Repetitive tasks, awkward hand/wrist postures and forceful exertions are known risk factors for work-related musculoskeletal disorders (WMSDs) of the hand and wrist. WMSD is a major cause of long work absence, productivity loss, loss in wages and individual suffering. Currently available assessment methods of the hand/wrist motion have the limitations of being inaccurate, e.g. when using self-reports or observations, or expensive and resource-demanding for following analyses, e.g. when using the electrogoniometers. Therefore, there is a need for a risk assessment method that is easy-to-use and can be applied by both researchers and practitioners for measuring wrist angular velocity during an 8-hour working day. Wearable Inertial Measurement Units (IMU) in combination with mobile phone applications provide the possibility for such a method. In order to apply the IMU in the field for assessing the wrist velocity of different work tasks, the accuracy of the method need to be examined. Therefore, this laboratory experiment was conducted to compare a new IMU-based method with the traditional goniometer and standard optical motion capture system. The laboratory experiment was performed on twelve participants. Three standard hand movements, including hand/wrist motion of Flexion-extension (FE), Deviation, and Pronationsupination (PS) at 30, 60, 90 beat-per-minute (bpm), and three simulated work tasks were performed. The angular velocity of the three methods at 50th and 90th percentile were calculated and compared. The mean absolute error and correlation coefficient were analysed for comparing the methods. Increase in error was observed with increase in speed/bpm during the standard hand movements. For standard hand movements, comparison between IMUbyaxis and Goniometer had the smallest difference and highest correlation coefficient. For simulated work tasks, the difference between goniometer and optical system was the smallest. However, for simulated work tasks, the differences between the compared methods were in general much larger than the standard hand movements. The IMU-based method is seen to have potential when compared with the traditional measurement methods. Still, it needs further improvement to be used for risk assessment in the field. / Upprepade uppgifter, besvärliga hand- / handledsställningar och kraftfulla ansträngningar är kända riskfaktorer för arbetsrelaterade muskuloskeletala störningar (WMSD) i hand och handled. WMSD är en viktig orsak till lång frånvaro, produktivitetsförlust, löneförlust och individuellt lidande. För närvarande tillgängliga bedömningsmetoder för hand / handledsrörelser har begränsningarna att vara felaktiga, t.ex. när du använder självrapporter eller observationer, eller dyra och resurskrävande för följande analyser, t.ex. när du använder elektrogoniometrarna. Därför finns det ett behov av en riskbedömningsmetod som är enkel att använda och som kan användas av både forskare och utövare för att mäta handledens vinkelhastighet under en 8-timmars arbetsdag. Wearable Inertial Measuring Units (IMU) i kombination med mobiltelefonapplikationer ger möjlighet till en sådan metod. För att kunna använda IMU i fältet för att bedöma handledens hastighet för olika arbetsuppgifter måste metodens noggrannhet undersökas. Därför genomfördes detta laboratorieexperiment för att jämföra en ny IMU-baserad metod med den traditionella goniometern och det vanliga optiska rörelsefångningssystemet. Laboratorieexperimentet utfördes på tolv deltagare. Tre standardhandrörelser, inklusive hand / handledsrörelse av Flexion-extension (FE), Deviation och Pronation-supination (PS) vid 30, 60, 90 beat-per-minut (bpm) och tre simulerade arbetsuppgifter utfördes. Vinkelhastigheten för de tre metoderna vid 50: e och 90: e percentilen beräknades och jämfördes. Det genomsnittliga absoluta felet och korrelationskoefficienten analyserades för att jämföra metoderna. Ökning av fel observerades med ökning av hastighet/bpm under standardhandrörelserna. För standardhandrörelser hade jämförelsen mellan IMUbyaxis och Goniometer den minsta skillnaden och högsta korrelationskoefficienten. För simulerade arbetsuppgifter var skillnaden mellan goniometer och optiskt system den minsta. För simulerade arbetsuppgifter var dock skillnaderna mellan de jämförda metoderna i allmänhet mycket större än de vanliga handrörelserna. Den IMUbaserade metoden anses ha potential jämfört med traditionella mätmetoder. Ändå behöver det förbättras för att kunna användas för riskbedömning på fältet.

