• k-NN
• rete neurale (NN)
• machine learning
• ginocchia
• colonna vertebrale
• mal di schiena
• disturbi muscolo scheletrici
• classificazione
• intelligenza artificiale
• cifosi dorsale
• lordosi
• sicurezza e salute sul lavoro
• posture da seduta scorrette
• arti inferiori
• lavoratore
• scarpe
• dispositivo indossabile
• scoliosi
• lombalgia
• attività umana (HAR)
• SVM

La seduta prolungata e l’assunzione di posture scorrette portano a problemi di salute come disturbi muscolo scheletrici e possono comportare il manifestarsi di malattie anche più gravi. Per i datori di lavoro a livello europeo, le malattie muscolo scheletriche risultano essere tra le più costose, seconde solo al cancro. La presente tesi, si pone come obiettivo quello di prevenire l’insorgere di malattie e disturbi muscolo scheletrici tramite, la progettazione e sviluppo di un dispositivo applicabile su scarpe, per monitorare le posture scorrette degli arti inferiori mediante tecniche di intelligenza artificiale. Sono state scelte le tre posizioni degli arti inferiori, risultate essere le più dannose per la salute: accavallamento, allungamento in avanti e allungamento all’indietro. Il dispositivo, composto dal sensore accelerometro, giroscopio e magnetometro, si attiva solamente se viene superata una soglia di accelerazione gravitazionale indicante l’inizio del movimento. Il dispositivo è stato pensato di dimensioni ridotte in modo che risultasse poco invasivo per il lavoratore, oltre che affidabile ed economico. Un classificatore neurale utilizza i segnali registrati dai sensori, per riconoscere le tre posizioni degli arti inferiori scorrette, con un’accuratezza risultante del 99.996%. Il classificatore è stato confrontato con altri due algoritmi di apprendimento k-nearest neighbor (k-NN) e support vector machine (SVM) entrambi, risultanti avere un’accuratezza del 99.0%.