Identificación automática del uso de herramientas vibratorias manuales mediante smartwatches comerciales y técnicas de machine learning.

En este trabajo se presenta una aplicación del uso de tecnología wearable (SW) y técnicas de aprendizaje automático (machine learning), para la identificación automática de la utilización de herramientas vibratorias de uso manual en el puesto de trabajo. El ejemplo de aplicación consiste en un sistema de reconocimiento automático que utiliza un reloj inteligente comercial que puede ser utilizado en tareas relacionadas con la evaluación de riesgos producidos por la exposición a las vibraciones que afectan al sistema mano-brazo. El sistema propuesto es capaz de identificar, con una alta precisión, tres tipos de familias de máquinas vibratorias manuales y, a su vez, identificar tres modelos diferentes de máquinas pertenecientes a cada una de las familias de herramientas. Actualmente es posible utilizar dispositivos inteligentes tipo wearables, para el desarrollo de herramientas tecnológicas que permitan mejorar las actuales metodologías para la cuantificación de los efectos producidos por la maquinaria manual vibrante, así como su nivel de incidencia en la salud de los trabajadores. En futuro próximo el uso de sistemas de este tipo puede permitir la realización de análisis de los riesgos laborales producidos por la exposición a vibraciones mecánicas en el puesto de trabajo de forma automatizada, precisa, y con bajo coste, así como formar parte de sistemas de gestión de riesgos integrados en el concepto de industria 4.0.
Tema secundario: 
Autor principal: 
Ignacio
Pavón
ETSI Industriales. Universidad Politécnica de Madrid. Grupo de Investigación en Instrumentación y Acústica Aplicada.
España
Coautores: 
Luis
Sigcha Guachamin
ETSI Industriales. Universidad Politécnica de Madrid. Grupo de Investigación en Instrumentación y Acústica Aplicada.
España
Stefania Trinidad
Nisi Valencia
ETSI Industriales. Universidad Politécnica de Madrid.
Guillermo
de Arcas Castro
ETSI Industriales. Universidad Politécnica de Madrid. Grupo de Investigación en Instrumentación y Acústica Aplicada
Introducción: 

La exposición a las vibraciones en entornos laborales se produce principalmente en industrias como el transporte, la construcción y en los procesos. Las vibraciones que afectan al cuerpo humano pueden ser catalogadas como de bajo, medio y alto impacto dependiendo de variables como tiempo, intensidad, zona afectada y tipo de vibración a la que se está exponiendo el trabajador (Griffin, 2018). Varios estudios han demostrado que exposiciones prolongadas a estas vibraciones pueden causar distintos tipos de lesiones y malestar para el sujeto expuesto (Dong et al. 2015).

Desde el inicio de la era industrial, el crecimiento del uso de herramientas y máquinas a nivel de producción ha sido exponencial, si bien se han realizado avances tecnológicos para mejorar la eficiencia y optimización de estos dispositivos, todavía existe un largo camino que recorrer en cuanto al control de ruido y de las vibraciones que éstas producen (Dong et al. 2015).

Las herramientas vibrantes y procesos motorizados que se transmiten al cuerpo a través del sistema mano-brazo generan un fenómeno conocido como vibraciones mano-brazo. La exposición continuada a este tipo de vibraciones puede llegar a producir trastornos vasculares, perturbaciones neurológicas y efectos musculo esqueléticos, de estos la afección más conocida es el fenómeno de Raynaud o comúnmente llamado dedo blanco inducido por vibración (Valenzuela, 2012). 

En España existen dos documentos normativos que regulan la exposición a las vibraciones desde un punto de vista de seguridad industrial, por un lado, se tiene la Directiva 2002/44/CE del Parlamento Europeo y del Consejo del 25 de junio de 2002, que plantea las disposiciones mínimas de seguridad y salud con respecto a la exposición de trabajadores en el puesto de trabajo derivados específicamente de agente físicos tales como las vibraciones mecánicas (DIRECTIVA 2002/44/CE, 2002). Por otro lado, se tiene el Real Decreto 1311/2005, vigente en España desde el 4 de noviembre del 2005, sobre la protección de la salud y la seguridad de los trabajadores frente a los riesgos derivados o que puedan derivarse de la exposición a vibraciones mecánicas (De la Iglesi Huerta, 2013).

