.
Dposture Sensor
Pernahkah Anda khawatir tentang postur saat mengangkat beban?
Nyeri punggung, cedera otot, hingga gangguan tulang belakang adalah risiko nyata akibat postur yang salah. Jangan biarkan hal ini membahayakan kesehatan Anda!
Kami dengan bangga memperkenalkan proyek Capstone dari Universitas Brawijaya: sebuah wearable device inovatif yang dirancang khusus untuk membantu Anda mengangkat beban dengan aman dan efektif.
Perangkat ini dilengkapi dengan sensor canggih dan didukung oleh algoritma Machine Learning (1D-CNN) untuk mendeteksi postur tubuh saat aktivitas mengangkat beban. Tak hanya mengenali postur yang membungkuk atau miring, alat ini juga memberikan peringatan instan melalui getaran serta visualisasi real-time untuk meningkatkan kesadaran ergonomi pengguna.
Proyek ini merupakan bagian dari pengembangan IoT-based Health Monitoring System, yang berfokus pada wearable device cerdas guna membantu pengguna mendeteksi dan memperbaiki postur tubuh mereka.
🌟 Tujuan utama kami adalah mengurangi risiko cedera dan mendorong budaya kerja yang lebih sehat dan ergonomis.
Mari bersama wujudkan lingkungan angkat beban yang lebih aman, cerdas, dan peduli terhadap kesehatan postur tubuh!
Meet Our Team
Zenitha Shaula Lora
Teknik Komputer
Audrey Zakiya T.
Teknik Komputer
Adinni Salsabillah
Teknik Komputer
Afwan Maulana Sidqi
Teknik Komputer
Alfi Hisan Usri
Teknik Komputer
Programing
(Akuisisi data, training data, model awal mikrokontroler)
Programing
(Akuisisi data, menata & mengolah dataset awal)
Programing
(Pembuatan tampilan dashboard – Flask, HTML, CSS, Implementasi MQTT)
Elektrikal
(Rangkaian elektrikal, pemilihan komponen, akuisisi data, bantu training data & program mikrokontroler)
Mekanikal
(Akuisisi data, desain wearable device efisien)
Problem Statements
- Postur tubuh yang salah saat mengangkat beban, baik dalam aktivitas sehari-hari, olahraga, maupun di lingkungan kerja, dapat menyebabkan berbagai masalah kesehatan, seperti cedera otot, gangguan pada tulang belakang, dan kelelahan yang berlebihan.
- Banyak orang tidak menyadari bahwa teknik mengangkat beban yang mereka gunakan kurang tepat, seperti membungkuk terlalu dalam, tidak menekuk lutut, atau tidak menjaga keseimbangan tubuh.
- Kurangnya kesadaran dan pemahaman mengenai postur tubuh yang benar saat mengangkat beban menjadi salah satu faktor utama yang menyebabkan masalah ini.
- Mengembangkan wearable device berbasis sensor yang dapat membantu pengguna dalam mendeteksi dan memperbaiki postur tubuh saat mengangkat beban untuk mengurangi resiko cedera.
- Menganalisis efektivitas penggunaan sensor akselerometer dan giroskop dalam mengidentifikasi serta membedakan postur tubuh yang benar (Tegak) dan salah (Miring atau Bungkuk) saat mengangkat beban.
- Menerapkan dan mengevaluasi algoritma Machine Learning dalam klasifikasi postur tubuh berdasarkan data yang diperoleh dari sensor untuk memberikan umpan balik yang akurat kepada pengguna.
Goals
Solution Statements
- Menggunakan sensor IMU (MPU6050) untuk mendeteksi postur tubuh pengguna.
- Data dari sensor diproses pada ESP-32 dan diklasifikasikan menjadi tiga kategori postur: bungkuk, tegak, dan miring.
- Jika terdeteksi postur salah (bungkuk atau miring), ESP-32 akan mengaktifkan coin vibration motor untuk memberikan getaran sebagai peringatan langsung kepada pengguna.
