Sviluppo di un algoritmo per l'identificazione dei sollevamenti di carichi tramite sensori IMU e di pressione

Thanks to continuous advancements in sensor miniaturization, it has become feasible to capture data related to various aspects of human motion, including acceleration, angular velocity, and foot pressure. In the last few years, these technologies have been mainly used for automatic activity classification. In this work, we developed a non-invasive method for automatically categorize postures based on inertial sensors and foot plantar pressure data obtained from a wearable systems. In a controlled office environment, four healthy participants performed two types of lifting movements. The primary objective was to utilize this system to identify and classify awkward postures that could potentially pose injury risks to warehouse workers. An artificial neural network, a supervised machine learning ,was used for the classification, achieving an accuracy rate exceeding 80\%. This research demonstrate the possibility of employing wearable IMU (Inertial Measurement Unit) and insole pressure systems to distinguish between different human activities and exploit these findings to mitigate the exposure to potentially dangerous postures.

Grazie ai continui progressi nella miniaturizzazione dei sensori, è diventato possibile acquisire dati relativi al movimento umano tra cui accelerazione, velocità angolare e pressioni plantari. Negli ultimi anni, queste tecnologie sono state principalmente utilizzate per la classificazione automatica delle attività. In questo lavoro di tesi, abbiamo sviluppato un metodo non invasivo per classificare automaticamente le posture basandosi su dati provenienti da sensori inerziali e dalle pressioni plantari ottenuti da sistemi indossabili. In un ambiente d'ufficio controllato, quattro partecipanti sani hanno eseguito due tipi di movimenti di sollevamento. L'obbiettivo principale era utilizzare questo sistema per identificare e classificare le posture scomode che potrebbero potenzialmente rappresentare rischi di infortuni per i magazzinieri. Per la classificazione è stata impiegata una rete neurale artificiale, un apprendimento automatico supervisionato, ottenendo un tasso di accuratezza superiore all'80\%. Questa ricerca dimostra la possibilità di impiegare sistemi indossabili basati su sensori IMU (Unità di Misura Inerziale) e sulle pressioni plantari per distinguere tra diverse attività umane e sfruttare questi risultati per ridurre l'esposizione a posture potenzialmente pericolose.