건설근로자의 족저압 데이터를 활용한 순환신경망 기반 중량물 취급작업 위험 인식 기술 = Recurrent Neural Network Based Hazard Recognition for Heavy Material Handling Using a Construction Worker's Foot Pressure Data

국문 초록 (Abstract)

작업 관련 근골격계 질환(WMSD)은 산업 재해의 주요 원인이며 가장 많이 보고된 질환이다. 건설작업에는 수작업으로 고위험 자재를 취급하는 작업방식이 포함되며 작업자는 이러한 방식이 반복될 경우 근골격계 질환의 고위험군에 노출된다. 그러나, 대부분의 공사는 건설 현장의 여러 위치에서 이루어지고, 공사 활동 중 가해지는 물리적 하중의 수준 및 하중의 크기를 수집하기는 어렵다. 이에 본 연구는 건설근로자의 족저압 데이터를 활용한 반복적인 중량물 취급환경에서의 들기작업 위험을 분류할 수 있는 기술을 개발하였다. 개발한 기술의 성능을 평가하기 위해 연구실 환경에서 실험을 진행하였다. 실험상황은 NIOSH Lifting Equation(NIOSH 들기식)을 통한 Lifting Index(들기지수)의 위험도에 따라 총 5가지 위험을 설정하였으며, 실험자가 작업화에 인솔 센서를 착용한 뒤 들어 올리는 발인 오른발에서 내려놓는 발인 왼발로 반복적인 리프팅 실험을 진행하였다. 그 이후 순환신경망 기반의 딥러닝 알고리즘인 Bi-LSTM 모델을 적용하여 분석을 진행하였다. 본 연구는 두 가지 실험이 진행되었으며, 하나는 동일한 환경 속 중량물의 하중만을 변화하여 진행하였고, 다른 하나는 하중 및 작업상황에 대한 변수를 추가한 작업환경에서 진행하였다. 동일한 환경 속 중량물의 하중만을 변화한 환경의 경우 왼발, 오른발, 양발의 족저압 데이터를 활용하여 모델 학습을 진행한 결과 69%, 84.1%, 83%의 정확도와 0.51~0.91의 F1-score를 확인했다. 추가적인 분석으로 오른발의 발바닥 각 부위 조합을 통해 분류를 진행한 경우 발바닥의 앞부분(Toe), 중족골(MH), 아치(Arch)의 조합은 최대 84.3%의 정확도로 발바닥의 특정 부위만을 통한 중량물 취급 시 위험 인식 가능성을 확인했다. 하중 및 작업상황 변수를 추가한 환경의 경우 10명의 실험자에 대한 Bi-LSTM 모델의 위험 인식 분류는 74.4%의 정확도이며, 이는 건설근로자의 족저압 데이터를 활용해 물체의 무게 만이 아닌 근로자의 작업상황(레이아웃) 관련 위험 인식이 가능함을 보여준다. 본 연구에서 개발한 순환신경망 기반 중량물 취급작업 위험 인식 기술은 중량물의 무게 변화 및 작업상황 변화가 존재하는 환경에서 들기지수 분류를 통해 신체의 물리적 부하에 대해 위험을 인지할 수 있다. 따라서 관리자가 개별 작업자에게 가해지는 물리적 부하를 지속적이고 자동으로 분석할 수 있게 되어 건설노동자의 물리적 부하 관련 부상을 예방하는 데 기여할 것이다. 본 연구에서 제안한 모델은 실험실 환경에서 진행하였기 때문에 실제 건설 산업에 종사하는 노동자에게 실질적으로 적용하기 어렵다는 한계가 있다. 이에 향후 연구에서는 다양한 유형의 건설 노동자의 족저압 데이터를 건설현장에서 직접 획득 및 활용하여 예측 모델을 개발한다면 건설근로자의 근골격계 질환 예방에 실질적인 도움이 될 것으로 판단된다.

