基于机器学习的生物动力学模型预测全身振动传递:比较评估

《Discover Public Health》:Comparative evaluation of machine learning models for predicting vibration transmission across body segments in seated shuttle car operators

【字体: 大 中 小 】 时间:2026年05月29日 来源:Discover Public Health

编辑推荐:

  研究人员针对全身振动(Whole-Body Vibration, WBV)下坐姿人体响应建模这一难题,考虑到人体测量学、姿势和振动特性的复杂影响,指出传统生物动力学模型常依赖固定质量假设和预定义的身体材料属性,限制了其对现实条件的适应性。因此,本研究开发了一种

  
研究人员针对全身振动(Whole-Body Vibration, WBV)下坐姿人体响应建模这一难题,考虑到人体测量学、姿势和振动特性的复杂影响,指出传统生物动力学模型常依赖固定质量假设和预定义的身体材料属性,限制了其对现实条件的适应性。因此,本研究开发了一种基于机器学习(Machine Learning, ML)的生物动力学模型,利用现场测量的振动数据,预测就座梭车操作员关键身体节段间的振动传递。
六种监督式机器学习(ML)算法被评估,以确定最适合预测身体节段振动传递率的方法。研究人员使用三轴加速度计,从108名成年男性梭车操作员身上采集了WBV加速度数据,传感器布置在座椅接口和六个身体位置,以捕获垂直振动传递。输入预测变量包括年龄、身体质量指数(Body Mass Index, BMI)、驾驶经验、姿势类型、座椅-臀部接口衣物层数、激励频率和振动幅度。输出目标是身体节段的振动传递率值。模型性能通过训练和测试期间的平均绝对误差(Mean Absolute Error, MAE)、均方误差(Mean Squared Error, MSE)和决定系数(Coefficient of Determination, R2)进行评估,并使用未见数据集进行了额外验证。
在所有模型中,人工神经网络(Artificial Neural Network, ANN)达到了最高的预测精度(R2 = 0.9839),其次是高斯过程回归(Gaussian Process Regression, R2 = 0.9771)、决策树(Decision Tree, R2 = 0.9676)、随机森林(Random Forest, R2 = 0.9582)和支持向量回归(Support Vector Regression, R2 = 0.3121)。
本研究提出的基于ANN的生物动力学模型能够可靠地预测坐姿人体节段间的垂直振动传递,并在人体工程学评估和WBV相关职业风险评估方面展现出强大的应用潜力。
机械振动是采矿、建筑、农业和林业等许多工业活动不可或缺的组成部分。其中,全身振动(Whole-Body Vibration, WBV)是一种显著的职业危害,当工人在振动表面上坐姿或站姿时发生,重型机械和车辆操作员普遍经历此情况[1, 2]。人体对WBV的生理反应取决于振动幅度、频率和方向,并因职业环境而异[1]。在地下煤矿开采中,车辆操作员(如铲运机(Load Haul Dumpers, LHDs)、人员运输车和梭车(Shuttle Cars, SCs))的WBV暴露尤为严重。在印度,基于连续采煤机的大量生产系统的日益普及导致梭车在煤炭运输中被广泛使用。SC操作员每班通常执行50-60个操作周期,每个周期持续6-8分钟,导致长时间且重复的WBV暴露,常常超过ISO 2631-1:1997[3,4,5]建议的健康指导警戒区(Health Guidance Caution Zone, HGCZ)限值。流行病学研究一致将此类暴露与肌肉骨骼疾病(Musculoskeletal Disorders, MSDs)联系起来,特别是腰痛、脊柱不适和肌肉疲劳[3, 4, 6,7,8,9]。