Many healthcare organisations face repetitive incidents because organisations tend to fail to learn from the past. Learning from incidents (LFI) in healthcare is a process through which healthcare professionals and the organisation as a whole seek to understand adverse events that have taken place. The LFI process consists of five main steps: data acquisition, investigation and analysis, planning interventions, implementing interventions, and evaluations. In order to reduce the reoccurrence of incidents, it is important that LFI processes are improved. As a prerequisite, it is necessary to gain insight into the steps of the LFI process to identify hindrances (bottlenecks) and mitigate them. This thesis is a broad comparative study of the LFI processes in Dutch and Swedish healthcare systems. Cross-border comparisons between LFI systems can support mutual learning, and consequently lead to improvements of healthcare organisations’ learning processes. The study consists of an analysis of Swedish and Dutch legislation, national healthcare inspectorates, and hospitals’ learning from incidents processes. Legislation was analysed through a (legal) documentation study. Healthcare inspectorates’ practices in LFI were analysed by a combination of documentation studies, and by conducting interviews with one Dutch inspector, one Swedish inspector, and one Swedish development strategist. For analysis of hospitals’ LFI processes, a questionnaire and interview study with fourteen Dutch and eleven Swedish hospitals were conducted. Analysis of these processes was done at the hand of a number of quality statements developed based on a literature study. The main differences between how the two countries’ learn from incidents are in data acquisition, and investigation and analysis. The Netherlands have various reporting systems, as well as diversity in incident investigation methods. Sweden has more uniformity in these matters. Moreover, Sweden has a national system for sharing lessons learned between hospitals, which can benefit the learning process on a national level. The Netherlands currently does not have such a system. Sweden and the Netherlands have similar strengths and weaknesses in LFI. Both countries have accessible data acquisition systems, and it does not take much time to report incidents. There are however significant disparities between incidents and sentinel events in both countries in the quality of investigations and analyses, planning of interventions and implementation of interventions. The implementation and evaluation phases are also regarded to have the lowest quality, based on analysis of the quality statements. Dutch and Swedish legislation and the supervision of the healthcare inspectorates only cover these last two phases to a limited extent. Requirements with respect to incidents are also only formulated to a limited extent (except data acquisition), which may explain the significant difference of quality when compared to sentinel events. There are resemblances between the scopes of the legal frameworks and inspectorates, and the LFI processes in hospitals. There is therefore reason to believe that hospitals typically do not excel above what is required by legislation or by the healthcare inspectorates. / I många vårdorganisationer upprepar sig incidenter eftersom organisationer tenderar att misslyckas med att lära sig från incidenter. Att lära från incidenter (LFI) inom hälso- och sjukvården är en process genom vilket vårdpersonal och organisationen som helhet försöker förstå incidenter som har ägt rum. LFI-processen består av fem huvudsteg: datainsamling, utredning och analys, planering av åtgärder, implementering av åtgärder, och utvärderingar. För att minska upprepande av incidenter är det viktigt att LFIprocesser förbättras. Det här examensarbetet är en jämförande studie av LFI-processerna i holländska och svenska sjukvårdssystem. Gränsöverskridande jämförelser mellan LFI-system kan stödja ömsesidigt lärande och därmed leda till förbättringar av vårdorganisationernas lärande. Studien består av en analys av svensk och holländsk lagstiftning, nationella inspektioner och sjukhusens lärande från incidensprocesser. Lagstiftningen analyserades genom en (juridisk) dokumentationsstudie. Sjukvårdsinspektionernas praxis i LFI analyserades med en kombination av dokumentationsstudier och genom att göra intervjuer med en holländsk inspektör, en svensk inspektör och en svensk utvecklingsstrateg. För analys av sjukhusens LFI-processer genomfördes en enkätstudie och intervjustudie med 14 holländska och 11 svenska sjukhus. Analysen genomfördes med ett kvalitetsindikatorer som är baserade på en litteraturstudie. De viktigaste skillnaderna mellan hur de två länderna lär sig av incidenter är inom datainsamling och incidentutredning. I