|
" طراحی و ساخت کفش هوشمند باقابلیت تشخیص حدود مجاز بلندکردن بار مبتنی بر الگوهای بهینه بلندکردن بار متقارن با استفاده از الگوریتم یادگیری ماشین "
مهسا ورمزیار
احسان گروسی
همایون جعفری
| عنوان اصلي
|
:
|
طراحی و ساخت کفش هوشمند باقابلیت تشخیص حدود مجاز بلندکردن بار مبتنی بر الگوهای بهینه بلندکردن بار متقارن با استفاده از الگوریتم یادگیری ماشین
|
| عنوان اصلي به زبان ديگر
|
:
|
Design and Construction of a Smart Shoe with Load Lifting Detection Capability Based on Optimal Symmetrical Load Lifting Patterns Using Machine Learning Algorithm
|
| نام نخستين پديدآور
|
:
|
مهسا ورمزیار
|
| استاد راهنما
|
:
|
احسان گروسی
|
| استاد مشاور
|
:
|
همایون جعفری
|
| نام مرکز
|
:
|
دانشکده بهداشت
|
| نوع مدرک
|
:
|
پایان نامه فارسی
|
| شماره رکورد
|
:
|
717080
|
| شماره مدرک
|
:
|
۸۱۳۰۰۳۰پ
|
| زبان مدرک
|
:
|
فارسی
|
| زبان اثر اصلي
|
:
|
فارسی
|
| سرشناسه
|
:
|
پایان نامه نویس ورمزیار، مهسا
|
| صفحه شمار
|
:
|
۱۳۶ص.
|
| مقطع تحصیلی
|
:
|
کارشناسی ارشد
|
| رشته تحصیلی
|
:
|
ارگونومی
|
| تاریخ دفاع
|
:
|
۱۴۰۳
|
| دانشگاه/ دانشکده
|
:
|
علوم پزشکی ایران
|
| موضوع
|
:
|
کفش
|
|
|
:
|
مهندسی محیط کار انسان
|
|
|
:
|
Human Engineering
|
| شناسه افزوده
|
:
|
استاد راهنماگروسی، احسان
|
|
|
:
|
، استاد مشاورجعفری، امیر همایون
|
| چکيده
|
:
|
عنوان پایان نامه: طراحی و ساخت کفش هوشمند باقابلیت تشخیص حدود مجاز بلندکردن بار مبتنی بر الگوهای بهینه بلندکردن بار متقارن با استفاده از الگوریتم یادگیری ماشینمقدمه: در حوزه ارگونومی، ارزیابی بلندکردن بار به منظور تعیین حدود مجاز فشار وارده به دیسکهای بین مهره‌ای کمری از اهمیت بالایی برخوردار است. علیرغم پیشرفت‌های تکنولوژی و هوش مصنوعی، بسیاری از محققان از تکنیک‌های مشاهده‌ای یا ذهنی برای ارزیابی سطح ریسک بلندکردن بار استفاده می‌کنند. هدف مطالعه حاضر ساخت کفی یا کفش هوشمند باقابلیت تشخیص نیروی وارده به کمر بوده تا با توجه به توزیع فشار کف پا و زاویه تنه، به صورت خودکار و در لحظه، پوسچر ایمن یا ناایمن بلندکردن بار را شناسایی کرده و بازخورد نوری و صوتی متناظر را ایجاد کند. روش کار: مطالعه حاضر طی سه فاز در محیط آزمایشگاهی دانشگاه علوم ایران انجام شد. در فاز اول مطالعه از 23 شرکت‌کننده آقا خواسته شد تا ضمن ایستادن بر روی کفی کفش مجهز به 12 سنسور مقاومتی نیرو و تعبیه سنسور زاویه‌سنج در ناحیه مهره 8 سینه‌ای، وظایف بلندکردن دستی بار متقارن را در 36 حالت (3 فاصله از بدن 4 ارتفاع از زمین 3 وضعیت وزن بار) انجام دهند. داده‌های فشار کف پا و زاویه تنه به صورت الگوی سریالی به مدت 5 ثانیه با فرکانس 5 هرتز ثبت شد. سپس هر الگو بر اساس شاخص یوتا به‌عنوان پوسچر ایمن یا ناایمن برچسب‌گذاری شد. در فاز دوم مطالعه الگوریتم‌های یادگیری ماشین براساس میانگین زمانی داده‌های فشار کف پا و زاویه تنه (پنجره زمانی یک و سه‌ثانیه‌ای) آموزش داده شد و بهترین مدل پیش‌بینی کننده پوسچر ایمن یا ناایمن با استفاده از کتابخانه تنسورفلو بر روی برد ESP32 کامپایل شد و در نهایت کفی یا کفش هوشمند باقابلیت تشخیص پوسچر ناایمن و ایجاد هشدار نوری و صوتی مونتاژ گردید. در فاز سوم مطالعه از 10 شرکت‌کننده آقا خواسته شد تا ضمن پوشیدن کفی یا کفش هوشمند حالت‌های بلندکردن بار را انجام دهند و در هر حالت ضریب همبستگی پیرسون بین پاسخ‌های کفش و نیروی وارده به کمر تعیین شد. برای پردازش داده از نرم‌افزارهای MATLAB (نسخه R2023b)، Visual Studio Code (نسخه 