수동 들어올리기 작업에서의 인체공학적 위험 분류는 작업장 부상 예방을 위해 핵심적으로 중요하다. 본 연구는 원시 얼굴 랜드마크와 생체신호(심전도 [ECG] 및 피부전기활동 [EDA])로 구성된 다중 모달 시계열 데이터[time-series]를 사용하여 들어올리기 작업의 위험 수준(낮음, 중간, 높음)을 0, 1, 2로 라벨링하여 분류하는 문제를 다룬다. 이러한 데이터의 분류는 다중 출처 정보, 시간적 역학, 클래스 불균형으로 인해 고유한 도전 과제를 내포한다. 이를 극복하기 위해 본 논문은 기능 데이터 분석과 딥러닝 기법을 통합하는 새로운 방법인 Multi-Adaptive Functional Neural Network(Multi-AdaFNN)을 제안한다. 제안된 모델은 각 개인의 시계열 특징에 맞춤화된 마이크로 네트워크로 구성된 새로운 적응형 기저(basis) 계층을 도입하여, 원시 데이터로부터 식별력 있는 시간적 패턴을 종단(end-to-end) 학습할 수 있게 한다. Multi-AdaFNN 접근법은 5가지 서로 다른 데이터셋 구성에서 평가되었다: (1) 얼굴 랜드마크만, (2) 생체신호만, (3) 사용 가능한 모든 특징의 완전 융합, (4) 12개의 선택된 얼굴 랜드마크 궤적에 대한 차원 축소 세트, (5) 동일한 차원 축소 세트와 생체신호의 결합. 성능 평가는 100개의 독립적인 층화(stratified) 분할(훈련 70% 및 테스트 30%)을 사용하여 엄격하게 수행하였으며, 클래스 불균형을 효과적으로 다루기 위해 가중 교차엔트로피 손실 함수로 최적화하였다. 그 결과, 얼굴 랜드마크와 생체신호를 융합한 통합 접근법이 가장 높은 분류 정확도와 견고성을 달성함을 보여주었다. 또한 적응형 기저 함수는 위험 예측에 결정적으로 중요한 들어올리기 작업의 특정 국면(phases)을 드러냈다. 이러한 결과는 다중 모달 인체공학적 위험 평가를 위한 Multi-AdaFNN 프레임워크의 효율성과 해석 가능성을 강조하며, 산업 환경에서의 실시간 모니터링 및 선제적 부상 예방 가능성을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.