制造业的工伤率在所有行业中都名列前茅，这通常是由于工人身体和精神疲劳程度很高。为了改善工作场所，研究人员设计了一套可穿戴传感器系统，该系统依靠机器学习来监测工人是否存在身体劳损和疲劳的迹象。通过这样做，他们希望他们的新设备能够帮助预防事故和伤害。
这项研究的细节刊登在西北大学一个团队发表于《PNAS Nexus》杂志 10 月刊上的一项研究中。为了测量疲劳和身体健康，研究人员开发了一个互联的六个可穿戴传感器阵列，这些传感器分布在佩戴者的躯干和手臂上。此外，还配备了两个深度摄像头来测量关节运动，以及一个高清网络摄像头来分析运动强度、重复性以及随着时间的推移而减弱的力量。启用后，这些设备会持续监测心率、皮肤温度和运动模式。鉴于目前没有被广泛接受的、通用的疲劳生物标志物指标，研究人员依赖于佩戴者在 0-10 分的量表上自我报告的主观劳累程度，然后将其输入机器学习模型。一旦训练完成，该模型就可以实时预测用户的疲劳水平，从而提供比过去研究“更细致地了解受试者的身体状况”，研究人员表示。
“采用新技术进行实时疲劳预测，有可能通过优化工作时间表和实施自适应工作/休息周期来彻底改变制造业，[同时]解决缺乏确定性生物标志物的问题，”该团队在其论文中写道。
为了测试他们的系统，该小组招募了 43 名年龄在 18 至 56 岁之间的参与者，然后让他们模仿两项艰苦的制造工作——电线束装配和复合材料铺层。然而，在这些场景中，志愿者还穿上了重达 40 磅的配重背心，以加快疲劳程度，达到通常在班次结束时感受到的程度。从那里，研究人员监测了传感器读数以及机器学习程序的预测。研究人员甚至将传感器（不带额外的配重）带出了实验室，并提供给两个工厂的实际制造行业工人，他们表示该系统易于使用且不显眼。
[相关：宝马在南卡罗来纳州工厂部署人形机器人。]
研究结果表明，一项直接的启示是证实“真正有意义的反馈”要求将劳累视为一个“连续变量”。他们写道，许多现有方法将个体分为疲劳或非疲劳状态，这在实施预防性安全措施方面根本不够有用。
此外，鉴于每个人的身体都不同，疲劳的最佳身体指标组合可能因个体而异，具体取决于年龄、性别和体重等因素——但在两项制造任务中仍然观察到一些普遍趋势。例如，劳累最能说明问题的迹象之一可以在用户非优势手臂的疲劳水平中找到。另一个指标可以通过测量工人使用胸部传感器进行的走动运动的强度来找到。常见的疲劳迹象，如心率加快、体温升高和出汗的传感器记录也有助于评估劳累的建模。
研究人员希望与他们类似的传感器系统能够帮助提供更准确、更有用的实时体力劳动疲劳监测器。为了促进这一点，他们将他们的方法设计在线公开提供。
然而，技术是否有用取决于其监督者的意愿。因此，该团队承认，在实际工作环境中部署此类设备时，必须对制造公司实行道德和负责任的标准。
“虽然我们通过这项研究的总体目标是通过积极反馈来确保工人安全、减轻风险并赋能操作员，但我们认识到在实际工作环境中部署此类系统所涉及的道德和法律考量，”研究人员写道。“我们希望持续的技术进步，包括我们在预测制造环境中的身体疲劳方面的努力，能够激发关于部署的建设性讨论。”
