مدل سازی چندبعدی خستگی دست با استفاده از هوش محاسباتی نرم

خستگی جسمانی از مهمترین ریسک فاکتورهای آغازگر اختلالات اسکلتی-عضلانی در محیط های کاری است که هزینه های 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 مدل سازی پدیده خستگی عضلانی (به عنوان خروجی) ناحیه دست در محیط های کاری واقعی بر اساس این ریسک فاکتورها (به عنوان ورودی) با استفاده از روش های نرم محاسباتی است.

در گام اول ریسک فاکتورهای موثر بر خستگی 156 آزمودنی در سه شغل با نیازمندی های جسمانی متفاوت اندازه گیری شد. این 12ریسک فاکتورها با پرسشنامه های محیطی، روانی-اجتماعی کوپنهاگ، دموگرافیک و ابزار Man-TRA  استخراج شدند. سپس جهت اندازه گیری خستگی با داینامومتر و شتاب سنج سه-محوره به ترتیب از معادله Roman-Liu و میانگین مجذور دامنه امواج شتاب استفاده شد. در نهایت با توجه به ماهیت ریسک فاکتورها و پدیده خستگی از 6 دسته (24روش) یادگیری ماشین نظارت‎شده مبتنی بر طبقه‎بندی و با کمک نرم افزار  ،(MatLab R2017b, The Mathworks Inc., MA, U.S.A.) MatLab برای برازش مدل‎ها استفاده شد.  

بهترین مدل های برازش‎ شده در نیمه اول و دوم شیفت کاری، با استفاده از روش‎های ماشین بردار پشتیبان حاصل شد. ریسک فاکتورهای جسمانی بیشترین تاثیر را بر خستگی جسمانی داشتند. پس از فیلتر نمودن ریسک فاکتورهای کم اولویت، 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.

مدل های برازش شده برای خستگی دست در هر دو بخش شیفت عملکرد قابل قبولی داشتند، اما همچنان قابلیت بهینه‎تر شدن را دارا هستند. لذا ضروری ست، مطالعات آینده ضمن ارتقای کیفی داده های ورودی و خروجی، سایر ابعاد موثر بر خستگی همچون بار کاری شناختی، نوع شیفت کاری و غیره را در مدل ها لحاظ کنند.