Investigating thermal sensors for muscular activity monitoring

Muscle fatigue detection is a critical factor in occupational safety and ergonomic design, particularly in industrial applications such as exoskeleton-assisted labor. This study investigates the potential of thermal sensors, both thermocouples and infrared thermal cameras (IRT), to monitor muscle activity and fatigue progression. Two experimental protocols were designed: an activity protocol, focusing on thermal variations, and a fatigue protocol, which incorporated EMG-based fatigue detection. The collected data were analyzed through unsupervised learning techniques, such as PCA and K-means clustering for the thermocouple datasets, supervised classification models for the thermocouple data, and deep learning-based feature extraction for the infrared thermal camera datasets in the fatigue protocol. Results indicate that, while both thermal sensors captured muscular heat variations, their effectiveness depended on the analysis approach. The thermocouple provided stable temperature readings, enabling a direct classification strategy using supervised machine learning models, which achieved high accuracy. Additionally, PCA-based clustering of the thermocouple dataset identified two primary groups, corresponding to high-intensity activity and low-intensity activity, confirming the ability of the thermocouple to distinguish different muscle engagement levels. Conversely, the infrared thermal camera exhibited greater spatial variability, making direct classification with simple features less effective. To leverage its spatially rich information, convolutional neural networks (CNNs) were employed for feature extraction, enhancing classification performance. Future developments should focus on real-time monitoring applications, particularly in industrial exoskeletons, where preemptive fatigue detection could optimize work-rest cycles. Additionally, multi-sensor fusion with advanced AI models could enhance the reliability and adaptability of fatigue monitoring systems, improving their application in industrial and ergonomic settings.

Il rilevamento della fatica muscolare è un fattore cruciale per la sicurezza sul lavoro e la progettazione ergonomica, in particolare nelle applicazioni industriali come il lavoro assistito da esoscheletri. Questo studio investiga il potenziale dei sensori termici, sia termocoppie che telecamere a infrarossi (IRT), per monitorare l'attività muscolare e l'insorgenza e la progressione della fatica muscolare. Sono stati sviluppati due protocolli sperimentali: un protocollo di attività, focalizzato sulle variazioni termiche, e un protocollo di fatica, che ha integrato il rilevamento della fatica grazie all'elettromiografia. I dati raccolti sono stati analizzati attraverso tecniche di apprendimento non supervisionato, come PCA e clustering K-means per i dataset della termocoppia e della IRT, modelli di classificazione supervisionata per i dati della termocoppia e tecniche di estrazione di feature basate su deep learning per i dataset della telecamera a infrarossi nel protocollo di fatica. I risultati indicano che, sebbene entrambi i sensori termici abbiano rilevato variazioni di temperatura associate all'attività muscolare, la loro efficacia dipende dall'approccio analitico adottato. La termocoppia ha fornito misurazioni della temperatura stabili, consentendo una strategia di classificazione diretta basata su modelli di apprendimento supervisionato, che hanno raggiunto un'elevata accuratezza. Inoltre, il clustering basato su PCA del dataset della termocoppia ha identificato due gruppi principali, corrispondenti ad attività ad alta e bassa intensità, confermando la capacità della termocoppia di distinguere diversi livelli di attivazione muscolare. Al contrario, la telecamera a infrarossi ha mostrato una maggiore variabilità spaziale, rendendo meno efficace la classificazione diretta utilizzando semplici feature statistiche. Per sfruttare l'informazione spaziale fornita dalla IRT, sono state impiegate reti neurali convoluzionali (CNN) per l’estrazione automatica delle feature, migliorando le prestazioni di classificazione. Gli sviluppi futuri dovrebbero concentrarsi sull'implementazione di sistemi di monitoraggio in tempo reale, in particolare nell’ambito degli esoscheletri industriali, dove il rilevamento preventivo della fatica potrebbe ottimizzare i cicli di lavoro e riposo. Inoltre, l'integrazione della fusione multi-sensore con modelli avanzati di intelligenza artificiale potrebbe aumentare l'affidabilità e l’adattabilità dei sistemi di monitoraggio della fatica, migliorandone l’applicabilità in contesti industriali ed ergonomici.