Wearables.
Los recientes desarrollos en las áreas de la inteligencia ambiental (AmI), el internet de las cosas (IoT) y los sistemas ciberfísicos (CPS) han creado diversas soluciones para la salud y seguridad ocupacional utilizando dispositivos o equipo de protección personal con inteligente  (Podgorski et al., 2017). Estos desarrollos se han producido debido a la estandarización en el mercado de los sensores de bajo coste denominados MEMS. Un caso especial de estos sensores es el acelerómetro que es un sensor de tipo inercial, utilizado principalmente en el monitoreo de movimiento, la detección de eventos, la medición de vibraciones. (Jean-Michel, 2004). 

Actualmente existen dispositivos electrónicos denominado wearables, debido a que se pueden portar sobre el cuerpo o integrados en la ropa u otros accesorios y pueden ser utilizados de una manera discreta y confortable. Este tipo de dispositivos generalmente posen sensores de tipo MEMS, con los que es posible medir variables físicas como el movimiento, la temperatura corporal, la frecuencia cardíaca, entre otras. Estos sensores les confiere a los wearables funcionalidades interesante que son utilizadas en aplicaciones biométricas y de seguridad.  (Wright, 2014, Sazonov et al., 2014, Page, 2015). 

Wearables movimiento.
Una de las principales aplicaciones de los wearables ha sido la detección de actividades y de movimiento, utilizado tanto dispositivos wearables específicos como dispositivos comerciales con diversos sensores (Labrador et al., 2013, Mortazavi et al., 2015, Ramos et al, 2016,). En el estudio de Yang (Yang et al., 2010) se recopila el desarrollo de detectores de movimiento usando dispositivos wearables con acelerómetros, donde se identifica a las principales aplicaciones como son la clasificación de postura, la estimación de energía gastada, y la detección de caídas y el balance corporal.

Por otro lado, en estudios recientes se ha empezado a utilizar de manera simultánea smartwatches y smartphones para el reconocimiento automático de actividades. Por ejemplo en el estudio de Ramos (Ramos et al., 2016) se utilizó simultáneamente los datos del acelerómetro y del giroscopio, poniendo en evidencia que el uso de dos dispositivos puede incrementar identificar un rango más amplio de actividades y mejorar la exactitud del reconocimiento.

Wearable vibraciones.
Existen algunas experiencias previas donde se han utilizado soluciones basadas en wearables y acelerómetros MEMS para la valoración de vibraciones en el puesto de trabajo, tanto de forma autónoma, como integrados en las electrónicas de dispositivos multimedia o de comunicación.

Con respecto a las vibraciones que afectan al cuerpo entero se han utilizado smartphones como dispositivos de medición. En Cutini (Cutini et., al 2014) se desarrolló una aplicación que mide y analiza la exposición a las vibraciones, este sistema fue analizado en operadores de tractores agrícolas concluyendo que, a pesar de las desviaciones obtenidas en las mediciones, se presenta un método sencillo para la realización de la evaluación inicial de riesgos y como sistema entrenamiento de bajo coste.

Otro ejemplo es el trabajo realizado por Wolfgang (Wolfgang et al, 2014a, Wolfgang et al, 2014b) donde ha comparado un sistema compuesto por un iPod y una aplicación específica con un analizador de vibraciones estándar. Los resultados de sus experimentos sugieren que las mediciones realizadas con el dispositivo multimedia pueden ser utilizadas para medir vibraciones de cuerpo completo con una elevada confianza y un error mínimo.

