Améliorer la sécurité de levage avec la technologie des capteurs

Beaucoup de gens souffrent de douleurs au dos à cause de boulots qui nécessitent de soulever des objets lourds répétitivement. Ce genre de douleur peut mener à un handicap et à une perte de productivité. Bien qu'il y ait des recommandations sur les techniques de levage sécuritaires pour réduire ce risque, les travailleurs ont souvent du mal à suivre ces règles de manière constante, surtout si leur environnement de travail n'est pas idéal. Surveiller les pratiques de levage pourrait aider à s'assurer que les travailleurs soulèvent en toute sécurité et à identifier les mauvaises habitudes de levage, mais les méthodes de surveillance traditionnelles peuvent être longues et ne pas rassembler suffisamment d'informations pour évaluer les risques efficacement. Un système automatisé pourrait aider à classer les risques liés au levage et à fournir un retour immédiat, ce qui pourrait réduire les problèmes à long terme.

#Comprendre la Reconnaissance d'Activité Humaine (HAR)

La reconnaissance d'activité humaine (HAR) consiste à reconnaître des actions comme le levage en utilisant plusieurs méthodes, y compris les vidéos et les données de capteurs. Les systèmes HAR utilisant des vidéos ont montré du succès, mais les caméras sont chères à installer partout et soulèvent des problèmes de confidentialité. C'est particulièrement vrai dans des environnements de travail temporaires comme les chantiers de construction. En revanche, les capteurs d'Unité de Mesure Inertielle (IMU), qui peuvent être portés sur le corps, offrent une solution pratique car ils détectent le mouvement sans problèmes de confidentialité. Ces capteurs se trouvent couramment dans des appareils quotidiens comme les montres connectées et les smartphones.

#Recherches Précédentes

Des études précédentes ont développé un modèle capable de reconnaître les actions de levage avec un score F1 (une mesure de la précision d'un modèle) de 97 % basé sur des données collectées dans des environnements de laboratoire contrôlés. Cependant, lorsque ce modèle a été testé dans des situations réelles, ses performances ont chuté de manière significative à seulement 32,8 %. Cet échec met en évidence les défis d'utilisation de modèles entraînés en laboratoire dans des environnements généraux.

#Facteurs Affectant la Performance du Modèle

Plusieurs facteurs ont contribué à la mauvaise performance du modèle dans le monde réel :

1. Conditions de Collecte de données : Les conditions contrôlées du laboratoire ne reflétaient pas les complexités des situations de levage réelles.
2. Placement des Capteurs : L'emplacement des capteurs IMU sur le corps peut grandement influencer les données capturées, ce qui rend difficile la standardisation.
3. Différences d'Activités : Dans le labo, le jeu de données comprenait principalement des mouvements simples comme s'asseoir ou se lever, tandis que les scénarios de levage réels sont beaucoup plus complexes.

#Processus de Collecte de Données

Pour collecter des données pour cette étude, des sujets portaient six capteurs IMU placés sur leur corps à des emplacements spécifiques. Les capteurs recueillaient des données sur les mouvements à une fréquence de 25 fois par seconde. Des données provenant de milieux de laboratoire et réels ont été collectées.

#Données de Laboratoire

Les données de laboratoire ont été recueillies dans un environnement contrôlé où les sujets marchaient en avant, soulevaient une petite boîte, puis la remettaient sur une table. Des vidéos enregistraient ces actions pour aider à identifier quand le levage a commencé et s'est terminé. Les données IMU étaient synchronisées avec les données vidéo pour garantir l'exactitude dans l'étiquetage de ces événements de levage.

#Données du Monde Réel

Dans la phase de collecte de données du monde réel, les sujets portaient des capteurs IMU tout en travaillant dans une usine légère. Des caméras enregistraient les levées sous différents angles pour fournir une référence pour l'étiquetage des données. Si un capteur tombait en panne pendant la collecte de données, ces données étaient exclues pour maintenir la cohérence.

#Entraînement et Évaluation du Modèle

Le modèle a été entraîné pour reconnaître le levage en définissant des points de départ et de fin clairs pour les actions de levage. Les données d'entraînement étaient équilibrées pour inclure des quantités égales d'événements de levage et de non-levage afin de s'assurer que le modèle apprenait à faire la différence entre les deux efficacement.

