273
FabRigo: Modelo informático para el monitoreo y
control de rutinas de pausas activas en trabajadores
de o cina por medio del modelo Pose et
Fabian Herrera1, Rodrigo Niño1, Carlos Montenegro1, Paulo Gaona1
Fcherrerar correo.udistrital.edu.co, raninor correo.udistrital.edu.co, cemontenegrom udistrital.edu.co, pagaonag udistrital.edu.co
1 Universidad Distrital Francisco José De Caldas, Bogotá D.C, Colombia. Pages 2 3–2 5
Resumen: Las enfermedades laborales son una de las mayores causas de incapacidad en el mundo, estas pueden ser prevenidas realizando pausas activas, sin embargo, no son realizadas por desconocimiento, olvido o falta de motivación. Esta investigación pretende proveer un mecanismo que garantice la ejecución de las pausas activas apoyadas en una herramienta informática que hace uso de PoseNet, una herramienta basada en redes neuronales convolucionales que permite estimar los puntos clave del cuerpo humano y así monitorear una rutina de ejercicios relacionada a la pausa activa. La aplicación generada es capaz detectar cuando el ejercicio es realizado correctamente con un error entre y mediante el uso de una cámara como la que se encuentra dispositivos celulares o computadores
dejando atrás al Kinect, la aplicación es capaz de detectar y comparar la figura del
usuario para determinar si realiza correctamente un ejercicio de pausa activa. Palabras cla e: PoseNet pausas activas Python comparación de figuras FabRigo.
FabRigo: Computer model for monitoring and control of active pause routines in office workers through the PoseNet model
Abstract: Occupational diseases are one of the biggest causes of disability in the world, these can be prevented from active pauses, however, they are not executed due to ignorance, forgetfulness or lack of motivation. This research aims to provide a mechanism that guarantees the realization of active pauses supported by a computer tool using PoseNet, a tool based on convolutional neural networks that allows estimating the key points of the human body and thus monitoring a routine of exercises related to active pause. The generated application is able to detect when the exercise is performed correctly with an error between y by using a camera like the one found on mobile devices or computers behind At Kinect, the
application is capable of detecting and comparing the figure of the user to determine
if he correctly performs an active pause exercise.
1. Introducción
En la actualidad se ha vuelto común el estilo de vida sedentario en el que no se practica ejercicio de manera regular, según (Owen et al. 2017) los determinantes del comportamiento sedentario han sido categorizados en 4 clases: transporte, ocupación, tiempo en el hogar y tiempo de ocio; además se detectaron 3 ambientes en que más se da este comportamiento hogar, lugar de trabajo y en el transporte público.
En este proyecto se ataca el sedentarismo en el ambiente de trabajo de oficina ya que
las lesiones generadas aumentan en frecuencia y duración (Díaz, Mardones, Mena, Rebolledo & Castillo, 2011), en este espacio el uso frecuente de computadores para llevar a cabo sus tareas puede traer complicaciones musculo esqueléticas, según lo presentado por St-Onge, Samaniy y Madelaine (2017) las incidencias de dolor de cuello
en trabajadores de oficina es del 57% mientras que en el resto de la población es del 10.4% al 21.3% y en estos trabajadores se observa la prevalencia en un 50.2% en un periodo de 12 meses. Además, la falta de recuperación o descanso muscular insuficiente, especialmente para las fibras musculares pequeñas pueden representar un factor de
riesgo para trastornos del cuello y hombro.
Las pausas activas se pueden definir como un conjunto de ejercicios para la contracción
de los músculos por un corto periodo de tiempo que son capaces de redistribuir la carga muscular y reducir el desarrollo de fatiga durante actividades prolongadas (Januario et al. 2016).
Con el objetivo de incentivar la práctica de las pausas activas en los trabajadores de
oficina que mayoritariamente realizan su jornada laboral sentados frente a una
computadora, se desarrolla una aplicación que acompañe la realización de las pausas activas, esto con el objetivo de mejorar la participación y actitud frente a la realización de las mismas, puesto que son olvidadas dada una cultura organizacional e individual que en muchos casos no da la importancia que tienen para el cuidado de la salud, según Leon, Vasquez, Villa (2017) existen tres factores clave para la resistencia a la adopción de una tecnología: los administradores, recursos de la empresa y usuarios de TI, se debe crear conciencia tanto en los directivos como en los trabajadores de la importancia
y beneficios para su salud de adoptar una aplicación que los ayude a realizar la pausa
activa y así evitar enfermedades.
