تشخیص بهتر سلامت رانندگان با بهره گیری از شبکه عصبی مصنوعی

هدف: عدم کنترل سلامت رانندگان باعث مرگ انسان های سالم در بهترین دوره زندگی از نظر کارایی، تندرستی می شود و هزینه های مالی زیادی را بر کشور تحمیل می کند. هدف این مطالعه طراحی سیستم هوشمند با استفاده از شبکه عصبی MLP و RBF  جهت تشخیص سلامت رانندگان است. روش بررسی: ۳۵۰  نمونه  از پرونده رانندگان مراجعه کننده به مرکز طب کار استان ایلام انتخاب گردید، سپس اطلاعات بالینی از پرونده رانندگان بصورت چک لیست با استفاده از نظر متخصصان براساس گاید لاین وزارت بهداشت با روش دلفی گردآوری شد. در این مطالعه شبکه هایMLP و  RBFبا تغییراتی درتعدادلایه های میانی، تعداد نرونها و الگوریتم های آموزش  MOMو LMوCG  به منظور تعیین سلامت راننده به کار گرفته شد. سپس با توجه به معیارهای سطح زیر منحنی راک، حساسیت، ویژگی برتر معرفی گردید. نتایج: در این پژوهش ۲۰ متغیر ورودی و دو متغیر سالم و ناسالم خروجی تعیین گردید. شبکه عصبی  MLPو RBF با الگوریتم LM دارای بهترین عملکرد به ترتیب از ویژگی ۷/۶۶، ۲۹  درصد، حساسیت ۲/۹۷، ۱۰۰ درصد، صحت ۱/۹۱، ۸۶درصد و سطح زیر منحنی راک برای سیستم عصبی MLP و RBF به ترتیب ۰۲/۹۱ و ۱/۸۸ بدست آمد. نتیجه گیری: با توجه به این مطالعه مدل شبکه عصبی  MLPبا الگوریتم آموزشی  LMدر مقایسه با سیستم عصبی RBF، در سنجش سلامت رانندگان می تواند نقش موثری در کمک به پزشکان داشته باشد و در مراکز طب کار برای بالا بردن دقت و سرعت و کاهش هزینه ها به کار گرفته شود.

کلیدواژه ها:

Intelligent Systems ، Artificial Neural Networks ، Drivers’Health Status ، سیستم های هوشمند ، شبکه های عصبی مصنوعی ، سلامت رانندگان