Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrial

Abstract

Hoje em dia, as indústrias de manufatura ainda enfrentam dificuldades para aplicar os métodos tradicionais de avaliação do risco de work-related musculoskeletal disorder (WMSD) em aplicações práticas devido ao esforço que é necessário para a recolha contínua de dados de métodos observacionais. Uma solução interessante passa por adotar Inertial Measurement Units (IMU), que podem ser utilizados para automatizar a recolha e processamento de dados, dando apoio a ergonomistas e profissionais de saúde ocupacional. Neste trabalho, é feita uma comparação entre vários algoritmos de Machine Learning para a previsão do movimento, incluindo: três métodos de Long Short-Term Memory (LSTM) - uma LSTM normal com apenas uma layer, uma Stacked LSTM e um Sequence to Sequence (Seq2Seq); e três métodos de regressão - um Multiple Linear Regression, um Random Forest e um Support Vector Machine. O objetivo é prevenir movimentos problemáticos que podem surgir durante movimentos repetitivos de trabalho. O sistema proposto inclui a aplicação inicial do Madgwick orientation filter para transformar os dados em bruto dos sensores inerciais, numa série temporal de orientação de ângulo único, de forma a monitorizar o ângulo de abdução/adução do braço. O modelo Seq2Seq LSTM alcançou os melhores resultados, sendo posteriormente avaliado considerando 11 conjuntos de dados de seres humanos e dois procedi mentos de avaliação (treino e teste com dados de uma só pessoa e utilizando dados obtidos de múltiplas pessoas). Estas avaliações demonstraram um excelente potencial do modelo preditivo desenvolvido para antecipar movimentos problemáticos. Em trabalho futuro, espera-se integrar tal modelo num protótipo de exoesqueleto capaz de bloquear movimentos perigosos.

Nowadays, manufacturing industries still face difficulties applying traditional work-related musculoskeletal disorder risk (WMSD) assessment methods in practical applications due to the high effort for continuous data collection of observational methods. An interesting solution is to adopt inertial motion capture systems, namely Inertial Measurement Units (IMU), which can be used to automate data collection and processing, supporting ergonomists and occupational health professionals. In this work, distinct Machine Learning algorithms were compared for a single angle orientation time series prediction, including: three Long Short-Term Memory (LSTM) methods – a one layer, a stacked layer and a Sequence to Sequence (Seq2Seq) model; and three non-deep learning methods – a Multiple Linear Regression, a Random Forest and a Support Vector Machine. The goal is to prevent problematic movements that can arise during repetitive working movements. The proposed system includes an initial Madgwick filter to merge the raw inertial sensor data into a single angle orientation time series, aiming to monitor the abduction/adduction angle of the arm. As the Seq2Seq LSTM achieved the best results, this model was further evaluated for WMSD prevention by considering 11 human subject datasets and two evaluation procedures (single person and multiple person training and testing). The main goal was to achieve a model with excellent capability to anticipate problematic movements and capable of being integrated into a solution for WMSDs, like exoskeletons.