Smartwatches.
Uno de los dispositivos wearables más importantes es el smartwatch. En el mercado actual se pueden encontrar smartwatches que poseen características y funcionalidades similares a las de un smartphone, lo que lo que los convierte en una plataforma para el desarrollo de aplicaciones innovadoras. Debido a la diversidad de sensores que pueden ser integrados en los smartwatches actualmente son utilizados en diversas áreas y aplicaciones relacionadas con la salud, el bienestar, la seguridad, el deporte, fitness, comunicación y negocios. (Sazonov et al. 2014, Paerk et al. 2014, Page 2015, Wright & Keith 2014, Rawassizadeh et al. 2015, Cecchinato et al. 2015).

Actualmente existen iniciativas que utilizan dispositivos wearables específicos en la evaluación de riesgos laborales. Los wearables son usados generalmente como dispositivos de monitoreo y de medición continuada en el tiempo, así como dispositivos de alerta o de entrenamiento para los trabajadores, en estas aplicaciones se aprovecha la diversidad de sensores existentes, la portabilidad, autonomía energética, lo que los convierte en una excelente opción para la recolección de información de un modo económico y discreto (Pavón et al. 2018).

Smartwatches ORP
En (Pavón et al. 2018, Sigcha et al. 2018) se ha identificado las potenciales aplicaciones de los wearables para la evaluación de riesgos laborales entre las que se encuentran: la detección de movimiento y actividad física, reconocimiento de lesiones músculos esqueléticas, detección de caídas, evaluación de la exposición a agentes físicos, evaluación de la exposición a agentes químicos y ubicación de peligros potenciales (maquinaria en movimiento). En este artículo se identifica que en el futuro este tipo de dispositivos y sistemas van a aprovechar las capacidades de comunicación inalámbrica de los dispositivos wearables para facilitar el intercambio de información en tiempo real y mejorar los sistemas de gestión de la seguridad laboral mediante la utilización de tecnologías emergentes como el análisis masivo de datos (Big Data).

MEMS HAND ARM
Con respecto a las vibraciones que afectan al sistema mano brazo, en el trabajo de Tarabini (Tarabini et. al. 2012), se ha evaluado las ventajas e inconvenientes de la utilización de acelerómetros MEMS para la medición de vibraciones de mano-brazo y cuerpo completo. Se concluye que es posible diseñar sistemas que incluyan acelerómetros MEMS en el interior de cualquier tipo de herramienta de mano en la interfaz del operador, o en el interior de los asientos de estructuras de automóviles, tractores y camiones, identificando este enfoque como una solución viable para obtener de forma sencilla mediciones para la evaluación y prevención de riesgos laborales.

Por ejemplo en el trabajo de Morello y Aiello (Morello et al., 2010, Aiello et al, 2012) se ha desarrollado dispositivos portables e inalámbricos para la medición de vibraciones que afectan al sistema mano brazo utilizando acelerómetros MEMS, este estudio demuestra un nuevo enfoque para la gestión de la seguridad y riesgo en tiempo real con dispositivos de bajo coste.
Mientras que en el estudio de Bo (Bo & Koc, 2013), se utilizó una aplicación específica y el acelerómetro de un smartphone colocado sobre la mano mediante un guante, obteniendo una solución versátil y de bajo coste para la evaluación inicial de riesgos, educación, el entrenamientos y la concienciación de los trabajadores.

Por un lado, en Pavón (Pavón et al., 2016) se desarrolló y evaluó un sistema de medición de la magnitud de las vibraciones basado en una aplicación específica instalada en un smartwatch comercial con un acelerómetro tipo MEMS. Los autores concluyen que este tipo de dispositivo puede ser utilizado en determinadas tareas de gestión de riesgos de vibración debido a ciertas restricciones técnicas en el acelerómetro impuestas por el sistema operativo. 

Por otra parte, en Matthies (Matthies et al., 2016) se propone utilizar algoritmos de clasificación estimar la exposición a las vibraciones, determinando el tipo de herramienta y el tiempo de uso, utilizando como sensores al micrófono y el acelerómetro de un reloj inteligente. El enfoque propuesto por los autores presenta una solución viable para estimar la exposición a las vibraciones, solventado las limitaciones técnicas identificadas en los sensores MEMS en los smartwatches comerciales.

A pesar de los excelentes resultados presentados por Matthies, se identifica dificultades para la detección de herramientas en entornos ruidosos (entornos que son frecuentes en puestos de trabajo) al utilizar el micrófono del dispositivo para la identificación automática. Por lo que en el presente trabajo se propone la identificación de una selección de modelos de herramientas manuales vibratorias, utilizando únicamente las señales del acelerómetro tri-axial de smartwatches comerciales disponibles en el mercado actual (año 2018).

Además, se propone la evaluación de varios algoritmos de clasificación automática basados en técnicas de entrenamiento supervisado para la clasificación de tres familias de herramientas y de varios modelos de herramientas perteneciente a una sola familia. La información obtenida de estos sistemas de clasificación automática puede resultar útil para el análisis de la exposición a las vibraciones y para el análisis de patrones de trabajo. Este tipo de soluciones tiene la capacidad de ser integrados en sistemas enfocados en la gestión de riesgos laborales en ámbitos industriales.

Metodología: 
La metodología de este trabajo se ha dividido en varias etapas, entre las que se encuentran: la selección de dispositivos, herramientas y material de ensayo para la experimentación, la determinación de un protocolo para la toma de datos para la experimentación con diversas herramientas y materiales y una etapa final de procesamiento y análisis de los resultados.
 
Selección.
 
Sistema de adquisición: Para este estudio, se seleccionaron dos relojes inteligentes comerciales con sensores de tipo MEMS incorporados; estos dispositivos se utilizaron como sistema de adquisición y almacenamiento a través de la aplicación “App Wach” desarrollada en (Sigcha et al. 2018).
 
Figura 1. Sistema de adquisición. 
 
Herramientas motorizadas: Para la elaboración del experimento, se contó con 9 herramientas motorizadas de las cuales se identificaron tres familias de herramientas: taladros, sierras de calar y destornilladores eléctricos.
 
Figura 2. Herramientas utilizadas 
 
Material: Se utilizó tres tipos de materiales de acuerdo a las tres familias de herramientas vibratorias experimentadas. Los materiales fueron madera y una probeta de mármol.
 
Figura 3. Materiales de ensayo.
 
Protocolo de experimentación.
 
Para la toma de datos experimentales se adquirieron tres muestras de 90 segundos de duración cada una, las mismas consistieron en la toma de señales durante el manejo y encendida de cada una de las máquinas, perforando (en el caso de la taladradora) la probeta de mármol, cortando (en el caso de la sierra de calar) la probeta de madera de roble y atornillando (en el caso de los destornilladores eléctricos) sobre el material madero. Este procedimiento se repitió para cada ejemplar de cada familia y utilizando los dos relojes.
 
Todas las muestras tomadas durante el experimento fueron almacenadas con su fecha respectiva dentro de una carpeta incorporada en los dispositivos de adquisición. 
 
Análisis.
 
Una vez finalizado todos los experimentos, los datos fueron transferidos donde se procedió a etiquetar y analizar las señales a través de una plataforma del software Matlab, mientras que para el entrenamiento de algoritmo de clasificación automática se utilizó PrTools.
 
Los datos obtenidos de la experimentación han sido revisados para eliminar muestras erróneas o inexactas producto de los procesos de encendido y apagado de las máquinas. Este proceso de limpieza se realizó manualmente y los datos resultantes se clasificaron y almacenaron en tres bases de datos correspondientes a cada una de las familias utilizadas.
 
Figura 4. Gráfico con datos crudos obtenidos de la aplicación de SW. Aceleraciones en x, y y z (tres canales).
 
Para el desarrollo del segundo método de procesamiento de señal, se ha generado una segundo base de datos con de cada observación realizada, cuya única columna esté compuesta por la sumatoria de aceleraciones. Dicha transformación se realizó utilizando la siguiente ecuación:
 
 
Figura 5. Gráfico con datos crudos obtenidos de la aplicación de SW. Sumatoria de aceleraciones.
 
