دوره 13، شماره 2 - ( 4-1402 )
جلد 13 شماره 2 صفحات 327-309 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mahdavi N, Khotanlou H, Darvishi M, Faradmal J, Dianat I. Multidimensional Modeling of Physical Fatigue using Soft Computing Intelligence. J Health Saf Work 2023; 13 (2) :309-327
URL: http://jhsw.tums.ac.ir/article-1-6844-fa.html
URL: http://jhsw.tums.ac.ir/article-1-6844-fa.html
مهدوی ندا، ختنلو حسن، درویشی مهدی، فردمال جواد، دیانت ایمان، حیدری مقدم رشید. مدل‌سازی چندبُعدی خستگی دست با استفاده از هوش محاسباتی نرم. بهداشت و ایمنی کار. 1402; 13 (2) :309-327
ندا مهدوی1 
، حسن ختنلو2 ، مهدی درویشی3 ، جواد فردمال4 ، ایمان دیانت5 ، رشید حیدری مقدم*6
، حسن ختنلو2 ، مهدی درویشی3 ، جواد فردمال4 ، ایمان دیانت5 ، رشید حیدری مقدم*6
1- گروه ارگونومی، مرکز تحقیقات بهداشت و ایمنی شغلی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، همدان، ایران
2- گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران
3- گروه مکانیک، دانشکده فنی و مهندسی، دانشگاه پیام نور تهران، تهران، ایران
4- گروه آمار زیستی، مرکز تحقیقات مدل‌سازی بیماری‌های غیرواگیر، دانشگاه علوم پزشکی همدان، همدان، ایران
5- گروه بهداشت حرفهای و ارگونومی، دانشکده بهداشت، دانشگاه علوم پزشکی تبریز، تبریز، ایران
6- گروه ارگونومی، مرکز تحقیقات بهداشت و ایمنی شغلی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، همدان، ایران ،dr_haidari@yahoo.com
2- گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران
3- گروه مکانیک، دانشکده فنی و مهندسی، دانشگاه پیام نور تهران، تهران، ایران
4- گروه آمار زیستی، مرکز تحقیقات مدل‌سازی بیماری‌های غیرواگیر، دانشگاه علوم پزشکی همدان، همدان، ایران
5- گروه بهداشت حرفهای و ارگونومی، دانشکده بهداشت، دانشگاه علوم پزشکی تبریز، تبریز، ایران
6- گروه ارگونومی، مرکز تحقیقات بهداشت و ایمنی شغلی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، همدان، ایران ،
چکیده: (744 مشاهده)
مقدمه: خستگی جسمانی از مهمترین ریسک‌فاکتورهای آغازگر اختلالات اسکلتی-عضلانی در محیط‌های کاری است که هزینه‌های جانی و مالی زیادی در پی داشته است. تأثیر ریسک‌فاکتورهای جسمانی/ بیومکانیکی، روانی-اجتماعی، محیطی و فردی بر خستگی عضلانی انکار ناپذیرست. هدف این مطالعه مدل‌سازی پدیده خستگی عضلانی (به عنوان خروجی) ناحیه دست در محیط‌های کاری واقعی بر اساس این ریسک‌فاکتورها (به عنوان ورودی) با استفاده از روش‌های نرم محاسباتی است.
روش کار: در گام اول ریسک‌فاکتورهای موثر بر خستگی ۱۵۶ آزمودنی در سه شغل با نیازمندی‌های جسمانی متفاوت اندازه‌گیری شد. این ۱۲ریسک‌فاکتورها با پرسشنامه‌های محیطی، روانی-اجتماعی کوپنهاگ، دموگرافیک و ابزار Man-TRA استخراج شدند. سپس جهت اندازه‌گیری خستگی با داینامومتر و شتاب‌سنج سه-محوره به ترتیب از معادله Roman-Liu و میانگین مجذور دامنه امواج شتاب استفاده شد. در نهایت با توجه به ماهیت ریسک‌فاکتورها و پدیده خستگی از ۶ دسته (۲۴روش) یادگیری ماشین نظارتشده مبتنی بر طبقهبندی و با کمک نرم‌افزار ،(MatLab R۲۰۱۷b, The Mathworks Inc., MA, U.S.A.) MatLab برای برازش مدل‌ها استفاده شد.