理解振动通过坐姿人体的传递对于制定有效的预防性和人体工程学干预措施至关重要。已经提出了多种生物动力学建模方法,包括集总参数模型、有限元模型和多体系统,用于分析WBV传递[10, 11]。然而,这些传统模型依赖于简化假设和固定的生物力学参数,限制了它们捕捉由人体测量学、姿势、操作条件和振动特性变化引起的非线性相互作用的能力。机器学习(Machine Learning, ML)方法提供了一种有前景的替代方案,能够进行数据驱动建模,无需预定义结构假设即可处理复杂的非线性关系[12-16]。先前的研究已经证明了ML技术(特别是人工神经网络(Artificial Neural Networks, ANNs)、随机森林(Random Forests, RFs)和基于提升的方法)在以高精度预测生物力学响应和振动相关健康结果方面的潜力[17-20]。这些发现凸显了ML在现实现场条件下进行生物动力学建模的适用性。
尽管取得了这些进展,但此前尚无研究系统地比较多种ML算法,利用现场测量的WBV数据预测坐姿矿用车辆操作员的身体节段振动传递率。因此,本研究旨在开发并评估六种基于监督ML的回归模型,以预测坐姿梭车操作员不同身体节段的振动传递。模型纳入了关键的人口统计学、生物力学和振动相关预测变量,包括年龄、身体质量指数(Body Mass Index, BMI)、工作经验、姿势(背部支撑或无支撑)、座椅-臀部接口衣物层数、激励频率和振动幅度。通过比较评估模型性能,本研究旨在识别最稳健可靠的ML框架用于生物动力学振动建模,在人体工程学评估和WBV相关职业风险评估方面具有潜在应用。
六种监督式回归模型,ANN、随机森林回归(Random Forest Regression, RFR)、极端梯度提升(Extreme Gradient Boosting, XGBoost)、高斯过程回归(Gaussian Process Regression, GPR)、支持向量回归(Support Vector Regression, SVR)和决策树回归(Decision Tree Regression, DTR),使用四个性能指标进行评估:平均绝对误差(Mean Absolute Error, MAE)、均方误差(Mean Squared Error, MSE)、均方根误差(Root Mean Squared Error, RMSE)和决定系数(Coefficient of Determination, R2)。这些指标针对六个生物力学输出变量计算,代表在实际条件下坐姿梭车操作员关键身体节段的振动传递率。如表2所示,ANN模型优于所有其他方法,达到了最低的MAE (0.0226)、MSE (0.0013)和RMSE (0.0353),以及最高的R2值 (0.9839)。这种强大的预测精度突显了ANN在建模与WBV暴露相关的复杂非线性生物力学响应方面的卓越能力。
GPR模型表现出第二好的性能(R2 = 0.9771),其次是决策树(DTR, R2 = 0.9676)、随机森林(RFR, R2 = 0.9582)和XGBoost (R2 = 0.9569),它们提供了令人满意但相对较低的精度。相比之下,SVR模型表现最差,MAE (0.1100)和RMSE (0.2301)较高,R2 (0.3121)较低,表明其不适合此类非线性生物力学数据。视觉比较结果显示在图7、8和9中。
对来自未参与模型训练或测试的独立未见数据集的ANN预测值与实验测量的振动传递率值的进一步比较(图5和6)证实了ANN模型的泛化性能。该模型有效地捕获了所有六个身体节段观察到的振动模式,特别是在3-8 Hz频率范围内,这对应于人类脊柱的固有共振频率。在此范围内准确预测至关重要,因为共振效应与职业性腰痛和振动诱发的肌肉骨骼疾病的发作密切相关。