- Sistem juga terhubung dengan dashboard aplikasi yang menampilkan notifikasi visual secara real-time kepada pengguna.
- Dashboard ini dikembangkan secara mandiri menggunakan framework Flask.
- 🧠 ESP32: Mikrokontroler utama yang mengolah data dari sensor.
- ⚖️ Sensor IMU (MPU6050): Untuk mendeteksi kemiringan punggung.
- 🔄 Coin Vibration Motor: Sebagai media peringatan bagi pengguna.
- 🔋 Baterai 3.7V (Kapasitas 2800mAh): Sumber daya utama untuk sistem wearable.
- 🔌 Saklar: Digunakan untuk menyalakan atau mematikan sistem wearable secara manual.
- 💻 VS Code: Untuk pengembangan dan pemrograman.
- 💡 Arduino IDE: Untuk coding pada mikrokontroler dan akuisisi data.
- 🤖 TensorFlow Lite dan Colab: Untuk menerapkan model machine learning pada mikrokontroler.
- 🌐 Framework Flask: Untuk pengembangan dashboard aplikasi.
- 🎨 HTML dan CSS: Untuk antarmuka pengguna pada dashboard.
- 🔗 MQTT (Message Queuing Telemetry Transport): Protokol komunikasi data antara ESP-32 dan dashboard aplikasi.
Component Preparation
Datasheet
Schematic
A. Diagram Blok Sistem
Diagram blok sistem menunjukkan bagaimana Sensor IMU (Input) mengirim data melalui I2C ke ESP32. ESP32 memproses data tersebut, melakukan klasifikasi menggunakan 1D-CNN, dan mengaktifkan Coin Vibration Motor (Output) jika postur salah. Selain itu, ESP32 juga mengirimkan data ke Dashboard melalui MQTT untuk visualisasi.
B. Diagram Wiring
Diagram wiring menjelaskan koneksi antara ESP32, Sensor IMU (MPU6050), Coin Vibration Motor, dan Baterai. ESP32 terhubung ke MPU6050 melalui protokol I2C, dan ke coin vibrator motor melalui GPIO. Baterai menyediakan daya melalui saklar.
Demo and Evaluation
Setup: Perakitan komponen perangkat keras dan upload firmware ke ESP32. Model 1D-CNN yang telah dilatih diterapkan ke mikrokontroler menggunakan TensorFlow Lite.
Demo: Menjalankan siklus deteksi postur, menunjukkan feedback getaran saat postur salah, dan pembaruan visualisasi data pada dashboard aplikasi secara real-time.
Evaluation: Pengujian dilakukan untuk memastikan fungsionalitas sistem , mengukur akurasi sensor IMU dalam mendeteksi sudut punggung , menilai akurasi klasifikasi postur oleh model 1D-CNN (dengan akurasi validasi mencapai 97.96% sejak epoch ke-13) , dan menguji efektivitas wearable device dalam memberikan peringatan.
Proyek ini berhasil mengembangkan wearable device yang efektif dalam mendeteksi dan mengoreksi postur tubuh saat mengangkat beban. Integrasi sensor IMU (MPU6050) yang dapat mengukur sudut kemiringan punggung, akselerasi, dan rotasi tubuh, serta perubahan posisi tubuh, diproses secara real-time oleh ESP-32. Algoritma Machine Learning dapat diterapkan dengan menganalisis pola data gerakan tubuh dari sensor dan mengidentifikasinya sebagai postur tegak, miring, atau bungkuk. Sistem ini menghasilkan solusi wearable yang efektif di bidang kesehatan dan ergonomi kerja. Meskipun akurasi model sudah tinggi, pengembangan di masa depan dapat mencakup penambahan lebih banyak data pelatihan dari berbagai jenis tubuh, gaya mengangkat beban, dan situasi agar model Machine Learning lebih umum. Penambahan sensor lain seperti sensor kamera dapat meningkatkan akurasi deteksi postur yang lebih kompleks.
Conclusion
Contact Us!
Dokumentasi Project
