Buscar en Google Scholar
Título: Estimación de Pose para prevenir trastornos musculoesqueléticos utilizando una Red recurrente de largo y corto plazo
Asesor(es): Ugarte Rojas, Willy
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#1.00.00
Fecha de publicación: 11-jun-2024
Institución: Universidad Peruana de Ciencias Aplicadas (UPC)
Resumen: 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.

Office work has become the most prevalent occupation in contemporary society, necessitating long hours of sedentary behavior that can lead to mental and physical fatigue, including the risk of developing musculoskeletal disorders (MSDs). To address this issue, we have proposed an innovative system that utilizes the NAO robot for posture alerts, YoloV7 for landmark extraction, and an LSTM recurrent network for posture prediction. In our evaluation, the model achieved an accuracy of 85%, recall of 93%, and an F1 score of 89%. These metrics provide valuable insights into the system's effectiveness and highlight the areas where further refinements can be implemented. By refining the model and leveraging a more extensive dataset, we aim to enhance the accuracy and precision of bad posture detection, thereby empowering office workers to adopt healthier postural habits and reduce the risk of developing MSDs.
Enlace al repositorio: http://hdl.handle.net/10757/683154
Disciplina académico-profesional: Ciencias de la Computación
Institución que otorga el grado o título: Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería
Grado o título: Licenciado en Ciencias de la Computación
Jurado: Diaz Suarez, Jorge Eduardo; Zubieta Cardenas, Robert Ernesto; Rojas Sihuay, Diego
Fecha de registro: 12-dic-2024



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons