|
|
ارگونومی، جلد ۱۱، شماره ۴، صفحات ۰-۰
|
|
|
| عنوان فارسی |
پیش‌بینی اختلالات اسکلتی- عضلانی بر اساس اطلاعات دموگرافیک افراد به کمک روش‌های هوش مصنوعی و پرسشنامه CMDQ |
|
| چکیده فارسی مقاله |
مقدمه: اختلالات اسکلتی-عضلانی مرتبط باکار(WMSDs) از مهم ترین معضلات درکشورهای درحال توسعه وپیشرفته می‌باشدواکثرافراددرطول زندگی خودباآن روبرو هستند. با توجه به اثرات زیان آوراختلالات اسکلتی-عضلانی دربهره وری وسلامت عمومی کارکنان این پژوهش بااستفاده ازپرسشنامه اختلالات اسکلتی– عضلانی کرنل CMDQ به منظور ارائه مدلی هوشمند درجهت تعیین سطح و پیش بینی اختلالات اسکلتی-عضلانی انجام گردید.
مواد وروش‌ها: در این مطالعه توصیفی تحلیلی810نفر ازکارکنان پنج سازمان باچهارطبقه شغلی اداری، فنی،تولیدوخدمات به صورت داوطلبانه جهت ارزیابی اختلالات اسکلتی-عضلانی پرسشنامه اختلالات اسکلتی-عضلانی کرنل CMDQ راتکمیل کردند. پس ازجمع آوری داده‌های پرسشنامه‌ای وانجام تحلیل‌های آماری مرتبط، نرمال سازی داده‌هاوخوشه‌بندی براساس روشK-Meansبرای تعیین سطوح اختلالات اسکلتی- عضلانی استفاده شد.در نهایت،شبکه عصبی مصنوعی پرسپترون چندلایه جهت پیش‌بینی سطح اختلالات اسکلتی- عضلانی آموزش داده شدومعیارهای دقت،صحت،RecallوF1-score برای ارزیابی مدل پیشنهادی به کارگرفته شده‌اند.
یافته‌ها: نتایج عملکردمدل پیشنهادی درپیش‌بینی سطح اختلالات اسکلتی- عضلانی دردوحالت استفاده وعدم استفاده از روش SMOTE براساس معیار‌های ارزیابی ارائه شده است. مقادیرصحت، دقت،Recallو F1-score به ترتیب 724/0، 709/0، 756/0 و 720/ بدست آمد.مقدار مناسب صحت ودقت درمدل پیشنهادی نشان دهنده قابلیت آن درشناسایی سطح اختلالات اسکلتی-عضلانی افرادوکمک به متخصصان حوزه بهداشت درشناسایی واقدامات لازم برای پیشگیری و پیش بینی آن‌هامی‌باشد.
بحث و نتیجه‌گیری: این مطالعه با استفاده از پرسشنامه CMDQ وروش‌های هوش مصنوعی به تحلیل اختلالات اسکلتی-عضلانی در محیط کار پرداخته است. مدل پیشنهادی در مقایسه با مطالعات مشابه دارای دقت و صحت قابل توجهی است. نتایج نشان دادند که از این مدل می‌توان برای شناسایی و پیش‌بینی اختلالات اسکلتی-عضلانی در کارکنان سازمان‌ها با امکان تسریع فرآیند شناسایی و کاهش هزینه‌ها بهره برد.
|
|
| کلیدواژه‌های فارسی مقاله |
اختلالات اسکلتی-عضلانی ،CMDQ، هوش مصنوعی، شبکه عصبی. |
|
| عنوان انگلیسی |
Prediction of musculoskeletal disorders based on people's demographic information using artificial intelligence methods and CMDQ questionnaire |
|
| چکیده انگلیسی مقاله |
Introduction: Work-Related Musculoskeletal Disorders (WMSDs) are the most significant challenges in both developing and developed countries, affecting the majority of individuals throughout their lives. Considering the detrimental effects of musculoskeletal disorders on the productivity and general health of employees, this research utilizes the Cornell Musculoskeletal Disorder Questionnaire (CMDQ) to develop an intelligent model for assessing and predicting the levels of musculoskeletal disorders.
Methods:In this descriptive-analytical study, 810 employees from five organizations (in four occupational categories including administrative, technical, production, and services) completed the CMDQ, voluntarily. After collecting questionnaire data and performing relevant statistical analyses, data normalization and clustering based on the K-Means method were used to determine levels of musculoskeletal disorders. Finally, the multilayer perceptron artificial neural network was trained to predict the levels of musculoskeletal disorders and the criteria of precision, accuracy, recall and F1-score were used to evaluate the proposed model.
Results: The performance of the proposed model in predicting the levels of musculoskeletal disorders are presented in two scenarios (using and not using the SMOTE method) based on the evaluation criteria provided.
The accuracy, precision, Recall and F1-score values were 0.724, 0.709, 0.756 and 720 respectively. The appropriate accuracy and precision in the proposed model indicate its capability in identifying the levels of musculoskeletal disorders in individuals and help healthcare professionals take the necessary measures to prevent and predict them.
Conclusion: This study employs the CMDQ questionnaire and artificial intelligence methods to analyze musculoskeletal disorders in the workplace. The proposed model demonstrates significant accuracy and precision compared to similar studies. The results indicate that this model can be utilized for the identification and prediction of musculoskeletal disorders in organizational employees, offering the potential to expedite the identification process and reduce costs.
|
|
| کلیدواژه‌های انگلیسی مقاله |
WMSD, CMDQ, Artificial Intelligence, neural network. |
|
| نویسندگان مقاله |
موسی نظری | Mousa Nazari
Assistant Professor, Department of Computer Science, University of Science and Technology of Mazandaran, Behshahr, Iran
استادیار گروه علوم کامپیوتر، دانشکده علوم، دانشگاه علم و فناوری مازندران، مازندران، ایران
آرزو سماک امانی | Arezoo Sammak Amani
MSc Occupational Health Engineering, Department of Occupational Health, Mazandaran University of Medical Sciences, Sari, Iran.
دانشجوی کارشناسی ارشد مهندسی بهداشت حرفه‌ای، دانشکده بهداشت، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی مازندران، مازندران، ایران
محمد امین موعودی | Mohammad Amin Mououdi
Faculty of Health, Department of Occupational Health, Mazandaran University of Medical Sciences, Sari, Iran
عضو هیئت علمی گروه مهندسی بهداشت حرفه‌ای، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی مازندران، مازندران، ایران
محمد مهدی علیان نژادی | Mohammad Mahdi Alyan nezhadi
Assistant Professor, Department of Computer Science, University of Science and Technology of Mazandaran, Behshahr, Iran
استادیار گروه علوم کامپیوتر، دانشکده علوم، دانشگاه علم و فناوری مازندران، مازندران، ایران
|
|
| نشانی اینترنتی |
http://journal.iehfs.ir/browse.php?a_code=A-10-3296-4&slc_lang=fa&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
اختلالات اسکلتی-عضلانی |
| نوع مقاله منتشر شده |
پژوهشی |
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|