Etiquetado de muestras: Para entrenar los modelos de clasificación automática de manera supervisada, las observaciones obtenidas tuvieron que ser etiquetadas previamente con un valor alfanumérico que permita distinguir a que máquina pertenece cada observación.
 
Procesado de señal:
Se utilizó Matlab para el tratamiento de datos crudos y la evaluación de los distintos modelos de clasificación. Para la obtención de características discriminantes se analizó los datos de las señales mediante la transformada rápida de Fourier. A continuación, se presentan los pasos seguidos en el pre-procesado de la señal para obtención de características.
 
Se procedió a realizar un enventanado a las señales donde se estableció el tamaño de la ventana de 256 muestras con un traslape (overlap) de la señal del 50%. Luego se aplico una ventana Hanning previo a la aplicación de la transformada rápida de Fourier. Este porcentaje de overlap se aplico para generar más vectores de entrenamiento.
 
Posteriormente, se procedió a llevar los datos al dominio de la frecuencia a través de una transformada rápida de Fourier (FFT) y se expreso los resultados de cada línea de la FFT en dB según la ecuación siguiente:
 
 
 
Adicionalmente, para cada ventana de análisis se obtuvieron una serie de características estadísticas en el dominio del tiempo y el de la frecuencia, tales como: la desviación estándar, la mediana, la media, los percentiles 25 y 75 y la oblicuidad de las muestras, con el fin de añadir más atributos a las observaciones y que presenten más información al modelo clasificador. 
 
Entrenamiento de los modelos:
Se crea una base de datos con las características de las señales que se usa para entrenar el sistema. El dataset está compuesto por filas o instancias, que corresponden a cada muestra adquirida, y las columnas llamadas atributos, características o propiedades que se encargan de describir a cada una de las instancias. 
 
Se normalizan los datos a través para reducir problemas de actuación en los modelos.
 
Se aplica un análisis de componentes principales (PCA), con el propósito de reducir el número de características (columnas) y mejorar la representación de los datos. 
 
Se le indica al programa que el 80% de las observaciones del dataset se destinará al entrenamiento y el 20% se destinaran par la evaluación, dicha división la realiza de manera aleatoria. 
 
Se procede a entrenar varios modelos y se calculan diversas métricas como la exactitud, el error, el F1 y la matriz de confusión correspondiente a cada modelo evaluado.
 
Para identificar el rendimiento de los modelos propuestos se evaluaron 4 algoritmos de clasificación lineales y 4 no lineales que ofrece la herramienta de PrTools:
 
Algoritmos lineales:
- Decision tree 
- Naive Bayes 
- K-nearest neighbor 
- Parzen classifier.
 
Algoritmos no lineales: 
Fisher's Least Square Linear Discriminant,
Logistic
Nearest Mean 
Polynomial classifier.
Resultados: 

Para probar los modelos de clasificación seleccionados se realizaron dos experimentos. Los mismos se resumen en la siguiente Figura.

Figura 6. Diagrama resumen de los experimentos realizados.

Experimento 1: Identificación de familia de herramientas.

El primer Experimento se encarga de verificar la funcionabilidad de los modelos de clasificación para el reconocimiento de distintas familias de máquinas. En este caso, se utilizaron tres unidades de máquina por cada familia de máquina testeada (taladro, sierra de calar y destornillador eléctrico) donde a todas las máquinas pertenecientes a una misma familia se le asignó una única etiqueta.

En la siguiente en la tabla se muestran los resultados obtenidos por los dos mejores modelos al aplicar la metodología 1 (suma de aceleraciones). En esta tabla se observa los errores promedio de al realizar cinco repeticiones de entrenamiento del modelo, utilizando distintos numero de columna al aplicar el análisis PCA.

