《International Journal of Industrial Ergonomics》：A systematic review of computer vision-based human pose estimation for occupational safety
编辑推荐：
人机姿态估计技术通过计算机视觉与深度学习分析非穿戴设备采集的图像或视频数据，实现人体关节实时追踪与姿势评估，在预防职场肌骨骼疾病中展现应用潜力，但面临环境复杂性与模型泛化能力不足等挑战。
作者：Hari Iyer | Heejin Jeong
美国亚利桑那州立大学Ira A工程学院理工学院，梅萨市，亚利桑那州
摘要
人体姿态估计（HPE）是评估职业安全和姿势人体工程学的关键工具。基于计算机视觉的HPE利用机器学习和深度学习算法分析图像或视频流，无需穿戴传感器即可检测和跟踪人体关节及动作。这些技术已被广泛应用于各个行业，以监测工人动作并识别人体工程学风险。工作场所中的不良姿势会导致不适和受伤，尤其影响四肢、脊柱和颈部。计算机视觉算法和基于传感器的系统的最新进展显著提高了HPE的准确性。本文系统地回顾了35项关于HPE在不同领域应用的研究，重点探讨了其在通过人体工程学风险评估和姿势监测来提高职业安全方面的作用。研究讨论了HPE如何支持职业安全，评估了工业环境中的实施挑战，并分析了基于计算机视觉的HPE模型的准确性。研究结果表明，基于计算机视觉的人体姿态估计有潜力为人体工程学风险评估和肌肉骨骼疾病预防做出贡献，尽管仍需进一步的实际验证和实际应用整合。
引言
职业安全一直是各行业关注的重点，特别是当工人经常面临重复性任务、重体力劳动、不良姿势以及长时间久坐时（Iyer和Jeong，2026a；Iyer和Jeong，2026b；Mehrizi等人，2019）。这些因素导致肌肉骨骼疾病（MSD）的高发率，严重影响工人健康、生产力和组织成本（Purushothaman和Gedara，2023；Wang等人，2021）。应对这些风险需要有效的监测和干预策略，以确保符合人体工程学标准并降低受伤的可能性。虽然人体姿态估计（HPE）系统可以生成2D或3D关节位置数据，但这些数据本身不足以用于诊断。如快速上肢评估（RULA）和快速全身评估（REBA）等人体工程学评估框架，可以将关节角度和运动信息转化为与MSD发展相关的姿势风险评分（Hignett和McAtamney，2000；McAtamney和Corlett，1993）。这些工具在姿态估计结果和可操作的人体工程学风险指标之间提供了桥梁。
基于计算机视觉（CV）和机器学习的HPE技术为评估工作场所的人体工程学提供了有希望的解决方案（Güler等人，2018；Raza等人，2023）。这些系统使用基于图像和基于传感器的方法来监测身体姿势和动作，实时评估易发风险的行为，如不当的举重技巧和持续的不良姿势（Fang等人，2023；Iyer等人，2025a；Liu和Chang，2022）。与可能具有侵入性和不适感的传统可穿戴系统不同，HPE系统提供了一种非侵入性的方式来捕捉运动数据，使其更适合工业应用（Purushothaman和Gedara，2023；Yu等人，2024）。
尽管具有潜力，但在工业环境中部署HPE仍面临挑战。环境条件如光线变化、遮挡以及工人的动态动作会影响这些系统的准确性和可靠性（Wang等人，2021；Yang等人，2022）。除了部署相关挑战外，多项研究还报告了模型开发中的限制，这些限制影响了HPE的性能。常见问题包括训练数据集规模小或不平衡、缺乏特定领域的运动数据，以及对受控实验室环境的过度拟合，从而降低了其在实际工业环境中的泛化能力。其他限制还包括关节标记错误、遮挡处理不足，以及在不同体型和姿势下的验证不足。通过领域适应、多模态数据融合和包含异构数据集，可以改善未来HPE系统的实际应用性。不同身体部位的姿态估计精度有所不同，通常较小或被遮挡的区域比较大、无遮挡的身体区域的精度更低（Karashchuk等人，2021；Liu等人，2023）。这些挑战促使人们进一步创新，以确保HPE系统在实际应用中具有准确性和可扩展性。
本综述综合了HPE技术的最新进展，并探讨了其在提高职业安全方面的应用。通过解决实施、准确性和融入工作场所环境方面的问题，本文旨在评估HPE在降低MSD风险和改善工人福祉方面的作用。
部分摘录
背景
HPE技术的发展已从传统的基于标记的方法转向使用深度学习和CV技术的先进非侵入性方法（Güler等人，2018；Iyer等人，2024）。早期系统严重依赖基于标记的设置，例如在运动捕捉实验室中使用的设置，这些设置能够高精度地跟踪人体运动（Mündermann等人，2006）。然而，这些系统往往具有侵入性，要求个人佩戴专门的标记或服装。
研究问题
本综述遵循PRISMA指南进行系统评价（Page等人，2020），重点关注HPE系统的进展，特别是其在职业人体工程学和MSD风险方面的应用（详见补充文件中的检查清单）。基于对该领域现有文献的全面回顾，提出了以下四个研究问题（RQ）供分析：
RQ1: HPE的进步如何有助于评估职业安全
系统评价
所回顾的35项研究展示了HPE在职业安全方面的广泛应用，包括临床康复（Arac，2020；Gaikwad等人，2023；Hii等人，2023）、人体工程学风险评估（Chatzis等人，2022；Jiao等人，2024；Li等人，2020）以及实时姿势和活动监测（Fang等人，2023；Mehraban等人，2024）。表3详细总结了这些研究。在35项研究中，有14项（40%）专注于临床或讨论
本综述综合了HPE技术的进步及其在职业安全中的应用。
研究结果展示了HPE模型的优势。
结论与未来工作
本研究全面回顾了HPE技术及其在职业安全中的应用，重点关注人体工程学和MSD的预防。研究结果突出了HPE系统的优势，如实时姿势跟踪、非侵入式数据收集以及在工业环境中的多人跟踪能力。这些技术在识别人体工程学风险方面显示出巨大的潜力，从而提高了工作场所的安全性。
虽然研究结果
作者贡献声明
Hari Iyer：撰写——审阅与编辑、初稿撰写、可视化、验证、软件开发、方法论设计、调查、正式分析、数据整理、概念化。Heejin Jeong：撰写——审阅与编辑、监督、资源协调、方法论设计、调查、资金获取、概念化。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
作者感谢亚利桑那州立大学的Jamie Gorman博士和Rob Gray博士对本综述研究的宝贵贡献。
