Hand-intensive work is closely related to the prevalence of upper body and hand/wrist work-related musculoskeletal disorders (WMSDs) in office work, manufacturing, service industries, as well as the healthcare industry. Some risk factors include vibrations, forceful exertions, heavy manual handling, repetitive motions, and prolonged nonneutral wrist postures. To address the growing WMSD epidemic among various occupational groups, simple-to-use exposure measurements are required. However, common quantitative measurement methods for the hand/wrist, such as electrogoniometry and optical motion capture, are both costly and challenging to use. Small, portable inertial measurement units (IMUs) may therefore be considered as a potentially good, affordable wearable option for measuring hand/wrist posture. However, it is difficult to track the position and orientation of a rigid body due to, among other factors, the IMU sensors' sensitivity to ambient magnetic disturbances. As a result, despite advancements in hardware quality, there is still no widely accepted standard for IMU-based motion capture. This study attempted to address this issue by analysing various orientation algorithms to estimate wrist angle from two IMU sensors and compare them to the electrogoniometer-derived measures, i.e., the gold-standard method in field measurements. Five hand-intensive simulated work tasks, each lasting 4–10 minutes, were completed by six participants. These tasks were chosen to resemble some difficult real-world work conditions closely. The wrist posture of the participants was measured using an electrogoniometer and two IMU sensors that were mounted on top of the electrogoniometer's end blocks. The IMU signal of each sensor was processed using seven different orientation algorithms, and the flexion/extension and radial/ulnar deviation angles between them were extracted and compared to the corresponding electrogoniometer angles. For the best-performing orientation algorithm, which was a first-order complementary filter, the mean cross-correlation coefficient between the two measurements was between 0.41 and 0.90 for the flexion/extension and between 0.19 and 0.53 for the radial/ulnar deviation. The mean absolute error (standard deviation) of the best-performing algorithm for the 10th, 50th, and 90th percentile flexion/extension was 8.38 (8.5), 3.99 (3.4), and 11.93 (10) degrees and for the corresponding percentiles of radial/ulnar deviation it was 9.6 (6.5), 5.5 (4.8), and 10.21 (7.1) degrees.  This result can likely be further improved by applying a better orientation algorithm and reducing measurement artifacts such as sensor vibration. However, this experiment demonstrates the potential of IMU-based wrist angle estimation as a simple measurement tool for occupational risk assessment. / Manuellt fysiskt arbete kan orsaka arbetsrelaterade besvär i rörelseorganen i överkropp och hand/handled inom kontorsarbete, tillverkning, industri samt inom hälso- och sjukvårdssektorn. Vibrationer, kraftfulla ansträngningar, tung manuell hantering, upprepade rörelser och långvariga icke-neutrala handledsställningar är några av riskfaktorerna. För att komma till rätta med de arbetsrelaterade besvären bland olika yrkesgrupper, krävs lättanvända exponeringsmätmetoder, eftersom observationsmetoder har en låg tillförlitlighet och de sedvanliga objektiva kvantitativa mätmetoderna för hand/handled, såsom elektrogoniometri och optiska rörelsemätningar, är både dyra och svåra att använda. Små, bärbara s.k. inertial measurement units (IMUs) är därför ett utmärkt, prisvärt och praktiskt alternativ för att mäta hand-/handledsrörelse. Men att estimera positionen och orienteringen av en kroppsdel med hjälp av IMU-sensorer medför stora utmaningar inte minst på grund av sensorernas känslighet för omgivande magnetiska störningar. Trots framsteg i hårdvarukvalitet, finns det fortfarande ingen allmänt accepterad standardmetod för IMU-baserad rörelsemätning. Syftet med det här projektet var att öka kunskapen i det här området genom att analysera olika orienteringsalgoritmer för att uppskatta den absoluta handledsvinkeln från två IMU-sensorer och sedan jämföra den med motsvarande ifrån den etablerade standardmätmetoden med en elektrogoniometer. Fem simulerade handintensiva arbetsuppgifter, var och en mellan 4–10 minuter, genomfördes av sex deltagare. Dessa uppgifter valdes för att härma några arbetsförhållanden som har rapporterats ge risk för besvär. Deltagarnas handledsställning mättes med hjälp av en elektrogoniometer och två IMU-sensorer som monterades ovanpå elektrogoniometers ändblock. IMU-signalen från varje sensor analyserades med sju olika, tidigare framtagna, orienteringsalgoritmer, vinklarna för flexion/extension samt radial/ulnar deviation beräknades och jämfördes sedan med motsvarande elektrogoniometervinklar. För den bäst presterande algoritmen, en första ordningens komplementfilter, varierade den genomsnittliga korrelationskoefficienten mellan 0,41 och 0,90 för flexion/extension och mellan 0,19 och 0,53 för radial/ulnar deviation. Det genomsnittliga absoluta felet (standardavvikelse), för den bäst presterande algoritmen, för den 10:e, 50:e och 90:e percentilen flexion/extension var 8,38 (8,5), 3,99 (3,4) och 11,93 (10) grader. Motsvarande percentiler av radial/ulnar deviation var 9,6 (6,5), 5,5 (4,8) och 10,21 (7,1) grader. Detta resultat kan sannolikt förbättras ytterligare genom att tillämpa en bättre orienteringsalgoritm och minska mätartefakter från sensorvibrationer. Detta experiment visar dock potentialen för IMU-baserad handledsvinkeluppskattning som ett enkelt mätverktyg vid riskbedömningar inom manuella arbeten.