Análisis de la capacidad humana para la detección y reproducción de posturas en la evaluación ergonómica y comparación con la detección de posturas mediante software basado en inteligencia artificial.

Abstract

[ES] El presente Trabajo de Fin de Máster (TFM) se enfoca en el análisis de la capacidad humana para percibir y reproducir posturas a partir de imágenes, utilizando una interfaz gráfica, accesible y novedosa que permite su uso a través de un navegador web. Asimismo, se busca comparar esta habilidad humana con la capacidad de la inteligencia artificial (IA) para realizar el análisis de posturas, con el propósito de realizar una evaluación ergonómica. Durante la ejecución de una evaluación ergonómica, una de las tareas fundamentales es el análisis de las distintas posturas que adoptan los trabajadores. No obstante, este proceso conlleva la utilización de diversas técnicas para recopilar datos, lo que en ocasiones puede presentar desafíos y limitaciones significativas, y en algunos casos, dar lugar a la aparición de errores. En la actualidad, marcada por una continua evolución tecnológica, resulta imperativo explorar nuevas alternativas y soluciones con el potencial de mejorar significativamente la eficiencia y precisión en la realización de evaluaciones ergonómicas. En este contexto, la inteligencia artificial y las interfaces gráficas accesibles emergen como un conjunto de herramientas y enfoques con el poder de revolucionar la forma en que actualmente se llevan a cabo dichas evaluaciones. Por esta razón, el objetivo principal de esta investigación es evaluar la eficacia de las técnicas y tecnologías como la inteligencia artificial y las interfaces gráficas en la ejecución de análisis de posturas, con el propósito de determinar si ofrecen resultados suficientemente sólidos y confiables para respaldar el desarrollo de evaluaciones ergonómicas. Además, se busca realizar una comparación directa entre la capacidad humana y la capacidad de la inteligencia artificial, con el fin de identificar cuál de las dos aproximaciones demuestra ser más eficiente y precisa en este contexto. Para llevar a cabo esta investigación, se diseñó una muestra compuesta por 10 imágenes desarrolladas con una interfaz gráfica. Estas imágenes consideraron distintos problemas que pueden surgir al momento de realizar un análisis de postura a partir de una imagen, como son los distintos puntos de vista o posturas extrañas entre otros. Una vez obtenidas las imágenes, se procedió a encuestar a 15 participantes voluntarios para evaluar su capacidad de identificar y reproducir estas posturas. Luego se evaluó la capacidad de la inteligencia artificial para realizar el mismo análisis. Una vez obtenidos los resultados, se midió la diferencia entre la postura original y la obtenida finalmente, así como también los resultados de cada una de las evaluaciones que nos permitieron corroborar la fiabilidad del sistema. Finalmente compararemos con los resultados obtenidos por la inteligencia artificial. Los resultados obtenidos revelan que podemos confiar en la habilidad de los individuos para identificar y replicar posturas con el propósito de llevar a cabo un análisis biomecánico y ergonómico. Aunque la inteligencia artificial ha simplificado nuestras tareas, proporcionando eficiencia y ahorro de tiempo, aún enfrenta limitaciones al identificar posturas complejas, lo que resulta en resultados que no son completamente fiables.

[EN] The present master's Thesis focuses on the analysis of human capability to perceive and reproduce postures from images, using a graphic interface that is accessible and innovative, allowing its use through a web browser. Additionally, the goal is to compare this human ability with the artificial intelligence (AI) capability to perform posture analysis, aiming to conduct an ergonomic assessment. During the execution of an ergonomic assessment, one of the fundamental tasks is the analysis of the different postures adopted by workers. However, this process involves the use of various techniques to collect data, which can sometimes pose significant challenges and limitations, leading to potential errors. In the current era marked by continuous technological evolution, it is imperative to explore new alternatives and solutions with the potential to significantly improve efficiency and precision in conducting ergonomic assessments. In this context, artificial intelligence and accessible graphic interfaces emerge as a set of tools and approaches with the power to revolutionize the way these assessments are currently conducted. For this reason, the main objective of this research is to evaluate the effectiveness of techniques and technologies such as artificial intelligence and graphic interfaces in performing posture analysis, aiming to determine if they provide sufficiently robust and reliable results to support the development of ergonomic assessments. Furthermore, a direct comparison between human capability and AI capability is sought to identify which approach proves to be more efficient and accurate in this context. To conduct this research, a sample was designed, consisting of 10 images developed with a graphic interface. These images considered different challenges that may arise when analyzing posture from an image, such as different perspectives or awkward positions, among others. Once the images were obtained, 15 voluntary participants were surveyed to assess their ability to identify and reproduce these postures. The AI's capability to perform the same analysis was then evaluated. After obtaining the results, the difference between the original and the final posture was measured, as well as the results of each evaluation that allowed us to confirm the reliability of the system. Finally, a comparison was made with the results obtained by artificial intelligence. The results reveal that we can trust individuals' ability to identify and replicate postures for the purpose of conducting biomechanical and ergonomic analysis. Although artificial intelligence has simplified our tasks, providing efficiency and time savings, it still faces limitations in identifying complex postures, resulting in less reliable outcomes.