Tabla 1. Resultados Experimento 1: Metodología 1

El clasificador logístico presenta los mejores resultados de todos los algoritmos lineales, obteniendo un error de 8,9%, al utilizar 30 componente principales. En el caso de los modelos no lineales, el de K-vecinos más cercano presenta un leve aumento del error, llegando a un valor del 10%.

Por su parte en la Tabla 2 se presenta los resultados para el mismo experimento, pero utilizando como sistema de pre-procesado de datos crudos, la metodología 2 (aceleraciones de tres canales).

Tabla 2. Resultados Experimento 1: Metodología 2

En Tabla 2 se muestra que, en los modelos lineales, el clasificador polinomial presenta mejores resultados al utilizar 70 componentes principales, obteniendo un error de alrededor 4,5%. De igual manera que en la metodología 1 el modelo de K-vecinos más próximos vuelve a posicionarse como el mejor algoritmo, con un error por debajo de 5%.

Experimento 2: Identificación de unidad de herramienta.

En el caso de la identificación de unidades herramienta, se realizaron tres pruebas independientes con correspondencia a cada una de las familias de máquinas disponibles (taladros, sierras de calar y destornilladores eléctricos). A continuación, se presenta los resultados de cada prueba en las Tablas 3, 4 y 5.

Tabla 3. Familia de taladros. Experimento 2: Metodología 1.

Tabla 4. Familia sierras de calar. Experimento 2: Metodología 1.

Tabla 5. Familia destornilladores eléctricos. Experimento 2. Metodología 1.

Para las tres familias evaluadas, el clasificador polinomial y el modelo de Parzen presentaron los mejores resultados. No obstante, para todos los números de componentes principales, el error mostrado se encontraba por encima del 20% a excepción de los destornilladores eléctricos.

En las Tablas 6, 7 y 8, se presenta los resultados obtenidos al implementar la metodología 2 de preprocesado en las tres familias de herramientas

Tabla 6. Familia taladros. Experimento 2: Metodología 2.

Tabla 7. Familia sierras de calar. Experimento 2: Metodología 2.

Tabla 8. Familia destornilladores eléctricos. Experimento 2: Metodología 2.

Discusión de resultados: 

En las tres familias, el clasificador polinomial presenta el mejor rendimiento en el caso de los algoritmos lineales, mientras que el algoritmo de Parzen presenta el mejor rendimiento para los algoritmos no lineales. En todos los casos, el número de componentes principales presenta el mejor rendimiento es 40. A diferencia de la metodología 1, los errores se posicionan por debajo del 20%, considerando en el entrenamiento y evaluación aceptable.

Conclusiones: 

En este proyecto se ha desarrollado una metodología para entrenamiento y la evaluación de modelos de aprendizaje automático para la clasificación de máquinas vibratorias manuales a través de un sistema de adquisición basado en un smartwatch.

Los resultados indican que es posible utilizar técnicas de aprendizaje automático supervisado para diseñar un sistema que permite identificar el uso de tres tipos diferentes de máquinas vibratorias del tipo manual a través de algoritmos de clasificación lineales y no lineales con una exactitud en la clasificación de hasta un 98%. Para este experimento se utilizando una selección de tres familias de máquinas manuales (taladradora, sierra de calar y destornilladores eléctricos) de las cuales se realizaron experimentos con tres ejemplares de cada uno.

Mediante los resultados se identifica que al utilizar relojes inteligentes situados en la muñeca de la mano dominante del usuario, permite obtener suficiente información en la señal de vibración para su posterior procesado y clasificación. Los modelos de smartwatch empleados poseen acelerómetro tri-axial MEMS con una frecuencia de muestreo de 200 Hz.

En cuanto al protocolo de experimentación, se identificó que para el correcto entrenamiento de los modelos de clasificación era necesaria la adquisición de al menos de 1000 muestras con una duración de un segundo para cada máquina ensayada. Para esto se decidió realizar tres pruebas de 90 segundos para cada herramienta y para dos smartwatches de distintas marcas.

