基于机器学习与惯性传感器的生物力学风险自动评估新方法

　　本研究针对手工物料搬运引发的职业性肌肉骨骼疾病(MSDs)风险评估难题，开发了结合机器学习算法(ML)与惯性测量单元(IMU)的自动评估系统。通过胸骨和腰椎传感器数据提取时域/频域特征，实现了生物力学风险等级的精准判别（准确率>86%，AUC>95%），为职业工效学提供了客观量化新方案。

　　

职业性肌肉骨骼疾病(work-related musculoskeletal disorders)是重要的职业健康问题，其发生与手工物料搬运(manual material handling)中的强度、重复性和持续时间等风险因素密切相关。虽然现有观察性方法可用于生物力学风险评估，但主要依赖临床医师的主观判断。为此，研究者将可穿戴传感器与人工智能(artificial intelligence)技术相结合，开发了一种基于机器学习算法(machine learning algorithms)和惯性传感器(inertial wearable sensors)的创新方法，能够自动判别搬运载荷相关的生物力学风险。

研究招募了十名健康志愿者，在其胸骨(sternum)和腰椎(lumbar region)佩戴惯性测量单元(inertial measurement units, IMU)，执行标准化举重任务。通过信号处理提取了时域(time-domain)和频域(frequency-domain)的多维特征，并作为机器学习模型的输入数据。结果显示：该方法在生物力学风险分类中表现出色，准确度达86%以上，受试者工作特征曲线下面积(area under the ROC curve, AUC)超过95%。值得注意的是，胸骨被证明是最具信息量的体表标志，而平均绝对值(mean absolute value)则是最有效的特征指标。

该研究证实了自动评估程序在职业环境中的应用潜力，未来可通过更大规模人群研究进一步验证其与现有标准方法的协同价值。