Notre projet de recherche consiste à détecter des postures et des mouvements contraignants menant à l’apparition des troubles musculo-squelettiques en milieu de travail. Ce problème de détection a été considéré comme étant un problème de classification supervisée dont le classificateur est un réseau de neurones et les classes sont les différentes postures et mouvements adoptés par un opérateur lors de la réalisation de ses tâches quotidiennes en milieu de travail. Un problème de classification supervisée se réalise en général en trois étapes :​ 1) l’étape de l’acquisition des signaux, 2) celle du prétraitement, et enfin, 3) celle de la classification.

À la première étape, l’acquisition des signaux consiste à mesurer les postures et les mouvements de l’opérateur à l’aide d’un instrument de mesure non-invasif, non-intrusif capable de fonctionner dans son milieu de travail in-situ.

L’étape de prétraitement consiste à réduire les signaux acquis à un ensemble de caractéristiques permettant de bien distinguer entre les différentes classes. Pour recueillir les caractéristiques, nous avons utilisé une méthode directe, qui regroupe les caractéristiques globales du déplacement du centre de pression utilisées généralement dans les études de posturologie et d’autres caractéristiques relatives aux accélérations de la tête. Nous avons également proposé une nouvelle méthode, dite graphique qui consiste à discrétiser la surface de la semelle sur laquelle le centre de pression se déplace. D’autre part, afin de réduire le nombre de ces caractéristiques et n’en retenir que les plus pertinentes, nous avons mis en place un nouveau modèle hybride de sélection des caractéristiques dont la singularité réside dans la combinaison de techniques utilisées.

Enfin, lors de l’étape de classification, il s’agit d’utiliser les caractéristiques retenues à l’étape de prétraitement comme entrées pour le réseau de neurones.

Les résultats de classification obtenus à la fin sont de 95% avec 11 caractéristiques (huit (8) provenant de la méthode directe et trois (3) de la méthode graphique). Bien qu’utilisées seules, les caractéristiques de la méthode graphique ne nous donnent pas les meilleurs résultats de classification (près de 60%), en les ajoutant aux caractéristiques de la méthode directe, le taux de reconnaissance est passé de 90% à 95%. Sans l’étape de réduction de dimensionnalité, nous n’aurions pas pu dépasser un taux de reconnaissance de 70% avec seulement huit (8) caractéristiques de la méthode directe. Enfin, nous avions également développé nos propres fonctions de validation croisée et de sélection de caractéristiques sur MatLAB, ce qui a nettement amélioré nos résultats, en passant de 85% (comme étant le meilleur taux de classification obtenu), à 95% à l’aide de nos propres fonctions.