Categoría experimental: Ciencias de la Salud .
PostureSense: La Solución accesible a base de sensores para
detección y alerta de mala postura de la espalda al sentarse
PostureSense: The affordable sensor-based solution for
detecting and alerting of poor back posture while seated
Osvaldo Aizpurúa1, Diego Quintanilla1*, Reinier Romero1, Raquel Urriola1, Wilfredo Yau1
1
Facultad de Ingeniería Eléctrica, Universidad Tecnológica de Panamá
Resumen La mala postura de espalda es una problemática que puede tener numerosos efectos perjudiciales para el bienestar
personal en todas las etapas de la vida de las personas la cual puede afectar gravemente la calidad de vida de las personas, a corto,
mediano y largo plazo. Para dar una solución a esto, es posible utilizar sensores de flexión y presión colocados estratégicamente
sobre un cojín o asiento ergonómico con la finalidad de detectar y medir los cambios en la postura con la que una persona se está
sentando a través de la detección de puntos de alta presión y flexión en lugares fuera del área de uso designada del asiento o cojín.
Esta solución puede implementarse en artículos fáciles de transportar, así como lo son los asientos portátiles o inclusive sillas de
escritorio en caso de que se quiera implementar como un sistema fijo. Esta filosofía de diseño a base de sensores añade cierto grado
de modularidad al sistema, por lo que escalarlo a dimensiones mayores o menores debería ser posible.
Palabras clave Corrección postural, sensor de presión, sensor de flexión, Arduino.
Abstract Bad back posture is a problem that can have plenty of harmful effects to personal wellbeing in all the stages of people’s
lives, which can seriously affect their quality of life in the short, middle, and long term. To provide a solution to this situation, it is
possible to make use of flexion and pressure sensors strategically placed on an ergonomically designed cushion o seat, with the
purpose of detecting and measuring the changes in posture the person is seated with through the detection of high pressure and flexion
points in places outside the designated use area of the cushion or seat. This solution can be implemented easy to carry articles such
as portable seats o even desk chairs in the case a fixed-to system is required. This design sensor-based philosophy adds a certain
degree of modularity to the systems, so that scaling it to larger or smaller dimensions should be possible.
Keywords Posture correction, pressure sensor, flexion sensor, Arduino.
* Corresponding author: diego.quintanilla@utp.ac.pa
1. Introducción
Hoy en día, el 23% de la población mundial reconoce sufrir
de algún tipo de dolor de espalda baja, de los cuales un 24% a
80% reporta recurrencia de dolores un año después de su
tratamiento, a pesar del uso de numerosos medicamentos y
herramientas de diagnóstico de última tecnología [1].
Es sabido que permanecer encorvado por largos periodos
de tiempo en cualquier clase de actividad es una de las fuentes
de dolor de espalda más comunes conocidas, y estas
actividades suelen asociarse a trabajos de escritorio, tomas de
apuntes, o ver el teléfono celular [2].
Se ha demostrado científicamente que, para efectos de la
sección cervical de la columna vertebral, el peso percibido por
la misma, prácticamente se duplica al inclinar la cabeza apenas
15°, e incrementa hasta 5 veces al inclinarla 45° grados, por lo
JIC-UTP, Ciudad de Panamá, 10-08-2023
que es común al retener estas posturas por mucho tiempo
comienzan a surgir afectaciones dolorosas en la misma [3].
En Europa en general, la razón más común de licencia
médica para dejar el puesto de trabajo y jubilación temprana
es el dolor de espalda, según las ONS, quien a su vez reporta
que solamente en el Reino Unido se ha atribuido al dolor de
espalda un costo de 12.3 billones de libras esterlinas por
perdidas de días-hombre y un gasto de 1.6 billones asociado a
tratamiento de estos casos [4].
La mayoría de los dolores de espalda alta o baja se
desarrollan durante las actividades repetitivas del día a día.
Según la Facultad de Medicina de Harvard, una estrategia
eficaz para prevenirlos es tan sencilla como prestar atención a
la postura [5]. Existe la necesidad de una monitorización y
corrección postural en tiempo real, ya que una mala postura de
la columna se asocia con el desarrollo y el empeoramiento de
muchos trastornos musculoesqueléticos [6].
1
Los sistemas para hacer frente a los problemas de espalda
pueden clasificarse en dos categorías principales: sistemas
basados en información visual mediante cámaras y sistemas
basados en información sensorial mediante distintos tipos de
sensores [7]. Los sistemas basados en información visual se
utilizan ampliamente en diferentes aplicaciones de
reconocimiento de actividades, pero atentan contra la
privacidad del usuario. Además, son caros de implementar
debido al elevado coste de las cámaras utilizadas [8].
Los sistemas basados en la detección de información por
medio de sensores son ampliamente estudiados por los
investigadores para aplicaciones médicas debido a su diminuto
tamaño y a la variedad de información que proporcionan los
sensores. Los sensores se caracterizan por su pequeño tamaño,
que puede implementarse fácilmente en diferentes
plataformas. Además, los sensores pueden proporcionar
diferentes tipos de información como aceleración, orientación,
ángulo de desviación e información fisiológica [9]. Esta
información puede ser útil para definir la postura de la persona
y monitorizar el comportamiento del sujeto sentado a lo largo
del tiempo.
El uso de los sensores para los sistemas de monitorización
de la postura puede salvar la privacidad del sujeto y ahorrar
dinero en comparación con los sistemas de monitorización de
la postura basados en cámaras [10].
Las soluciones que existen actualmente para esta
problemática son diversas y van desde sillas ergonómicas
hasta dispositivos ortopédicos que ayudan a mejorar la postura.
