ارائه مدل یادگیری ماشین برای پیش بینی خستگی، استرس حرارتی و خطر آسیب دیدگی آتش نشانان

خستگی جسمانی، استرس حرارتی و کاهش کنترل حرکتی می توانند کیفیت تصمیم، سرعت واکنش و ایمنی آتش نشانان را در عملیات تضعیف کنند؛ بااین حال آستانه های ثابت برای همه افراد و همه ماموریت ها مناسب نیستند و استفاده از یک متغیر زیستی نیز با هشدارهای کاذب همراه است. هدف این پژوهش، ارائه یک مدل یادگیری ماشین شخصی سازی شده و چندخروجی برای برآورد هم زمان سطح خستگی، فشار حرارتی و خطر کوتاه مدت آسیب دیدگی آتش نشانان است. پژوهش از نوع کاربردی-توسعه ای و در سطح طراحی مفهومی با رویکرد علم طراحی انجام شد. ورودی های مدل در چهار گروه شامل علائم فیزیولوژیک، حرکت و وضعیت بدنی، شرایط محیطی و زمینه فردی-عملیاتی تعریف شدند. خط لوله پیشنهادی از کنترل کیفیت سیگنال، قطعه بندی زمانی، استخراج ویژگی های روندی، نرمال سازی نسبت به خط پایه فردی، یادگیری چندوظیفه ای، کالیبراسیون احتمال و تبیین پیش بینی تشکیل شده است. برای داده های جدولی و حجم نمونه محدود، درختان تقویتی گرادیانی به عنوان مدل اصلی و رگرسیون لجستیک، جنگل تصادفی، ماشین بردار پشتیبان و شبکه بازگشتی به عنوان مدل های مقایسه در نظر گرفته شدند. خروجی ها در سه سطح عادی، احتیاط و بحرانی ارائه می شوند و هر هشدار باید همراه با کیفیت داده، عدم قطعیت، عوامل موثر و اقدام پیشنهادی نمایش داده شود. اعتبارسنجی پیشنهادی بر تفکیک کامل شرکت کنندگان میان آموزش و آزمون، اعتبارسنجی تودرتو، حساسیت کلاس پرخطر، امتیاز اف یک کلان، سطح زیر منحنی دقت-بازخوانی، خطای کالیبراسیون، نرخ هشدار کاذب و زمان پیش آگاهی تکیه دارد. ارزیابی طراحی با ماتریس ردیابی ۳۶ معیار انجام شد؛ ۲۹ معیار تحقق کامل، ۶ معیار تحقق جزئی و یک معیار خارج از دامنه نمونه مفهومی داشت و امتیاز وزنی ۸۸٫۷ از ۱۰۰ حاصل شد. نقاط قوت مدل شامل شخصی سازی، جلوگیری از نشت داده بین افراد، تبیین پذیری و تفکیک خطر عملیاتی از تشخیص پزشکی است. محدودیت ها به نبود داده میدانی، دشواری برچسب گذاری آسیب و تغییرپذیری حسگرها مربوط است. مدل پیشنهادی می تواند مبنای جمع آوری داده و آزمون آینده باشد، اما هیچ دقت پیش بینی برای آن ادعا نمی شود و استفاده عملیاتی نیازمند اعتبارسنجی مستقل است.

کلیدواژه ها:

یادگیری ماشین ، خستگی جسمانی ، استرس حرارتی ، آتش نشانان ، پیش بینی خطر