Mediante los resultados se identifica que el sistema puede clasificar fácilmente los tres tipos de familias de herramientas ensayados utilizando únicamente el espectro de frecuencia obtenido de las señales del acelerómetro tri-axial. Se observa una disminución en el rendimiento al clasificar modelos de una misma familia de herramientas, debido a la similitud en los patrones del espectro de frecuencia, sin embargo, se identifica que existe una mejora en la exactitud de la clasificación al analizar las señales de aceleración de manera independiente

A pesar que los excelentes resultados obtenidos con esta metodología se identifica una limitación importante en los smartwatches comerciales para el análisis de ciertos tipos de máquinas manuales (Eg. herramientas radiales) al poseer espectros de frecuencia superior a los que se puede analizar con los smartwatches comerciales (Sigcha et al. 2018). También se identifica dificultades al analizar herramientas que presentan eventos transitorios en su uso (Eg. Martillos eléctricos), debido a que no ofrecen muestras estacionarias, por lo que resulta conveniente el desarrollo de clasificadores y metodologías específicas que solventen este problema.

Referencias bibliográficas: 
  • Aiello, G., La Scalia, G.; Vallone, M.; Catania, P.; Venticinque, M. Real time assessment of hand-arm vibration system based on capacitive MEMS accelerometers. Comput. Electron. Agric. 2012, 85, 45–52, doi:10.1016/j.compag.2012.02.022
  • Bo. & Koc, A.B. 2013, "Hand-Arm Vibration Measurements and Analysis Using Smartphones", 2013 Kansas City, Missouri, July 21-July 24, 2013American Society of Agricultural and Biological Engineers, 1.
  • Cecchinato, M.; Cox, A.; Bird, J. Smartwatches: the Good, the Bad and the Ugly? ACM: 2015; pp. 2133-2138.
  • Cutini, M. & Bisaglia, C. 2014, "Whole body vibration monitoring using a smartphone", Ageng 2014 Zurich; International Conference of Agricultural (EurAgEng), 8.
  • De la Iglesi Huerta, A. (2013). Vibraciones: vigilancia de la salud. Vibrations: health surveillance in exposed workers. Madrid, Madrid, España: Instituto Nacional de Seguridad e higiene en el trabajo
  • DIRECTIVA 2002/44/CE del Parlamento Europeo y del Consejo. (2002). DIRECTIVA 2002/44/CE del Parlamento Europeo y del Consejo, de 25 de junio de 2002, sobre las disposiciones mínimas de seguridad y de salud relativas a la exposición de los trabajadores a los riesgos derivados de los agentes físicos (vibraciones). España.
  • Dong, R. G., Sinsel, E. W., Welcome, C. W., Xu, X. S., McDowell, T. W., & Wu, J. Z. (2015). Review and Evaluation of Hand–Arm Coordinate Systems for Measuring Vibration Exposure, Biodynamic Responses, and Hand Forces. Safety and Health at Work, 159-173.
  • Griffin, M. (2018). Enciclopedia de salud y seguridad en el trabajo. En M. Griffin, Enciclopedia de salud y seguridad en el trabajo (págs. 50.1-50.18).
  • Jean-Michel, S. Market opportunities for advanced MEMS accelerometers and overview of actual capabilities vs. required specifications, IEEE: 2004; pp. 78-82.
  • Labrador, M.A. & Lara Yejas, O.D. 2013, Human activity recognition: using wearable sensors and smartphones, 1st EDN, Taylor & Francis, Boca Raton.
  • Matthies, D., Bieber, G. & Kaulbars, U. 2016, "AGIS: automated tool detection & hand-arm vibration estimation using an unmodified smartwatch", ACM, 1.
