En surveillant les signes vitaux et les mouvements des travailleurs en temps réel, les chercheurs ont développé un système puissant pour prédire la fatigue, offrant ainsi aux entreprises une solution de pointe pour réduire les blessures et améliorer les performances au travail.
Étude : Réseau portable pour la prévision de la fatigue physique à plusieurs niveaux chez les ouvriers du secteur manufacturier. Crédit d'image : UNIKYLUCKK/Shutterstock
Dans une étude récente publiée dans la revue Nexus PNASles chercheurs ont exploré l'utilisation de capteurs portables multimodaux combinés à l'apprentissage automatique pour mesurer la fatigue en temps réel chez les travailleurs du secteur manufacturier. Leurs résultats fournissent des informations importantes sur les défis physiques du travail en usine grâce à la surveillance des signes vitaux et des mouvements, avec des implications pour l'amélioration des conditions de travail et de la productivité.
Sommaire
Arrière-plan
La fatigue entraîne des coûts élevés dans l'industrie manufacturière, le coût de la perte de productivité liée à la santé étant estimé à 136 milliards de dollars par an aux États-Unis. Des niveaux élevés de fatigue ont également été signalés parmi les travailleurs en Suède, au Japon, dans l'Union européenne et au Canada, avec 90 % des travailleurs postés signalant une fatigue régulière, une somnolence, un risque plus élevé de blessures, des accidents et des conditions telles que le syndrome de fatigue chronique ou des troubles musculo-squelettiques. .
La fatigue est difficile à surveiller car elle ne possède pas de biomarqueurs universels. Bien que les outils d’évaluation standards se concentrent sur la posture physique pour la mesurer, ils ne capturent pas nécessairement pleinement les signes de tension et d’épuisement musculo-squelettiques combinés. La simplification excessive de la fatigue en états binaires passe sous silence les nuances des niveaux d’effort physique.
Des appareils portables au poignet ou des capteurs pour les membres inférieurs ont été utilisés pour enregistrer la fatigue. Cependant, ils sont limités par des préoccupations concernant la vie privée et reposent sur l’hypothèse que les tâches impliqueront de marcher. Il existe un manque de systèmes de détection multimodaux et pratiques adaptés aux environnements de travail en usine.
À propos de l'étude
Dans cette étude, les chercheurs ont considéré la fatigue comme une variable continue, utilisant la détection multimodale pour capturer les signes cinématiques et physiologiques. La fatigue a été mesurée sur une échelle de 0 à 10 pour les niveaux d'effort perçus, souvent utilisée en science du sport. Une fonction de perte asymétrique personnalisée a également été déployée dans le modèle d'apprentissage automatique pour réduire l'impact des erreurs de sous-prédiction, offrant ainsi une compréhension plus approfondie.
Les participants à l'étude comprenaient 43 travailleurs impliqués dans deux tâches de fabrication : la pose de feuilles composites et le faisceau de câbles. Ils portaient des capteurs portables souples qui surveillaient les mouvements et les signes vitaux, notamment la température cutanée et la fréquence cardiaque, en temps réel et en continu. Les capteurs ont également été conçus pour être compatibles avec la peau, discrets et flexibles.
Les chercheurs ont développé des produits d’analyse et de visualisation de données qui peuvent être utilisés pour prédire la fatigue et fournir des conseils aux entreprises et aux travailleurs.
Résultats
Les participants étaient âgés de 18 à 56 ans et 23,7 % étaient des femmes. Ils se sont vu confier deux tâches et les données ont été collectées sur 18 mois. Les tâches ont été conçues pour imiter les paramètres de fabrication réels avec des étapes répétées pour provoquer de la fatigue, y compris une tâche de « layage de feuilles composites », qui exigeait que les travailleurs placent et lissent des feuilles de fibre de carbone, et une tâche de « faisceau de câbles », qui impliquait la fixation d'une fermeture éclair. attaches autour des systèmes de câbles. Les participants portaient également des gilets lestés pour augmenter l’effort qu’ils ressentaient.
Les modèles ont révélé que différentes personnes présentent différents signes physiologiques de fatigue, qui peuvent également évoluer au fil du temps pour une même personne. Les résultats ont montré que la fatigue entraînait une baisse des scores de performance après des séries répétées de tâches, ce qui indique les impacts négatifs de la fatigue sur la performance au travail.
Les performances se sont initialement améliorées grâce à l’apprentissage des tâches, mais ont diminué à mesure que la fatigue augmentait. La variation des scores entre les participants a également augmenté à mesure que la fatigue s'installait, montrant des différences individuelles dans la résistance à la fatigue.
Les mouvements du bras non dominant, en particulier dans les tâches comportant des mouvements synchronisés, se sont révélés essentiels pour prédire la fatigue, ainsi que les signes physiologiques tels que la fréquence cardiaque. Plus précisément, la fréquence cardiaque maximale et les mouvements du bras gauche figuraient parmi les principaux facteurs contribuant à la prévision de la fatigue.
Les retours des utilisateurs travaillant en usine concernant les appareils de mesure suggèrent que les capteurs sont généralement perçus comme discrets et que la technologie pourrait conduire à des améliorations des conditions de travail. Les enquêtes ont également montré des réponses positives en matière de confort et de facilité d'utilisation, les participants acceptant le suivi des données et signalant de faibles obstacles aux tâches grâce au capteur.
Conclusions
La fatigue est courante chez les travailleurs du secteur manufacturier, entraînant des risques de blessures plus élevés, une baisse de productivité et des problèmes de santé. Améliorer l'ergonomie et atténuer la fatigue est essentiel, mais les défis actuels incluent le manque de méthodes discrètes de détection de la fatigue et de biomarqueurs fiables.
Cette étude a collecté des données réelles auprès de 43 sujets effectuant deux tâches dans un environnement de fabrication. L’objectif était de modéliser la fatigue en tant que variable continue, améliorant ainsi les méthodes précédentes qui classifiaient uniquement les travailleurs comme « fatigués » ou « non fatigués ».
La modélisation de la fatigue est complexe, influencée par des auto-évaluations bruyantes et variant selon les individus et les tâches. Par exemple, les caractéristiques des locomotives étaient plus importantes pour les tâches à mouvements synchronisés. Les chercheurs ont également adopté une fonction de perte asymétrique personnalisée, qui donne la priorité à la réduction des erreurs là où le modèle sous-estimait le niveau de fatigue, car cela était jugé plus critique pour les applications pratiques. Les performances chutent lorsque le modèle est testé sur de nouveaux individus non inclus dans les données de formation, mettant en évidence la variabilité individuelle.
Le système surveille la fatigue des travailleurs à l'aide de capteurs portables, fournissant un retour d'information en temps réel via un tableau de bord visuel. Il a été testé avec succès dans une usine et les travailleurs ont donné des commentaires positifs sur sa facilité d'utilisation et son utilité.
Bien que le système vise à améliorer la sécurité des travailleurs et à responsabiliser les employés, le déploiement de tels systèmes sur les lieux de travail soulève des préoccupations éthiques et juridiques. Par exemple, les scores de fatigue autodéclarés peuvent parfois être biaisés, dans la mesure où les travailleurs peuvent sous-estimer la fatigue en raison de préoccupations concernant l'attention administrative. Les chercheurs espèrent que leurs travaux susciteront des discussions sur l’utilisation responsable de ces technologies. L'ensemble de données a été rendu public pour des recherches futures.
