Editorial Ilmu Komputer & AI
Open AccessOA2025
Sistem Pintar untuk Pemantauan Postur Duduk Berkelanjutan, Penilaian, dan Umpan Balik yang Dipersonalisasi
Penginderaan tekanan yang disesuaikan pengguna dan umpan balik berbasis GPT-4o untuk kebiasaan duduk yang lebih sehat
D. F. Odesola; J. Kulon; Shiny Verghese; A. Partlow; Colin Gibson· Italian National Conference on Sensors· 2025· DOI 10.3390/s25185610
Masalah inti
Duduk dalam waktu lama dan postur yang buruk banyak dialami oleh orang dewasa dan populasi pekerja, yang berkontribusi terhadap gangguan muskuloskeletal dan kondisi kesehatan jangka panjang. Pendekatan yang ada sering kali mengandalkan dataset umum dari banyak partisipan sehat, yang mungkin tidak menangkap perbedaan fisiologis dan muskuloskeletal individu. Penelitian ini mengatasi kesenjangan tersebut dengan mengusulkan sistem kursi penginderaan pintar baru yang mengumpulkan data dari satu individu untuk menyesuaikan klasifikasi postur dan umpan balik. Sistem ini bertujuan mendorong kebiasaan postur yang lebih baik dan meningkatkan kesejahteraan melalui pemantauan berkelanjutan dan wawasan yang dapat ditindaklanjuti.
Inovasi
Di antara kelima model, CNN mencapai akurasi klasifikasi tertinggi sebesar 98,29% untuk 19 postur duduk. Model lainnya (DT, RF, SVM, KNN) juga dievaluasi, tetapi CNN mengungguli mereka. Sistem berhasil mengumpulkan dan memproses data tekanan dari dua matras sensor 32×32. Platform SitWell, yang terdiri dari aplikasi mobile dan web, dikembangkan untuk menyediakan klasifikasi postur, analitik durasi, dan penilaian kualitas duduk. Integrasi GPT-4o memungkinkan wawasan dan rekomendasi yang dipersonalisasi berdasarkan data postur historis pengguna.
Duduk dalam waktu lama dan postur yang buruk banyak dialami oleh orang dewasa dan populasi pekerja, yang berkontribusi terhadap gangguan muskuloskeletal dan kondisi kesehatan jangka panjang. Pendekatan yang ada sering kali mengandalkan dataset umum dari banyak partisipan sehat, yang mungkin tidak menangkap perbedaan fisiologis dan muskuloskeletal individu. Penelitian ini mengatasi kesenjangan tersebut dengan mengusulkan sistem kursi penginderaan pintar baru yang mengumpulkan data dari satu individu untuk menyesuaikan klasifikasi postur dan umpan balik. Sistem ini bertujuan mendorong kebiasaan postur yang lebih baik dan meningkatkan kesejahteraan melalui pemantauan berkelanjutan dan wawasan yang dapat ditindaklanjuti.
Sistem yang diusulkan mengintegrasikan dua matras sensor tekanan 32×32 ke dalam kursi kantor untuk mengumpulkan data postur. Dataset yang disesuaikan pengguna dikumpulkan dari satu individu untuk memperhitungkan karakteristik fisiologis yang unik. Lima model machine learning dilatih untuk mengklasifikasikan 19 postur duduk yang berbeda: Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Convolutional Neural Networks (CNN). Model CNN mencapai akurasi tertinggi sebesar 98,29%. Arsitektur sistem diilustrasikan di bawah ini:
Mengapa penting
Pendekatan yang disesuaikan pengguna menunjukkan potensi model machine learning yang dipersonalisasi untuk pemantauan postur, karena memperhitungkan perbedaan fisiologis individu yang mungkin terlewatkan oleh dataset umum. Akurasi CNN yang tinggi menunjukkan bahwa deep learning cocok untuk klasifikasi peta tekanan. Integrasi GPT-4o dalam platform SitWell meningkatkan keterlibatan pengguna dengan memberikan umpan balik yang dapat ditindaklanjuti dan dipersonalisasi, yang penting untuk perubahan perilaku jangka panjang. Namun, ketergantungan penelitian ini pada satu individu membatasi generalisasi; penelitian selanjutnya harus memvalidasi pendekatan ini pada populasi yang lebih besar dan lebih beragam. Selain itu, efektivitas sistem dalam meningkatkan postur dari waktu ke waktu dan dampaknya terhadap hasil kesehatan perlu diselidiki lebih lanjut. Arsitektur yang diusulkan dapat diperluas ke aplikasi lain dalam ergonomi dan pemantauan kesehatan jarak jauh.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…