Estimación de Pose para prevenir trastornos musculoesqueléticos utilizando una Red recurrente de largo y corto plazo

• Autores: Bassino Riglos, Francesco, Mosqueira Chacón, César Manuel
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/683154
• Enlace del recurso: http://hdl.handle.net/10757/683154
• Nivel de acceso: acceso abierto
• Materia: Inteligencia Artificial; LSTM; Redes recurrentes; Trastornos musculoesqueléticos; Visión computacional; Artificial Intelligence; Computer Vision; Musculoskeletal Disorders; Recurrent Networks; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#1.00.00

El trabajo de oficina se ha convertido en la ocupación más prevalente en la sociedad contemporánea, lo que requiere largas horas de comportamiento sedentario que puede conducir a la fatiga mental y física, incluyendo el riesgo de desarrollar trastornos musculoesqueléticos (TME). Para abordar este problema, hemos propuesto un sistema innovador que utiliza el robot NAO para las alertas posturales, YoloV7 para la extracción de puntos de referencia y una red recurrente LSTM para la predicción postural. En nuestra evaluación, el modelo obtuvo una exactitud del 85%, una sensibilidad del 93% y una puntuación F1 del 89%. Estas métricas proporcionan información valiosa sobre la eficacia del sistema y ponen de relieve las áreas en las que pueden introducirse nuevas mejoras. Al perfeccionar el modelo y aprovechar un conjunto de datos más amplio, pretendemos mejorar la exactitud y precisión de la detección de malas posturas, lo que permitirá a los trabajadores de oficina adoptar hábitos posturales más saludables y reducir el riesgo de desarrollar TME.