Development of a Fatigue Estimation Model For Industrial Workers
Name: SOPHIA OTÁLORA GONZÁLEZ
Publication date: 26/03/2024
Examining board:
Name |
Role |
|---|---|
| CAMILO ARTURO RODRIGUEZ DIAZ | Advisor |
Summary: A fadiga muscular (MF) é definida como uma capacidade reduzida de manter a força máxima durante a contração voluntária. Ela está associada a doenças musculoesqueléticas (MSD pelas siglas em inglês), que podem afetar significativamente a capacidade dos trabalhadores de se envolverem em tarefas repetitivas por períodos prolongados. As MSD’s podem representar um grande problema de saúde para os trabalhadores, visto que afetam a sua qualidade de vida e a capacidade de realizar atividades diárias e tarefas relacionadas ao trabalho. A estimativa e a análise da MF têm amplas aplicações nos esportes, na medicina e na ergonomia, sendo queue neste, a redução das cargas de trabalho muscular local é essencial para manter a saúde e a produtividade dos trabalhadores. O levantamento manual, uma prática comum em vários ambientes de trabalho, pode contribuir para o excesso de MF, afetando a segurança ocupacional, o bem-estar e a produtividade geral. Durante o estado de fadiga, ocorrem mudanças cinemáticas, alterando a atividade muscular, a cinemática das articulações e o controle postural. Várias técnicas, tanto invasivas quanto não invasivas, são usadas para estimar a MF. Os métodos invasivos, como amostras de sangue ou biópsias musculares, fornecem informações pós-atividade, mas não têm monitoramento em tempo real. Os métodos não invasivos, como a eletromiografia de superfície (sEMG), e os dispositivos vestíveis, como as unidades de medição inercial (IMU)
e os sensores de fibra óptica (OFS), oferecem abordagens alternativas para a estimativa da MF. Embora a EMG continue sendo o padrão ouro para medir a fadiga muscular, suas limitações no trabalho de longo prazo motivam o uso de dispositivos vestíveis.
Esta dissertação de mestrado propõe um modelo computacional para estimar a fadiga muscular usando dispositivos vestíveis e não invasivos, como OFS e IMUs, de acordo com a escala subjetiva de Borg. Os sensores EMG são usados para observar sua importância na estimativa da fadiga muscular e comparar o desempenho em diferentes combinações de sensores. Além disso, foi realizada uma validação do OFS antes dos testes. Este estudo envolve 30 indivíduos que realizam uma atividade repetitiva de levantamento com o braço dominante até atingir a fadiga muscular. Com o objetivo de se extrair diversos atributos, a atividade muscular, os ângulos do cotovelo e as velocidades angular e linear, são medidos, além de outras variáveis. Diferentes algoritmos de aprendizado de máquina obtêm um modelo que estima três estados de fadiga (baixa, moderada e alta). Os resultados mostraram que, entre os classificadores de aprendizado de máquina, o Light Gradient Boosting Machine (LGBM) apresentou uma precisão de 96,2% na tarefa de classificação usando todos os sensores com 33 atributos e 95,4% usando apenas os sensores OFS e IMU com 13 atributos. Isso demonstra que os ângulos do cotovelo, as velocidades do pulso, as variações de aceleração e os movimentos compensatórios do pescoço são essenciais para estimar a fadiga muscular. Concluindo, o modelo resultante pode ser usado para estimar a fadiga durante o levantamento de peso em ambientes de trabalho, tendo o potencial de monitorar e evitar a fadiga muscular durante longas jornadas.
