مدل‌سازي چندبُعدي خستگي دست با استفاده از هوش محاسباتي نرم

مقدمه: خستگي جسماني از مهمترين ريسك‌فاكتورهاي آغازگر اختلالات اسكلتي-عضلاني در محيط‌هاي كاري است كه هزينه‌هاي جاني و مالي زيادي در پي داشته است. تأثير ريسك‎فاكتورهاي جسماني/ بيومكانيكي، رواني-اجتماعي، محيطي و فردي بر خستگي عضلاني انكار ناپذيرست. هدف اين مطالعه مدل‌سازي پديده خستگي عضلاني (به عنوان خروجي) ناحيه دست در محيط‌هاي كاري واقعي بر اساس اين ريسك‌فاكتورها (به عنوان ورودي) با استفاده از روش‌هاي نرم محاسباتي است. روش كار: در گام اول ريسك‌فاكتورهاي موثر بر خستگي ۱۵۶ آزمودني در سه شغل با نيازمندي‌هاي جسماني متفاوت اندازه‌گيري شد. اين ۱۲ريسك‌فاكتورها با پرسشنامه‌هاي محيطي، رواني-اجتماعي كوپنهاگ، دموگرافيك و ابزار Man-TRA  استخراج شدند. سپس جهت اندازه‌گيري خستگي با داينامومتر و شتاب‌سنج سه-محوره به ترتيب از معادله Roman-Liu و ميانگين مجذور دامنه امواج شتاب استفاده شد. در نهايت با توجه به ماهيت ريسك‌فاكتورها و پديده خستگي از ۶ دسته (۲۴روش) يادگيري ماشين نظارت‎شده مبتني بر طبقه‎بندي و با كمك نرم‌افزار  ،(MatLab R۲۰۱۷b, The Mathworks Inc., MA, U.S.A.) MatLab براي برازش مدل‎ها استفاده شد.   يافته ها: بهترين مدل‌هاي برازش‎ شده در نيمه اول و دوم شيفت كاري، با استفاده از روش‎هاي ماشين بردار پشتيبان حاصل شد. ريسك‌فاكتورهاي جسماني بيشترين تأثير را بر خستگي جسماني داشتند. پس از فيلتر نمودن ريسك‌فاكتورهاي كم‌اولويت، در نيمه اول شيفت كاري بهينه‎ترين مدل صحت %۷۱/۸، دقت %۷۲/۵، حساسيت %۷۶/۹، ويژگي %۷۰/۸ و قدرت افتراق برابر با %۷۳ و در نيمه دوم شيفت كاري با صحت، دقت، حساسيت و ويژگي به ترتيب برابر با %۶۰/۳، %۵۷/۵، %۵۰ و %۴۶/۹ و قدرت افتراق در حدود %۶۲ به دست آمد. نتيجه گيري: مدل‌هاي برازش شده براي خستگي دست در هر دو بخش شيفت عملكرد قابل قبولي داشتند، اما همچنان قابليت بهينه‎تر شدن را دارا هستند. لذا ضروري‌ست، مطالعات آينده ضمن ارتقاي كيفي داده‌هاي ورودي و خروجي، ساير ابعاد مؤثر بر خستگي همچون بار كاري شناختي، نوع شيفت كاري و غيره را در مدل‌ها لحاظ كنند.