다국어 초록 (Multilingual Abstract)

Work-related musculoskeletal disorders (WMSD) are a major cause of occupational accidents and are the most reported disease. Construction work includes manual handling of high-risk materials, and workers are exposed to a high-risk group of musculoskeletal disorders if this method is repeated. However, most construction works are performed at various locations on a construction site, and it is difficult to collect the level and magnitude of physical loads applied during construction activities.

Accordingly, this study developed a technology that can classify the risk of lifting work in a repetitive heavy handling environment using plantar pressure data of construction workers. Experiments were conducted in a laboratory environment to evaluate the performance of the developed technology. For the experiment situation, a total of 5 risks were set according to the risk of the Lifting Index through the NIOSH Lifting Equation. A repetitive lifting experiment was conducted. After that, the analysis was conducted by applying the Bi-LSTM model, a deep learning algorithm based on recurrent neural networks. In this study, two experiments were conducted, one was conducted by changing only the load of the heavy object in the same environment, and the other was conducted in a work environment with added variables for the load and work situation.

In the case of an environment in which only the load of the weight in the same environment was changed, model learning was performed using the plantar pressure data of the left foot, right foot, and both feet, and as a result, accuracy of 69%, 84.1%, and 83% and F1-score of 0.51 to 0.91 were confirmed. did. As an additional analysis, when classification is performed through the combination of each part of the sole of the right foot, the combination of the front part (Toe), metatarsal bone (MH), and arch of the sole has an accuracy of up to 84.3% when handling heavy objects only through a specific part of the sole. The possibility of risk perception was confirmed. In the case of the environment with load and work situation variables added, the risk perception classification of the Bi-LSTM model for 10 experimenters is 74.4% accurate, which is based on the plantar pressure data of construction workers. (Layout) Shows that the associated risk perception is possible.

The recurrent neural network-based risk recognition technology for heavy object handling work developed in this study can recognize the risk of physical load on the body through the lifting index classification in an environment where the weight of heavy objects and work conditions change. This will enable managers to continuously and automatically analyze the physical loads imposed on individual workers, contributing to the prevention of physical load-related injuries in construction workers. Since the model proposed in this study was conducted in a laboratory environment, it has limitations in that it is difficult to practically apply to workers in the actual construction industry. Therefore, in future studies, if a predictive model is developed by directly acquiring and utilizing plantar pressure data of various types of construction workers at the construction site, it is judged to be of practical help in preventing musculoskeletal disorders in construction workers.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 가. 연구의 배경 1
• 나. 연구 목적 및 절차 3
• 제 2 장 이론적 고찰 5
• 가. 근골격계 질환 위험성 평가 방법 6
• 나. 센서 기반 신체 부하 평가 및 위험 상황 인식 연구 9
• 다. 족저압 데이터 기반 작업환경 분석 연구 11
• 라. 순환신경망 알고리즘 12
• 제 3 장 연구방법 및 실험환경 14
• 가. 실험 및 데이터 수집 14
• 1) 실험과정 14
• 2) 데이터 전처리 과정 22
• 3) 족저압 데이터 분석 23
• 4) 발 영역별 족저압 데이터 분석 26
• 나. 중량물 취급작업 위험 인식 모델 개발 및 성능 평가 지표 29
• 제 4 장 실험결과 및 해석 32
• 가. 발 전체 족저압 데이터를 활용한 들기지수 인식성능 결과 32
• 나. 발 영역별 족저압 데이터를 활용한 들기지수 인식성능 결과 35
• 다. 작업상황 변화시 족저압 데이터를 활용한 들기지수 인식성능 결과 37
• 제 5 장 토 의 41
• 가. 연구결과 해석 및 활용방안 41
• 나. 연구의 한계 및 향후 연구 방향 42
• 다. 모델 성능 향상을 위한 추가 분석 및 결과 43
• 제 6 장 결 론 45
• 참고문헌 47
• Abstract(영문초록) 55