Publicador de contenidos

Dispositivos inteligentes para la prevención de riesgos laborales
Cerrar
Artículo
Dispositivos inteligentes para la prevención de riesgos laborales
Ignacio Pavón García | Luis Francisco Sigcha Guachamín
Profesor contratado doctor del Departamento de Ingeniería Mecánica (ETSI Industriales. Universidad Politécnica de Madrid). ignacio.pavon@upm.es
Investigador postdoctoral del Departamento de Ingeniería Mecánica (ETSI Industriales. Universidad Politécnica de Madrid)
19/04/2022
Dispositivos inteligentes para la prevención de riesgos laborales

Según las últimas estimaciones sobre accidentes laborales publicadas por la Organización Internacional del Trabajo (OIT), cada año se producen más de 2,91 millones muertes de trabajadores a causa de accidentes laborales y enfermedades profesionales. La mortalidad laboral representa el 5 % del total mundial. La mayor parte de la mortalidad relacionada con el trabajo tiene su origen en las enfermedades profesionales (2,58 millones), constituyendo un 88,7 % del total. El 11,3 % restante se debe a accidentes laborales1.

Las lesiones y enfermedades relacionadas con el trabajo provocan la pérdida del 3,94 % del PIB mundial. En el caso de la UE, el coste de las lesiones y enfermedades relacionadas con el trabajo representa el 3,3 % del PIB, lo que supone 476.000 millones de euros al año. Los accidentes de trabajo y sus costes asociados podrían reducirse significativamente mediante el establecimiento y la práctica de buenas políticas de salud y seguridad en el trabajo2.

Para dar respuesta a los problemas de seguridad y salud en el trabajo, existen cada vez un mayor número de soluciones tecnológicas en el mercado que utilizan un enfoque preventivo (frente a anteriores modelos reactivos), intentando detectar situaciones de riesgo laboral antes de que se produzcan, con el objeto de reducir el riesgo laboral y, por ende, sus costes asociados.

Actualmente, bajo los enfoques Safety-II y HOP, se hace necesaria la búsqueda de soluciones holísticas en la gestión de la prevención de riesgos laborales (PRL). Son muchas las facetas que deben desarrollarse y mejorarse, pero en lo relativo al uso de tecnología inteligente se incluyen el análisis de las entradas y salidas a los sistemas de gestión, el análisis de los usuarios implicados y sus necesidades, la mejora de la eficiencia y la reducción de los costes, la aceleración de los procesos de detección de riesgos y la integración de las tecnologías que se están desarrollando actualmente en todos los procesos. Conceptos como reducción de accidentes y enfermedades, mejora de la productividad, reducción de costes, disponibilidad y el intercambio de información, toma de decisiones en tiempo cuasi-real, e integración con los conceptos de digitalización de la industria (Industria 4.0) serán más fáciles de desarrollar con la adopción de sistemas inteligentes de monitorizado en tiempo real.

Los recientes avances en las áreas de la inteligencia ambiental (Environmental intelligence), el internet de las cosas (Internet of Things – IoT) y los sistemas ciberfísicos (cyber-physical systems) han propiciado la aparición de diversas soluciones en el área de la seguridad y salud en el trabajo utilizando dispositivos inteligentes de protección individual.

Estas soluciones surgieron gracias a la estandarización de los sensores de bajo coste denominados MEMS (Micro-Electro-Mechanical Systems).

Las aplicaciones actuales del uso de datos obtenidos con wearables y procesados con técnicas de inteligencia artificial son muy variados en el área de la PRL3,4.


HUMAN ACTIVITY RECOGNITION (HAR)

El reconocimiento de actividades humanas (Human Activity Recognition) es un campo de investigación multidisciplinar que busca recopilar información sobre el comportamiento de las personas y su interacción con el entorno con el propósito de ofrecer información sobre las acciones que las personas realizan. El uso de instrumentos basados en tecnologías vestibles, portables o llevables (wearables) es muy habitual para llevar a cabo el reconocimiento de actividades humanas.

Normalmente, las actividades que se tratan de identificar con estos dispositivos son actividades del día a día (activities of daily living) como pueden ser el caminar, correr, montar en bicicleta, dormir o ducharse, entre otras. Los dispositivos más comúnmente usados suelen ser teléfonos móviles, pulseras de actividad y relojes inteligentes, entre otros.

En el ámbito de la PRL, es posible adaptar esta filosofía y estos dispositivos a la detección de actividades, tareas y procesos ejecutados por los trabajadores, a partir de los cuales se extrae gran cantidad de información útil con las que es posible, por ejemplo:

  • Estimar la tarea realizada.
  • Estimar la carga física de trabajo y el consumo de energía.
  • Analizar posturas.
  • Evaluar los esfuerzos realizados, realizar una evaluación y seguimiento de ciertos indicadores del estado de salud.
  • Detectar caídas


ESTUDIO PILOTO EN UN ENTORNO INDUSTRIAL

En 2021, la Fundacion Prevent financió un proyecto para la detección de actividades y tareas ejecutadas por trabajadores a partir de las señales de aceleración registradas por un reloj inteligente.