Sin embargo, todos requieren una mayor participación del
usuario interfiriendo en sus actividades o trabajos [11]. La
tecnología nos ha permitido tener a nuestro alcance servicios y
experiencias que anteriormente solo centros especializados
podrían ofrecernos dada su complejidad y costos [12].
En cuanto a nuestro método de corrección basado en el uso
de tecnología, se puede destacar que la mayoría de estos
dispositivos incorporan la posibilidad de realimentar al
usuario, permitiendo mejorar la higiene postural. Lo que se
propone es un sistema sencillo, poco invasivo y con un coste
bajo de fabricación [13]. El prototipo se basa en el diseño de
un sistema capaz de detectar la mala postura de las personas,
el cual se encarga de monitorear y presentar alertas cuando el
usuario se encuentre en una mala posición, la cual puede
conllevar a problemas en el futuro a nivel de la espalda [14].
Por lo tanto, el sistema está compuesto de un sensor
electrónico como un dispositivo que detecta cambios
determinados del exterior y los transforma en señales
eléctricas para generar una respuesta. Se puede utilizar un
sensor de flexibilidad resistivo para recibir el cambio en la
curvatura de la espalda del individuo [15]. Se ha optado por la
utilización de cámaras de visión para la monitorización
postural. Existen en la actualidad mallas de presión
comerciales, que permiten monitorizar la actividad postural.
Sin embargo, estas soluciones disponen de un número
excesivo de sensores, lo que hace que sean caros y de uso
limitado [16].
JIC-UTP, Ciudad de Panamá, 10-08-2023
1.1 Sistemas de monitoreo de postura existentes
Una revisión de la literatura disponible evidencia como en
los últimos años ha habido un gran auge en el estudio de
sistemas que permitan el monitoreo de la postura. Un estudio
sistemático realizado por Tlili [17], presenta una visión general
sobre los sistemas de monitoreo de la postura existentes, y
realiza una clasificación de estos en función de los tipos de
tecnologías de detección utilizadas para la implementación del
sistema.
De acuerdo con el tipo de tecnología implementada, los
sistemas de monitorización de postura pueden ser
categorizados en sistemas basados en: procesamiento de
imágenes por computadora, sensores de fuerza, sensores de
flexión, sensores inerciales, sensores textiles inductivos.
1.1.1 Sistemas de procesamiento de imágenes
Los sistemas en la detección de postura por procesamiento
de imágenes son la manera más fácil de monitorear la postura
de una persona [18]. Mediante un sistema de video, Kuo [19]
monitoreó la postura correcta de la cabeza con respecto al
cuerpo y la columna vertebral en posición sentada, colocando
indicadores reflectivos sobre el cuerpo, alrededor de la cabeza,
el cuello y la columna vertebral, que permitieron obtener una
posterior estimación de los ángulos de curvatura de la columna
vertebral en el cuello y la columna cervical.
En esa misma línea, Chung et. al [20] desarrollaron un
sistema de corrección de postura utilizado un collar inteligente,
integrado con un microprocesador y sensores inerciales, y una
computadora con cámara Kinect, que permite detectar la
estructura esquelética y los puntos de referencia de las
articulaciones de un usuario.
El sistema denominado “BITAIKA” [21], permitió al
usuario corregir su propia postura mientras se encuentra
sentado frente a una computadora. El sistema implementa una
cámara Kinect en conjunto con múltiples sensores
piezoeléctricos integrados en una silla, que permiten detectar
si la distribución del peso en las piernas es desigual, indicando
que la persona se encuentra en una postura perjudicial. Esto
sensores son necesarios para complementar a la cámara Kinect
debido a que esta se encuentra colocada a un lateral del
usuario, por lo que no es capaz de visualizar lo que sucede con
sus piernas.
Sin embargo, los sistemas de detección por procesamiento
de imágenes poseen ciertas limitaciones en cuanto a la
distancia a la cual el paciente se debe encontrar de la cámara,
además de que pueden tener puntos ciegos debido a la posición
de la cámara. Además, se enfrentan a un problema de
privacidad [18].
1.1.2 Sistemas basados en sensores de fuerza
Otros sistemas basados en sensores de fuerza, también
conocidos como resistencias de detección de fuerza o sensores
de presión, han sido ampliamente investigados [22]-[25]. En
estos sistemas los sensores de presión se encuentran inmersos
2
en algún tipo de substrato, o colocados sobre una plataforma o
silla, y se utilizan para obtener información acerca de la
presión aplicada y la distribución de peso, para así definir una
cierta postura [17]. El sistema desarrollado por J. Cheng et al.
[22] implementa cuatro sensores de presión colocados bajo las
patas de una silla. Los resultados experimentales muestran que
el sistema define distintas posturas al sentarse y detecta,
además, el movimiento de la mano y la cabeza.
S. Matuska et al. [23] desarrollaron un sistema de detección
de la postura basado en sensores de fuerza resistivos ubicados
en el asiento y respaldar de una silla de oficina. Con la
información que se obtiene de estos se definen las posiciones
sentadas según la clasificación de las mediciones de presión de
las posiciones sentadas, y se clasifican como correctas o
incorrectas. La información es visible a través de una
aplicación móvil permitiéndole al usuario tener
retroalimentación sobre su postura con fines de corregirla.
Un sistema propuesto por J. Birsan et al. [24] utiliza
sensores de presión inmersos en una almohada inteligente. El
sistema cuenta con once sensores: nueve colocados el asiento
de la almohada (en una matriz de 3x3) y dos en el respaldar. A
través de estos se obtiene la distribución del peso de la persona
al estar sentada, y estos datos son enviados a una tarjeta
Arduino que permite determinar si la postura de la persona es
correcta o incorrecta.