1.96.2) ArduinoIDE (نسخه 2.1.0) وSPSS (نسخه 27) استفاده شد. یافته‌ها: نتایج آموزش 7 مدل نظارت شده یادگیری ماشین با در نظر گرفتن 13 ویژگی (12 سنسور فشار و زاویه تنه) نشان داد که مهمترین ویژگی مرتبط با زاویه تنه و سنسور فشار در ناحیه پاشنه پا بوده است. همچنین، در مجموعه داده‌ها با پنجره زمانی 3 ثانیه‌ای، مدل رگرسیون لجستیک با صحت 91%، دقت 93% و ویژگی 89% و در مجموعه داده‌ها با پنجره زمانی 1 و 3 ثانیه‌ای، مدل ماشین بردار پشتیبان (SVM) با صحت 88%، حساسیت 92% و ویژگی 83% نسبت به مدل‌های دیگر از عملکرد بهتری برای پیش‌بینی پوسچرهای ایمن و ناایمن برخوردار بودند. علاوه بر این، با توجه به ارزیابی نهایی عملکرد کفی یا کفش هوشمند، مدل رگرسیون لجستیک (در پنجره زمانی 3 ثانیه‌ای) با صحت 88% و مدل SVM (در پنجره زمانی 1 و 3 ثانیه‌ای) با صحت 84% پوسچرهای ایمن یا ناایمن بلندکردن دستی بار متقارن را به درستی با پاسخ صوتی و بصری تشخیص داد. همچنین، در شرایط آموزش مدل رگرسیون لجستیک (در پنجره زمانی 3 ثانیه‌ای)، همبستگی معنادار 0.69 و در شرایط آموزش مدل SVM (در پنجره زمانی 1 و 3 ثانیه‌ای) همبستگی معنادار 0.51 بین نیروی فشاری وارده به دیسکهای بین مهره‌ای کمری و پاسخ‌های متناظر کفی یا کفش هوشمند یافت شد.نتیجه گیری: نتایج مطالعه حاضر نشان داد که صحت و دقت مدل‌های پیش‌بینی کننده پوسچر ایمن یا ناایمن وابسته به پنجره زمانی استفاده شده برای آموزش مدل ماشین بوده است. هنگام برنامه نویسی برد الکترونیک با مدل‌های آموزش‌دیده رگرسیون لجستیک و ماشین بردار پشتیبان، کفش هوشمند عملکرد قابل قبولی (زمان و صحت) برای پیش‌بینی برخط ریسک ناایمن بودن پوسچرهای بلندکردن بار را داشته بنابراین می‌توان اذعان داشت که کفی یا کفش هوشمند مجهز به سنسورهای مقاومتی نیرو و زاویه‌سنج به‌عنوان یک روش ارزیابی خودکار پوسچر کاربرد خواهد داشت. با این حال، برای تعمیم‌پذیری بیشتر مدل، نیاز به مطالعات گسترده‌تر با در نظر گرفتن شرایط متفاوت بلندکردن بار و جمعیت‌های کاری متنوع وجود دارد. کلمات کلیدی نویسنده: ارزیابی ارگونومی، اختلالات اسکلتی-عضلانی، بلندکردن بار، یادگیری ماشین، کفش هوشمند
|
| چکيده
|
:
|
Introduction: In the field of ergonomics, the evaluation of lifting tasks to determine permissible limits of pressure on lumbar intervertebral discs is of significant importance. Despite advances in technology and artificial intelligence, many researchers still use observational or subjective techniques to assess the risk level of lifting tasks. The aim of this study is to create a smart shoe capable of detecting the force exerted on the lower back, so that based on the distribution of foot pressure and back angle, it can automatically and in real-time identify safe or unsafe lifting postures and provide corresponding visual and auditory feedback. Method: This study was conducted in three phases in the laboratory environment of the University of Iran. In the first phase, 23 male participants were asked to perform symmetrical manual lifting tasks in 36 different conditions (3 distances from the body × 4 heights from the ground × 3 weight positions) while standing on a shoe sole equipped with 12 force-sensitive sensors and an angle sensor placed at the T8 vertebra. Foot pressure data and truunk angle were recorded as a serial pattern for 5 seconds at a frequency of 5 Hz. Each pattern