پذیرفته شده برای ارائه شفاهی

کد مقاله : 1052-ISAV2019 (R1)

¹وحیده ابوالحسن نژاد ؛ ²رستم گلمحمدی؛ ³حسن ختن لو؛ ⁴علیرضا سلطانیان؛ ²محسن علی آبادی؛ ⁵وحید ابوالحسن نژاد

¹گروه مهندسی بهداشت حرفه ای، دانشکده بهداشت،دانشگاه علوم پزشکی بیرجند، ایران

²گروه مهندسی بهداشت حرفه ای دانشکده بهداشت دانشگاه علوم پزشکی همدان، ایران

³گروه کامپیوتر دانشکده فنی و مهندسی دانشگاه بوعلی سینا همدان، ایران

⁴گروه آموزشی آمار زیستی، دانشکده بهداشت دانشگاه علوم پزشکی همدان، ایران

⁵دانشکده مهندسی عمران دانشگاه رایرسون تورنتو، کانادا

مواجهه با صدای بیش از حد، یکی از شایع‌ترین 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 دستگاه‌های صداسنج و دوزیمتر اندازه‌گیری و اطلاعات دموگرافیک، پرسشنامه‌های استاندارد حساسیت به صدای واینشتاین و بار کاری ذهنی به شیوه خود اجرا و نیمه نظارتی تکمیل گردید. تحلیل آماری با استفاده از نرم‌افزار SPSS نسخه 20 و تحلیل هوش مصنوعی با به کارگیری Matlab 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 64/0 و ضریب تعیین (R2) معادل 54/0 و در مدل پیش‌بین فشارخون دیاستولیک، یک لایه پنهان و 27 نورون با خطای پیش‌بینی 48/0 و ضریب تعیین (R2) معادل 45/0 بهترین عملکرد را به خود اختصاص داده‌اند. در مدل پیش‌بین تعداد ضربان قلب نیز، شبکه با یک لایه پنهان و 26 نورون با خطای پیش‌بینی 47/4 و ضریب تعیین (R2) معادل 45/0 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.

شبکه عصبی مصنوعی؛ فشارخون؛ ضربان قلب؛ مدل‌سازی

واکنش انسان به صوت و ارتعاش