A. A. Ishaku et al [25] utilizaron seis sensores de fuerza
flexibles, dos en el respaldar y cuatro en el asiento, incrustados
en una silla de oficina comercial para permitir una
monitorización no intrusiva de las posturas al sentarse. Se
recogieron
aproximadamente
26.000
observaciones
correspondientes a 9 posturas diferentes, etiquetadas y
clasificadas mediante “machine learning”. Los resultados
muestran que solo se necesita un subconjunto de los 6 sensores
para predecir estas 9 posturas sentadas con gran precisión.
La mayor desventaja de los sistemas propuestos es que no
son portátiles y dependen del entorno y de la implementación
de la plataforma.
1.1.3 Sistemas basados en sensores de flexión
Algunos de los sistemas de monitoreo postural propuestos
integran sensores de flexión. Estos sensores varían su
resistencia en función del movimiento del cuerpo, permitiendo
definir la flexión corporal. Los sensores de flexión se
caracterizan por tener su bajo costo y larga vida útil [26].
M. Gopinath et al. [27] presentan un sistema de monitoreo
de la postura basado en un sensor de flexión y una célula de
carga. El sensor de flexión se coloca a lo largo de la columna
vertebral del usuario para detectar la flexión del cuerpo. La
celda de carga se coloca en una plataforma donde el usuario
puede estar parado o sentado. Se utiliza un microcontrolador
para establecer los límites de la postura ideal, que pueden ser
específicos del usuario. Los inconvenientes de este sistema es
que depende de la plataforma donde se coloca la célula de
carga. Y el sensor de flexión está limitado a la forma de la
JIC-UTP, Ciudad de Panamá, 10-08-2023
columna vertebral y no da información precisa sobre la flexión
del tronco.
El trabajo de L. P. Santhana et al. [28] propone utilizar un
sensor de flexión que retroalimenta un microcontrolador PIC
con información sobre la postura del usuario. Si este no posee
una buena postura pasado cierto tiempo, entonces el
microcontrolador enviará señales sensoriales al usuario para
advertirle de su mala postura. Este sistema también consta de
una pantalla LCD que provee información al usuario acerca de
su postura.
Los sensores de flexión son sensibles a la posición del
sensor. Como se presenta en [27], las malas posturas se
detectan para una posición específica del sensor. Además, los
sensores de flexión demuestran una menor sensibilidad para
definir ángulos pequeños de flexión [26].
1.1.4 Sistemas basados en sensores inductivos textiles
Otro sistema que utiliza sensores inductivos textiles
integrados en una prenda de vestir para monitorear la postura
basándose en la variación inductiva durante la flexión del
cuerpo es propuesto en el trabajo de A. G. Patiño [29]. El
sistema propuesto utiliza un sensor inductivo en un patrón
elástico que mejora las medidas y la resolución del sensor. Los
resultados experimentales demostraron ser buenos para la
detección de la flexión del cuerpo hacia delante. Sin embargo,
la flexión lateral y la rotación de la columna no pueden ser
detectados por este sistema actualmente. Además, los sensores
inductivos son incapaces de detectar las pequeñas flexiones del
cuerpo.
E. Sardini et al [30] describen una camiseta de
monitorización postural para ejercicios de rehabilitación
basada en un sensor inductivo. El sistema se compone de un
sensor inductivo cosido a la camiseta a lo largo de la espalda y
el pecho del usuario. El alargamiento y el enderezamiento del
cuerpo provocan la deformación de la forma del sensor y, por
tanto, la variación de la inductancia. Además de un sistema de
retroalimentación compuesto por dos sensores de vibración
para alertar a los usuarios en caso de mala postura.
1.1.5 Sistemas basados en sensores inerciales
Según un estudio general realizado por L. Simpson et al. que
analiza los dispositivos portátiles para la detección de la
postura desarrollados más recientemente, la tecnología que
más se suele implementar para su desarrollo se basa en
unidades de medición inercial (IMU) [31]. Estos sistemas
generalmente utilizan acelerómetros, giroscopios y
magnetómetros, cuya combinación proporciona información
sobre la aceleración, la velocidad angular y el campo
magnético.
F. Tlili et al. [32] desarrollaron el diseño y la arquitectura de
un sistema de monitoreo de postura en tiempo real para
personas que se encuentren sentadas. El sistema consta de un
cinturón inteligente equipado con sensores inerciales y
aplicaciones móviles desarrolladas para monitorear la postura
en el tiempo y enviar una alerta visual y sonora en caso de
3
detección de una mala postura en tiempo real. Se obtuvieron
resultados en pruebas preliminares que indican que el sistema
es capaz de detectar la mala postura en tiempo real, sin
embargo, se necesitan más pruebas para su validación; el
dispositivo requiere una adaptación para generar resultados
más precisos para posturas complejas.
Un sistema para el monitoreo de la postura utilizando un
acelerómetro de 3 ejes fue propuesto por S. Ma et al. [33]. El
sensor inercial se coloca en el cuello de la persona para definir
la forma de su columna.
En [34], E. Low et al. proponen un sistema para mejorar la
postura sentada de los oftalmólogos en su entorno de trabajo,
basado en un sensor inercial. Se utiliza un sensor de unidad de
medición inercial (IMU) para medir la flexión del cuerpo. El
sensor IMU está compuesto por un acelerómetro, giroscopio y
magnetómetro. Se propone la tecnología inalámbrica XBee
para garantizar la comunicación inalámbrica entre los
componentes del sistema.
1.2 Trabajos relacionados
Como base para el desarrollo de nuestro proyecto, se
tomaron como referencia los trabajos propuestos por J. Cheng
et al. en [22] y por J. Birsan et al. [24], descritos en la sección
anterior, y los cuales implementan sensores de presión en su
diseño. También se tomó en cuenta el trabajo descrito
anteriormente realizado por L. P. Santhana et al [28], el cual
implementa un sensor de flexión para detectar la flexión de la
columna vertebral.