was then labeled as a safe or unsafe posture based on the Utah Index. In the second phase, machine learning algorithms were trained using the time-averaged data of foot pressure and trunk angle (1-second and 3-second time windows). The best predictive model for safe or unsafe posture was compiled on an ESP32 board using the TensorFlow library, and finally, a smart shoe capable of detecting unsafe postures and providing light and sound warnings was assembled. In the third phase, 10 male participants were asked to perform lifting tasks while wearing the smart shoe, and for each condition, the Pearson correlation coefficient between the shoe responses and the force exerted on the back was determined. Data processing was carried out using MATLAB (version R2023b), Visual Studio Code (version 1.96.2), ArduinoIDE (version 2.1.0), and SPSS (version 27). Findings: The results of training 7 supervised machine learning models considering 13 features (12 pressure sensors and back angle) showed that the most important features were related to the back angle and the pressure sensor in the heel area. Moreover, in the dataset with a 3-second time window, the logistic regression model with an accuracy of 91%, precision of 93%, and specificity of 89%, and in the dataset with 1-second and 3-second time windows, the support vector machine (SVM) model with an accuracy of 88%, sensitivity of 92%, and specificity of 83% outperformed other models in predicting safe and unsafe postures. Additionally, in the final performance evaluation of the smart shoe trained with the logistic regression model (3-second time window) and the SVM model (1-second and 3-second time windows), 88% and 84% of safe or unsafe symmetrical lifting postures were correctly identified with auditory and visual responses, respectively. Furthermore, in the condition of training with the logistic regression model (3-second time window), a significant correlation of 0.69, and in the condition of training with the SVM model (1-second and 3-second time windows), a significant correlation of 0.51 was found between the compressive force exerted on lumbar intervertebral discs and the corresponding responses of the smart shoe. Conclusion: The results of this study indicated that the accuracy and precision of predictive models for safe or unsafe postures depend on the time-averaging (dataset) used for machine learning model training. The smart shoe trained with logistic regression and support vector machine models demonstrated acceptable performance (time and accuracy) for real-time prediction of the risk of unsafe lifting postures. Therefore, it can be concluded that the smart shoe equipped with force-sensitive sensors and an angle sensor can serve as a practical method for automatic posture evaluation. However, for broader generalizability of the model, further extensive studies considering different lifting conditions and diverse working populations are needed. Keywords: Ergonomic evaluation, Musculoskeletal disorders, Lifting tasks, Machine learning, Smart shoe
|
| |