فصلنامه بهداشت و ایمنی کار

---

مقدمه: یکی از مهم‌ترین چالش‌های موجود در صنایع حوادث ناشی از کار است. برای کنترل حوادث لازم است علل اصلی آن‌ها را ریشه‌یابی نمود. برای ریشه یابی حوادث مدل‌های مختلفی ارایه شده است. یکی از پرکاربرد ترین آن‌ها FTA است. روش FTA می‌تواند به‌صورت گرافیکی ریشه حوادث را مشخص نماید. روش FTA از توابع غیر خطی تبعیت می‌کند که برای به‌دست آوردن عدد قطعی آن می‌توان از الگوریتم فرا ابتکاری استفاده نمود.

.

روش کار: این تحقیق در صنایع نیروگاهی در فاز ساخت و ساز انجام گرفت. در این تحقیق با تلفیق الگوریتم‌های شبکه عصبی در مدل تحلیلی FTA به ارایه الگویی برای تحلیل خطای انسانی در حوادث ناشی از کار پرداخته شده است که در نهایت با استفاده از الگوی عرضه شده درجه احتمالی بروز و تاثیر هر علت ارزیابی شده است.

.

یافته ها: نتایج نشان داد که مهم‌ترین عامل موثر بر خطای انسانی در حوادث ناشی از کار عدم رعایت اصول ایمنی، آموزش و سن افراد بوده است. هم‌چنین نتایج نشان داد که شرایط فردی تاثیر بیشتری را بر خطای انسانی در بروز حوادث ناشی از کار دارد.

.

نتیجه گیری: با توجه به نتایج به‌دست آمده می‌توان نتیجه‌گیری نمود که با آموزش، انتخاب صحیح افراد با توجه به نوع شغل و ایجاد شرایط مناسب ایمنی می‌توان به میزان زیادی خطاهای انسانی را کاهش داد.

---

شهر تهران به عنوان یک کلان شهر، به علت دارا بودن جمعیت زیاد و آلودگی شدید ناشی از منابع و آلاینده های گوناگون، در معرض آسیب های ناشی از آلودگی هوا قرار دارد. پژوهش بر روی آسیب های ناشی از آلودگی هوا در شهر تهران با توجه به آلاینده های مهم و شاخص های موثر امری ضروری به نظر می رسد. مطالعه حاضر با هدف پیش بینی ازن هوای شهر تهران انجام شد. با توجه به مضررات گاز ازن بر سلامت انسان و محیط زیست و افزایش آن در دهه های گذشته، بررسی و پیش بینی میزان آن در هوا از اهمیت بالایی برخوردار است. پیش بینی تراکم گاز ازن در هوا می تواند برای پیشگیری و کنترل  توسط مسؤلان استفاده شود. این پژوهش از نوع روش تحلیلی-کاربردی بوده و با استفاده از داده های روزانه ازن ایستگاه های سنجش کیفیت هوای شهر تهران، هواشناسی، فضای سبز، ترافیکی و متغیرهای زمانی مثل تاخیر زمانی یک روزه به پیش بینی گاز ازن در کلان شهر تهران پرداخته است. در این راستا از مدل شبکه عصبی مصنوعی جهت پیش بینی غلظت گاز ازن با استفاده از نرم افزار MATLAB و با روش کدنویسی استفاده شد. در پایان نتایج مدل شبکه عصبی مصنوعی با مدل رگرسیون خطی مقایسه گردید. ضریب همبستگی و خطای جذر میانگین مربعات مدل شبکه عصبی 734/0 : R2 و566/0  RMSE: با معادلات رگرسیون 608/0 :R2  و  69/11 RMSE: مقایسه شد. بر اساس نتایج حاصل  می توان عنوان نمود که خطای مدل شبکه عصبی کمتر از روش رگرسیون است. بر اساس نتایج آنالیز حساسیت پارامترهای فصل از سال، طول ساعات آفتابی به ترتیب بیش ترین تاثیر را در میزان تراکم گاز ازن در هوای شهر تهران دارند