En adición a los trabajos mencionados, se investigó acerca
de los accesorios ortopédicos existentes, con el fin de
encontrar uno adecuado para implementar en nuestro diseño.
Un estudio realizado por J. Yim et al. [35] compara el
desempeño de tres cojines ortopédicos con inclinaciones
diferentes. Según este estudio, el cojín que permite mantener
una buena postura con el menor esfuerzo posible es aquel cojín
con una inclinación frontal de 10°. Según el estudio, los
músculos erectores de la espalda, en conjunto con el erector de
la nuca se activaban solo un 2.67%, aproximadamente, al hacer
el trabajo de mantener una buena postura.
del cuerpo. Detecta si la postura es correcta o si hay una
desviación significativa que indique una mala postura. Envía
la información al microprocesador para su procesamiento.
Sensor de Presión: Mide la presión ejercida en ciertas áreas
del cuerpo, como la espalda o los glúteos. Proporciona
información sobre la distribución de la carga y la alineación
del cuerpo.
Microprocesador: Es el componente central del sistema que
procesa la información recibida del sensor de flexión y de
presión. Utiliza algoritmos programados para analizar si la
postura es correcta o incorrecta. En caso de detectar una mala
postura, activa la siguiente acción.
Suministro de Energía: Proporciona la energía necesaria
para el funcionamiento del microprocesador. En nuestro caso,
está conectado a un adaptador AC-DC de 9V.
Aviso de mala postura: Cuando el microprocesador
identifica una postura incorrecta, envía una señal de mala
postura, que produce un sonido o una alerta audible para alertar
al usuario sobre la necesidad de corregir su postura.
2. Materiales y métodos
2.1 Modelo de sistema
El modelo de sistema propuesto consta de varias partes
esenciales que trabajan juntas para detectar y alertar sobre una
mala postura. A continuación, se describen cada una de las
partes:
Estatus Postural: Representa la posición y alineación del
cuerpo, que se utiliza como entrada para el sistema. Puede
obtenerse mediante sensores u otros dispositivos que
monitorean la postura del usuario.
Sensor de Flexión: Este se encuentra ubicado en un cojín
ergonómico el cual se puede colocar en cualquier silla y es
responsable de medir los cambios en la flexión y movimiento
JIC-UTP, Ciudad de Panamá, 10-08-2023
Figura 1. Modelo de sistema de nuestro proyecto.
El modelo de sistema se basa en el flujo de información
desde el estatus postural hasta el buzzer activo, pasando por el
sensor de flexión, presión y el microprocesador. Los sensores
le proporcionan los datos al microprocesador, que los procesa
y toma una decisión basada en si la postura es correcta o no.
En función de esa decisión, el microprocesador activa el
buzzer activo para emitir una alerta sonora si se detecta una
mala postura.
4
Este modelo de sistema presenta una solución efectiva para
monitorear la postura y brindar retroalimentación en tiempo
real para promover una postura adecuada.
2.2 Materiales
Este prototipo posee materiales variados como un cojín
ortopédico con inclinación frontal de 10º, una placa Arduino
UNO, sensor de flexión, sensor de presión, 2 resistencias: 10k
y 100k, un capacitor de 10µF y otro de 2.2µF y un Buzzer
activo.
Figura 2. Cojín con inclinación frontal de 10º.
Utilizamos un cojín hecho de “memory foam” con
inclinación frontal de 10° basándonos en el estudio médico
sobre la utilización de 3 tipos de cojines diferentes [35]. Según
este, el cojín que permite mantener una buena postura con el
menor esfuerzo posible es aquel cojín con la inclinación antes
mencionada. Para más información sobre la biomecánica de la
postura, por favor referirse a la bibliografía con el número de
referencia indicado en la cita.
Figura 4. Sistema operativo en modo de detección
(de izq. a der: Buena postura, mala postura).
El sensor de presión es un piezoeléctrico y debido a su
funcionamiento, emite sus señales en milivoltios. Este
finalmente se utilizó como sensor de habilitación debido a que
al ser robusto y no variar tanto su salida, aunque las
magnitudes de presión sean altas, podíamos hacer que habilite
el programa solamente cuando algún individuo esté sentado
encima del cojín.
Las resistencias son utilizadas para genera el divisor de
tensión presente en ambos sensores.
El capacitor es útil para filtrar el ruido presente en las
mediciones, principalmente las de sensores muy sensibles
como lo es el sensor de flexión. Más adelante se podrá apreciar
el cambio entre las mediciones sin capacitor y con capacitor.
Finalmente, integramos un buzzer activo para que emita el
sonido que va a alertar al usuario que posee una postura pobre.
En el siguiente diagrama podemos apreciar los elementos
colocados en sus respectivos roles según el modelo de sistema
visto anteriormente. Vemos cómo el sensor piezoeléctrico y de
flexión son los responsables de capturar la postura del usuario.
Figura 3. Diagrama ilustrativo del sistema unificado.
La placa Arduino UNO, fue seleccionada porque es versátil
y fácil de usar. Además, su tasa de muestreo es suficiente para
nuestras necesidades. Más adelante se explicará cuál es el
código que maneja esta placa.
El sensor de flexión, inicialmente lo utilizaríamos como
sensor de habilitación o “enable”. Sin embargo, al notar que es
un elemento demasiado sensible, decidimos utilizarlo como
sensor de medición y fue colocado en el centro del cojín. Este
emite sus señales mediante voltajes en un divisor de tensión.
Figura 5. Modelo de sistema incluyendo los componentes utilizados.
