A functional approach for postural assessment of the shouder and the lower-back region based on 6-D IMU

Billions of people suffer from Work-related Musculo-Skeletal Disorders (WMSDs). WMSDs represent 88% of occupational diseases in western countries, and target particularly workers exposed to straining working conditions such as : routine lifting of heavy objects, daily exposure to whole body vibration, routine overhead work or performing repetitive forceful tasks. In this context, MOTEN Technology is a start-up providing wearable sensor systems for the evaluation of muscle activity and fatigue of workers exposed to WMSDs risks factors. Recently, the company seeks to extend the use of their sensor systems in order to propose a minimalist postural assessment method, in addition to muscle activity data. The novel measurement method needs to provide a reliable prediction of specific joint angles so that it can be associated to a postural score for a thorough ergonomic evaluation of workstations. The main requirement is to propose a measurement protocol that is light in terms of calibration and quick to set-up. For this reason, the number of sensors to be placed on a human body should be minimized. In addition, the sensors need to operate in industrial environments with heavy local magnetic disturbances. Therefore, the prediction of the joint angle should be made without fusing magnetometer data. To meet these requirements, Moten Technologies designed and manufactured a new sensor system featuring a 6D Inertial Measurement Unit (IMU), the LSM6DSOX, which is to be positioned on specific muscles while the worker is performing his/her daily activities. This work aimed at developing algorithms to process the 6D IMU data from sensors placed at different locations in order to predict, on one hand, the shoulder joint angle and, on the other hand, the back joint angle. Moreover, the focus was put on sensor repeatability : it was then acceptable to achieve a lower accuracy with respect to all of the constraints presented above as long as the joint angle estimators remained stable over time. To solve this problem, a Madgwick filter was implemented to combine the accelerometer and gyroscope data and derive the global orientation of the sensor while minimizing the sampling rate and the computational load. This global orientation was processed thanks to an anatomical calibration consisting in a N-pose maintained five seconds to simplify the process at the expense of some accuracy. The procedure was tested and adjusted through acquisition within six different subjects equipped with both MOTEN sensors and a full-body XSENS Motion capture system, a reference in biomechanics composed of 17 IMU sensors. The subjects all performed different protocols involving activities like raising the arm, bending over and picking a weight with different conditions a certain number of times. Protocols were gathered in sessions and each session of thirty minutes started with a 5-seconds N-pose. Data was processed with the Madgwick filter and the calibration data to obtain the shoulder joint angle with the sensor positioned on the biceps, easier to process than the one on the deltoid, and the lower back joint angle, so to be compared with XSENS predictions. Analysis of the result was done in two different ways. First, by quantitively analyzing data from MOTEN and XSENS sensor systems for each session. And second by computing the Mean Average Error, Root Mean Square Error and the coefficient of correlation R² for each repetition of a protocol and then for sessions in their whole in order to assess the repeatability of the process and its accuracy. Mean and standard deviation were computed in both cases. Joint angle predictions did not have a satisfying accuracy at the end of this work as the Mean Average Error was always around 10° considering an entire protocol or an entire session. However, the repeatability was better as the standard deviation was generally around 1° or 2°. In the literature, studies aiming at estimating joint angles generally reach an Mean Average Error from 2° to 5° in average. Further analysis, in particular using the XSENS mannequin, allowed to understand the reason of the observed limited accuracy: First, an N-pose is faster and simpler, but is less accurate. It was observed that the subject posture during the calibration of MOTEN sensors and XSENS sensors was different. Consequently, the reference was different. Second, XSENS system uses a large set of devices as well as a complex biomechanical model. Because of this model, the definition of the joint angle was not the same for both systems, especially as this work predict the orientation of a segment with a unique sensor placed on the body. Consequently, XSENS was not the best choice of reference. Third, the use of only one sensor per joint is not possible to take into account movement. In particular, bending over generates an angular velocity measurement on the shoulder sensors and this should be considered to distinguish real shoulder joint angle and movement artifacts. Finally, this work is the premise of a larger one involving Machine Learning capabilities and patterns recognition for a fully automated postural assessment and results are already promising for the future. Focus should be set on improving the current results and designing a better assessment procedure, before extending the prediction to other joints.

