Intellekt: A Machine Learning Based Framework for Advanced Muscle Strain Severity Detection Using IoT Devices

Abstract

As global populations grow and technology advances, daily life is increasingly shaped by digital tools like computers and smart devices. However, prolonged use has led to rising physical and mental health issues, particularly due to poor sitting posture. Posture-related strain, often overlooked, contributes significantly to musculoskeletal issues including back, neck, shoulder, and wrist pain, and may also be associated with sleep disturbances and elevated stress levels. To the best of our knowledge based on existing literature, this is the first study to introduce Intellekt, a machine learning–based framework for advanced muscle strain severity detection using IoT devices that integrates both posture and muscle strain detection into a unified, low-cost ($23 hardware) framework aimed at mitigating these risks. Specifically, this study makes four key contributions: (1) We created a novel real-time dataset by collecting electromyography (EMG) and posture data from participants in university, bank, and industrial environments, acquiring diverse muscle strain patterns validated against clinical assessment protocols; (2) We designed a two-part hardware framework consisting of Posture Detection (PD) and Strain Detection (SD) modules using Node MCU ESP8266, ultrasonic sensor HC SR04, EMG sensor, and buzzer for real-time user monitoring, featuring EMG-specific signal processing including band pass filtering, rectification, and RMS smoothing; (3) We proposed and evaluated a custom hybrid machine learning approach, referred to as the Intellekt model, that categorizes muscle strain severity into mild, moderate, and severe using EMG signals, with thresholds clinically correlated to tissue damage levels; (4) Our proposed model Intellekt achieved an accuracy of 99% (95% CI: 99.1-99.8%) with 15.2ms inference latency.

Spanish-language metadata / Metadatos en español

Título en español:

Intellekt: un marco basado en el aprendizaje automático para la detección avanzada de la gravedad de las distensiones musculares mediante dispositivos IoT

Resumen:

A medida que crece la población mundial y avanza la tecnología, la vida cotidiana se ve cada vez más marcada por herramientas digitales como las computadoras y los dispositivos inteligentes. Sin embargo, el uso prolongado ha dado lugar a un aumento de los problemas de salud física y mental, sobre todo debido a una mala postura al sentarse. La tensión relacionada con la postura, que a menudo se pasa por alto, contribuye de manera significativa a problemas musculoesqueléticos, como el dolor de espalda, cuello, hombros y muñecas, y también puede estar asociada con trastornos del sueño y niveles elevados de estrés. Según nuestro conocimiento, basándonos en la bibliografía existente, este es el primer estudio que presenta Intellekt, un marco basado en el aprendizaje automático para la detección avanzada de la gravedad de las tensiones musculares mediante dispositivos del Internet de las cosas (IoT), que integra tanto la detección de la postura como la de las tensiones musculares en un marco unificado y de bajo costo (hardware de 23 dólares) destinado a mitigar estos riesgos. En concreto, este estudio aporta cuatro contribuciones clave: (1) Creamos un novedoso conjunto de datos en tiempo real mediante la recopilación de datos de electromiografía (EMG) y de postura de participantes en entornos universitarios, bancarios e industriales, obteniendo diversos patrones de tensión muscular validados según protocolos de evaluación clínica; (2) Diseñamos un marco de hardware de dos partes compuesto por módulos de detección de postura (PD) y detección de tensión (SD) utilizando Node MCU ESP8266, un sensor ultrasónico HC-SR04, un sensor EMG y un zumbador para la monitorización en tiempo real del usuario, con un procesamiento de señales específico para EMG que incluye filtrado de paso de banda, rectificación y suavizado RMS; (3) Propusimos y evaluamos un enfoque híbrido de aprendizaje automático a medida, denominado «modelo Intellekt», que clasifica la gravedad de las distensiones musculares en leve, moderada y grave utilizando señales de EMG, con umbrales clínicamente correlacionados con los niveles de daño tisular; (4) Nuestro modelo Intellekt alcanzó una precisión del 99 % (IC del 95 %: 99,1-99,8 %) con una latencia de inferencia de 15,2 ms.

Palabras Claves:

Aprendizaje automático, dispositivos IoT

Smart citations:

https://scite.ai/reports/10.61467/2007.1558.2026.v17i3.1395
Dimensions.
Open Alex.