1- استاد، گروه مهندسی بهداشت حرفهای، دانشکدۀ بهداشت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
2- کارشناس ارشد بهداشت حرفهای، گروه مهندسی بهداشت حرفهای، دانشکدۀ بهداشت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ، salehi.ohs@yahoo.com
3- کارشناس ارشد الکترونیک، گروه مهندسی برق، دانشکدۀ فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران
4- دانشیار، گروه اپیدمیولوژی و آمار زیستی، دانشکدۀ بهداشت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
چکیده: (13557 مشاهده)
زمینه و هدف: اخیراً روش جدیدی برای طبقهبندی بار کاری فیزیکی بر مبنای شبکۀ استنتاج عصبی ـ فازی تطبیقی (ANFIS: Adaptive Neuro Fuzzy Inference System) ابداع شده است. هدف از این بررسی بهینهسازی این مدل به منظور کاهش خطا و افزایش دقت مدل در طبقهبندی بار کاری فیزیکی بود.
روش کار: سی مرد سالم بین ۲۱ تا ۴۲ سال با در نظر گرفتن معیارهای ورود به بررسی به صورت تصادفی انتخاب شدند. ضربان قلب و میزان اکسیژن مصرفی نمونهها، حین انجام تست پله، همچنین حداکثر توان هوازی آنان با تست تردمیل مستقیماً اندازهگیری شد. پس از محاسبۀ %VO۲max[۱] بهعنوان استاندارد طلایی طبقهبندی بار کاری فیزیکی، میان ورودیهای مدل و بار کاری فیزیکی بهعنوان خروجی، روابط محاسباتی مربوط در نرمافزار متلب ایجاد و سپس الگوریتم ژنتیک بهعنوان تکنیک بهینهسازی به مدل اعمال شد.
یافتهها: میانگین دقت مدل بهینهشده به ۹۷/۹۲درصد افزایش یافت. این مقدار در مدل پایه ۹۲/۹۵درصد بود. خطای جذر میانگین مربعات (RMSE: Root Mean Square Error) مدل بهینهشده و پایه بهترتیب ۵/۴۱۸۶ و ۳/۱۸۸۲ و حداکثر محدودۀ خطای مدل بهینهشده در براورد بار کاری فیزیکی ۵±% بود.
نتیجه گیری: نتایج پژوهش کارایی مطلوب مدل بهینهشده را در تخمین بار کاری فیزیکی کاملاً تأیید میکند. از مزیتهای این مدل، علاوه بر داشتن دقت زیاد، سادگی و قابلیت پیادهسازی در محیطهای کاری واقعی همچنین در نظر گرفتن اختلافات بین فردی است.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
سایر موارد دریافت: 1397/1/17 | پذیرش: 1397/3/8 | انتشار الکترونیک: 1397/3/8