Under 2017 fanns det nästan 350, 000 incidenter med sjukskrivningar på grund av skador som påverkar muskler, nerver, ligament eller senor - som karpaltunnelsyndrom - enligt U.S. Bureau of Labor Statistics. Bland arbetarna med flest incidenter:personer som arbetar i fabriker och lager.

Muskuloskeletala störningar inträffar på jobbet när människor använder obekväma ställningar eller utför upprepade uppgifter. Dessa beteenden skapar påfrestningar på kroppen över tid. Så det är viktigt att påpeka och minimera riskbeteenden för att hålla arbetarna friska på jobbet.

Forskare vid University of Washington har använt maskininlärning för att utveckla ett nytt system som kan övervaka fabriks- och lagerarbetare och berätta för dem hur riskabelt deras beteenden är i realtid. Algoritmen delar upp en serie aktiviteter – som att lyfta en låda från en hög hylla, bära det till ett bord och sätta ner det – i individuella åtgärder och sedan beräkna ett riskpoäng för varje åtgärd.

Teamet publicerade sina resultat den 26 juni IEEE Robotics and Automation Letters och kommer att presentera resultaten den 23 augusti vid IEEE International Conference on Automation Science and Engineering i Vancouver, British Columbia.

"Just nu kan arbetare göra en självutvärdering där de fyller i sina dagliga uppgifter på ett bord för att uppskatta hur riskabla deras aktiviteter är, " sa seniorförfattaren Ashis Banerjee, en biträdande professor i både industri- och systemteknik- och maskinteknikavdelningarna vid UW. "Men det är tidskrävande, och det är svårt för människor att se hur det direkt gynnar dem. Nu har vi gjort hela denna process helt automatiserad. Vår plan är att lägga den i en smartphone-app så att arbetare till och med kan övervaka sig själva och få omedelbar feedback."

För dessa självbedömningar, personer använder för närvarande en ögonblicksbild av en uppgift som utförs. Positionen för varje led får en poäng, och summan av alla poäng avgör hur riskabel den ställningen är. Men arbetare utför vanligtvis en serie rörelser för en specifik uppgift, och forskarna ville att deras algoritm skulle kunna beräkna en total poäng för hela åtgärden.

Att flytta till video är mer exakt, men det kräver ett nytt sätt att lägga ihop poängen. För att träna och testa algoritmen, teamet skapade en datauppsättning innehållande 20 tre minuter långa videor av människor som utför 17 aktiviteter som är vanliga i lager eller fabriker.

"En av uppgifterna vi fick folk att göra var att plocka upp en låda från ett ställ och placera den på ett bord, " sa första författaren Behnoosh Parsa, en UW maskinteknik doktorand. "Vi ville fånga olika scenarier, så ibland måste de sträcka ut armarna, vrida deras kroppar eller böja sig för att plocka upp något."

Forskarna fångade deras datauppsättning med en Microsoft Kinect-kamera, som spelade in 3-D-filmer som gjorde att de kunde kartlägga vad som hände med deltagarnas leder under varje uppgift.

Genom att använda Kinect-data, Algoritmen lärde sig först att beräkna riskpoäng för varje videobildruta. Sedan gick det vidare till att identifiera när en uppgift startade och slutade så att den kunde beräkna ett riskpoäng för en hel åtgärd.

Algoritmen märkte tre åtgärder i datamängden som riskbeteenden:plocka upp en låda från en hög hylla, och placera antingen en låda eller en stav på en hög hylla.

Nu utvecklar teamet en app som fabriksarbetare och arbetsledare kan använda för att i realtid övervaka riskerna med deras dagliga handlingar. Appen kommer att ge varningar för måttligt riskfyllda åtgärder och varningar för högriskåtgärder.

Så småningom vill forskarna att robotar i lager eller fabriker ska kunna använda algoritmen för att hålla arbetarna friska. För att se hur väl algoritmen skulle kunna fungera i ett hypotetiskt lager, forskarna lät en robotövervaka två deltagare som utförde samma aktiviteter. Inom tre sekunder efter slutet av varje aktivitet, roboten visade en poäng på sin display.

"Fabriker och lager har använt automation i flera decennier. Nu när människor börjar arbeta i miljöer där robotar används, vi har en unik möjlighet att dela upp arbetet så att robotarna gör de riskfyllda jobben, " sa Banerjee. "Robotar och människor kan ha ett aktivt samarbete, där en robot kan säga, 'Jag ser att du plockar upp de här tunga föremålen från översta hyllan och jag tror att du kanske gör det många gånger. Låt mig hjälpa dig.'"