---

امروزه میان صاحبنظران این توافق وجود دارد که هوش هیجانی در موفقیت افراد در حیطه های مختلف زندگی نقش به سزایی دارد. در مقابله با درخواست ها و فشارها در محیط کار نیز افرادی که هوش هیجانی بالاتری دارند کمتر دچار استرس می شوند. این پژوهش با هدف بکارگیری هوش مصنوعی برای پیش بینی استرس شغلی افراد و مقایسه عملکرد این مدل با مدل رگرسیون چند متغیره طراحی گردیده است. بدین منظور ٨۹۲ نفر از بین افراد شاغل در گروه های شغلی مختلف به صورت تصادفی انتخاب شدند. سپس اطلاعات ۱۵ بعد هوش هیجانی پرسشنامه بار-آن، ۱۰ گروه شغلی و سن و تحصیلات به عنوان متغیرهای ورودی و ۷ بعد پرسشنامه استرس شغلی HSE به عنوان متغیر خروجی در نظر گرفته شد. نتایج نشان داد که شبکه عصبی مصنوعی با الگوریتم پرسپترون با یک لایه میانی و ۳۷۵ گره که از توابع تانژانت هاﻳﭘربولیک در لایه میانی و سیگموئید در لایه خروجی، توانست به طور قابل ملاحظه ای موفق تر از رگرسیون چند متغیره استرس شغلی افراد را در حیطه های مختلف برآورد نماید. به نحوی که، همبستگی بین نمرات برآورد شده از مدل رگرسیون با مقادیر واقعی تنها بین ۳۶۴/۰-۱۹۲/۰ بود اما این مقدار برای مدل شبکه عصبی در کلیه ابعاد استرس شغلی بیشتر از ۵۲۷/۰ بود.

---

مقدمه: کار با رایانه ‌و شرایط حاکم ‌بر محیط‌های شغلی، انسان را در معرض ریسک‌ فاکتورهای اختلالات اسکلتی‌عضلانی قرار می دهد. لذا هدف از این مطالعه ارزیابی پوسچر، بررسی وضعیت اختلالات اسکلتی عضلانی، تعیین ریسک فاکتورها، وزن‌دهی و اولویت بندی این ریسک‌فاکتورها با استفاده از الگوریتم شبکه‌عصبی در کاربران رایانه می باشد. 
روش کار: این مطالعه از نوع توصیفی تحلیلی و به صورت مقطعی بر روی کاربران رایانه در سال 1398 انجام گرفت. این مطالعه در شش مرحله کلّی انجام گرفت که تعیین وضعیت اختلالات اسکلتی عضلانی با استفاده از پرسشنامه نوردیک، انتخاب عوامل موثر بر اختلالات اسکلتی- عضلانی با روش ROSA و وزن دهی عوامل موثّر بر این اختلالات با استفاده از الگوریتم شبکه عصبی انجام گرفت. داده ها با نرم افزار IBM SPSS Modeler  آنالیز شدند.  
یافته ها: میانگین سن و سابقه کار کاربران بترتیب 9/6±34 و  7/0±5/1 سال محاسبه گردید. بیشترین اختلالات اسکلتی-عضلانی بترتیب در نواحی کمر، گردن و بخش فوقانی پشت مشاهده گردید. میانگین نمره نهایی صندلی، تلفن- مانیتور و موس- کیبورد بترتیب برابر با 1±7/3، 1/1±6/3و 2/1±65/3 و میانگین نمره نهایی ROSA برابر 9/0±4/4 بود. بیشترین همبستگی با نمره ROSA متعلق به عامل صندلی(0.46=R2)و پس از آن عامل تلفن- مانیتور(0.43=R2) و عامل موس- کیبورد (0.42=R2) بود. اعتبار پیش بینی عوامل موثر بر اختلالات اسکلتی- عضلانی طبق اولویت بندی الگوریتم شبکه عصبی بترتیب برای صندلی(48%)، تلفن- مانیتور(28%) و موس- کیبورد (24%) بود. صحت الگوریتم شبکه عصبی در بررسی میزان تاثیر عوامل موثر بر اختلالات اسکلتی- عضلانی، بر اساس امتیاز ROSA برابر 98% بدست آمد.
نتیجه گیری: عوامل موثر بر اختلالات اسکلتی- عضلانی کار با رایانه طبق اولویت بندی الگوریتم شبکه عصبی به ترتیب صندلی، تلفن- مانیتور و موس- کیبورد می باشد. لذا با اصلاح ارگونومیک صندلی کاربران و جانمایی مناسب مانیتور و تلفن می توان از بخش عمده ای از اختلالات اسکلتی عضلانی کاربران رایانه پیشگیری نمود.  