Nederländerna används många olika rapporteringssystem och utredningsmetoder för händelser. Sverige har mer enhetlighet i dessa frågor. Dessutom har Sverige ett nationellt system för att dela lärdomar mellan sjukhusen, vilket kan gynna lärningsprocessen på nationell nivå. Nederländerna har för närvarande inget liknande system. Sverige och Nederländerna har liknande styrkor och svagheter i LFI. Båda länderna har tillgängliga datainsamlingssystem och det tar inte mycket tid att rapportera incidenter. Det finns betydliga skillnader mellan incidenter och händelser som har medfört allvarliga vårdskador i båda länderna. Detta gäller kvaliteten på utredningar, planering av åtgärder och implementering av årgärder. Implementerings- och utvärderingsfaserna anses ha lägsta kvalitet, baserat på analys av kvalitetsindikatorerna. Holländsk och svensk lagstiftning och tillsynen av inspektionerna täcker dessa två sista faser endast i begränsad utsträckning. Krav på incidenter formuleras också endast i begränsad omfattning (förutom datainsamling), vilket kan förklara skillnaden i kvalitet jämfört med händelser som har medfört en allvarlig vårdskada. Det finns likheter mellan räckvidden av lagstiftningen och inspektionen, och LFIprocesserna på sjukhus i både länder. Det finns därför anledning att tro att sjukhus vanligtvis inte utmärker sig högre än vad som krävs enligt lagstiftningen eller av hälsooch sjukvårdsinspektionerna.

Imagine a power wheelchair that can step over obstacles, step up on sidewalks and drive on lateral slopes whilst the user is still seated upright. Previously these features were impossible, but thanks to Elumo this is no longer the case. Elumo is a six-wheeled base to be used on electric wheelchairs. The base has been developed by Malin Svensson and Johan Olsson during their bachelor’s thesis at the Innovation Engineering Program at Halmstad University. The project took place between autumn 2021 and spring 2022.   The development of Elumo started with several user studies conducted by the students, where over 70 wheelchair users responded to a survey concerning the everyday life of a person using wheelchairs. These users were later invited to a user workshop where they could list everyday complaints and possible improvements concerning existing power wheelchairs. One of the most common complaints was getting up on sidewalks and driving on uneven terrain.   Both of these problems will be solved with the base Elumo. The technology that makes the stepping-feature and improved suspension possible, is patented by the company EMTW and the students have had a close cooperation with them during the development. Our goal is for “Elumo to become a new product that will focus on the user and will deliver innovative power wheelchairs that provide safety, independence and improve quality of life for people using wheelchairs.”

In the manufacturing industry, predictive maintenance (PdM) stands out by leveraging data analytics and IoT technologies to predict machine failures, offering a significant advancement over traditional reactive and scheduled maintenance practices. The aim of this thesis was to examine how anomaly detection algorithms could be utilized to anticipate potential breakdowns in manufacturing operations, while also investigating the feasibility and potential benefits of integrating PdM strategies into a production line. The methodology of this projectconsisted of a literature review, application of machine learning (ML) algorithms, and conducting interviews. Firstly, the literature review provided a foundational basis to explore the benefits of PdM and its impact on production line productivity, thereby shaping the development of interview questions. Secondly, ML algorithms were employed to analyze data and predict equipment failures. The algorithms used in this project were: Isolation Forest (IF), Local Outlier Factor (LOF), Logistic Regression (LR), One-Class Support Vector Machine(OC-SVM) and Random Forest (RF). Lastly, interviews with production line personnel provided qualitative insights into the current maintenance practices and perceptions of PdM. The findings from this project underscore the efficacy of the IF model in identifying potential equipment failures, emphasizing its key role in improving future PdM strategies to enhance maintenance schedules and boost operational efficiency. Insights gained from both literature and interviews underscore the transformative potential of PdM in refining maintenance strategies, enhancing operational efficiency, and minimizing unplanned downtime. More broadly, the successful implementation of these technologies is expected to revolutionize manufacturing processes, driving towards more sustainable and efficient industrial operations. / I tillverkningsindustrin utmärker sig prediktivt