Look-up in Google Scholar
Full metadata record
Ugarte Rojas, Willy
Bassino Riglos, Francesco (es_PE)
Mosqueira Chacon, Cesar Manuel (es_PE)
2024-12-12T18:51:07Z
2024-12-12T18:51:07Z
2024-06-11
http://hdl.handle.net/10757/683154
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.
Tesis (es_PE)
application/pdf (en_US)
application/epub (en_US)
application/msword (en_US)
spa (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by-nc-sa/4.0/ (*)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
Repositorio Académico - UPC (es_PE)
Inteligencia Artificial
LSTM
Redes recurrentes
Trastornos musculoesqueléticos
Visión computacional
Artificial Intelligence
Computer Vision
Musculoskeletal Disorders
Recurrent Networks
Estimación de Pose para prevenir trastornos musculoesqueléticos utilizando una Red recurrente de largo y corto plazo (es_PE)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería (es_PE)
Ciencias de la Computación (es_PE)
Licenciatura (es_PE)
Licenciado en Ciencias de la Computación (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.04
https://purl.org/pe-repo/ocde/ford#1.00.00 (es_PE)
https://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
43673615
https://orcid.org/0000-0002-7510-618X (es_PE)
74976346
73904929
611016 (es_PE)
Diaz Suarez, Jorge Eduardo
Zubieta Cardenas, Robert Ernesto
Rojas Sihuay, Diego
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada societaria



This item is licensed under a Creative Commons License Creative Commons