中的在线操作员监控和工效学风险评估提供了一个有力候选，为未来实时部署奠定了基础。通过集成可穿戴传感、生物力学建模和任务分类，它能够提供个性化和任务特定的耐力指标。离线验证确认了IMU导出关节角度的可接受精度，任务特定CE指标有效区分了工效学风险水平，与主观疲劳评分一致。SAFE框架中基于扭矩的耐力模型实现了对涉及上肢的非例行化工作的个性化耐力预测。任务分类使框架能够适应不同任务，无需持续手动输入，为未来实时应用展示了潜力。这些发现确立了SAFE框架作为操作员监控的实用基础，未来工作将针对更复杂任务改进校准任务、扩大队列规模，并部署具备实时反馈的可穿戴系统。

相关新闻