Study and application of computational techniques to identify anatomical back postures

Abstract

Currently, the incidence of occupational diseases has been increasing, both in administrative and in production posts, being the musculoskeletal diseases, one of the most common and affect, mainly, the spine. Considering the above-mentioned problem, it is important to develop strategies that enable the recognition and prediction of postures performed by workers in their workplaces. To this end, this thesis proposes a pipeline that aims to build a Machine Learning model that may be capable of recognizing, in real time, the upper body postures of the users. The above described framework provides a model capable of recognizing 6 different static postures (back frontal bending, left lateral back bending, right lateral back bending, neck frontal bending, working overhead, and finally the standing posture). In addition to these static postures, the model is also capable of recognizing the transitions between the neutral posture and each of the other five. Several feature selection algorithms have been tested to find the biomechanical features that best distinguish the different postures. The algorithms tested were the Principal Component Analysis, the Forward Sequential Selection, the Minimum Redundancy Maximum Relevance (mRMR) and the ReliefF. Also, several classification algorithms were tested (Support Vector Machines, K-nearest Neighbors, TreeBagger, Discriminant Analysis, Convolutional Neural Network and Feed Forward Neural Network). These algorithms were trained and tested with data from 50 healthy subjects who volunteered to acquire data realizing the above-mentioned postures. The best results were obtained using the SVM classifier with the quadratic kernel and using the characteristics selected by the mRMR algorithm. The classification model showed promising results during cross-validation, more specifically, it presented an MCC value of 0.973. As future work, other types of sensors should be integrated, and other features should be tested to improve posture classifier performance.

Na atualidade, o número de ocorrências de doenças ocupacionais tem vindo a ser cada vez maior, tanto em postos administrativos, quanto em postos de produção, sendo as doenças musculo-esqueléticas, umas das mais comuns e que afetam maioritariamente a coluna. Face ao problema supramencionado, torna-se importante desenvolver estratégias que possibilitem o reconhecimento e previsão das posturas desempenhadas pelos trabalhadores nos seus locais de trabalho. Para tal, esta tese propõe uma pipeline que tem como finalidade retornar um modelo de Machine Learning que poderá conseguir reconhecer em tempo-real as posturas da parte superior do corpo dos utilizadores. A framework acima descrita permite obter um modelo capaz de reconhecer 6 posturas estáticas diferentes (flexão frontal do tronco, flexão lateral esquerda do tronco, flexão lateral direita do tronco, flexão frontal do pescoço, trabalhar com mãos acima da cabeça e, por fim, a postura neutra/corretamente em pé). Para além destas posturas estáticas, o modelo é também capaz de reconhecer as transições entre a postura neutra e cada uma das outras cinco. Vários algoritmos de seleção de features foram testados de forma a encontrar as caraterísticas biomecânicas que melhor permitem distinguir as diferentes posturas/classes. Os algoritmos testados foram as técnicas de Principal Component Analysis, Forward Sequential Selection, mRMR (minimum Redundancy Maximum Relevance) e ReliefF. Seguidamente, vários algoritmos de classificação foram testados (Support Vector Machines, K-nearest Neighbors, TreeBagger, Discriminant Analysis, Convolutional Neural Network e Feed Forward Neural Network). Estes algoritmos foram treinados e testados com dados de 50 sujeitos saudáveis que se voluntariaram a adquirir dados das posturas acima mencionadas. Os melhores resultados foram obtidos usando o classificador SVM com o kernel quadrático e usando as caraterísticas selecionadas pelo algoritmo mRMR. O modelo de classificação mostrou resultados promissores durante a validação cruzada, mais especificamente, apresentou um valor de MCC de 0.973. Como trabalho futuro, deverão ser integrados outros tipos de sensores, assim como extrair diferentes features a partir dos sinais.