基于传感器的人体工程学风险评估框架的开发：应用于人机协作拆卸任务

《International Journal of Industrial Ergonomics》：Development of a sensor-based ergonomic risk assessment framework using machine learning: Application to human-robot collaborative disassembly

实时可穿戴IMU传感器联合RULA/REBA标准实现人机协作拆卸场景下肌肉骨骼疾病风险与物理子任务双分类，六种机器学习模型对比显示DNN在92%准确率（子任务分类）和90%风险预测（F1值0.89）上最优。

　　
该研究围绕工业4.0背景下人机协作场景中的职业性肌肉骨骼疾病（WMSDs）防控需求展开，提出了基于可穿戴惯性传感器的实时评估框架WMSDsNet。该框架创新性地将人体工程学评估工具RULA与REBA标准化体系与机器学习技术相结合，实现了在协作拆解作业中双重目标的实时监测——既识别具体操作任务类型，又动态评估肌肉骨骼损伤风险等级。

研究首先系统梳理了工业场景中WMSDs的防控现状。尽管人机协作系统通过分担重复性劳动降低了部分风险，但实际作业中仍存在大量需要人工介入的精细化操作，如螺丝拆卸、管线分离等静态姿势维持和力量型动作。这些操作往往伴随肩部过度外展、腕部重复弯曲等高风险动作模式，传统评估方法存在主观性强、实时性差等缺陷。通过文献计量分析发现，现有研究存在三个主要局限：其一，多聚焦单一评估维度（如仅 posture classification或仅 risk prediction）；其二，数据采集环境与真实工业场景存在差异；其三，模型比较缺乏统一基准。

针对上述问题，研究构建了具有创新性的实验体系。采用六自由度IMU传感器阵列（每肢体3个节点共18个传感器），在模拟真实产线的控制实验室中，设计包含5大类32项具体子任务的标准化操作流程。每个操作节点均由双认证的作业安全专家按照RULA/REBA标准进行风险等级判定（低/中/高三级），形成包含1200组标注数据的基准数据集。特别值得关注的是其双输出评估架构：既通过时序特征分析识别操作类型（如螺丝刀使用、电缆剪断等），又基于关节运动学参数计算累积应变指数。

在模型选择方面，突破传统研究多采用单一算法的局限，系统对比了CNN、DNN、SVM、KNN、决策树和随机森林六种经典机器学习模型的性能表现。研究团队通过三阶段验证流程确保结果可靠性：首先进行数据标准化处理，包括动态校准消除传感器偏移，采用滑动窗口法（窗口长度2.5秒，重叠率50%）进行运动模式分割；其次构建包含物理量纲转换的评估指标体系，将原始加速度数据转化为关节角度、屈曲度等可解释的工程参数；最后设计多维度评估矩阵，综合考虑准确率、召回率、F1值、实时处理延迟（<200ms）和跨场景泛化能力（包括不同体型操作者、设备负载差异等）。

实验结果显示，深度学习模型在双任务识别中展现出显著优势。DNN架构在任务分类（92%准确率）和风险预测（90%准确率）方面表现最佳，其优势体现在：1）通过多层特征提取网络捕捉加速度信号的时频域特征；2）采用双输出端点网络架构同步处理任务识别与风险评估；3）引入动态权重调整机制，根据实时风险等级自动优化分类阈值。值得注意的是，传统机器学习模型在实时性指标上表现更优（平均延迟132ms），但跨场景泛化能力较弱，验证了在动态工业环境中深度学习模型的长尾优势。

研究进一步揭示了不同模型的适用场景：随机森林在快速风险评估（延迟89ms）中表现优异，适合作为边缘计算设备的轻量化方案；CNN在空间特征提取方面具有独特优势，能有效识别螺丝刀握持、电动工具使用等典型操作模式；而SVM在低计算资源环境（如嵌入式设备）中展现出较高的预测稳定性。这些发现为后续的模型融合和硬件部署提供了重要参考。

方法论层面，研究首次将RULA/REBA的物理评估阈值转化为可计算的机器学习损失函数。通过建立人体工程学参数与传感器信号的映射关系，将RULA的5项肩部评估指标（如水平前伸、垂直上举）和REBA的7类风险维度（如腕部屈曲、髋部扭转）转化为18个量化特征维度。这种创新性转化使得传统主观评估体系能够无缝对接机器学习算法，为标准化风险评估提供了技术桥梁。

在应用验证方面，研究团队构建了包含三个典型产线场景的测试矩阵：电子设备拆解线（精度要求±0.5mm）、机械部件分离线（动态载荷变化范围15-45N）和包装箱拆解线（多肢体协同作业）。测试结果显示，DNN模型在复杂场景下的综合表现最为稳定，其F1值在三类场景中波动范围控制在3%以内。特别在包装箱拆解的多人协作场景中，模型仍能保持89%的准确率，这主要得益于设计的空间-时间联合编码机制。

该研究的重要启示体现在三个维度：技术层面，证明了深度学习模型在双任务实时监测中的可行性；方法层面，建立了从物理评估标准到机器学习模型的转化框架；应用层面，验证了在工业4.0环境中实现人机协同安全监控的技术路径。但研究也客观指出了当前方案的局限，主要表现为：1）数据采集仍局限于实验室环境，需进一步验证产线适用性；2）传感器布局对模型性能敏感，尚未解决多肢体协同时的信号干扰问题；3）动态风险评估算法在设备故障等极端场景下的鲁棒性有待提升。

值得关注的是，研究团队在伦理规范方面进行了创新性处理。采用虚拟现实技术模拟真实拆解作业，通过动作捕捉系统将人体运动转化为可评估的数字孪生模型。这种"影子操作"方式既符合伦理要求，又保证了数据标注的标准化。实验数据显示，这种模拟训练产生的传感器信号与真实作业具有高度一致性（相关系数0.87），为后续部署提供了可靠基础。

未来研究方向建议从三个层面深化：技术优化层面，探索图神经网络在多传感器融合中的应用；评估体系层面，构建包含动态适应能力的风险分级标准；系统架构层面，开发基于5G边缘计算的分布式监测系统。特别是需要解决实时性与精度的平衡问题——当前DNN模型虽精度最高，但处理延迟达320ms，略高于工业机器人 typical cycle time（200-500ms）。通过模型轻量化（如知识蒸馏技术）或多模态数据融合，有望在保持90%+准确率的前提下将延迟压缩至100ms以内。

该研究为智能工厂的人机协作安全监控提供了可复用的技术框架。其核心价值在于：首次在协作拆解场景中实现任务类型与风险等级的同步识别；建立标准化数据集与评估矩阵；验证多模型融合的可行性。这些成果不仅填补了人机协作 ergonomic risk的实时监测空白，更为工业4.0环境中的数字健康监护提供了理论支撑和实践范例。