JIC-UTP, Ciudad de Panamá, 10-08-2023
5
Sin embargo, ¿qué sucede dentro del ARDUINO UNO? A
continuación, mostraremos un diagrama de flujo con el
proceso necesario que debe seguir el microprocesador para
cumplir con los objetivos propuestos para nuestro prototipo.
2.3 Diagrama de flujo
Utilizando la aplicación https://lucid.app/ diseñamos un
diagrama de flujo acorde a la última actualización de nuestro
código.
Este presenta una novedad que es la utilización de LEDs,
pero esto es más que nada ilustrativo para la demostración en
vivo del proyecto. Quitarlo de la protoboard no afecta en el
funcionamiento normal del prototipo.
Tiempo de Respuesta: Esta métrica mide la rapidez con la
que el dispositivo responde a la señal de detección de una
postura incorrecta y emite una alerta al usuario.
(2) 𝑅𝑇 = 𝑡𝑑 + 𝑡𝑤 + 𝑡𝑎
𝑡𝑑 = Detection Time, Tiempo de Detección de Señal [s]
𝑡𝑤 = Waiting Time, Tiempo de Espera de la advertencia [s]
𝑡𝑎 = Activation Time, Tiempo de Activación de la advertencia [s]
Tasa de ajuste: Esta métrica evalúa el cambió en la
confiabilidad que existe entre el comienzo del uso del sistema
de detección de mala postura y el final del tiempo de uso del
sistema; es decir, qué tanto tiempo el sistema cambia sus
parámetros de ajuste al ser usado en el tiempo.
(3) 𝐴𝑅 = |𝐷𝑅𝑖 −𝐷𝑅𝑖−1| × 100%
𝑖
𝐷𝑅𝑖−1
𝐷𝑅𝑖 = Present Detection Rate, Tasa de Detección Presente [%]
𝐷𝑅𝑖−1 = Previous Detection Rate, Tasa de Detección Previa [%]
3. Resultados y discusión
Para la correcta implementación del circuito se tuvieron
que hacer una serie de pruebas de calibración y ajuste de
parámetros para asegurar el correcto funcionamiento del
sistema de detección de postura antes de ponerlo en uso.
3.1 Calibración de sensor de flexión
La primera de las pruebas que si hizo a los sensores fue al
sensor de cuestión. Con el objetivo de ajustar correctamente la
resistencia del divisor de corriente al que estará conectado.
Para realizar las pruebas, se utilizó un circuito acoplador
de impedancia por OpAmp (que después quedará
implementado) en el prototipo final junto con una resistencia
de 100kΩ.
Figura 7. Circuito de acople de impedancias para sensor de flexión [36].
2.4 Métricas
Las métricas utilizadas en nuestro proyecto fueron las
siguientes:
Tasa de detección: Esta métrica cuantifica la capacidad
del dispositivo para detectar correctamente la postura
incorrecta en un número total de pruebas.
𝑁 +𝑁
(1) 𝐷𝑅 = (1 − 𝑁𝐷 𝐹𝑃) × 100%
𝑁𝑇
𝑁𝑁𝐷 = Number of non-detections, Número de no detecciones [#]
𝑁𝐹𝑃 = Number of False Positives, Número de falsos positivos [#]
𝑁𝑇 = Number of tests, Número de pruebas [#]
Por medio de este circuito se pudo corroborar que la relación
estimada entre el ángulo de flexión del sensor y la resistencia
de este se comportaba linealmente.
150
Ángulo de Flexión (°)
Figura 6. Diagrama del algoritmo de calibración del sistema.
y = 0.0022x - 78.389
R² = 0.9999
100
50
0
0
10
20
30
40
50
60
70
80
-50
90
100
Millares
Resistencia (kΩ)
Figura 8. Relación Ángulo de flexión en grados (°) vs Resistencia (kΩ).
JIC-UTP, Ciudad de Panamá, 10-08-2023
6
R (kΩ); 21.38
Deg (°); 120
Deg (°); -31
-80
Deg (°)
R (kΩ); 68.09
100.00
50.00
Deg (°); 76
0.00
R (kΩ); 22.43
20
Millares
Deg(°)
220
-50.00
Deg (°); -29
Voltaje analógico (5V/1023)
-30
fsraverage; 1
fsraverage
Al analizar las señales lado a lado, se observó que aunque
el sensor de flexión (por estar colocado sobre un cojín de
“memory foam”) no detectara mayores cambios en los ángulos
de flexión de este, fingiendo que se mantenía un nivel de
postura constante, el sensor de fuerza de presión era capaz de
detectar estos cambios inmediatamente, lo que fue útil para
determinar en qué momento la persona se encontraba
realmente sentada en el punto donde debía estarlo o no.
Una contraparte de la implementación de este sensor es que
establecer una relación entre la señal de ángulo de flexión con
la señal analógica resultaba sumamente difícil, ya que no
existía algún factor que los relacionara (posición-inclinación).
Por lo que se siguió utilizando las medidas del ángulo de
flexión del sensor previo para hacer la estimación de
inclinación, y el uso del sensor de fuerza de presión se relegado
meramente a un bit habilitador (enable) del circuito detección
de postura.
-100.00
Deg (°)
Figura 10. Respuesta en el tiempo de flexión en grados (azul, °) vs
Resistencia (rojo, kΩ) con filtrado de señal.
Una vez implementada la etapa de filtrado, se puede
observar una considerable mejoría en la calidad de la señal en
lo que a la desaparición de picos concierne. Este método fue
utilizado después un suavizado por promedio para registrar los
niveles de flexión todavía con más precisión.
Sin embargo, una desventaja que se observó al
implementar este filtro es la reducción de resolución para
ángulos cercanos a 90°, lo cual se consideró como aceptable
ya que las mediciones de uso realistas consisten en ángulos de
flexión alrededor de los 30°.
