عنوان مقاله :
طبقه‌بندي بار كاري فيزيكي بر مبناي مدل بهينه‌شده از شبكۀ ANFIS با الگوريتم ژنتيك
عنوان به زبان ديگر :
Classification of Physical Work (Load) Based on ANFIS Optimized Model with Genetic Algorithm
پديد آورندگان :
حبيبي، احسان اله دانشگاه علوم پزشكي اصفهان - دانشكدۀ بهداشت - گروه مهندسي بهداشت حرفه اي، اصفهان، ايران , صالحي، مينا دانشگاه علوم پزشكي اصفهان، اصفهان، ايران , طاهري، علي دانشگاه علوم پزشكي اصفهان، اصفهان، ايران , يادگارفر، قاسم دانشگاه علوم پزشكي اصفهان - دانشكدۀ بهداشت - گروه اپيدميولوژي و آمار زيستي، اصفهان، ايران
كليدواژه :
طبقه‌بندي , بار كاري فيزيكي , الگوريتم ژنتيك , سيستم استنتاج عصبي , فازي تطبيقي
چكيده فارسي :
زمينه و هدف: اخيراً روش جديدي براي طبقه‌بندي بار كاري فيزيكي بر مبناي شبكۀ استنتاج عصبي ـ فازي تطبيقي (ANFIS: Adaptive Neuro Fuzzy Inference System) ابداع شده است. هدف از اين بررسي بهينه‌سازي اين مدل به منظور كاهش خطا و افزايش دقت مدل در طبقه‌بندي بار كاري فيزيكي بود.
روش كار: سي مرد سالم بين 21 تا 42 سال با در نظر گرفتن معيارهاي ورود به بررسي به صورت تصادفي انتخاب شدند. ضربان قلب و ميزان اكسيژن مصرفي نمونه‌ها، حين انجام تست پله، همچنين حداكثر توان هوازي آنان با تست تردميل مستقيماً اندازه‌گيري شد. پس از محاسبۀ %VO2max[1] به‌عنوان استاندارد طلايي طبقه‌بندي بار كاري فيزيكي، ميان ورودي‌هاي مدل و بار كاري فيزيكي به‌عنوان خروجي، روابط محاسباتي مربوط در نرم‌افزار متلب ايجاد و سپس الگوريتم ژنتيك به‌عنوان تكنيك بهينه‌سازي به مدل اعمال شد.
يافته‌ها: ميانگين دقت مدل بهينه‌شده به 97/92درصد افزايش يافت. اين مقدار در مدل پايه 92/95درصد بود. خطاي جذر ميانگين مربعات (RMSE: Root Mean Square Error) مدل بهينه‌شده و پايه به‌ترتيب 5/4186 و 3/1882 و حداكثر محدودۀ خطاي مدل بهينه‌شده در براورد بار كاري فيزيكي 5±% بود.
نتيجه گيري: نتايج پژوهش كارايي مطلوب مدل بهينه‌شده را در تخمين بار كاري فيزيكي كاملاً تأييد مي‌كند. از مزيت‌هاي اين مدل، علاوه بر داشتن دقت زياد، سادگي و قابليت پياده‌سازي در محيط هاي كاري واقعي همچنين در نظر گرفتن اختلافات بين فردي است.
چكيده لاتين :
Background: Recently adaptive neuro-fuzzy inference system is used for the classification of physical load based on three parameters including %HRmax, HRrest, 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.
Methods: The heart rate and oxygen consumption of 30 healthy men were measured during a step test in the laboratory. The VO2max of the participants was measured directly during a maximal treadmill test. A relationship was observed between the calculated %VO2max which 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.
Results: 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 %VO2max estimation, the maximum error of the mode was ±5% after optimization.
Conclusion: 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.