ANN架构采用四个隐藏层,神经元配置为(8, 16, 24, 32),在预测精度和模型复杂度之间取得了最佳平衡(图4)。隐藏层采用‘tansig’激活函数以捕获非线性关系,而输出层采用‘purelin’激活函数以适应回归问题的性质。输入和输出变量均使用‘mapminmax’归一化至[0, 1]范围,以确保数值稳定性和高效收敛。为确保模型与数据集大小的适用性,贝叶斯正则化自动惩罚过度的网络权重,有效控制模型复杂度。通过提前停止(最大验证失败次数=12)、最小性能梯度1?×?10??7和最大1500个训练周期实现了额外的过拟合控制。Levenberg-Marquardt阻尼参数初始化为μ?=?0.001。训练后,模型预测使用逆转换(mapminmax (‘reverse’))反归一化,以将输出恢复到其原始物理尺度。这种优化的ANN架构在学习不同解剖位置复杂非线性振动传递特性方面表现出稳健的性能。
随机森林(RF)回归使用MATLAB的‘TreeBagger’函数实现,包含100棵决策树。每棵树在训练数据的引导样本上训练,并在每次分裂时进行随机特征选择以促进模型多样性。最终预测通过对所有树的输出取平均得出,有效降低了方差并提高了稳健性。这种集成方法增强了稳定性,缓解了过拟合,并捕获了非线性输入-输出关系。为每个生物力学输出变量训练了独立的RF模型,以确保针对特定变量进行优化。
极限梯度提升(XGBoost)使用MATLAB的‘fitrensemble’函数实现,采用最小二乘提升(Least Squares Boosting, LSBoost)方法,包含100个学习周期。在此顺序提升框架中,每个新的弱学习器(浅层决策树)都拟合前一个模型的残差误差,迭代最小化平方损失。这种逐步修正能够有效建模复杂的非线性模式。针对每个生物力学输出开发了单独的XGBoost模型,允许精确的特定变量学习。学习率设置为0.1,并使用最大深度为5的浅层回归树作为弱学习器,以避免过拟合。
高斯过程回归(GPR)使用MATLAB的‘fitrgp’函数实现,采用平方指数(RBF)核和常数基函数。此核函数捕获平滑的非线性趋势,而超参数通过最大化边际似然进行优化,提供了内在正则化。作为概率非参数模型,GPR为每个输出提供点预测和不确定性估计。这种方法对于预测不确定性至关重要的小数据集特别有利。在训练期间,核尺度(σ)和噪声方差通过最大化边际似然自动优化。
支持向量回归(SVR)使用MATLAB的‘fitrsvm’函数实现,采用高斯径向基函数(RBF)核。该模型最小化ε (epsilon)不敏感损失,同时惩罚超出定义范围的偏差,平衡模型复杂度和泛化能力。仅支持向量(超出ε-管道的样本)对回归函数有贡献,确保稀疏表示。在SVR中,ε (epsilon)参数指定了回归线周围ε-不敏感区域的宽度,其中小于‘ε’的预测误差被忽略。仅误差超过此阈值的样本影响模型训练。SVR有效处理非线性、高维关系,对于表现出高可变性的输出,集成了基于集成的方法。箱约束(C)和核尺度(γ)使用MATLAB内置的超参数优化自动优化,而ε-不敏感损失参数设置为0.1。
决策树回归(DTR)使用MATLAB的‘fitrtree’函数实现。该模型通过选择在每个节点最小化均方误差(Mean Squared Error, MSE)的特征和阈值来递归地划分输入空间。终端节点的预测代表该区域内目标值的均值。由于其高可解释性和简单性,DTR在本研究中作为基线模型。然而,作为单树方法,它容易过拟合,通常缺乏集成方法的泛化能力。最小叶节点大小设置为10,最大树深度不受限,允许树生长直到进一步分裂不能降低MSE。
本研究中不同ML算法使用的关键超参数已提供,以确保提出的ML框架的透明度和可重复性。
研究参与者的人口统计学特征总结于表1。操作员的年龄范围从25岁到48岁,平均年龄为34.5?±?3.53岁,代表了通常从事地下采矿作业的中年工作人群。平均体重和身高分别为68.88?±?1.41 kg和1.64?±?0.01 m,对应的平均BMI为24.64?±?0.94 kg/m2,处于正常到超重范围。参与者的平均工作经验为9.64?±?0.71年,表明具有大量的职业暴露和对操作任务的熟悉程度。这些特征反映了一个有经验的采矿车辆操作员的代表性样本,适用于现场生物动力学振动分析。