JIC-UTP, Ciudad de Panamá, 10-08-2023
20
fsraverage; 1
-100.00
En las pruebas se observó que la respuesta del cambio de
resistencia con respecto al ángulo de flexión era inmediata; sin
embargo, se consideró que era demasiado inestable, ya que, al
menor cambio de posición, el sensor podía detectar una mala
postura falsa, por lo que se utilizó una etapa de filtrado por
medio de un capacitor de 10μF en el nodo de salida de la señal
para aumentar la estabilidad de la señal de salida.
R (kΩ)
70
Figura 11. Señales de flexión (azul, °) comparadas con la fuerza de presión
(rojo, Bits analógicos).
-50.00
R (kΩ)
-80
120
57.5
flexR
Figura 9. Respuesta en el tiempo de flexión en grados (azul, °) vs
Resistencia (rojo, kΩ) sin filtrado de señal.
120
170
67.5
fsraverage; 99
0.00
20
220
flexR; 87.22873
37.5
Millares
120
270
87.5
47.5
Millares
50.00
320
97.5
77.5
100.00
Resistencia (kΩ)
Deg (°)
220
flexR; 96.7302
flexR; 96.59823
107.5
R(kΩ)
R (kΩ); 88.42
presión.
El Sensor de flexión por sí solo no era lo suficientemente
preciso para detectar en qué lugar o qué posición se encontraba
localizada una persona sobre el asiento, por lo que se
implementó la etapa de detección de fuerza de presión.
Millares
3.2 Medición de flexión en tiempo real
Para seguir calibrando el sensor, se realizaron pruebas
donde el sensor se probaba en términos de flexión para saber
qué tan rápido era su tiempo de respuesta a la flexión.
3.3 Implementación de sensor de fuerza de
Resistencia (kΩ)
En las pruebas se observó que el sensor podía medir sin
ningún detenimiento ángulos entre los -30° a 120°
dependiendo si se doblaba en sentido negativo (hacia el lado
material aislante) o en sentido positivo (hacia el lado de las
galgas resistivas).
100
98
96
94
92
90
88
86
84
y = -757.1x + 97545
R² = 0.9876
0
2
4
6
8
10
12
14
16
18
Ángulo de flexión (°)
Figura 12. Resolución final del ángulo de flexión en el sistema unificado.
El efecto que este sensor tuvo sobre el sistema fue de cierta
interferencia con la flexión libre del sensor anterior; sin
embargo, ya que un asiento de este tipo está diseñado para
bajos niveles de deformación, esto no fue un problema a la
hora de establecer rangos de control para la buena postura. De
modo que la resolución restante del sensor fue suficiente.
7
Para compensar en alguna medida la disminución de la
movimiento libre del sensor de flexión, este se colocó viendo
hacia abajo en el cojín, de modo que, al flexionarlo, este
disminuyera en resistencia y calcular el ángulo de flexión a
partir de ese cambio de resistencia.
3.4 Precisión del sistema unificado
Se realizaron 213 mediciones de postura distintas, en las
cuales se sabía que se mantenía una buena postura, donde la
actividad de los músculos de la espalda fuera la mayor posible
según [35]. De estas mediciones hubo 78 no detecciones de
mala postura y 2 falsos positivos.
El sistema se ajustó a un tiempo de espera de 500ms para
el cálculo de promedios suavizado de señales, un tiempo de
detección de 1/9600 segundos y un tiempo de activación de
1/9600 segundos (el factor 1/9600 es tiempo de refresco del
sistema).
120.00%
3.20%
DR; 62.44%
100.00%
2.70%
80.00%
2.20%
60.00%
40.00%
1.70%
20.00%
1.20%
0.00%
0.70%
-20.00%
0.20%
-40.00%
ARi; 0.75%
-60.00%
-0.30%
Figura 13. Evolución de las métricas de estabilidad del sistema para 215
muestras.
Tabla 1. Resultados de precisión del sensor de fuerza de presión.
fsraverage
Media
78.2159624
Error típico
1.9813891
Mediana
80
Moda
0
Desviación estándar
28.9174219
Tabla 2. Resultados de precisión del ángulo calculado por el sistema.
angle
Media
6.64788732
Error típico
0.18410769
Mediana
7
Moda
7
Desviación estándar
2.68696324
JIC-UTP, Ciudad de Panamá, 10-08-2023
Tabla 3. Resultados de precisión del sensor de flexión.
flexR
Media
92512.2873
Error típico
140.257727
Mediana
Moda
92243.4
91979.48
Desviación estándar
2046.99413
Tabla 4. Resultados de precisión del sistema unificado.
Precisión del sistema
DR
RT
ARi
62.4413%
500.0002 ms
0.7519%
4. Conclusiones
Si bien es cierto que existen diversos tipos de sistema que
ayudan a la detección y corrección de la postura de las
personas, podemos destacar que estos mismos representan
tanto un costo de producción grande reflejándose en el costo
de compra para los usuarios.
Mientras se investigaba sobre los posibles diseños o
aparatos existentes con esta misma función, podemos decir que
estos presentan muchos problemas que con el nuestro se
solucionan fácilmente. En una época en donde todo está al
alcance de nuestra mano y en donde todo se ha vuelto portátil,
un cojín sería una opción mucho más viable que simplemente
llegar al trabajo y estar sentado frente a ciertas cámaras que de
por sí ya presentan un problema de privacidad para el usuario,
sillas que cuentan con una cantidad excesiva de sensores
representan un problema para el diseñador, ya que entre más
sensores tenga el diseño, más costoso resulta el dispositivo.