Los objetivos del sistema desarrollado son:

  • Monitorizar en tiempo real, analizar y diagnosticar de forma objetiva, eficiente y continuada, las actividades y tareas que realizan los trabajadores en entornos industriales sin interferir en su trabajo y sin afectar a su privacidad.
  • Generar información útil que permita proporcionar retroalimentación al trabajador y promover el desarrollo futuro de herramientas para la gestión de la PRL para la toma de decisiones en tiempo real.

Como sistema de adquisición de datos, se utilizó un reloj inteligente comercial con sistema operativo Android Wear OS. El reloj dispone de varios sensores inerciales (acelerómetro y giroscopio) que registran los movimientos realizados por el trabajador, generando un conjunto de señales de aceleración en 3 ejes.

La siguiente figura resume el proceso seguido en el proyecto:
 


En la etapa de adquisición, los movimientos realizados por los trabajadores son captados por los sensores de aceleración integrados en el reloj. En paralelo, se realiza un registro manual de las tareas realizadas por el trabajador acompañado de un registro de vídeo que servirá para identificar cada tarea en la fase de etiquetado.

Posteriormente, la señal etiquetada se procesa realizando un filtrado, enventanado y diferentes análisis en el dominio de tiempo y frecuencia, a partir de los cuales se extraen características generando diferentes conjuntos de datos que sirven para el entrenamiento de modelos de aprendizaje automático.

El objetivo de todo este proceso es valorar si, a partir del registro de señales de movimiento con las que se entrenan modelos de aprendizaje automático, es posible identificar de forma automática diferentes tareas realizadas por los trabajadores.

Para valorar el grado precisión de los distintos algoritmos de aprendizaje automático a la hora de clasificar tareas, se realizaron una serie de experimentos.

Las actividades laborales realizadas por los trabajadores se subdividieron entre aquellas que dedican a la realización de diferentes procesos (tiempo operativo) otro tipo de actividades (tiempo no operativo). Las actividades se organizaron jerárquicamente en 3 niveles:

  • El nivel 0 corresponde a la realización o no de procesos operativos. 
  • El nivel 1 se corresponde con las diferentes operaciones dentro del proceso operativo (mecanizado, programación, trabajo manual, etc.).
  • El nivel 2 se corresponde con tareas específicas, como por ejemplo el uso de diferentes tipos de herramientas.

La siguiente figura resume los experimentos realizados:



En el siguiente vídeo se presenta un demostrador del clasificador del tipo de herramienta utilizada. Se observa como, a los pocos segundos, el sistema logra identificar con precisión que se trata de una taladradora.

De esta forma, usando señales de movimiento captadas a través de sensores, extrayendo características de la señal y entrenando modelos predictivos, es posible disponer de sistemas de detección automáticos de las actividades que realiza un trabajador y servir de apoyo para la toma de decisiones para PRL.

En este proyecto se ha optado por utilizar una estrategia de tipo bottom – up, centrando el esfuerzo en la adquisición de datos y etiquetado muy detallado en cuanto a tareas realizadas por cada trabajador, obteniendo modelos predictivos muy precisos a para las tareas que han sido evaluadas registradas y etiquetadas.

Sistemas de clasificación de actividades como el propuesto son útiles para:

  • Cuantificar tiempos dedicados a cada tarea.
  • Realizar análisis ergonómicos.
  • Entrenamiento de trabajadores y evaluación de la ejecución de tareas específicas.
  • Realizar adaptaciones del puesto de trabajo.
  • Llevar a cabo análisis de datos con diferentes grados de agregación (tareas, actividades, procesos, operaciones, análisis de un trabajador o de un conjunto de trabajadores, perfiles de puestos de trabajo, grupos homogéneos, etc.).
  • Mejorar la productividad, al reducir los accidentes y permitir la toma de decisiones en tiempo cuasi-real.
  • La integración con los conceptos de digitalización de la industria (Industria 4.0) y la detección precoz de riesgos bajo el nuevo enfoque Safety-II y HOP.

Más información

Documentos relacionados

No hay documentos relacionados

Referencias

Icono referencia ICOH Triennial Report 2018-2021. ISBN 978-88-943469-5-4 Rome, Italy 2022
Icono referencia P. Hämäläinen, J. Takala y T. B. Kiat. Global estimates of occupational accidents and work-related illness. Work Safety and Health Institute, Finland, 2017.
Icono referencia L. Sigcha, I. Pavón, P. Arezes, N. Costa, G. De Arcas y J. M. López. Occupational Risk Prevention through Smartwatches: Precision and Uncertainty Effects of the Built-In Accelerometer. Sensors, vol. 3805, p. 18, 2018.
Icono referencia I. Pavón, L. Sigcha, S. T. Nisi y G. Arcas. Identificación automática del uso de herramientas vibratorias manuales mediante smartwatches comerciales y técnicas de machine Learning. ORP-Conference, Madrid, 2019.

McPortletPortalprevencionValoracionView

Like positivo desactivado
Like negativo desactivado