讨论部分的比较分析揭示了所评估的机器学习模型在预测坐姿梭车操作员振动传递方面存在明显的性能差异。在所有方法中,ANN在所有评估指标上均表现出最高的预测精度。这种优越的性能可归因于其深层架构结合贝叶斯正则化(‘trainbr’),这增强了泛化能力并有效控制了过拟合。输入输出归一化进一步提高了训练稳定性,使ANN能够捕获现实世界职业数据中常见的与人体测量学、姿势和振动相关参数之间的复杂非线性关系。
高斯过程回归(GPR)也表现出强大的性能,体现在较高的决定系数和较低的误差值上。其概率框架提供了不确定性估计的额外优势,这对于职业风险评估很有价值,尽管其预测精度略低于ANN。
随机森林(RF)和决策树(DTR)模型达到了合理的精度,这得益于它们建模非线性相互作用的能力和可解释性;然而,与ANN相比,它们的稳健性较低。XGBoost表现令人满意,但可能受到中等数据集大小和有限超参数调优的限制。相比之下,支持向量回归(SVR)表现出较差的性能,这可能是由于其对核选择的敏感性以及在处理多输出非线性生物力学数据方面的困难。
总体而言,这些发现突出了ANN是建模生物力学振动传递中非线性、多维关系的最有效方法。GPR和RF作为稳健的替代方案,分别在不确定度估计和可解释性方面提供了有价值的见解。相比之下,SVR在其当前配置下被证明不适合此类应用。精炼的ANN架构表现出稳定的收敛性和强大的泛化能力。训练、验证和测试的MSE值分别为0.0015、0.0030和0.0015,表明过拟合最小化且学习行为平衡。训练、验证和测试数据集的相应相关系数(R?=?0.9924, 0.9908, 0.9817,整体为0.9912)进一步突显了模型在所有数据分区中的稳健性。这些性能指标超过了先前报道的类似实验室ANN研究(例如,Gohari et al., 2014; R?=?0.9817),从而验证了模型在地下煤矿开采作业典型复杂动态载荷和环境变异性下的现场条件下的可靠性[36]。
尽管这些结果很有希望,但仍应承认一些局限性。研究人群仅限于来自特定采矿地区的男性梭车操作员,并且仅考虑了垂直振动分量。此外,尽管根据已建立的WBV文献选择了七个输入参数,但未进行正式的敏感性或消融分析来量化每个预测变量的相对贡献。诸如座椅-臀部接口衣物层数之类的参数被纳入以代表实际的现场变化,但未量化详细的材料特性。模型验证主要依赖于随机留出测试,而非受试者间的交叉验证。
未来研究应通过纳入更大、更多样化的人群、多轴振动分量、受试者间交叉验证策略和系统敏感性分析来解决这些局限性。这些扩展将进一步增强模型的可解释性、稳健性和实际适用性。提出的基于ANN的框架显示出作为振动暴露评估、人体工程学干预设计和减轻地下矿用车辆操作员肌肉骨骼健康风险的决策支持工具的强大潜力。
实际意义:研究结果表明,基于ML的生物动力学建模作为职业健康管理的有效决策支持工具具有潜力。开发的ANN框架能够识别振动敏感身体节段,并在现实操作条件下量化传递风险,支持人体工程学座椅设计、振动缓解策略和改进的工作休息规划。其高预测精度增强了暴露风险评估,并促进了主动干预,以减少采矿车辆操作员中的振动诱发肌肉骨骼疾病,特别是腰痛。这种方法有助于在振动密集型行业中实现更安全的工作场所和基于证据的职业健康实践。
本研究比较了六种回归模型,ANN、RF、XGBoost、GPR、SVR和DT,以预测坐姿梭车操作员关键身体节段的振动传递。其中,ANN表现出卓越的预测性能,达到了最高的R2 (0.9839)和最低的误差,而GPR和RF提供了稳健的替代方案。XGBoost和DT显示出中等精度,而SVR在当前设置下表现出较差的性能。研究结果突出了结合贝叶斯正则化和归一化数据的ANN,能够有效捕捉多输出振动预测任务中的复杂非线性关系。通过准确识别脆弱的身体区域,特别是脊柱,该模型可以指导基于证据的干预措施,包括人体工程学座椅设计、工作休息安排和振动缓解策略。将此类预测框架集成到职业健康监测系统中,有可能减少工作相关肌肉骨骼疾病(Work-Related Musculoskeletal Disorders, WRMSDs)和腰痛,与预防性公共卫生政策保持一致,并有助于改善高风险振动暴露采矿环境中车辆操作员的安全和福祉。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号