Miliardi di persone soffrono di disturbi muscolo-scheletrici legati al lavoro. I disturbi muscolo-scheletrici rappresentano l'88% delle malattie professionali nei Paesi occidentali e colpiscono in particolare i lavoratori esposti a condizioni di lavoro stressanti come : il sollevamento di routine di oggetti pesanti, l'esposizione quotidiana a vibrazioni su tutto il corpo, il lavoro sopraelevato di routine o l'esecuzione di compiti ripetitivi con forza. In questo contesto, MOTEN Technologies è una start-up che fornisce sistemi di sensori indossabili per la valutazione dell'attività muscolare e della fatica dei lavoratori esposti ai fattori di rischio dei disturbi muscolo-scheletrici legati al lavoro. Recentemente, l'azienda ha cercato di estendere l'uso dei propri sistemi di sensori per proporre un metodo di valutazione posturale minimalista, oltre ai dati sull'attività muscolare, per una valutazione ergonomica completa delle postazioni di lavoro. Per soddisfare questa ambizione, è necessario sviluppare un metodo di misurazione in grado di fornire una previsione affidabile degli angoli articolari specifici. A tal fine, Moten Technologies ha progettato e realizzato un nuovo sistema di sensori dotato di un'unità di misura inerziale (IMU), l'LSM6DSOX, che deve essere posizionato su muscoli specifici mentre il lavoratore svolge le sue attività quotidiane senza disturbi. Di conseguenza, la procedura deve essere semplice e veloce da configurare. Per questo motivo, il numero di sensori da posizionare sul corpo deve essere ridotto al minimo. Inoltre, l'utilizzo in un ambiente di lavoro rende il magnetometro sensibile al campo magnetico locale e lo rende inaffidabile. Pertanto, la previsione dell'angolo articolare deve essere effettuata senza magnetometro. Questo lavoro mira a sviluppare algoritmi per elaborare i dati IMU di un singolo sensore al fine di prevedere l'angolo dell'articolazione della spalla e l'angolo dell'articolazione della schiena. Inoltre, l'attenzione è stata posta sulla ripetibilità del sensore: è stato quindi accettato di ottenere una precisione inferiore rispetto a tutti i vincoli presentati in precedenza, se le prestazioni rimangono stabili nel tempo. Per risolvere questo problema, è stato implementato un filtro di Madgwick per combinare i dati dell'accelerometro e del giroscopio e ricavare l'orientamento globale del sensore minimizzando la frequenza di campionamento e il carico computazionale. Questo orientamento globale è stato elaborato grazie a una calibrazione anatomica che consiste in un N-pose mantenuta per cinque secondi per semplificare il processo a scapito di una certa precisione. La procedura è stata testata e regolata attraverso l'acquisizione in sei diversi soggetti dotati sia di sensori MOTEN sia di un sistema di acquisizione del movimento XSENS full-body, un riferimento nella biomeccanica composto da 17 sensori IMU. Tutti i soggetti hanno eseguito per un certo numero di volte diversi protocolli che prevedevano attività come il sollevamento del braccio, il piegamento e la raccolta di un peso in condizioni diverse. I protocolli sono stati raccolti in sessioni e ogni sessione di trenta minuti è iniziata con un N-pose di 5 secondi. I dati sono stati elaborati con il filtro di Madgwick e i dati di calibrazione per ottenere l'angolo dell'articolazione della spalla con il sensore posizionato sul bicipite, più facile da elaborare rispetto a quello sul deltoide, e l'angolo dell'articolazione della parte inferiore della schiena, in modo da poterlo confrontare con le previsioni XSENS. L'analisi dei risultati è stata effettuata in due modi diversi. In primo luogo, analizzando quantitativamente i dati dei sistemi di sensori MOTEN e XSENS per ogni sessione. In secondo luogo, calcolando l'errore medio, l'errore quadratico medio e il coefficiente di correlazione R² per ogni ripetizione di un protocollo e poi per le sessioni nel loro complesso, al fine di valutare la ripetibilità del processo e la sua precisione. Media e deviazione standard sono state calcolate in entrambi i casi. Le previsioni dell'angolo articolare non hanno avuto una precisione soddisfacente alla fine di questo lavoro, poiché l'errore medio è sempre stato di circa 10° considerando un intero protocollo o un'intera sessione. Tuttavia, la ripetibilità era migliore, poiché la deviazione standard si aggirava generalmente intorno a 1° o 2°. Ulteriori analisi hanno permesso di capire il motivo di questa scarsa precisione : In primo luogo, l'N-pose è più veloce e più semplice, ma è meno preciso. È stato osservato che la postura del soggetto durante la calibrazione dei sensori MOTEN e XSENS era diversa. Di conseguenza, il riferimento era diverso. In secondo luogo, il sistema XSENS utilizza un'ampia serie di dispositivi e un modello biomeccanico complesso. A causa di questo modello, la definizione dell'angolo articolare non era la stessa per entrambi i sistemi, soprattutto perché questo lavoro prevede l'orientamento di un segmento con un unico sensore posizionato sul corpo. Di conseguenza, XSENS non era la scelta migliore di riferimento. In terzo luogo, l'uso di un solo sensore per articolazione non consente di tenere conto del movimento. In particolare, il piegamento genera una misura della velocità angolare sui sensori della spalla e questo deve essere considerato per distinguere l'angolo reale dell'articolazione della spalla dagli artefatti del movimento. Infine, questo lavoro è la premessa di uno più ampio che coinvolge le capacità di Machine Learning e il riconoscimento dei modelli per una valutazione posturale completamente automatizzata e i risultati sono già promettenti per il futuro. L'attenzione dovrebbe essere rivolta al miglioramento dei risultati attuali e alla progettazione di una procedura di valutazione migliore, prima di estendere la previsione ad altre articolazioni.