Detección automática de posturas de riesgo en análisis ergonómico basada en landmarks anatómicos.

Resumen

En entornos laborales, los trastornos musculoesqueléticos (TME) continúan siendo una causa relevante de ausentismo, disminución de la productividad y afectaciones a la salud ocupacional. Una parte importante de estos problemas se asocia con posturas forzadas, movimientos repetitivos y manipulación inadecuada de cargas, cuya identificación oportuna suele depender de evaluaciones observacionales discontinuas o sujetas al criterio del evaluador. 
En este contexto, el presente trabajo desarrolla un sistema de visión artificial para la detección de posturas de riesgo orientado al análisis ergonómico. La propuesta emplea MediaPipe como base para la detección de landmarks anatómicos y para la estimación de ángulos articulares relacionados principalmente con cuello y tronco. A partir de estas variables, el sistema clasifica posturas potencialmente riesgosas mediante criterios inspirados en los métodos RULA y REBA. Para fortalecer la validación, se construyó un conjunto de evaluación a partir de frames extraídos de videos de casos ergonómicos laborales. 
Los resultados permitieron cuantificar el desempeño del sistema en la detección de riesgo postural. En la comparación global, el algoritmo alcanzó una exactitud de 0.7234, precisión de 0.7667, sensibilidad de 0.7931 y valor F1 de 0.7797. En la evaluación por segmento, la detección de cuello mostró un desempeño intermedio, mientras que la detección de tronco presentó alta precisión, pero menor sensibilidad, lo que evidencia mayor dificultad para recuperar todos los casos positivos de flexión troncal.