طبقه بندی بار کاری فیزیکی بر مبنای مدل بهینه شده از شبکهANFISبا الگوریتم ژنتیک

زمینه و هدف: اخیرا روش جدیدی برای طبقه بندی بار کاری فیزیکی بر مبنای شبکه 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 های حین انجام تست پله، همچنین حداکثر توان هوازی آنان با تست تردمیل مستقیما اندازه گیری شد. پس از محاسبه VO2max% 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 /92 درصد افزایش یافت. این مقدار در مدل پایه 92 / 95 درصد بود. خطای جذر میانگین مربعات (RMSE : Root Mean Square Error مدل بهینه شده و پایه به ترتیب 5/ 4186 و 3 /1882 و حداکثر محدوده خطای مدل بهینه شده در براورد بار کاری فیزیکی 5+ بود.نتیجه گیری: نتایج پژوهش کارایی مطلوب مدل بهینه شده را در تخمین بار کاری فیزیکی کاملا تایید می کند. از مزیت های این مدل، علاوه بر داشتن دقت زیاد، سادگی و قابلیت پیاده سازی در محیطهای کاری واقعی همچنین در نظر گرفتن اختلافات بین فردی است.

کلیدواژه ها:

طبقه بندی ، بار کاری فیزیکی ، سیستم استنتاج عصبی - فازی تطبیقی ، الگوریتم ژنتیک