Automated ergonomics correction with neural networks

Abstract

Die steigende Zahl arbeitsbedingter Muskel-Skelett-Erkrankungen bei den Arbeitnehmern in der EU ist ein dringendes Gesundheitsproblem, das die Produktivität der Arbeitnehmer und die wirtschaftliche Stabilität insgesamt erheblich beeinträchtigt. Herkömmliche ergonomische Beurteilungen beinhalten häufig manuelle Bewertungen, die zeitaufwändig sind und häufig zu Verzögerungen bei der Ergreifung von Korrekturmaßnahmen führen. Bei der Entwicklung automatisierter Systeme für die ergonomische Bewertung werden zunehmend Technologien wie Pose Estimation und Motion Capture (Mocap) eingesetzt, um die Ergonomie am Arbeitsplatz in Echtzeit zu bewerten. Bei Technologien zur Posenschätzung werden beispielsweise Kameras und Software eingesetzt, um menschliche Figuren in Bildern und Videos zu erkennen und ihre Körperhaltung anhand bekannter ergonomischer Standards zu bewerten. Diese Methode ermöglicht eine kontinuierliche Bewertung der Ergonomie ohne Unterbrechung des Arbeitsablaufs. Bei Systemen zur Bewegungserfassung hingegen werden Personen mit Sensoren ausgestattet, die die Dynamik ihrer Bewegungen erfassen. Diese Daten werden dann verarbeitet, um ergonomische Risikofaktoren auf der Grundlage der Ausrichtung und Belastung der verschiedenen Körperteile zu bewerten.Trotz ihrer Schnelligkeit und Effizienz liefern diese automatisierten aber oft Ergebnisse, die von Laien nicht leicht zu interpretieren sind. Sie liefern in der Regel Punktzahlen und statistische Daten, die zwar genau sind, aber keine klaren, umsetzbaren Ratschläge zur Behebung der festgestellten Probleme liefern. Diese Lücke in der Interpretierbarkeit der Daten kann unmittelbare Korrekturmaßnahmen behindern, die für die proaktive Bewältigung ergonomischer Risiken unerlässlich sind. Daher besteht weiterhin ein entscheidender Bedarf an technologischen Weiterentwicklungen, die nicht nur Risiken identifizieren und bewerten, sondern diese Ergebnisse auch in praktische Ratschläge für Anpassungen am Arbeitsplatz umsetzen. Als Antwort auf diese Herausforderungen stellt diese Studie einen neuen Ansatz. Sie adaptiert Neural Style Transfer Techniken - die ursprünglich für künstlerische Bildtransformationen entwickelt wurden - mit Generative Adversarial Netzwerkkonzepten auf den Bereich der Ergonomie zur Optimierung von Arbeitsplatzhaltungen. Die Methode beinhaltet eine zusammengesetzte Verlustfunktion, die ergonomische, strukturelle und diskriminatorische Verluste integriert, um menschliche Körperhaltungen zu verfeinern. Diese Funktion stellt sicher, dass die veränderten Körperhaltungen nicht nur den ergonomischen Sicherheitsstandards entsprechen, sondern auch ein realistisches menschliches Aussehen und strukturelle Integrität bewahren, was das Interesse und Engagement des Publikums weckt.Dieser neuartige Ansatz ermöglicht die automatische Korrektur von Körperhaltungen und bietet damit einen Vorteil gegenüber herkömmlichen Methoden, die in hohem Maße auf manuelle Eingriffe durch menschliche Ergonomieexperten angewiesen sind. Durch die Nutzung der Möglichkeiten des maschinellen Lernens und neuronaler Netze geht diese Methode das kritische Problem der Korrektur bei bestehenden KI-gestützten Ergonomielösungen an. Sie liefert einen Konzeptnachweis, der ergonomische Risiken bewertet und umsetzbare Anleitungen für Korrekturen liefert, wodurch die Wahrscheinlichkeit von Muskel- und Skeletterkrankungen am Arbeitsplatz verringert wird. Diese Studie bringt den Bereich der Ergonomie voran und legt den Grundstein für künftige Forschungen, die darauf abzielen, ergonomische Bewertungen und Interventionen vollständig zu automatisieren.

The rising number of work-related musculoskeletal disorders (WMSDs) in the EU workforce is a pressing health concern that significantly impacts worker productivity and overall economic stability. Traditional ergonomic assessments often involve manual evaluations that are time-consuming and often delayed in delivering corrective measures. The development of automated systems for ergonomic assessment has increasingly harnessed technologies such as pose estimation and motion capture (mocap) to provide real-time evaluations of workplace ergonomics. Pose estimation technologies, for instance, use cameras and software to detect human figures in images and videos and map their posture against known ergonomic standards. This method allows for continuous monitoring of ergonomics without disrupting the workflow. On the other hand, motion capture systems involve fitting individuals with sensors that capture the dynamics of their movement. This data is then processed to evaluate ergonomic risk factors based on the alignment and strain on different body parts. Despite their speed and efficiency, these automated systems often produce results that are not easily interpretable by non-experts. They tend to offer scores and statistical data that, while accurate, do not provide clear, actionable advice on how to correct identified issues. This gap in the interpretability of the data can hinder immediate corrective actions, which are vital for proactively addressing ergonomic risks. As such, there remains a critical need for technological advancements that not only identify and score risks but also translate these findings into practical advice for workplace adjustments. In response to these challenges, this study introduces a novel approach. It adapts neural style transfer techniques—originally developed for artistic image transformations— with generative adversarial network concepts to the field of ergonomics for optimizing workplace postures. The method involves a composite loss function that integrates ergonomic, structural, and discriminator losses to refine human postures. This function ensures that modified poses not only meet ergonomic safety standards but also maintain a realistic human appearance and structural integrity, sparking intrigue and engagement in the audience. This novel approach allows for the automated correction of postures, providing a benefit over traditional methods that rely heavily on manual interventions by human ergonomic experts. By harnessing the capabilities of machine learning and neural networks, this method tackles the critical issue of rectification in existing AI-powered ergonomic solutions. It provides a proof of concept that assesses ergonomic risks and provides actionable guidance for corrections, thereby reducing the likelihood of MSDs in the workplace. This study advances the field of ergonomics and lays the foundation for future research aimed at fully automating ergonomic assessments and interventions.