Se utilizaron sensores de flexión y presión, ubicados
cuidadosamente para que, al sentarse el sistema nos diga si la
persona está bien sentada o presenta una postura que pone en
riesgo su salud postural. Con esto nos evitamos tener varios
sensores y cámaras, ya que con un sensor medimos si el ángulo
de inclinación que tiene la persona está dentro del rango
“saludable¨ y con el sensor de presión que tan bien está sentada
la persona.
Cabe destacar también que implementamos una bocina
para que la persona sepa si está bien sentada o no. Esto
soluciona el problema de las cámaras de tener que estar siendo
expuesto a las mismas puesto que inmediatamente se darán
cuenta de si se tienen que acomodar o no. Al mirar a otros tipos
de sistemas parecidos como el de la almohada inteligente
propuesto por J. Birsan [24], podemos ver que podría parecer
8
que usan más sensores para predecir mucho mejor si la persona
está sentada correctamente, pero lo cierto es que no
necesitamos tantos sensores si tenemos un cojín que ya de por
si es ergonómicamente recomendable y que gracias a esto nos
ayuda a que la cantidad de sensores y la información este en
rangos mucho más precisos.
La única limitación que podemos ver en nuestro sistema
sería que las personas estén dispuestas a llevar un cojín a sus
trabajos o destinos, puesto que va a depender
mayoritariamente de las ganas que tenga la persona y la
disciplina para llevar consigo el cojín. Este es un factor que ya
no podemos controlar puesto que depende en gran medida de
la persona. Nuestro compromiso es hacer el cojín lo más
cómodo y eficiente posible para que las personas sean
receptivas a utilizarlo.
5. Trabajos Futuros
•
•
•
•
•
•
Implementación de conectividad inalámbrica
Desarrollo de una aplicación móvil complementaria
Análisis avanzado de datos y generación de informes
Integración con sistemas de monitoreo de salud
Diseño y producción a gran escala
Validación clínica y estudios de efectividad
REFERENCIAS
[1] Dawson, W. J. (1984). Mechanical low back pain. Minnesota
Medicine, 67(4), 191–192.
[2] J. Johnson, “9 most likely causes of upper back pain,” Medical
News
Today.
[Online].
Available:
https://www.medicalnewstoday.com/articles/323839.
[Accessed: 01-May-2023].
[3] Hansraj, K. K. (2014). Assessment of stresses in the cervical
spine caused by posture and position of the head. Surgical
Technology
International,
25,
277–279.
http://www.ncbi.nlm.nih.gov/pubmed/25393825
[4] M. Sarner, “Back pain: How to live with one of the world's
biggest health problems,” The Guardian, 14-Jun-2018. [Online].
Available:
https://www.theguardian.com/society/2018/jun/14/back-painhow-to-live-with-one-of-the-worlds-biggest-health-problems.
[Accessed: 01-May-2023].
[5] Chou, R. Qaseem, A.; Snow, V.; Casey, D.; Cross, J.T., Jr.;
Shekelle, P.; Owens, D.K. Diagnóstico y tratamiento de la
lumbalgia: A joint clinical practice guideline from the American
College of Physicians and the American Pain Society. Ann.
Intern. Med. 2007, 147, 478-491.
[6] "The Rise of Consumer Health Wearables: Promises and
Barriers".HomePLOS.https://journals.plos.org/plosmedicine/art
icle?id=10.1371/journal.pmed.1001953.
[7] Sathyanarayana, S., Satzoda, R. K., Sathyanarayana, S., &
Thambipillai, S. (2015). Vision-based patient monitoring: A
comprehensive review of algorithms and technologies. Journal
of Ambient Intelligence and Humanized Computing, 9, 225–
251.
[8] Taieb-Maimon, M., Cwikel, J., Shapira, B., & Orenstein, I.,
(2011). The efectiveness of a training method using self-
JIC-UTP, Ciudad de Panamá, 10-08-2023
modeling webcam photos for reducing musculoskeletal risk
among ofce workers using computers. Applied ergonomics
Journal, 48, 376–385.
[9] Zhang, J. , Zhang, H. , Dong, C., Huang, F., Liu, Q. , & Song,
A., (2019). Architecture and design of a wearable robotic system
for body posture monitoring, correction, and rehabilitation
assist. International Journal of Social Robotics, 11, 423–436
[10] Ho, K. , Yao, C., & Lauscher, H. N. (2017). Part2: Health apps,
wearable, and sensors: The advancing fraintier of digital health.
BC medical Journal, 58, 503–506.
[11] "Corrector automático de postura". FabLab Universidad de
Chile.http://www.fablab.uchile.cl/proyectos/129/correctorautomatico-de-postura/ (accedido el 2 de mayo de 2023).
[12] Technocio. "Tecnología que beneficia la salud postural de
manera ágil y precisa - Technocio - Tech Trends". Technocio Tech Trends. https://technocio.com/tecnologia-que-beneficiala-salud-postural-de-manera-agil-y-precisa/ (accedido el 2 de
mayo de 2023).
[13] M.Pérez Martín. "Diseño e implementación de un
monitor/corrector postural de la columna vertebral - Archivo
Digital UPM". Archivo Digital UPM - Archivo Digital UPM.
https://oa.upm.es/45544/ (accedido el 2 de mayo de 2023).
[14] J. D. Cabrera Zeas. "Diseño y construcción de un sistema
inteligente para la detección de malas posturas sobre la columna
vertebral
al
sentarse".
Repositorio
Institucional.
https://dspace.ups.edu.ec/bitstream/123456789/16205/1/UPSCT007865.pdf (accedido el 2 de mayo de 2023).
[15] Y. A. Yanten Martínez, "Propuesta de diseño de un dispositivo
para el control del movimiento de la columna inter segmentaria
para disminuir la incidencia y prevalencia de lumbalgia crónica
en la población de la ciudad de Cali", en Nuevas realidades para
la educación en ingeniería, Cartagena de Indias, Colombia, 13–
16 de septiembre de 2022.