  • Morello, R.; De Capua, C.; Meduri, A. A Wireless Measurement System for Estimation of Human Exposure to Vibration During the Use of Handheld Percussion Machines. IEEE Trans. Instrum. Meas. 2010, 59, 2513– 2521, doi:10.1109/TIM.2010.2057690.
  • Mortazavi, B.; Nemati, E.; VanderWall, K.; Flores-Rodriguez, H.; Cai, J.; Lucier, J.; Naeim, A.; Sarrafzadeh, M. Can Smartwatches Replace Smartphones for Posture Tracking? SENSORS 2015, 15, 26783-26800.
  • Page, T. A Forecast of the Adoption of Wearable Technology. International Journal of Technology Diffusion 2015, 6, 12-29, DOI 10.4018/IJTD.2015040102.
  • Park, S.; Chung, K.; Jayaraman, S. Wearables: Fundamentals, Advancements, and a Roadmap for the Future. In 2014.
  • Pavón I, Sigcha L, Arezes P; Costa N; De Arcas, G; López JM. Wearable technology for occupational risk assessment: Potential avenues for applications. Occupational Safety and Hygiene VI. CRC Press, 2018. ISBN 9781138542037
  • Pavón I, Sigcha L, Arezes P; Costa N; De Arcas, G; López JM. Wearable technology usefulness for occupational risk prevention: smartwatches for hand - arm vibration exposure assessment. Occupational Safety and Hygiene. 65-70, CRC Press, 2017. ISBN 9781138057616
  • Podgorski, D.; Majchrzycka, K.; Dabrowska, A.; Gralewicz, G.; Okrasa, M. Towards a conceptual framework of OSH risk management in smart working environments based on smart PPE, ambient intelligence and the Internet of Things technologies. Int J Occup Saf Ergonomics 2017, 23, 1-20.
  • Ramos, F., Moreira, A., Costa, A., Rolim, R., Almeida, H. & Perkusich, A. 2016, "Combining smartphone and smartwatch sensor data in activity recognition approaches: An experimental evaluation", 267.
  • Rawassizadeh, R.; Price, B.; Petre, M. Wearables: has the age of smartwatches finally arrived? Communications of the ACM 2015; 2014, 58, 45-47, DOI 10.1145/2629633.
  • Sazonov, E.; Neuman, M.R.; Books24x7, I. Wearable sensors: fundamentals, implementation and applications, AP, Academic Press is an imprint of Elsevier: Amsterdam, 2014.
  • Sigcha L, Pavón I, Arezes P; Costa N; De Arcas, G; López JM. Occupational Risk Prevention through Smartwatches: Precision and Uncertainty Effects of the Built-In Accelerometer. Sensors. 02/2018. ISSN 1424-8220
  • Valenzuela, P. W. 2012. Efectos a la salud por la exposición a vibraciones. Obtenido de Prevencionar: http://prevencionar.com/2012/03/27/efectos-a-la-salud-por-la-exposicion-a-vibraciones/
  • Wolfgang, R. & Burgess-Limerick, R. 2014, "Using Consumer Electronic Devices to Estimate Whole-Body Vibration Exposure", Journal of Occupational and Environmental Hygiene, vol. 11, no. 6, D77-D81.
  • Wolfgang, R., Di Corleto, L. & Burgess-Limerick, R. 2014, "Can an iPod Touch Be Used to Assess Whole-Body Vibration Associated with Mining Equipment?", Annals of Occupational Hygiene, vol. 58, no. 9, 1200-1204.
  • Wright, R.; Keith, L. Wearable Technology: If the Tech Fits, Wear It. Journal of Electronic Resources in Medical Libraries 2014, 11, 204-216.
  • Yang, C. & Hsu, Y. 2010, "A review of accelerometry-based wearable motion detectors for physical activity monitoring", Sensors, vol. 10, no. 8, 7772-7788.

 

 

 

Papers relacionados

ORP 2015
Martha K.
Vélez
Universidad de las Américas
Ecuador
ORP 2015
María Paula
Simian Fernández
Docente Departamento de Diseño, Universidad Católica de Temuco, Chile. Rudecindo Ortega 02950, Campus san Juan Pablo II, Temuco, Chile
Chile
ORP 2015
Maria Elena
Diaz Hernandez
Instituto Politecnico Nacional, CECyT No. 7 “Cuauhtémoc
México