Lors de l'évaluation sur les données du monde réel, le modèle initial ne performait pas bien à cause de problèmes identifiés, notamment :

1. Erreurs de Timing : Certains sujets avaient des différences entre le timing des capteurs et l'étiquetage, retardant les prédictions et affectant l'exactitude.
2. Placement Incorrect des Capteurs : Certains capteurs n'étaient pas placés correctement, mais les données pouvaient être ajustées mathématiquement pour corriger ce problème.
3. Variété d'Entraînement Limitée : Le jeu de données plus étroit entraîné en laboratoire rendait difficile pour le modèle de bien généraliser aux actions variées du monde réel.

#Solutions pour Améliorer la Performance du Modèle

L'équipe de recherche a envisagé plusieurs stratégies pour améliorer la performance du modèle :

#Génération de données synthétiques

Une solution potentielle impliquait de créer des données d'entraînement supplémentaires en utilisant des jeux de données existants d'autres études. Bien que les données d'études différentes n'étaient pas directement compatibles en raison de placements de capteurs variés, des données de capture de mouvement provenant d'autres sources pouvaient générer des données IMU synthétiques, créant un ensemble d'entraînement plus diversifié.

#Apprentissage par Transfert

L'apprentissage par transfert implique de prendre un modèle précédemment entraîné sur un jeu de données plus large et de le peaufiner avec un plus petit ensemble de données spécifiques. Cependant, comme il n'y avait pas de placement standardisé des IMU, l'équipe a rencontré des difficultés à appliquer cette méthode efficacement.

#Filtrage de Données

Des techniques de filtrage de données ont été envisagées pour affiner encore plus les données d'entraînement. L'équipe a évalué deux types de filtres qui pouvaient aider à réduire le bruit et à améliorer la qualité des données pour l'entraînement du modèle.

#Réduction des Canaux de Capteurs

Étonnamment, le retrait des données de capteurs moins pertinentes de l'ensemble d'entraînement a conduit à de meilleures performances. Le modèle a mieux fonctionné lorsqu'il a été entraîné uniquement sur les capteurs les plus importants (poignet et dos), ce qui lui a permis de se concentrer sur des caractéristiques qui représentent avec précision les mouvements de levage.

#Résultats et Discussion

Après avoir affiné le processus d'entraînement et abordé les problèmes identifiés, l'équipe a réalisé des avancées notables dans la performance du modèle. Le score F1 est passé de 32,8 % à 64,66 %, une augmentation significative, bien qu'il soit encore loin de l'objectif de 90 % pour un déploiement pratique.

#Principales Conclusions

Les principales conclusions de cette recherche sont :

1. Importance des Données d'Entraînement : Avoir des données d'entraînement précises et représentatives est crucial pour le succès du modèle. Les différences entre les données d'entraînement et du monde réel doivent être minimisées.
2. Valeur de l'Augmentation de Données : Élargir le jeu de données avec des exemples plus diversifiés, que ce soit par des données synthétiques ou d'autres moyens, peut renforcer la robustesse du modèle.
3. Compréhension du Fonctionnement du Modèle : Des techniques comme la cartographie de saillance peuvent fournir des informations sur la manière dont les modèles interprètent les données, aidant à identifier les zones problématiques.
4. Rôle de l'Apprentissage par Transfert : Bien que l'apprentissage par transfert n'ait pas réussi dans ce cas, cela reste un outil important pour peaufiner des modèles avec des données spécifiques à l'utilisateur dans d'autres contextes.

#Conclusion

Cette recherche démontre les défis persistants de la transfert des modèles d'apprentissage automatique des environnements de laboratoire contrôlés aux applications du monde réel. Néanmoins, l'équipe a réalisé des progrès substantiels en abordant ces défis, améliorant finalement la performance en affinant les données d'entraînement et en ajustant les configurations de capteurs. Plus de travail sur la génération de données synthétiques et un focus sur la compréhension du comportement du modèle pourraient encore augmenter les chances de déployer ces modèles avec succès pour la sécurité au travail à l'avenir.