基于传感器和人工智能驱动的工效学坐姿检测用于工作场所风险预防

《Sensors》：Sensor-Based and AI-Driven Ergonomic Seated Posture Detection for Workplace Risk Prevention

　　

背景：工作相关肌肉骨骼疾患（WMSDs）仍是全球最普遍的职业健康问题之一。为预防办公室空间中此类WMSDs的发生，研究人员开发并验证了一种专为办公室监测设计的椅子，该椅子能够准确识别十种代表性坐姿并测量环境因素。方法：为评估办公室工作条件，该椅子嵌入三个印刷电路板（PCB）：一个用于座椅压力管理，一个用于环境测量，另一个PCB用于管理整个系统。随后应用机器学习方法建立了一个有效预测坐姿的模型。环境数据也进行了分析。结果：在受控条件下，坐姿分类准确率为80.99%，而在实际场景中准确率为65.98%。环境管理显示误差较低，但PM_2.5和PM₁₀除外，其相对误差超过30%。结论：该研究为工效学办公室管理解决方案迈出了初步且富有前景的第一步。

工作相关肌肉骨骼疾患（WMSDs）是全球最普遍的职业健康问题之一，长期久坐及不良姿势加剧了办公室员工的风险。传统工效学评估依赖主观观察与问卷，缺乏对动态姿势变化的精准捕捉。为此，研究人员开发并验证了一款集成压力传感器与环境监测模块的智能办公椅，旨在通过人工智能（AI）技术实现十种坐姿的自动识别，并结合环境参数（如温度、CO₂、PM_2.5等）提供综合工效学评估，以预防WMSDs。该研究由10名办公室员工（来自研究机构，5男5女，平均年龄35.2岁）参与实际环境验证，并额外招募20名行政人员用于姿势验证。论文发表在《Sensors》。

主要关键技术方法包括：基于32×32 cm压力传感器矩阵（座椅）和6个力敏电阻（FSR，背靠）的硬件架构，结合三块印刷电路板（PCB）分别处理压力数据、环境监测（CO₂、PM_2.5、PM₁₀、挥发性有机化合物VOCs、氮氧化物NOx、温度、湿度）及系统控制；采用决策树分类器（决策树）进行坐姿分类，通过网格搜索优化超参数（如最大深度8、最多120个叶节点），并使用交叉验证（CV）防止过拟合；环境误差通过相对误差（Er）评估内部PCB与外部监测单元数据差异。

**3.1 姿势识别**：通过文献综述与20名行政人员访谈，确定了十种常见坐姿。其中姿势1（端正坐姿）占比最高（41.25%），姿势5（右侧躯干倾斜）虽未在观察中出现，但因其对称性仍被保留。

**3.2 系统架构开发**：成功集成多模态传感、处理与反馈功能，硬件三PCB配置可靠采集姿势与环境数据，预处理流程有效降噪，通信（蓝牙1 Hz）稳定，软件平台支持实时姿势识别、工效学评分及长期行为分析。

**3.3 初步实验**：基于压力数据与ErgoCheck方法（ISO/TR 12295:2014），将姿势分为三个风险等级：姿势1为可接受；姿势3、5、6为中等风险；其余为高风险。据此设定最大持续时长：可接受姿势120分钟，中等风险15分钟，高风险4分钟，并定义两种警报（姿势相关警报与久坐行为警报）。

**3.4 算法开发**：采用决策树分类器，通过网格搜索确定最优超参数（如Gini准则、最小叶节点样本数5等）。在受控条件下，总体准确率为80.99%（无充气82.13%，充气79.87%），混淆矩阵显示误分类主要发生在压力分布相似的姿势（如P4与P9）。特征重要性分析表明，背靠传感器S1（胸椎区域）及座椅象限压力分布（Q1–Q4%P、接触面积等）贡献最大。

**3.5 实际环境验证与分析**：在10名参与者（未参与算法开发）中，真实场景分类准确率为65.98%（无充气66.09%，充气65.83%）。姿势1、4、9的准确率较高（可达100%），而姿势5、6、7、8因压力模式相似准确率较低（<50%）。个体间差异显著，部分参与者（如参与者1和10）识别率高，而参与者8和9波动大。充气系统对整体性能影响有限，甚至在某些姿势中引入额外变异。自然姿势分布显示，姿势3和4（前倾坐姿）频繁出现，姿势1并非最普遍，提示固定警报策略不足以维持正确姿势。

**3.5.1 环境参数**：内部与外部测量在温度、CO₂、NOx上一致性较好，相对误差低于10%（温度仅1.28%）；但PM_2.5和PM₁₀相对误差超过30%（分别为近40%和31%），表明颗粒物测量受传感器位置与局部气流影响显著，需进一步校准。

**3.5.2 技术接受度**：10名参与者完成问卷，100%曾使用椅子反馈调整姿势，70%表示愿意长期使用，90%认为舒适度优于或等于日常椅子，但振动警报区分度需改进。

讨论部分总结了研究的意义与局限性：系统在受控条件下准确率超80%，但实际场景降至65.98%，表明需优化传感器配置与分类算法（如引入随机森林、支持向量机等）。环境监测模块PM_2.5和PM₁₀误差高，应视为探索性组件。用户接受度良好，但个体差异大，未来需自适应反馈策略。与现有智能椅子研究（如Jeoung等，2021）相比，本研究覆盖更多姿势，但准确率较低，样本量小（10人）是限制因素。充气系统未提升性能，可能因传感器嵌入织物变形；模型为闭集分类器，无法识别预设姿势外的自然姿态。

结论翻译：本研究提出了一种新颖且整合的方法，用于坐姿工效学风险评估，结合压力传感技术与自动姿势识别。该系统作为客观、连续、非侵入式工作场所工效学监测的先进工具，展现了显著潜力，弥补了传统评估方法的不足。现阶段，该系统应被视为可行性原型，而非可部署解决方案。未来工作将聚焦于提升实际条件下的分类鲁棒性。通过实现实时反馈与用户姿势的全面表征，该方法向更主动、数据驱动的工效学干预迈出了有意义的一步。此外，本研究为智能工效学系统的发展奠定了基础，这些系统不仅能评估风险，还能积极促进行为改变。尽管如此，仍需进一步改进系统在工效学与环境参数测量方面的准确性。未来开发应专注于增强实际条件下的鲁棒性与可靠性。预期该方法可被职业健康与安全团队用作支持工效学评估、促进姿势意识、减轻办公室环境肌肉骨骼风险因素的有价值工具，最终有助于减少相关旷工。