یافته ها: بهترین مدل‌های برازش شده در نیمه اول و دوم شیفت کاری، با استفاده از روش‌های ماشین بردار پشتیبان حاصل شد. ریسک‌فاکتورهای جسمانی بیشترین تأثیر را بر خستگی جسمانی داشتند. پس از فیلتر نمودن ریسک‌فاکتورهای کم‌اولویت، در نیمه اول شیفت کاری بهینهترین مدل صحت %۷۱/۸، دقت %۷۲/۵، حساسیت %۷۶/۹، ویژگی %۷۰/۸ و قدرت افتراق برابر با %۷۳ و در نیمه دوم شیفت کاری با صحت، دقت، حساسیت و ویژگی به ترتیب برابر با %۶۰/۳، %۵۷/۵، %۵۰ و %۴۶/۹ و قدرت افتراق در حدود %۶۲ به دست آمد.
نتیجه گیری: مدل‌های برازش شده برای خستگی دست در هر دو بخش شیفت عملکرد قابل قبولی داشتند، اما همچنان قابلیت بهینهتر شدن را دارا هستند. لذا ضروری‌ست، مطالعات آینده ضمن ارتقای کیفی داده‌های ورودی و خروجی، سایر ابعاد مؤثر بر خستگی همچون بار کاری شناختی، نوع شیفت کاری و غیره را در مدل‌ها لحاظ کنند.
روش کار: در گام اول ریسک‌فاکتورهای موثر بر خستگی ۱۵۶ آزمودنی در سه شغل با نیازمندی‌های جسمانی متفاوت اندازه‌گیری شد. این ۱۲ریسک‌فاکتورها با پرسشنامه‌های محیطی، روانی-اجتماعی کوپنهاگ، دموگرافیک و ابزار Man-TRA استخراج شدند. سپس جهت اندازه‌گیری خستگی با داینامومتر و شتاب‌سنج سه-محوره به ترتیب از معادله Roman-Liu و میانگین مجذور دامنه امواج شتاب استفاده شد. در نهایت با توجه به ماهیت ریسک‌فاکتورها و پدیده خستگی از ۶ دسته (۲۴روش) یادگیری ماشین نظارتشده مبتنی بر طبقهبندی و با کمک نرم‌افزار ،(MatLab R۲۰۱۷b, The Mathworks Inc., MA, U.S.A.) MatLab برای برازش مدل‌ها استفاده شد.
یافته ها: بهترین مدل‌های برازش شده در نیمه اول و دوم شیفت کاری، با استفاده از روش‌های ماشین بردار پشتیبان حاصل شد. ریسک‌فاکتورهای جسمانی بیشترین تأثیر را بر خستگی جسمانی داشتند. پس از فیلتر نمودن ریسک‌فاکتورهای کم‌اولویت، در نیمه اول شیفت کاری بهینهترین مدل صحت %۷۱/۸، دقت %۷۲/۵، حساسیت %۷۶/۹، ویژگی %۷۰/۸ و قدرت افتراق برابر با %۷۳ و در نیمه دوم شیفت کاری با صحت، دقت، حساسیت و ویژگی به ترتیب برابر با %۶۰/۳، %۵۷/۵، %۵۰ و %۴۶/۹ و قدرت افتراق در حدود %۶۲ به دست آمد.
نتیجه گیری: مدل‌های برازش شده برای خستگی دست در هر دو بخش شیفت عملکرد قابل قبولی داشتند، اما همچنان قابلیت بهینهتر شدن را دارا هستند. لذا ضروری‌ست، مطالعات آینده ضمن ارتقای کیفی داده‌های ورودی و خروجی، سایر ابعاد مؤثر بر خستگی همچون بار کاری شناختی، نوع شیفت کاری و غیره را در مدل‌ها لحاظ کنند.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
