fa طبقه‌بندی بار کاری فیزیکی بر مبنای مدل بهینه‌شده از شبکۀ ANFIS با الگوریتم ژنتیک سایر موارد Other Cases پژوهشي Research <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:iransans;"><strong><span style="color:#6A0088;">زمینه و هدف</span></strong><strong><span style="color:#7030A0;">:</span></strong> اخیراً روش جدیدی برای طبقه‌بندی بار کاری فیزیکی بر مبنای شبکۀ استنتاج عصبی ـ فازی تطبیقی (<span dir="LTR">ANFIS: Adaptive Neuro Fuzzy Inference System</span>) ابداع شده است. هدف از این بررسی بهینه‌سازی این مدل به منظور کاهش خطا و افزایش دقت مدل در طبقه‌بندی بار کاری فیزیکی بود.<br> <strong><span style="color:#6A0088;">روش&shy; کار</span></strong><strong><span style="color:#7030A0;">:</span></strong> 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 <span dir="LTR">%<em>VO</em>_۲max<a href="#_ftn1" name="_ftnref1" title="">^{^[۱]}</a></span> 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.<br> <strong><span style="color:#6A0088;">یافته‌ها:</span></strong> میانگین دقت مدل بهینه‌شده به ۹۷/۹۲درصد افزایش یافت. این مقدار در مدل پایه ۹۲/۹۵درصد بود. خطای جذر میانگین مربعات (<span dir="LTR">RMSE: Root Mean Square Error</span>) مدل بهینه‌شده و پایه به‌ترتیب ۵/</span></span><span style="font-family: iransans; font-size: 12px; text-align: justify;">۴۱۸۶</span><span style="font-size:12px;"><span style="font-family:iransans;"> و ۳/</span></span><span style="font-family: iransans; font-size: 12px; text-align: justify;">۱۸۸۲</span><span style="font-size:12px;"><span style="font-family:iransans;"> و حداکثر محدودۀ خطای مدل بهینه‌شده در براورد بار کاری فیزیکی ۵<span dir="LTR">&plusmn;</span>% بود.<br> <strong><span style="color:#6A0088;">نتیجه گیری:</span></strong> 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.</span></span> <div></div> </div> <div style="text-align: justify;"><span style="font-family:times new roman;"><strong>Background:</strong> Recently adaptive neuro-fuzzy inference system is used for the classification of physical load based on three parameters including %<em>HR</em>_max, <em>HR</em>_rest, and body weight. The aim of this study was to optimize this model to reduce the error and increase the accuracy of the model in the classification of physical load.<br> &nbsp;<strong>Methods:</strong> The heart rate and oxygen consumption of 30 healthy men were measured during a step test in the laboratory. The <em>VO</em>_2max of the participants was measured directly during a maximal treadmill test. A relationship was observed between the calculated %<em>VO</em>_2maxwhich is considered as the gold standard of physical load and the model inputs using ANFIS in MATLAB software version 8.0.0. the genetic algorithm was then applied as an optimization technique to the model.<br> <strong>Results:</strong> accuracy, sensitivity, and specificity of the model increased after optimization. The average of accuracy accelerated from 92.95% to 97.92%. The RMSE decreased from 5.4186 to 3.1882. Also, in %<em>VO</em>_2max estimation, the maximum error of the mode was &plusmn;5% after optimization.<br> <strong>Conclusion:</strong> The results of this study show that the use of Genetic Algorithm during training process can increase the accuracy and decrease the error of ANFIS model in the estimation of%VO2max. . The advantages of this model include high precision, simplicity and applicability in real-world working environments and also interpersonal differences.</span></div> طبقه‌بندی, بار کاری فیزیکی, سیستم استنتاج عصبی ـ فازی تطبیقی, الگوریتم ژنتیک Physical Load, Classification, Optimization, ANFIS 38 48 http://journal.iehfs.ir/browse.php?a_code=A-10-608-2&slc_lang=fa&sid=1 Ehsanollah Habibi احسان اله حبیبی Habibi@hlth.mui.ac.ir 10031947532846006225 10031947532846006225 No Professor, Department of Occupational Health, Health School, Isfahan University of Medical Sciences, Isfahan, Iran استاد، گروه مهندسی بهداشت حرفه‌ای، دانشکدۀ بهداشت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Mina Salehi مینا صالحی salehi.ohs@yahoo.com 10031947532846006226 10031947532846006226 Yes MSc, Department of Occupational Health, Health School, Isfahan University of Medical Sciences, Isfahan, Iran کارشناس ارشد بهداشت حرفه‌ای، گروه مهندسی بهداشت حرفه‌ای، دانشکدۀ بهداشت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Ali Taheri علی طاهری a.taheri1993@gmail.com 10031947532846006227 10031947532846006227 No MSc, Department of Electrical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran کارشناس ارشد الکترونیک، گروه مهندسی برق، دانشکدۀ فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران Ghasem Yadegarfar قاسم یادگارفر g_yadegarfar@yahoo.co.uk 10031947532846006228 10031947532846006228 No Associate Professor, Department of Biostatistics and Epidemiology, School of Health, Isfahan University of Medical Sciences, Isfahan, Iran دانشیار، گروه اپیدمیولوژی و آمار زیستی، دانشکدۀ بهداشت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران