使用人体测量变量进行手动力量预测时，机器学习模型与深度学习模型的比较

《International Journal of Occupational Safety and Ergonomics》：Comparison of machine learning and deep learning models in manual strength prediction using anthropometric variables

本研究评估了机器学习和深度学习模型（如线性回归、随机森林、TabNet等）预测男女手工力量的性能，通过分析墨西哥坎佩切382名经济活跃人群的解剖学特征和力量数据。结果表明，深度学习模型在扭矩强度预测中表现最佳，线性回归在握力预测中更具泛化能力。SHAP分析显示掌长和肘到指尖长度为关键预测因子，而集成方法易过拟合。

　　

摘要

目的：本研究评估了机器学习和深度学习模型利用人体测量学变量预测男性和女性手动力量的表现。

方法：从墨西哥坎佩切省经济活跃人群中收集了382名参与者的身体测量数据和力量数据。所使用的预测模型包括线性回归、随机森林、AdaBoost、极端梯度提升（Extreme Gradient Boosting）、TabNet、TabPFN以及一个自定义的卷积神经网络。通过平均绝对误差（Mean Absolute Error）、均方误差（Mean Squared Error）和解释方差得分（Explained Variance Score）来评估这些模型的性能。此外，还进行了SHAP（Shapley Additive Explanations）分析，以解释各模型中特征的重要性。

结果：深度学习模型（如TabNet和TabPFN）在扭矩力量预测方面表现出更高的准确性，能够捕捉到复杂的非线性关系。线性回归在泛化能力上表现较好，尤其是在握力预测方面。SHAP分析一致指出，手掌长度和肘部到指尖的长度是最具影响力的身体测量学预测因子。集成方法（如随机森林和AdaBoost）在训练数据上表现良好，但存在过拟合的倾向。

结论：尽管高级模型在某些任务上提升了性能，但线性回归在泛化能力方面仍最为稳健。特征重要性分析证实了所选预测因子的生物学意义。未来的应用应根据人体工程学需求，在模型复杂性和可解释性之间找到平衡。