مدل‌سازی چندبُعدی خستگی دست با استفاده از هوش محاسباتی نرم

مقدمه: خستگی جسمانی از مهمترین ریسک‌فاکتورهای آغازگر اختلالات اسکلتی-عضلانی در محیط‌های کاری است که هزینه‌های جانی و مالی زیادی در پی داشته است. تاثیر 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 156 آزمودنی در سه شغل با نیازمندی‌های جسمانی متفاوت اندازه‌گیری شد. این 12ریسک‌فاکتورها 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 6 دسته (24روش) یادگیری ماشین نظارت‎شده مبتنی بر طبقه‎بندی و با کمک نرم‌افزار  ،(matlab r2017b, 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 تاثیر را بر خستگی جسمانی داشتند. پس از فیلتر نمودن ریسک‌فاکتورهای کم‌اولویت، در نیمه اول شیفت کاری بهینه‎ترین مدل صحت %71/8، دقت %72/5، حساسیت %76/9، ویژگی %70/8 و قدرت افتراق برابر با %73 و در نیمه دوم شیفت کاری با صحت، دقت، حساسیت و ویژگی به ترتیب برابر با %60/3، %57/5، %50 و %46/9 و قدرت افتراق در حدود %62 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 موثر بر خستگی همچون بار کاری شناختی، نوع شیفت کاری و غیره را در مدل‌ها لحاظ کنند.

multidimensional modeling of physical fatigue using soft computing intelligence

introduction: physical fatigue is one of the major risk factors for work-related musculoskeletal disorders and has many life and financial costs. the impact of physical/biomechanical, psychosocial, environmental, and individual risk factors on muscle fatigue is undeniable. the aim of this study is to model the phenomenon of muscle fatigue (as output) in the hand in work environments based on these risk factors (as input) using soft computing methods.material and methods: in the first step, associated risk factors of fatigue for 156 subjects (in three job categories) were assessed using copenhagen environmental, psychosocial, demographic, and man-tra tools. then, the roman-liu equation and mean square amplitude of acceleration waves were used to measure fatigue with a dynamometer and a three-axis accelerometer, respectively. finally, according to the nature of risk factors and the phenomenon of fatigue, six categories (24 methods) of supervised machine learning (sml) based on classification were selected. matlab software (matlab r2017b, the mathworks inc., ma, u.s.a.) was used to fit the models using sml.results: the best-fitted models in the first and second half of the work shift were obtained using support vector machine methods. physical risk factors had a significant impact on physical fatigue. after filtering low-priority risk factors, in the first half of the work shift, the most optimal model had an accuracy of 71.8%, precision of 72.5%, sensitivity of 76.9%, specificity of 70.8%, and discrimination power equal to 73%. in the second half of the work shift, the accuracy, precision, sensitivity, and specificity of the optimized model were 60.3%, 57.5%, 50%, and 46.9%, respectively, and the discrimination power was obtained at about 62%.conclusion: the fitted models for hand fatigue had acceptable performance in both sections of the shift but can still be optimized. therefore, it is necessary for future studies to improve the quality of input and output data and include other dimensions affecting fatigue such as cognitive workload and type of work shift in future models.