underhåll (PdM) genom att använda dataanalys och IoT-teknologier för att förutse maskinfel, vilket erbjuder ett betydande framsteg jämfört med traditionella reaktiva och schemalagda underhållsstrategier. Syftet med denna avhandling var att undersöka hur algoritmer för avvikelsedetektering kunde användas för att förutse potentiella haverier i tillverkningsoperationer, samtidigt som genomförbarheten och de potentiella fördelarna med att integrera PdM-strategier i en produktionslinje undersöktes. Metodologin för detta projekt bestod av en litteraturöversikt, tillämpning av maskininlärningsalgoritmer (ML) och genomförande av intervjuer. Först och främst gav litteraturöversikten en grundläggande bas för att utforska fördelarna med PdM och dess inverkan på produktionslinjens produktivitet, vilket därmed påverkade utformningen av intervjufrågorna. För det andra användes ML-algoritmer för att analysera data och förutsäga utrustningsfel. Algoritmerna som användes i detta projekt var: Isolation Forest (IF), Local Outlier Factor (LOF), Logistic Regression (LR), One-Class Support Vector Machine (OCSVM) och Random Forest (RF). Slutligen gav intervjuer med produktionslinjepersonal kvalitativa insikter i de nuvarande underhållsstrategierna och uppfattningarna om PdM.Resultaten från detta projekt understryker effektiviteten hos IF-modellen för att identifiera potentiella utrustningsfel, vilket betonar dess centrala roll i att förbättra framtida PdM-strategier för att förbättra underhållsscheman och öka den operativa effektiviteten. Insikter vunna från både litteratur och intervjuer understryker PdM:s transformativa potential att finslipa underhållsstrategier, öka operativ effektivitet och minimera oplanerade driftstopp. Mer generellt förväntas den framgångsrika implementeringen av dessa teknologier revolutionera tillverkningsprocesser och driva mot mer hållbara och effektiva industriella operationer.

In forensic autopsies, accurately estimating the postmortem interval (PMI) is crucial. Traditional methods, relying on physical parameters and police data, often lack precision, particularly after approximately two days have passed since the person's death. New methods are increasingly focusing on analyzing postmortem metabolomics in biological systems, acting as a 'fingerprint' of ongoing processes influenced by internal and external molecules. By carefully analyzing these metabolomic profiles, which span a diverse range of information from events preceding death to postmortem changes, there is potential to provide more accurate estimates of the PMI. The limitation of available real human data has hindered comprehensive investigation until recently. Large-scale metabolomic data collected by the National Board of Forensic Medicine (RMV, Rättsmedicinalverket) presents a unique opportunity for predictive analysis in forensic science, enabling innovative approaches for improving  PMI estimation. However, the metabolomic data appears to be large, complex, and potentially nonlinear, making it difficult to interpret. This underscores the importance of effectively employing machine learning algorithms to manage metabolomic data for the purpose of PMI predictions, the primary focus of this project.  In this study, a dataset consisting of 4,866 human samples and 2,304 metabolites from the RMV was utilized to train a model capable of predicting the PMI. Random Forest (RF) and Artificial Neural Network (ANN) models were then employed for PMI prediction. Furthermore, feature selection and incorporating sex and age into the model were explored to improve the neural network's performance.  This master's thesis shows that ANN consistently outperforms RF in PMI estimation, achieving an R2 of 0.68 and an MAE of 1.51 days compared to RF's R2 of 0.43 and MAE of 2.0 days across the entire PMI-interval. Additionally, feature selection indicates that only 35% of total metabolites are necessary for comparable results with maintained predictive accuracy. Furthermore, Principal Component Analysis (PCA) reveals that these informative metabolites are primarily located within a specific cluster on the first and second principal components (PC), suggesting a need for further research into the biological context of these metabolites.  In conclusion, the dataset has proven valuable for predicting PMI. This indicates significant potential for employing machine learning models in PMI estimation, thereby assisting forensic pathologists in determining the time of death. Notably, the model shows promise in surpassing current methods and filling crucial gaps in the field, representing an important step towards achieving accurate PMI estimations in forensic practice. This project suggests that machine learning will play a central role in assisting with determining time since death in the future.