La aplicación monitoreará al usuario durante el desarrollo de la pausa activa mostrando
la rutina y duración de ejercicios a realizar. Durante el desarrollo se notifica en tiempo
se logra que una organización se incentive a usar la aplicación puesto que solo requiere navegar a la aplicación web para abrir la aplicación y usara la cámara que tienen los equipos de dotación de los empleados para funcionar.
2. Trabajos Relacionados
Respecto a esta problemática se han realizado numerosas investigaciones entre las cuales podemos destacar las siguientes:
En el proyecto realizado por Uribe y Pérez (2016) hace uso de un Kinect para detectar e incentivar la práctica de las pausas activas en estudiantes, docentes y funcionarios de la universidad militar nueva granada. Una vez implementado dicho software se realizó una
encuesta que muestra que los encuestados son conscientes de los beneficios que trae la realización de las pausas activas y el 79% vio útil el software para controlarlas.
Adicionalmente usando la tecnología de Microsoft Kinect se realizaron dos tesis, la primera de Kayenbe (2012) hace uso de la información obtenida por el sensor para obtener los puntos de referencia de la rodilla, el hombro y la cadera, con estos puntos se analiza por medio de la ley del coseno para obtener el ángulo que se forma a partir de la cadera y así validar la postura de la persona en medición. La aplicación desarrollada tiene la capacidad de detectar la pastura tanto de pie como sentado.
En la segunda tesis, realizada por Martínez (2018) con la suite de desarrollo del dispositivo KINECT, SDK 1.7, se realizaba la detección de las posturas relacionadas
durante una rutina de ejercicios en fisicoculturistas, sin embargo, la validación de las
posturas era realizada por medio estructuras de control del tipo “if” que validan que las posiciones de las articulaciones del cuerpo sean igual a la esperada, de modo que al
querer añadir nuevas rutinas en la aplicaciones era necesario la modificación del código
de la misma.
En el proyecto realizado por Kumar et al. (2016) se hace uso de un Kinect para obtener
las uniones del esqueleto, luego de esto se prueban múltiples técnicas de clasificación, PCA y análisis con redes neuronales, así fue posible usar entre un 10% y 15% menos de frames para entrenar la red neuronal y se consiguió una exactitud de hasta el 98%. Como
se ve este proyecto también hace uso del Kinect, el cual, aunque efectivo no es de uso cotidiano para las personas, a diferencia de una cámara web de un computador portátil. Ya que en este proyecto también hay una fase de obtención de los puntos claves, estos podrían usarse en nuestro algoritmo y funcionaria de igual manera a como lo hace al usar PoseNet en vez de Kinect.
En el proyecto realizado por St-Onge et al. (2017) se realiza un estudio de los tipos de
pausas activas que más beneficio pueden tener en la activación de los músculos, al revisar
los niveles de activación muscular después de realizar los tipos de ejercicios, contracción isométrica submáxima, contracción dinámica, ejercicio postural y descanso, no afectan
negativamente la medida de la electromiografía superficial por lo que cualquiera puede
ser usado sin un costo en el nivel de activación muscular.
En el estudio realizado por Liu, Xu y Li (2018) se realiza un estudio del estado del arte
las implementaciones presentadas están basadas en redes neuronales artificiales, aquí
se explican los tipos de redes neuronales usados, el dataset más frecuentemente usado para el entrenamiento de este tipo de redes y los criterios para evaluar estas redes. En el trabajo realizado por Hou et al. (2017) se hace uso de una arquitectura de redes
neuronales para desarrollar una aplicación que es capaz de estimar la figura y los
puntos clave del cuerpo humano con el objetivo de en una segunda red implementar un método de “guía de acciones” el cual tiene muchas aplicaciones como entrenamiento, rehabilitación médica o el caso de estudio de este artículo: enseñanza de una danza. En el artículo escrito por Jutinico, Montenegro-Marin, Burgos, y Gonzalez (2018), se desarrolla una interfaz de lenguaje natural (ILENA) para la obtención de los movimientos realizados con las extremidades superiores, los hombros y la cabeza. Esto con el objetivo del monitoreo de los trabajadores principalmente relacionados a puestos de trabajo con equipos de cómputo.