---

مقدمه: به دلیل افزایش ارائه خدمات الکترونیک به شهروندان در ادارات دولتی، تعداد کاربران کامپیوتر و در نتیجه بروز اختلالات اسکلتی عضلانی افزایش یافته است. لذا هدف این مطالعه پیش‌بینی و مدلسازی روابط پیچیده بین عوامل خطر اختلالات اسکلتی عضلانی در کاربران کامپیوتر شاغل در ادارات دولتی توسط شبکه عصبی مصنوعی بود.
روش کار: مطالعه مقطعی حاضر در سال 2020 روی 342 نفر از کارکنان ادارات مختلف دولتی شهر ساوه در ایران انجام گردید. ابتدا محقق به منظور شناسایی اولیه مشکلات از محیط کار بازدید نموده و عوامل محیطی را اندازه‌گیری کرد. با استفاده از پرسشنامه نوردیک و روش ROSA، ارزیابی ریسک ارگونومیک و بررسی عوامل روانی اجتماعی صورت پذیرفت. بمنظور تدوین مدل، تأثیر عوامل مختلف در ایجاد اختلالات اسکلتی عضلانی با استفاده از آزمون رگرسیون لجستیک بررسی شد، سپس داده‌های حاصل توسط یکی از الگوریتم‌های شبکه عصبی جمع‌آوری و مدل‌سازی گردید و در نهایت یک مدل بهینه برای پیش‌بینی خطر اختلالات اسکلتی عضلانی توسط شبکه‌های عصبی مصنوعی ارائه شد.  
یافته ها: نتایج نشان داد با افزایش سطح تعاملات اجتماعی، سطح تقاضا، کنترل و رهبری در شغل، اختلالات اسکلتی عضلانی در مردان و زنان کاهش می‌یابد. بین شیوع اختلالات اسکلتی-عضلانی و میزان تقاضای شغل، سطوح کنترل شغل، سطوح تعاملات اجتماعی، سطوح رهبری، سطوح جو سازمانی، سطح رضایت شغلی و سطوح استرس رابطه معناداری وجود داشت. علاوه بر این، بین گزارش درد در ناحیه گردن، شانه و مچ/دست با نمره کلی ROSA رابطه معناداری وجود داشت. همچنین بین گزارش درد یا ناراحتی در ناحیه گردن با امتیاز خطر صفحه نمایش گوشی، مچ/دست با نمره خطر صفحه کلید-موس و همچنین شانه، قسمت بالای کمر، آرنج و پایین کمر با نمره ریسک صندلی رابطه معنادار وجود داشت. دقت مدل ارائه شده جهت پیش‌بینی اختلالات اسکلتی عضلانی نیز حدود 5/88 % بود که نشان‌دهنده قابل قبول بودن نتایج است.
نتیجه گیری: نتایج نشان داد چندین فاکتور در ایجاد اختلالات اسکلتی عضلانی نقش دارند که شامل عوامل فردی، محیطی، روانی اجتماعی و ایستگاه کاری می‌باشد. لذا در طراحی یک ایستگاه کاری ارگونومیک بایستی تاثیر توام عوامل ذکر شده مورد بررسی قرار گیرد. همچنین پیش‌بینی میزان تاثیرگذاری هر کدام از عوامل مذکور با استفاده از شبکه عصبی مصنوعی نشان داد که این نوع مدلسازی می‌تواند به عنوان ابزاری جهت پیشگیری از اختلالات اسکلتی عضلانی و یا دیگر اختلالات چندعاملی کاربردپذیر باشد.