작업 관련 근골격계 질환 (Work-related Musculoskeletal Disorders)은 제조 산업에서 일반적인 관심사이며 대부분 목, 몸통 및 상지에 영향을 미치는 직무의 자세 부하 요구량에 의해 유발된다. Rapid Upper Limb Assessment(RULA)와 같은 인체공학적 평가와 위험 예측은 산업체가 WMSD의 위험을 예방하고 평가하는 데 도움이 될 수 있다. 인체공학적 평가 도구의 개발은 업계가 작업장 설계와 작업자 자세를 평가하는데 도움이 된다. 이 논문은 관절 각도 측정 접근법과 딥 러닝 모델 접근법의 두 가지 접근법을 사용한 RULA 자세 측정에 중점을 둔다. 관절각도 측정 접근법에서 대부분의 선행 연구들은 신체 자세 측정에만 초점을 맞추고 있는 반면, 손목운동량 측정은 인체공학자에 의해 수동으로 평가되며, 이는 인간의 오류를 유발할 수 있으며, 또한 시간이 많이 소요된다. 구체적으로 말하자면, 본 논문은 첫 번째 접근법으로, 기존 연구에서 채택된 신체 자세 측정과 결합하여 RULA 점수를 결정하는 손목 운동량 측정법을 제안하였다. 반면, 관절 각도 측정 접근법은 적절한 관절 포인트의 선택에 의존하였다. 부정확한 관절 포인트 선택은 각도 계산의 정밀도가 떨어집니다. 또한 결측값이 포함된 데이터를 측정하는 것은 신뢰할 수 없습니다. 또한 관절 각도 계산에는 정확한 결합 위치가 필요하기 때문에 대체 방법으로 관절 포인트 데이터를 채우는 것은 적절하지 않습니다. 따라서 본 논문에서는 누락된 데이터를 해결하기 위한 실험적 방법으로 RULA 위험 수준을 예측하기 위해 CNN(convolutional neural network)과 양방향 LSTM(Bi-LSTM)을 결합한 하이브리드 신경망을 제안하였다. 또한 본 연구에서는 데이터 불균형 문제를 극복하기 위해 SMOTE(Synthetic Minor Over-sampling Technology) 방법을 기반으로 한 확장 오버샘플링 방법을 제안하였다. 본 논문은 제안된 신경망 과정을 이해하기 위해 설명 가능한 인공지능(XAI) 방법을 적용하였다. 실험 결과: 1) 현재 방법은 손목 위치와 손목 뒤틀림에 대한 위험 자세 측정에 대해 더 높은 성을 보인다, 2) 제안된 하이브리드 신경망과 오버샘플링 방법은 다른 신경망 아키텍처와 오버샘플링 방법을 능가하며, 3) XAI 방법은 예측 모델에 대한 각 feature의 기여도를 기반으로 feature 중요도 목록을 제공한다.