ILENA hace uso de KINECT para la obtención de un modelo en tres dimensiones del cuerpo humano. Con este modelo se hace un análisis vectorial de n-dimensiones donde cada dimensión es representada por cada articulación que se ve involucrada en el movimiento. Las articulaciones poseen tres dimensiones espaciales obtenidas por KINECT. Con este vector formado se puede analizar el movimiento cuando se realiza
desde el punto base al punto final. Para la comparación y análisis hacen uso de vecindarios
vectoriales en concreto del algoritmo de los k-vecinos más cercanos o KNN por sus siglas en inglés, sin embargo, aclaran que es necesario poseer valores estandarizados por las diferencias antropométricas y así basar la representación del movimiento en cosenos directores encontrando el ángulo que existe entre dos vectores de un vecindario. El prototipo de ILENA el cual fue creado como aplicativo de escritorio sobre Windows logro medir el ángulo de abducción escapulohumeral izquierda, dándole la capacidad
notificar cuando una persona bajo estas mediciones se encuentra en el rango de
riesgo. ILENA obtuvo resultados similares que el Centro de Control y Prevención de Enfermedades CDC por sus siglas en inglés en analizando la abducción del hombro entre
personas mayores a 18 y menores a 50 años.
Para finalizar Deb, Sharan, Chaturvedi, Arun y Gupta, (2019) realizaron una propuesta
para apoyar el aprendizaje de rutinas de danza por medio de una plataforma de interacción hombre plataforma. Para su realización se hizo uso de OpenPose para hacer detección del cuerpo humano y de los puntos clave del esqueleto en tiempo real, esto lo logra por medio de mecanismos de Deep Learning basados en TensorFlow. Una vez detectado el esqueleto de referencia del cuerpo humano hace uso de normalización L2 para escalar el vector del esqueleto evitando así las diferencias entre tamaños y longitudes de las diferentes personas en medición.
Como se observa en los proyectos investigados hasta el momento, el uso de un Kinect fue muy frecuente, esto genera costos adicionales para la puesta en marcha de una aplicación puesto que hace necesario la compra del Kinect que es de uso obligatorio por
parte del usuario final, con el uso del modelo PoseNet se puede lograr un seguimiento
tanto en computadores como en dispositivos móviles Android, así se supera a Kinect y
se puede desarrollar una aplicación que no necesita de este para capturar la figura de un
ser humano y hacer inferencias sobre este.
3. Metodología
Para desarrollar este proyecto se necesita una herramienta que localice los puntos clave del cuerpo humano. Una vez se tenga localizados estos puntos deben ser comparados con los puntos del modelo que se va a imitar durante el ejercicio.
En un principio se contempló la posibilidad de entrenar una red neuronal convolucional
para clasificar las imágenes de los diferentes ejercicios de pausa activa que harán los
usuarios, sin embargo, se requeriría un gran dataset de imágenes del cual no se dispone, por lo tanto, resulta una opción más asequible usar una sola imagen de cada ejercicio para comparar con la del usuario realizando el ejercicio por medio de los puntos clave
que detecta el modelo PoseNet de tensorflow.
Una vez implementado el método para obtener los puntos clave del cuerpo humano por
medio de tensorflow, y un método para compararlos con tal de saber si el usuario realiza
la misma acción que se le indica, se puede proceder a desarrollar una aplicación web que integre lo antes mencionado.
Para satisfacer estos requerimientos se va a hacer uso de la metodología de desarrollo
ágil SCRUM ya que como es mostrado en el artículo Rodríguez (2015) posee las dos
principales cualidades requeridas. La primera se enfoca en el desarrollo iterativo de incrementos en el producto que satisfagan los requerimientos, de esta forma se puede abordar modularmente el desarrollo de cada requerimiento y garantizar su funcionamiento antes de abordar el siguiente requerimiento. La segunda cualidad se centra de la adaptación al cambio que posee la metodología, ya que los requerimientos
previamente mencionados poseen una baja especificación en cuanto su implementación
y ensamble.
4. Diseño
Para realizar la captura de puntos se optó por la librería PoseNet basada en Tensor Flow, que posee un modelo ya entrenado para detectar los puntos clave del cuerpo humano, por lo que esta labor es muy sencilla.
