Got Your Back: Bruk av maskinlæring til å klassifisere sittestillinger i sanntid

Abstract

Dårlig rygghelse er et stort problem i dagens samfunn, og kan legge store hemninger på en persons liv. En viktig faktor for å opprettholde god rygghelse er variasjon i måten en sitter på over tid. I denne oppgaven har det blitt implementert et system som tar i bruk maskinlæring for å kartlegge variasjon i en persons sittestilling. Det har derfor både vært fokus på systemutvikling og forskning på maskinlæringsalgoritmer - samt å benytte forskningsresultatene direkte i det ferdige resultatet.

Løsningen er en skrivebordsapplikasjon utviklet i React og bygget som en lokal applikasjon med rammeverket Electron. Applikasjonen kommuniserer med en Flask server som tar seg av sensorkommunikasjon, klassifisering og andre endepunktkall. Data fra sensorene blir i bakgrunnen fôret til en maskinlæringsmodell som med stor treffsikkerhet klassifiserer sittestillinger i sanntid.

Fire forskjellige maskinlæringsalgoritmer er blitt implementert; Random Forest Classifier, Long Short-Term Memory, Artificial Neural Network og Convolutional Neural Network. Samtlige er trent på egenprodusert treningsdata, samt testet på egne testsett og viser gode treffrater.

Back pain is a common problem in today's society, and can have severely negative impact on a persons life. A vital factor concerning back-health is posture variation - which is something modern back-pain research tries to address. In this bachelor-thesis we have implemented a system which uses machine learning to track a person's posture-variation while sitting, and conducted our own machine learning research on the data collected. The results we have achieved from the research have been used directly in our system application.

Our solution is a desktop application, developed in React and built using the Electron framework. The application uses a Flask server which handles sensor communication, posture classification and other requests from the client. Realtime-data from the sensors are forwarded to a machine learning model, which is able to accurately classify the user's current sitting posture.

Four different machine learning algorithms have been implemented; Random Forest Classifier, Long Short-term Memory network, Artificial Neural Network and Convolutional Neural Network. All the algorithms are trained using our self-produced dataset, and are achieving high accuracy at predicting sitting postures both in realtime and using recorded test-data.