在密苏里州通过实时监测工人的生命体征和活动，研究人员开发了一种强大的系统来预测疲劳，为公司提供了减少伤害和提高工作绩效的尖端解决方案。

在最近发表在PNAS Nexus杂志上的一项研究中，研究人员探索了使用多模态可穿戴传感器结合机器学习来测量制造业工人的实时疲劳程度。他们的研究结果通过监测生命体征和运动，对工厂工作的身体挑战提供了重要的见解，对改善工作条件和提高生产率具有重要意义。

背景

特定任务的疲劳指标：研究表明，不同的任务以不同的方式影响身体，左臂运动和心率变异性在某些制造任务的疲劳预测中起着更重要的作用。

制造业的疲劳成本很高，在美国，与健康有关的生产力损失的成本估计为每年1360亿美元。瑞典、日本、欧盟和加拿大的工人也有高度疲劳的报告，90%的轮班工人报告经常疲劳、困倦、更高的受伤风险、事故和慢性疲劳综合征或肌肉骨骼疾病等状况。

疲劳很难监测，因为它没有通用的生物标志物。虽然标准的评估工具侧重于身体姿势来测量，但它们可能无法完全捕捉到肌肉骨骼疲劳和疲劳的综合迹象。将疲劳过度简化为二元状态忽略了体力消耗水平的细微差别。

腕部可穿戴设备或下肢传感器已被用于记录疲劳。然而，他们受到隐私问题的限制，并且依赖于任务需要步行的假设。缺乏适合工厂工作环境的多模式和实用的传感系统。

一个关于研究

在这项研究中，研究人员将疲劳视为一个连续变量，使用多模态传感来捕捉运动和生理信号。根据感知到的努力程度，疲劳程度以0到10的等级来衡量，这通常用于运动科学。在机器学习模型中还部署了自定义的非对称损失函数，以减少预测不足错误的影响，从而提供更深入的理解。

这项研究的参与者包括43名工人，他们参与了两项制造任务：复合材料板铺层和线束。他们佩戴了柔软的可穿戴传感器，可以实时、连续地监测运动和生命体征，包括皮肤温度和心率。这些传感器还被设计成与皮肤兼容、不显眼、灵活。

研究人员开发了数据分析和可视化产品，可用于预测疲劳，并为公司和工人提供指导。

发现

绩效跟踪指标：该研究引入了制造任务的绩效分数，表明任务学习最初会提高绩效，但重复的任务会导致疲劳导致的绩效下降。

参与者年龄在18-56岁之间，其中23.7%为女性。他们被分配了两项任务，数据是在18个月内收集的。这些任务的设计是为了模拟现实世界的制造环境，通过重复的步骤来诱发疲劳，包括“复合材料板铺设”任务，这需要工人放置和光滑碳纤维板，以及“线束”任务，这需要在电缆系统周围系上拉链。参与者还穿着加重的背心，以增加他们感受到的运动量。

这些模型发现，不同的人会经历不同的疲劳生理症状，对于同一个人来说，这些症状也可能随着时间的推移而变化。结果显示，在重复几轮任务后，疲劳导致绩效分数下降，表明疲劳对工作绩效有负面影响。

由于任务学习，表现最初有所提高，但随着疲劳的增加而下降。参与者之间的分数差异也随着疲劳的开始而增加，显示出疲劳抵抗的个体差异。

研究发现，非主导臂的运动，尤其是在同步运动的任务中，与心率等生理指标一样，在预测疲劳程度方面至关重要。具体来说，最大心率和左臂运动是预测疲劳的主要因素。

在工厂环境下工作的用户对测量设备的反馈表明，传感器通常被认为不引人注目，这项技术可以改善工作条件。调查还显示了对舒适性和易用性的积极反应，参与者接受数据跟踪，并报告由于传感器而降低了任务障碍。

结论

疲劳在制造业工人中很常见，导致更高的受伤风险、更低的生产率和健康问题。改善人体工程学和减轻疲劳是至关重要的，但目前的挑战包括缺乏不显眼的疲劳传感方法和可靠的生物标志物。

这项研究收集了43名受试者在制造环境中执行两项任务的真实数据。其目标是将疲劳建模为一个连续变量，改进以前只将工人划分为“疲劳”或“不疲劳”的方法。

疲劳建模是复杂的，受嘈杂的自我报告的影响，并且因个人和任务而异。例如，机车特征对于同步运动的任务更为重要。研究人员还采用了定制的非对称损失函数，该函数优先减少模型低估疲劳程度的错误，因为这对于实际应用来说更为重要。当模型在未包含在训练数据中的新个体上进行测试时，性能下降，突出了个体的可变性。

该系统使用可穿戴传感器监测工作人员的疲劳程度，并通过视觉仪表板提供实时反馈。它在一家工厂测试成功，工人们对它的易用性和实用性给予了积极的反馈。

虽然该系统旨在提高工人的安全并赋予员工权力，但在工作场所部署此类系统会引发道德和法律方面的担忧。例如，自我报告的疲劳评分有时会有偏差，因为工人可能会因为担心行政关注而少报疲劳。研究人员希望他们的工作将推动有关负责任地使用这些技术的讨论。该数据集已公开供未来研究使用。