Human movement learning with wearable sensors : towards ergonomic assessment automation

Apprentissage du mouvement humain à l'aide de capteurs portés : vers l'automatisation de l'évaluation ergonomique

Adrien Malaisé (1)

1 LARSEN - Lifelong Autonomy and interaction skills for Robots in a Sensing ENvironment

Musculoskeletal disorders (MSDs) are a major health issue in modern society, with almost half of workers in industry affected. These disorders are due to postures deemed to be at risk, such as overhead work or working with the torso bent, the weight of the carried loads, or the repetitiveness of the tasks. It is therefore necessary to find solutions to reduce the risk of MSD by limiting dangerous movements and postures, and thus improving the ergonomics of workstations. We propose in this study tools to move towards this improvement. The objective is to automate the evaluation of ergonomics, using machine learning algorithms. To do this, we collect databases of the whole human body movement inspired by activities from industrial environment. With these data, we propose a supervised learning method based on Hidden Markov Models to recognize postures and actions of a user. Then we propose metrics to automatically evaluate ergonomics and a method to compress the movement data. This is a brick to go towards the prediction of ergonomics. Finally, we present modalities to allow an operator to be warned in real time if he performs a risky movement. With all these tools, the final goal is to predict in real time the ergonomics of a user in order to warn him before risking to be injured. Thus he can correct his movement.

Les troubles musculo-squelettiques (TMS) sont un problème majeur dans la société moderne, avec près de la moitié des travailleurs en industrie touchés. Ces troubles sont dus à des postures jugées à risques, tel que le travail avec les bras en hauteur ou le torse penché, aux poids de charges transportées, ou encore la répétitivité des tâches. Il est donc nécessaire de trouver des solutions permettant de diminuer le risque de TMS en limitant les mouvements et les postures à risques, et en améliorant ainsi l’ergonomie des postes de travail. Nous proposons dans cette étude des outils pour aller vers cette amélioration. L’objectif est d’automatiser l’évaluation de l’ergonomie à l’aide d’algorithmes d’apprentissage automatique. Nous avons pour cela collecté des bases de données du mouvement humain corps complet en s’inspirant d’activités provenant du monde industriel. Grâce à ces données, nous proposons une méthode d’apprentissage supervisé basée sur des modèles de Markov cachés pour reconnaître les postures et les actions d’un utilisateur. Puis nous proposons des métriques pour évaluer de façon automatique l’ergonomie ainsi qu’une méthode pour compresser les données du mouvement qui est une base pour aller vers la prédiction future de l’ergonomie. Enfin, nous présentons des interfaces qui permettraient de prévenir en temps réel un opérateur s’il effectue un mouvement à risque. Avec l’ensemble de ces outils, la finalité est de prévoir en temps réel l’ergonomie d’un opérateur afin de le prévenir s’il risque de se blesser, et qu’il puisse corriger son mouvement.

Mots clés: Ergonomy; Wearable sensors; Machine learning; Hidden markov model; Neural netwoks; Autoencoder

Mots clés: Ergonomie; Capteurs portés; Apprentissage automatique; Modèle de markov caché; Réseau de neurone; Autoencodeurs

Domaines: Informatique [cs]; Intelligence artificielle [cs.AI]; Biomécanique [physics.med-ph]

Adrien Malaisé. Apprentissage du mouvement humain à l'aide de capteurs portés : vers l'automatisation de l'évaluation ergonomique. Informatique [cs]. Université de Lorraine, 2020. Français. ⟨NNT : 2020LORR0055⟩. ⟨tel-02896582v2⟩