ウェアラブルセンサーを用いたエクソスケルトン支援の胴体屈曲タスクにおける機械学習に基づく疲労レベル予測

エクソスケルトンを用いたタスク実行中の身体的負荷のモニタリングは、産業タスクへの適性を理解する上で重要です。本研究は、ウェアラブルセンサーを使用してバックサポート産業エクソスケルトン（BSIE）の疲労レベル予測モデルを開発することを目的としました。14人の参加者が、静的、持続的、動的な活動から成る中断的な胴体屈曲タスクサイクルを実行し、中程度から高い疲労レベルに達するまで、BSIEを着用していました。サポートベクターマシン（SVM）、ランダムフォレスト（RF）、およびXGBoost（XGB）の3つの分類アルゴリズムが、慣性計測ユニット（IMU）を統合した4つのウェアラブル無線筋電図（EMG）センサーの特徴を使用して、背中と脚の領域での認識された疲労レベルを予測するために実装されました。予測性能を比較することによって、最良のグループ化とセンサーの組み合わせを検討しました。結果は、脚と背中の疲労の二項分類において、それぞれ95％（2 EMG + IMUセンサー）および82％（単一IMUセンサー）の精度で最良の性能を示しました。背中と脚の疲労レベル予測のための三項分類には、EMGとIMUの両方を測定する4つのセンサーセットアップが必要であり、それぞれ79％および67％の精度で実行されました。本記事で示された努力は、実世界のシナリオにおけるBSIEの客観的な疲労評価、設計選定、および実施に役立つ可用的な疲労レベル検出システムの実現可能性を示しています。