طبقه‌بندی بار کاری فیزیکی بر مبنای مدل بهینه‌شده از شبکۀ anfis با الگوریتم ژنتیک

زمینه و هدف: اخیراً روش جدیدی برای طبقه بندی بار کاری فیزیکی بر مبنای شبکۀ استنتاج عصبی فازی تطبیقی (anfis: adaptive neuro fuzzy inference system) ابداع شده است. هدف از این بررسی بهینه سازی این مدل به منظور کاهش خطا و افزایش دقت مدل در طبقه بندی بار کاری فیزیکی بود.روش کار: سی مرد سالم بین 21 تا 42 سال با در نظر گرفتن معیارهای ورود به بررسی به صورت تصادفی انتخاب شدند. ضربان قلب و میزان اکسیژن مصرفی نمونه ها، حین انجام تست پله، همچنین حداکثر توان هوازی آنان با تست تردمیل مستقیماً اندازه گیری شد. پس از محاسبۀ %vo2max[1] به عنوان استاندارد طلایی طبقه بندی بار کاری فیزیکی، میان ورودی های مدل و بار کاری فیزیکی به عنوان خروجی، روابط محاسباتی مربوط در نرم افزار متلب ایجاد و سپس الگوریتم ژنتیک به عنوان تکنیک بهینه سازی به مدل اعمال شد.یافته ها: میانگین دقت مدل بهینه شده به 97/92درصد افزایش یافت. این مقدار در مدل پایه 92/95درصد بود. خطای جذر میانگین مربعات (rmse: root mean square error) مدل بهینه شده و پایه به ترتیب 5/4186 و 3/1882 و حداکثر محدودۀ خطای مدل بهینه شده در براورد بار کاری فیزیکی 5 plusmn;% بود.نتیجه گیری: نتایج پژوهش کارایی مطلوب مدل بهینه شده را در تخمین بار کاری فیزیکی کاملاً تایید می کند. از مزیت های این مدل، علاوه بر داشتن دقت زیاد، سادگی و قابلیت پیاده سازی در محیط های کاری واقعی همچنین در نظر گرفتن اختلافات بین فردی است.