El problema principal radica en encontrar una manera de comparar los puntos clave del usuario con los de la imagen modelo que se quiere imitar. PoseNet retorna un Json con los 17 puntos clave del cuerpo, cada uno con un punto en dos dimensiones (x, y).
Para cada uno de estos puntos PoseNet retorna un coeficiente de seguridad que especifica
que tan seguro está el modelo de que el punto está bien detectado, esto se da porque en ocasiones en las imágenes puede que aparezcan ocultas algunas partes del cuerpo, o
no aparezcan por lo que se le dificulta al modelo detectar estos puntos, y retorna un
Un método para determinar si dos figuras son iguales es tratar de escalar, rotar y trasladar los puntos de una de las figuras a la otra, cuando se realice estas transformaciones, la
distancia entre cada par de puntos (ver ecuación 1),
Ecuación 1 – Distancia entre cada par de puntos.
deberá tender a cero indicando que las dos figuras son parecidas de lo contrario se
concluirá que estas no lo son.
Así se busca una función que permita superponer el conjunto de puntos de la persona que realiza la pausa activa con el conjunto de puntos de ejemplo, esto en algebra lineal se conoce como una transformación afín, que es la combinación de una rotación, translación y escalamiento (ver ecuación 2).
Ecuación 2 – Formula de la transformación afín.
Esta representación matemática es equivalente a la siguiente al usar una matriz aumentada (ver ecuación 3):
Ecuación 3 – Transformación afín representada como una matriz aumentada.
En este caso en particular ya se conoce la matriz de entrada X y la matriz de salida Y, se debe encontrar la matriz A qué mejor mapee los puntos de entrada a los de salida, en
caso de que las figuras sean diferentes la matriz A no será eficaz a la hora de mapear los
puntos de X a Y sin embargo, en caso contrario, la matriz A mapeará los puntos de X a valores muy cercanos a los de Y y los puntos serán adyacentes unos a otros.
En este punto del desarrollo no se puede avanzar más haciendo uso solamente de Javascript puesto que no es un lenguaje que facilite las operaciones matriciales
necesarias para comparar figuras. Debido a esto, se optó por desarrollar un servidor en
De esta manera con cierto rango de error se puede estimar si dos figuras humanas son
iguales.
4. Implementación
Para ilustrar el código generado para el funcionamiento de la aplicación se abordará en dos secciones, la primera orientada a explicar la implementación del algoritmo de comparación y la segunda estará dada para explicar la arquitectura de la aplicación y como esta hace uso del algoritmo de comparación.
4.1. Implementación del algoritmo de comparación.
Como se ha descrito anteriormente el algoritmo de comparación se codifico en Python.
A continuación, se presentan las secciones de código más relevantes.
Primero es necesario realizar una conversión del Json obtenido por PoseNet como resultado de la búsqueda de los keypoints del cuerpo humano, en un arreglo de Numpy poder ser manipulado, como se ve en la siguiente sección de código:
Figura 1 – Método para convertir un Json a un conjunto de tres vectores.
Para hallar la matriz A de la ecuación 3, se usa el siguiente código, donde X es el modelo a imitar y Y son las coordenadas de los puntos clave del usuario:
Figura 2 – Método usado para encontrar la matriz de transformación A.
A continuación, se muestra el método que realiza el mapeo de puntos de entrada X
por medio de la multiplicación con la matriz A (ver figura 2), con este método se podrá mapear los puntos de la figura del usuario a la del modelo que debe imitar y luego
compararlas para ver si coinciden con cierto margen de error.
si tienen la misma forma o no, por ello se realizó un método que encuentra la distancia entre cada par de puntos y devuelve la máxima.
Figura 3 – Multiplicación de la matriz de transformación A, con el vector de puntos del usuario
De manera simplificada se pude observar el algoritmo en el siguiente diagrama.
Figura 4 – Método que halla las distancias entre cada uno de los puntos.
Todo el código fuente de la aplicación así como instrucciones para su ejecución se encuentran en Herrera, Niño, Montenegro, Gaona (2020).
4.2. Implementación de la aplicación
La aplicación fue desarrollada con una arquitectura cliente servidor (ver figura 5) que se
Figura 5 – Diagrama de componentes del aplicativo.