[16] P. Vermander, N. Perez, A. Mancisidor y I. Cabanes.
"Dispositivo De Monitorizacion Postural Para ´ Personas De La
Tercera Edad Con Alto Grado De Sedentarismo". Repositorio
Universidad
Da
Coruña.
https://ruc.udc.es/dspace/bitstream/handle/2183/28289/2021_V
ermander_Patrick_Dispositivo_de_monitorizacion_postural_pa
ra_personas_de_la_tercera_edad.pdf?sequence=3 (accedido el 2
de mayo de 2023).
[17] F. Tlili, R. Haddad, Y. Ouakrim, R. Bouallegue, y N. Mezghani.
“A Survey on sitting posture monitoring systems”, en 2018 9th
International Symposium on Signal, Image, Video and
Communications (ISIVC), 2018.
[18] S. Sathyanarayana, R. K. Satzoda, S. Sathyanarayana, S.
Thambipillai,
“Vision-based
patient
monitoring:
A
comprehensive review of algorithms and technologies,“ Journal
of Ambient Intelligence and Humanized Computing, pp.
225251, November 2015.
[19] Y. L. Kuo, E. A. Tully, y M. P. Galea, “Video analysis of sagittal
spinal posture in healthy young and older adults,” Journal of
Manipulative and Physiological .erapeutics, vol. 32, no. 3, pp.
210–215, 2009.
[20] H.-Y. Chung, P. Y.-L. Chung y P. C.-Y. Liang, "Design and
Implementation of a Novel System for Correcting Posture
Through the Use of a Wearable Necklace Sensor", Jmir Mhealth
Unhelth, vol. 7, n.º 5, 2019, art. n.º e12293. Accedido el 2 de
mayo
de
2023.
[En
línea].
Disponible:
https://doi.org/10.2196/12293
9
[21] H. Ishimatsu and R. Ueoka, “BITAIKA: Development of self
posture adjustment system,” in Proceedings of the 5th
Augmented Human International Conference, 2014.
[22] J. Cheng, B. Zhou, M. Sundholm, P. Lukowicz, “Smart chair:
What can simple pressure sensors under the chairs legs tell us
about user activity?,” IARIA XPS Press, 2013."
[23] S. Matuska, M. Paralic, y R. Hudec, “A smart system for sitting
posture detection based on force sensors and mobile
application”, Mob. Inf. Syst., vol. 2020, pp. 1–13, 2020.
[24] J. Birsan, D. Stavarache, M.-I. Dascalu, y A. Moldoveanu,
“SpiMO - Sitting Posture Monitoring System”, RiCHI 2017
Proceedings, 2017.
[25] A. A. Ishaku et al., "Flexible Force Sensors Embedded in Office
Chair for Monitoring of Sitting Postures," 2019 IEEE
International Conference on Flexible and Printable Sensors and
Systems (FLEPS), Glasgow, UK, 2019, pp. 1-3, doi:
10.1109/FLEPS.2019.8792250.
[26] G. Saggioab, G. Orengo, “Flex sensor characterization against
shape and curvature changes,” Sensors and Actuators A
Physical, pp. 221-231, April 2018.
[27] M. Gopinath, and A. Kirubha. “Real time monitoring of posture
to improve ergonomics”. Journal of Biomedical Engineering and
M0edical Imaging. 2015.
[28] L. P. Santhana, A. Kumar, and C. Aravindan,
“POSTURECTORTHE
POSTURE
CORRECTOR,”
Ijisrt.com.
[En
línea].
Disponible:
https://ijisrt.com/wpcontent/uploads/2017/04/Posturector-ThePosture-Corrector.pdf. [Accedido: 23-May-2023].
[29] A. G. Patin̄o, M. Khoshnam, C. Menon, (2020). “Wearable
device to monitor back movements using an inductive textile
sensor”, Sensors Journal, February.
[30] E. Sardini, M. Serpelloni, V. Pasqui, (2015). “Wireless wearable
T-shirt for posture monitoring during rehabilitation exercises”.
IEEE Transactions on Instrumentation and Measurement, 64,
439–448.
[31] L. Simpson, M. M. Maharaj, y R. J. Mobbs, “The role of
wearables in spinal posture analysis: a systematic review”, BMC
Musculoskelet. Disord., vol. 20, núm. 1, 2019.
[32] F. Tlili, R. Haddad, R. Bouallegue, y N. Mezghani, “A real-time
posture monitoring system towards bad posture detection”,
Wirel. Pers. Commun., vol. 120, núm. 2, pp. 1207–1227, 2021.
[33] S. Ma, W.-H. Cho, C. H. Quan, L. Sangmin, “A sitting posture
recognition system based on 3 axis accelerometer”, IEEE
conference on computational intelligence in bioinformatics and
computational biology (CIBCB), pp. 1-3, 2016.
[34] E. Low, T. H. Sam, K. S. Tee, R. A. Rahim, H. Z. Saim, N. W.
Wan, et al. Development of a wireless and ambulatory posture
monitoring system. International Journal of Integrated
Engineering, 12, 170–176, 2020.
[35] J. Yim, DSc,a J. Park, DSc,b E. Lohman, DSc,c and K. Do, MSa,
“Comparison of cervical muscle activity and spinal curvatures
in the sitting position with 3 different sloping seats,” Nih.gov,
10-Jul-2020.
[Online].
Available:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7360225/.
[Accessed: 28-May-2023].
[36] SpectraSymbol. (2014). SpectraSymbol Flex Sensor Datasheet.
1(888), 1–2.
JIC-UTP, Ciudad de Panamá, 10-08-2023
10