A carregar...
Publicação
Unsupervised Human Activity Recognition Models for Characterizing Office Work Tasks
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 15.27 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Office workers usually spend most of their time sitting, often with rigid postures,
for prolonged periods of time. This has been recognized by the European Union as a
risk factor for work-related musculoskeletal disorders (WRMDs). Promoting healthier
work environments by encouraging more active work practices is essential for workers
occupational health. To study work activities and their distribution over time, Human
Activity Recognition (HAR) techniques need to be implemented. These techniques are
typically used in broader contexts, relying on supervised methods that require costly,
time-consuming label annotation.
This work presents a new dataset comprised of nine office activities from 19 subjects,
collected using a smartphone and a smartwatch, to train unsupervised learning models
for HAR in office environments. Three experiments were conducted to evaluate the
performance of traditional clustering models: feature selection, cluster stability over time,
and impact of data imbalance. The results show that, considering only basic activities,
such as sitting, standing, and walking, the models accurately cluster each subject using
both subject-specific and subject-independent feature sets. However, subjects’ data is
not similar enough to develop a subject-independent model. With all nine activities, the
feature sets lose effectiveness. Smartwatch sensors produce worse results than smartphone
sensors or a combination of these two. Clustering performance is impacted by subjects
displaying different behaviours over time and by class imbalance. When testing on data
from two subjects performing their actual work tasks for a whole workday, the models
are able to separate active and non-active activities into two distinct clusters, but struggle
to identify the exact activity. This information can be useful for identifying risk factors for
WRMDs.
Trabalhadores de escritório passam grande parte do seu tempo sentados e com postu- ras rígidas por longos períodos de tempo. Isto é considerado pela União Europeia como um fator de risco para lesões musculoesqueléticas relacionadas com o trabalho (LMERT). Promover ambientes de trabalho saudáveis, incentivando práticas mais ativas, é essen- cial para a saúde dos trabalhadores. Para estudar atividades e correspondente duração recorre-se a técnicas de reconhecimento de atividades humanas (RAH). Estas técnicas, geralmente, são aplicadas em contextos mais gerais e recorrendo a métodos de aprendi- zagem supervisionada, que requerem a tarefa dispendiosa e demorada de anotação de classes. Este estudo apresenta um novo conjunto de dados, que contém nove atividades de escritório realizadas por 19 sujeitos, adquirido através de um smartphone e um smartwatch, para treino de modelos de aprendizagem não supervisionada para RAH em escritórios. Foram realizadas três experiências para avaliar a performance de modelos tradicionais de clustering: seleção de características, estabilidade dos clusters ao longo do tempo e impacto de dados desbalanceados. Os resultados mostraram que, considerando apenas atividades básicas como sentar, estar de pé e caminhar, os modelos conseguem agrupar corretamente cada sujeito, tanto com um conjunto de características otimizado como um comum. No entanto, não é possível agrupar os dados dos sujeitos em conjunto. Considerando as nove atividades, os conjuntos de características perdem eficácia. Os sensors do smartwatch apresentam piores resultados do que os do smartphone. Os modelos de clustering são afetados pelos diferentes comportamentos dos sujeitos ao longo do tempo e pelo desbalanceamento de classes. Ao testar os modelos em dados de dois sujeitos a trabalhar normalmente durante um dia, estes conseguem separar atividades ativas e não ativas em dois grupos distintos, mas não qual a exata atividade. Isto pode ser útil para a identificação de fatores de risco para LMERT.
Trabalhadores de escritório passam grande parte do seu tempo sentados e com postu- ras rígidas por longos períodos de tempo. Isto é considerado pela União Europeia como um fator de risco para lesões musculoesqueléticas relacionadas com o trabalho (LMERT). Promover ambientes de trabalho saudáveis, incentivando práticas mais ativas, é essen- cial para a saúde dos trabalhadores. Para estudar atividades e correspondente duração recorre-se a técnicas de reconhecimento de atividades humanas (RAH). Estas técnicas, geralmente, são aplicadas em contextos mais gerais e recorrendo a métodos de aprendi- zagem supervisionada, que requerem a tarefa dispendiosa e demorada de anotação de classes. Este estudo apresenta um novo conjunto de dados, que contém nove atividades de escritório realizadas por 19 sujeitos, adquirido através de um smartphone e um smartwatch, para treino de modelos de aprendizagem não supervisionada para RAH em escritórios. Foram realizadas três experiências para avaliar a performance de modelos tradicionais de clustering: seleção de características, estabilidade dos clusters ao longo do tempo e impacto de dados desbalanceados. Os resultados mostraram que, considerando apenas atividades básicas como sentar, estar de pé e caminhar, os modelos conseguem agrupar corretamente cada sujeito, tanto com um conjunto de características otimizado como um comum. No entanto, não é possível agrupar os dados dos sujeitos em conjunto. Considerando as nove atividades, os conjuntos de características perdem eficácia. Os sensors do smartwatch apresentam piores resultados do que os do smartphone. Os modelos de clustering são afetados pelos diferentes comportamentos dos sujeitos ao longo do tempo e pelo desbalanceamento de classes. Ao testar os modelos em dados de dois sujeitos a trabalhar normalmente durante um dia, estes conseguem separar atividades ativas e não ativas em dois grupos distintos, mas não qual a exata atividade. Isto pode ser útil para a identificação de fatores de risco para LMERT.
Descrição
Palavras-chave
Unsupervised learning Human Activity Recognition mart devices Work- related musculoskeletal disorders Occupational health