پیش بینی اثرات غیرشنیداری عینی صدا با استفاده از مدلسازی هوش مصنوعی در محیط های صنعتی بر اساس نقطه برش فرکانسی

سال انتشار: 1398
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 600

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISAV09_035

تاریخ نمایه سازی: 11 دی 1398

چکیده مقاله:

مواجهه با صدای بیش از حد، یکی از شایع ترین عوامل بیماریهای جسمی و روحی در جامعه صنعتی امروز است و این عامل سالانه میلیونها کارگر در سراسر جهان را تحت تاثیر قرار میدهد. اثرات احتمالی صدا در قالب آسیبهای فیزیولوژیک و روحی روانی در محیط کار مشاهده میگردد. اثرات احتمالی فیزیولوژیکی صدا شامل تغییر تعداد ضربان قلب، فشار خون، پرفشاری خون و همچنین سایر بیماریهای قلبی عروقی است. این مطالعه با هدف پیش بینی اثرات غیرشنیداری عینی صدا با استفاده از مدلسازی هوش مصنوعی در محیطهای صنعتی بر اساس نقطه برش فرکانسی انجام شد. در این مطالعه توصیفی تحلیلی که بر روی 323 نفر از شاغلین سالنهای صنعتی در کارخانجات شرق کشور به انجام رسید، انتخاب متغیرهای نهایی بر اساس مدلهای مفهومی و روشهای تحلیل رگرسیون انجام گردید. تراز صدای محیطی و مواجهه فردی با صدا با استفاده از دستگاه های صداسنج و دوزیمتر اندازه گیری و اطلاعات دموگرافیک، پرسشنامه های استاندارد حساسیت به صدای واینشتاین و بار کاری ذهنی به شیوه خود اجرا و نیمه نظارتی تکمیل گردید. تحلیل آماری با استفاده از نرمافزار 1SPSS نسخه 20 و تحلیل هوش مصنوعی با به کارگیری 2Matlab نسخه 2016 انجام و مدلهای پیشبین فشارخون و تعداد ضربان قلب ( اثرات غیرشنیداری عینی صدا) بر اساس نقطه برش فرکانسی در سالنهای صنعتی به روش شبکه عصبی مصنوعی ارائه گردید. بر مبنای تحلیل رگرسیونی، متغیرهای ورودی تعیین شده برای تدوین مدلها در ساختار شبکه عصبی مصنوعی با مشخصات معین قرار گرفت. در مقایسه ساختارهای مختلف شبکه عصبی مصنوعی برای توسعه مدل پیشبین فشارخون سیستولیک شبکه با یک لایه پنهان و 26 نورون با خطای پیشبینی 0/64 و ضریب تعیین (R2) معادل 0/54 و در مدل پیشبین فشارخون دیاستولیک، یک لایه پنهان و 27 نورون با خطای پیشبینی 0/48 و ضریب تعیین (R2) معادل 0/45 بهترین عملکرد را به خود اختصاص داده اند. در مدل پیشبین تعداد ضربان قلب نیز، شبکه با یک لایه پنهان و 26 نورون با خطای پیشبینی 4/47 و ضریب تعیین (R2) معادل 0/45 دارای بهترین عملکرد بود. بر اساس نتایج، برازش مدلهای عینی ارائه شده در افراد شاغل در سالنهای صنعتی با فرکانس غالب بالاتر از 250 هرتز از مطلوبیت بیشتری برخوردار بود. مدلهای پیشبین عینی تدوین شده میتوانند روشهای مناسبی برای تخمین فشارخون و تعداد ضربان قلب در شاغلین صنایع باشند اما، مطالعات در این زمینه برای تدوین مدل با برازش بهتر و تعمیم پذیرتر پیشنهاد میگردد، ضمن اینکه سالنهای با فرآیندهای صنعتی مختلف نیز به صورت جداگانه مورد بررسی مجدد قرار گیرند.

نویسندگان

وحیده ابوالحسن نژاد

استادیار، مرکز تحقیقات عوامل اجتماعی موثر بر سلامت، گروه مهندسی بهداشت حرفه ای، دانشکده بهداشت، دانشگاه علوم پزشکی بیرجند و دانشکده بهداشت دانشگاه علوم پزشکی همدان، ایران

رستم گلمحمدی

استاد، گروه مهندسی بهداشت حرفه ای ، دانشکده بهداشت، مرکز تحقیقات علوم بهداشتی، دانشگاه علوم پزشکی همدان، همدان، ایران

حسن ختن لو

دانشیار، گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا همدان، همدان، ایران

علیرضا سلطانیان

استاد، گروه آمار زیستی، دانشکده بهداشت، مرکز تحقیقات مدلسازی بیماریهای غیر واگیر، دانشگاه علوم پزشکی همدان، همدان، ایران

محسن علی آبادی

دانشیار، گروه مهندسی بهداشت حرفه ای، دانشکده بهداشت، مرکز تحقیقات علوم بهداشتی، دانشگاه علوم پزشکی همدان، همدان، ایران

وحید ابوالحسن نژاد

دانشکده مهندسی عمران، دانشگاه رایرسون تورنتو، کانادا