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

Detalhes bibliográficos
Autor(a) principal: Fernandes, Cristiana Raquel Novais
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/81412
Resumo: Dissertação de mestrado integrado em Engenharia e Gestão de Sistemas de Informação
id RCAP_42b791b1fa2446ce103df1f0938c82d8
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/81412
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrialWork-related musculoskeletal disordersFusão de sensoresRegressãoDeep LearningSensor fusionRegressionEngenharia e Tecnologia::Outras Engenharias e TecnologiasDissertação de mestrado integrado em Engenharia e Gestão de Sistemas de InformaçãoHoje 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.This work is a result of the project STVgoDigital - Digitalization of the T&C sector (POCI-01-0247-FEDER-046086), supported by COMPETE 2020, under the PORTUGAL 2020 Partnership Agreement, through the European Regional Development Fund (ERDF).Cortez, PauloUniversidade do MinhoFernandes, Cristiana Raquel Novais2022-01-142022-01-14T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/81412por203057090info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:37:26Zoai:repositorium.sdum.uminho.pt:1822/81412Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:33:43.946237Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrial
title Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrial
spellingShingle Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrial
Fernandes, Cristiana Raquel Novais
Work-related musculoskeletal disorders
Fusão de sensores
Regressão
Deep Learning
Sensor fusion
Regression
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
title_short Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrial
title_full Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrial
title_fullStr Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrial
title_full_unstemmed Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrial
title_sort Utilização de técnicas de Machine Learning na previsão de movimentos incorretos de trabalhadores em contexto industrial
author Fernandes, Cristiana Raquel Novais
author_facet Fernandes, Cristiana Raquel Novais
author_role author
dc.contributor.none.fl_str_mv Cortez, Paulo
Universidade do Minho
dc.contributor.author.fl_str_mv Fernandes, Cristiana Raquel Novais
dc.subject.por.fl_str_mv Work-related musculoskeletal disorders
Fusão de sensores
Regressão
Deep Learning
Sensor fusion
Regression
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
topic Work-related musculoskeletal disorders
Fusão de sensores
Regressão
Deep Learning
Sensor fusion
Regression
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
description Dissertação de mestrado integrado em Engenharia e Gestão de Sistemas de Informação
publishDate 2022
dc.date.none.fl_str_mv 2022-01-14
2022-01-14T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/81412
url https://hdl.handle.net/1822/81412
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 203057090
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132856360894464

Registros relacionados