Al enviar el Json con los puntos clave de la pose que realiza el usuario, se ejecuta el método “compare” el cual realiza llamados a las funciones explicados en la sección 4.1. Una vez comparadas las posturas es retornado por medio SocketIo al Front End un valor booleano que determine si son o no similares.
5. Análisis de resultados.
Para medir el desempeño se crearon seis escenarios de prueba, cada uno con 100 muestras y de ellas se obtuvo el error máximo y el error cuadrático medio generado entre ambas poses. Los primeros cinco escenarios de prueba constan de una persona
imitando una postura en específico, cada una con una postura diferente. En el caso de prueba número seis se calificó la postura número dos, pero la persona imitaba la postura
número uno.
Escenario Pose Error máximo Error Cuadrático Medio
1 1 0,103792816 0,002283693
2 2 0,184293252 0,003307638
3 3 0,072997818 0,000448585
Escenario Pose Error máximo Error Cuadrático Medio
5 5 0,104174766 0,002642385
6 Pose 1 vs 2 0,188151584 0,001574951
Tabla 1 – Error máximo y cuadrático para los casos de prueba.
Las posturas número 3 y 5 (ver figura 7) presentaron el mayor desempeño obteniendo
el error más bajo del orden de , estas posturas se caracterizaban por la posición de las manos y una postura recta, lo que facilitaba la detección y por tanto la comparación entre estas.
Figura 6 – Comparación de poses escenario 6.
La postura número 2, estaba conformada por una contracción en la espalda hacia el costado derecho, llevando las manos a la parte superior de la cabeza y estas a su vez entrelazadas (ver Figura 6). Esta pose con un error de 0.184 genera problemas tanto en
la identificación de los puntos clave de la persona como en la comparación, ya que al
estar los brazos entrelazados el modelo de TensorFlow tiene que suponer la ubicación del brazo oculto, generando una seguridad en la predicción del 0.7472. Adicionalmente en el caso de prueba número 6 viendo esta falencia se buscó mantener la postura erguida y los brazos por encima de la cabeza como en la postura número uno, el error en este caso se redujo hasta 0.104 ya que el proceso de mapeo de los puntos de capturados a los puntos con los que se comparan, realiza la contorción de la espalda generando posturas similares. En el cuarto escenario se obtuvo el mayor error de 0.23 debido al tipo de pose que se buscaba detectar. Esta se caracterizaba por medio cuerpo oculto, permitiendo a la cámara capturar solo un costado, de esta manera el modelo de TensorFlow arrojo una
Figura7 – Poses 3, 4 y 5
6. Conclusiones
Usando un algoritmo de detección de puntos se desarrolló un método que compara posturas humanas, el cual traslada cada par de puntos clave del cuerpo humano al modelo con el cual se compara con un error del orden de , y un error cuadrático medio del orden de , como en el escenario 3 con un error de 0.073. Sin embargo, se encontró que las posturas que tienen obstrucción parcial o total de las extremidades del cuerpo incurren en un porcentaje mayor de error, debido a la aproximación que realiza PoseNet sobre la ubicación de la misma, como en el escenario de prueba 4 con un error de 0.23.
Se ilustro como puede ser desarrollada una solución basada en Tensorflow y Python
que permite obtener y comparar posturas sin dispositivos especiales como el Kinect que ha sido muy usado hasta ahora, lo que ayuda a disminuir los costos de implementar una aplicación como la mostrada. Adicionalmente la aplicación desarrollada es capaz de adaptarse dinámicamente a nuevos ejercicios futuros ya que esta no se encuentra limitada por validaciones de estructuras de control tipo “if” por cada pose a comprar. La cámara en el computador o dispositivo móvil es capaz de captar los movimientos
y estos permiten al algoritmo hacer la comparación de figuras, sin embargo, existen
ejercicios de pausa activa que requieren la aplicación de cierta fuerza sobre los músculos que la cámara no es capaz de detectar, una posible mejora es la inclusión de un mecanismo que permita medir la fuerza aplicada por el usuario en cada ejercicio de pausa activa que desarrolla.
Una desventaja que este método comparte con el Kinect es que en ambos se requiere
que el usuario se encuentre a una distancia suficiente de la cámara para que esta capte
El algoritmo desarrollado para determinar si dos poses humanas son iguales no está limitado a rutinas de pausas activas como se usa en este proyecto, o solo a Posenet con TensorFlow es válido también con otro tipo de ejercicios físicos y cualquier otro modelo que le proporcione los puntos clave del cuerpo humano que analizar.
