Publisher

BUMIGORABUMIGORA

Journal MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa KomputerMATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Abstract

Era digital telah meningkatkan prevalensi gangguan muskuloskeletal yang disebabkan oleh postur duduk yang buruk, yang menimbulkan tantangan kesehatan dan produktivitas global yang signifikan. Penelitian ini memperkenalkan model pembelajaran dalam yang berbasis perhatian sebagai mesin analitis untuk monitor ergonomi virtual yang diusulkan, Ergo-Guard. Tujuan utamanya adalah mengembangkan model yang dapat melakukan penilaian kualitas gerakan postur duduk secara akurat dan real-time untuk pengguna komputer, hanya dengan menggunakan webcam standar untuk menjamin aksesibilitas yang luas. Metode penelitian ini adalah arsitektur hibrida yang menggabungkan Jaringan Neural Konvolusi (CNN) dan Jaringan Ingatan Jangka Pendek (LSTM), yang ditingkatkan dengan mekanisme perhatian dan dioptimalkan untuk data skletal tiga dimensi menggunakan pendekatan Computer Vision BlazePose. Kerangka ini menggabungkan Jaringan Konvolusi Satu Dimensi (1D-CNN) untuk mengekstrak fitur spasial dari pose statis dengan Jaringan LSTM Bidirectional untuk memodelkan pergeseran postural temporal. Mekanisme perhatian terintegrasi memungkinkan model untuk fokus secara dinamis pada area ergonomi yang kritis, meniru penilaian ahli. Untuk validasi, dataset OfficePosture baru dibuat, yang berisi 500 video dari lima postur duduk kantor yang umum. Hasilnya menunjukkan bahwa model yang diusulkan mencapai akurasi klasifikasi sebesar 94,2%, yang secara signifikan melebihi baseline dari CNN murni (84,6%) dan jaringan LSTM standar (89,2%). Selain akurasi, model ini menawarkan umpan balik yang dapat ditafsirkan melalui peta perhatian visual. Kesimpulannya, arsitektur yang diusulkan adalah solusi efektif untuk memantau postur duduk dan memiliki janji yang signifikan sebagai alat kesehatan pencegahan yang terjangkau untuk pengaturan korporat dan pendidikan.

Conclusion

Penelitian ini berhasil memvalidasi arsitektur CNN-LSTM berbasis perhatian yang dioptimalkan untuk penilaian waktu nyata dari perilaku duduk quasi-statis.Pada dataset OfficePosture khusus yang terdiri dari 500 klip video, model mencapai akurasi klasifikasi sebesar 94,2% dan F1 Score sebesar 0,94, yang secara signifikan melebihi model CNN (84,6%) dan LSTM standar (89,2%).Kontribusi utama dari penelitian ini membedakan diri dari studi Pengenalan Aktivitas Manusia (HAR) yang ada dengan secara khusus menangani domain ergonomi perilaku quasi-statis.Berbeda dengan model pembelajaran dalam generik yang memprioritaskan deteksi gerakan dinamis tinggi (misalnya berjalan, berlari), arsitektur CNN-LSTM berbasis perhatian yang diusulkan secara unik dioptimalkan untuk mendeteksi penyimpangan tulang belakang yang halus dan lambat yang khas dari postur duduk kantor.Dengan memproses data vektor skletal daripada gambar mentah, model mencapai keseimbangan yang tepat antara akurasi klasifikasi tinggi (94,2%), efisiensi komputasi (26,3ms latency), dan interpretabilitas biomekanik, sehingga mengisi kesenjangan kritis dalam teknologi kesehatan pencegahan yang terjangkau.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengeksplorasi Graph Convolutional Networks (GCNs) untuk memodelkan konektivitas topologis dari sendi tulang belakang, sehingga menyelesaikan kebingungan yang tersisa di antara subtipe slouching. Selain itu, menyelidiki arsitektur berbasis transformer dapat memungkinkan pemodelan temporal yang lebih unggul untuk pemantauan jangka panjang tanpa batasan gradien menghilang dari LSTM. Penelitian masa depan juga dapat berfokus pada validasi lapangan untuk menguji ketahanan model terhadap distorsi sudut pandang yang parah, memastikan bahwa sistem dapat diterapkan secara universal sebagai alat intervensi kesehatan.

References

1. Human Activity Recognition Using CNN and Lstm Deep Learning Algorithms | Journal of Advanced Zoology.... doi.org/10.17762/jaz.v44iS6.2353Human Activity Recognition Using CNN and Lstm Deep Learning Algorithms Journal of Advanced Zoology doi 10 17762 jaz v44iS6 2353
2. Movement Analysis for Neurological and Musculoskeletal Disorders Using Graph Convolutional Neural Network.... doi.org/10.3390/fi13080194Movement Analysis for Neurological and Musculoskeletal Disorders Using Graph Convolutional Neural Network doi 10 3390 fi13080194
3. Transfer Learning Model Evaluation on CNN Algorithm: Indonesian Sign Language System (SIBI) | Journal... e-jabt.org/index.php/JABT/article/view/213Transfer Learning Model Evaluation on CNN Algorithm Indonesian Sign Language System SIBI Journal e jabt index php JABT article view 213
4. Real-Time Posture Monitoring and Risk Assessment for Manual Lifting Tasks Using MediaPipe and LSTM |... dl.acm.org/doi/10.1145/3688868.3689199Real Time Posture Monitoring and Risk Assessment for Manual Lifting Tasks Using MediaPipe and LSTM dl acm doi 10 1145 3688868 3689199
5. A comparative study on real-time sitting posture monitoring.... comparative study real time sitting posture... reference-global.com/article/10.2478/jee-2023-0055A comparative study on real time sitting posture monitoring comparative study real time sitting posture reference global article 10 2478 jee 2023 0055

Metadata

File size	6.19 MB
Pages	12
DMCA	Report