Model-Based Approach for Posture and Movement Classification in Working Environments

  • Christian Lins
  • Sebastian M. Müller
  • Andreas Hein
Part of the Advanced Technologies and Societal Change book series (ATSC)


In this paper, we present an approach for model-based movement and posture classification in working environments. The approach presented here is designed for long-term in-situ observations of and by workers in their workplaces. The proposed model is adaptable to different input data, e.g., skeleton data from either an Inertial Measurement Unit (IMU) or a skeleton derived from an optical sensor such as Kinect. We present a preliminary design of the model and suggest algorithms suitable for real-time usage of the model in an IMU-based motion capture suite. In an experiment we measured the weight on the knee while performing different kneeing postures to show the dependence of posture angles on the knee load.


Working environment Model Posture Classification Kneeling Motion capture 



This work was funded by the German Ministry for Education and Research (BMBF) within the research project SIRKA (grant 16SV6243). The authors would like to thank the project partners for their helpful input: INAP/O Institute of the University of Applied Sciences Osnabrück, DFKI Bremen, Budelmann Elektronik GmbH, rofa Bekleidungswerk GmbH & Co. KG, Johanniter-Unfall-Hilfe e.V. in Berne and MEYER WERFT GmbH & Co. KG.


  1. 1.
    Bernsdorf, A., Fabian, S., Hartmann, B.: Verhaltensprävention: Individuelle Präventionsmaßnahmen. In: Hartmann, B., Spallek, M., Ellegast, R. (eds.) Arbeitsbezogene Muskel-Skelett-Erkrankungen: Ursachen, Prävention, Ergonomie, Rehabilitation, pp. 237–264. Hüthig Jehle Rehm, German (2013)Google Scholar
  2. 2.
    Bundesministerium für Arbeit und Soziales. Sicherheit und Gesundheit bei der Arbeit. Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (2012)Google Scholar
  3. 3.
    David, G., Woods, V., Li, G., Buckle, P.: The development of the quick exposure check (QEC) for assessing exposure to risk factors for work-related musculoskeletal disorders. Appl. ergon. 39(1), 57–69 (2008)CrossRefGoogle Scholar
  4. 4.
    Diego-Mas, J.A., Alcaide-Marzal, J.: Using Kinect sensor in observational methods for assessing postures at work. Appl. ergon. 45(4), 976–985 (2014)CrossRefGoogle Scholar
  5. 5.
    Ellegast, R.: Gefährdungsbeurteilung am Arbeitsplatz. In: Hartmann, B., Spallek, M., Ellegast, R. (eds.) Arbeitsbezogene Muskel-Skelett-Erkrankungen: Ursachen, Prävention, Ergonomie, Rehabilitation, pp. 107–130. Hüthig Jehle Rehm, German (2013)Google Scholar
  6. 6.
    Ellegast, R., Hermanns, I.: Einsatz des Messsystems CUELA zur Erfassung und Bewertung physischer Arbeitsbelastungen. (2006).
  7. 7.
    Fransson-Hall, C., Gloria, R., Kilbom, Å., Winkel, J., Karlqvist, L., Wiktorin, C., Study Group123.: A portable ergonomic observation method (PEO) for computerized on-line recording of postures and manual handling. Appl. ergon. 26(2):93–100 (1995)Google Scholar
  8. 8.
    Freitag, S., Fincke, I., Dulon, M., Ellegast, R., Nienhaus, A.: Messtechnische Analyse von belastenden Körperhaltungen bei Pflegekräften: eine geriatrische Station im Vergleich mit anderen Krankenhausstationen. Ergomed 31, 130–140 (2007)Google Scholar
  9. 9.
    Hartmann, B.: Das Muskel-Skelett-System in Gesundheit und Krankheit. Arbeitsbezogene Muskel-Skelett-Erkrankungen: Ursachen, Prävention, Ergonomie, Rehabilitation, pp. 3–61 (2013)Google Scholar
  10. 10.
    Hentschel, C., Kunze, T., Spanner-Ulmer, B.: Erste Erkenntnisse zur Anwendbarkeit von vorhandenen Verfahren zur ergonomischen Bewertung von Belastungen in logistischen Prozessen. In Tagungsband zum 58. Kongress der Gesellschaft für Arbeitswissenschaft (2012)Google Scholar
  11. 11.
    Hignett, S., McAtamney, L.: Rapid entire body assessment (REBA). Appl. ergon. 31(2), 201–205 (2000)CrossRefGoogle Scholar
  12. 12.
    Karhu, O., Kansi, P., Kuorinka, I.: Correcting working postures in industry: a practical method for analysis. Appl. ergon. 8(4), 199–201 (1977)CrossRefGoogle Scholar
  13. 13.
    Krause, E.F.: Taxicab geometry. Math. Teach. 66(8), 695–706 (1973)Google Scholar
  14. 14.
    Liebers, F., Brendler, C., Latza, U.: Alters- und berufsgruppenabhängige Unterschiede in der Arbeitsunfähigkeit durch häufige Muskel-Skelett-Erkrankungen. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz, 56(3):367–380 (2013)Google Scholar
  15. 15.
    Liu, H., Wei, X., Chai, J., Ha, I., Rhee, T.: Realtime human motion control with a small number of inertial sensors. In: Symposium on Interactive 3D Graphics and Games, pp. 133–140. ACM (2011)Google Scholar
  16. 16.
    Richter, G., Bode, S., Köper, B.: Demografischer Wandel in der Arbeitswelt. Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (2012)Google Scholar
  17. 17.
    Schaub, K., Caragnano, G., Britzke, B., Bruder, R.: The European assembly worksheet. Theo. Issues Ergon. Sci. 14(6), 616–639 (2013)CrossRefGoogle Scholar
  18. 18.
    Shum, H.P.H., Ho, E.S.L., Jiang, Y., Takagi, S.: Real-time posture reconstruction for Microsoft Kinect. IEEE Trans. Cybern. 43(5):1357–1369 (2013)Google Scholar
  19. 19.
    Spallek, M., Hartmann, B.: Arbeitsmedizinische Diagnostik und berufliche Belastbarkeit. Arbeitsbezogene Muskel-Skelett-Erkrankungen: Ursachen, Prävention, Ergonomie, Rehabilitation, pp. 165–199 (2013)Google Scholar
  20. 20.
    Wu, G., Cavanagh, P.R.: ISB recommendations for standardization in the reporting of kinematic data. J. Biomech. 28(10), 1257–1261 (1995)CrossRefGoogle Scholar

Copyright information

© Springer International Publishing Switzerland 2016

Authors and Affiliations

  • Christian Lins
    • 1
  • Sebastian M. Müller
    • 1
  • Andreas Hein
    • 2
  1. 1.OFFIS - Institute for Information TechnologyOldenburgGermany
  2. 2.Carl von Ossietzky University OldenburgOldenburgGermany

Personalised recommendations