Referencias
Antunes, A. A. (2004). Sistemas XYZ. In Sousa A. J. (Ed.), Tecnologias Internet. Lisboa: Editora Xxxpto.
Deb, S., Sharan, A., Chaturvedi S., Arun, A., Gupta, A., (2019)., Interactive Dance Lessons through Human Body Pose Estimation and Skeletal Topographies Matching. International Journal of Computational Intelligence & IoT, 2(4). Retrived from SSRN: https://ssrn.com/abstract=3361142
Díaz, X., Mardones, M., Mena, C., Rebolledo, A., & Castillo, M. (2011) Pausa activa como factor de cambio en actividad física en funcionarios públicos. Revista Cubana de Salud Pública, 37(3), 303-313. Recuperado en 19 de agosto de 2019, de http:// scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864-34662011000300011&lng =es&tlng=es.
Herrera, F. Niño, R, Montenegro, C. Gaona, P (2020) FabRigo Modelo informatico para el monitoreo y control de rutinas de pausas activas en trabajadores. Recuperado de https://github.com/rodrodogo/FabRigo--Modelo-informatico-para-el-monitoreo-y-control-de-rutinas-de-pausas-activas-en-trabajadores.
Hou, Y., Yao, H., Li, H., & Sun, X. (2017). Dancing like a superstar: Action guidance based on pose estimation and conditional pose alignment. 2017 IEEE International Conference on Image Processing (ICIP). doi:10.1109/icip.2017.8296494
Januario, L. B., Moreira, R. de F. C., Cid, M. M., Samani, A., Madeleine, P., & Oliveira,
A. B. (2016). Effects of active pause pattern of surface electromyographic
activity among subjects performing monotonous tasks: A systematic review. Journal of Electromyography and Kinesiology, 30, 196–208. doi:10.1016/j. jelekin.2016.07.009
Jutinico, C.J.M., Montenegro-Marin, C.E., Burgos, D. & Gonzalez, R. (2018). Natural language interface model for the evaluation of ergonomic routines in occupational health (ILENA). Ambient Intell Human Comput. https://doi.org/10.1007/s12652-018-0770-y
Kayembe, M (2012). Human Posture Recognition And Good Posture Recommendation.
(Tesis de maestria en Ciencias de la computacion), universidad de Nairobi, Nairobi. Kumar, A., Kumar, A., Singh, S., & Kala, R. (2019). Human Activity Recognition in
León-Sigg, María de, Vázquez-Reyes, Sodel, & Villa-Cisneros, Juan L.. (2017). Factores que Afectan la Adopción de Tecnologías de Información en Micro y Pequeñas empresas: un Estudio Cualitativo. RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação, (22), 20-36. https://dx.doi.org/10.17013/risti.22.20-36
Liu, Y., Xu, Y., & Li, S. (2018). 2-D Human Pose Estimation from Images Based on Deep Learning: A Review. 2018 2nd IEEE Advanced Information Management,Communicates,Electronic and Automation Control Conference (IMCEC).doi:10.1109/imcec.2018.8469573
Martinez, J, & Manuel, J. (2018). Sistema de Visión Artificial para la Detección y Corrección de Posturas en Ejercicios realizados por Fisicoculturistas. (Tesis para Ingenieros en computación), Departamento de ingenieria, Universidad autónoma del estado de México, Toluca.
Owen, N., Sugiyama, T., Eakin, E. E., Gardiner, P. A., Tremblay, M. S., & Sallis, J. F. (2011). Adults’ Sedentary Behavior. American Journal of Preventive Medicine, 41(2), 189–196.doi:10.1016/j.amepre.2011.05.013
Rocha, Á. (2012). Framework for a Global Quality Evaluation of a Website. Online Information Review, 36(3), 374-382. doi:10.1108/14684521211241404
Rodríguez, C., & Dorado, R. (2015). ¿Por qué implementar Scrum?. Revista Ontare, 3(1), 125-144. https://doi.org/10.21158/23823399.v3.n1.2015.1253
St-Onge, N., Samani, A., & Madeleine, P. (2017). Integration of active pauses and pattern of muscular activity during computer work. Ergonomics, 60(9), 1228– 1239.doi:10.1080/00140139.2017.1303086
