Desarrollo y evaluación de un sistema inteligente para la identificación de posturas ergonómicas inadecuadas en ambientes de trabajo remoto

Abstract

En entornos laborales actuales de oficina y trabajo remoto, la detección de malas posturas se ha convertido en un aspecto de gran importancia para evitar problemas de salud y preservar el bienestar de los empleados. Las jornadas extensas de trabajo sentado en una misma posición con posturas inadecuadas acarrean problemas físicos y dolencias, las cuales afectan el desempeño y también la calidad de vida de las personas. El objetivo general de este estudio es realizar un sistema de detección de posturas, a través de técnicas de Machine Learning, utilizando la biblioteca Pytorch. Esto con el fin de identificar posturas inadecuadas presentes en varias secuencias de imágenes; en aras de prevenir los problemas de salud generados por las malas posturas. Se trata de un estudio cuantitativo y comparativo ya que se utilizan distintas métricas estadísticas como precisión, sensibilidad, F1-score, entre otras para evaluar la eficiencia del modelo realizado mediante la librería Pytorch y el ya establecido por Teachable Machine. Para ello, se utilizó un conjunto de datos que contiene la captura de varias imágenes de distintos sujetos adoptando varias posturas. Gracias a este conjunto de datos es que se generan los modelos de entrenamiento y posteriormente se validan. Adicional a esto se realizó una evaluación de la eficiencia y precisión de los modelos, utilizando métricas como precisión, sensibilidad y especificidad, para garantizar un desempeño adecuado en la detección de posturas. Los resultados de lo anterior fueron comparados con los que arroja la herramienta Teachable Machine, que es una plataforma web que emplea modelos de redes neuronales pre entrenados y permite a los usuarios entrenar modelos de Machine Learning sin necesidad de programación.