Occupational Medicine Quarterly Journal

fa تشخیص بهتر سلامت رانندگان با بهره گیری از شبکه عصبی مصنوعی Better Diagnosis of Health Status in Drivers by Using Artificial Neural Network طب کار occupational medicine كاربردي Applicable هدف: عدم کنترل سلامت رانندگان باعث مرگ انسان‌های سالم در بهترین دوره زندگی از نظر کارایی، تندرستی می‌شود و هزینه‌های مالی زیادی را بر کشور تحمیل می‌کند. هدف این مطالعه طراحی سیستم هوشمند با استفاده از شبکه عصبی MLP و RBF  جهت تشخیص سلامت رانندگان است. روش بررسی: 350  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 درتعدادلایه‌های میانی، تعداد نرونها و الگوریتم‌های 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 20 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 7/66، 29  درصد، حساسیت 2/97، 100 درصد، صحت 1/91، 86درصد و سطح زیر منحنی راک برای سیستم عصبی MLP و RBF به ترتیب 02/91 و 1/88 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 می‌تواند نقش موثری در کمک به پزشکان داشته باشد و در مراکز طب کار برای بالا بردن دقت و سرعت و کاهش هزینه‌ها به کار گرفته شود. Introduction: Uncontrolled health status of drivers, can lead to the death of healthy individuals who are living in their best periods of life in terms of performance and wellness and also it can impose huge financial costs on a country. The purpose of this study was to design an intelligent system using Multilayer perceptron (MLP) and radial basis function (RBF) neural networks in order to diagnose drivers’ health status Methods: In this study, we applied the MLP and RBF networks with some changes in the number of middle layers, neurons, as well as learning algorithms such as Momentum (MOM), Conjugate Gradient (CG), and Levenberg Marquardt (LM) in order to diagnose the health status of the drivers.) Then, the best model was introduced according to the area under receiver operating characteristics (ROC) curve, sensitivity, and precision criteria. Results: In this study, 20 variables were selected as inputs and two variables that include healthy and unhealthy status were determined as output parameters. MLP and RBF neural networks with LM algorithm have the best performance with 66.7% and 29% precision; 97.2% and 100% sensitivity; 91.1% and 86 % accuracy respectively. The area under ROC curve for the nervous system MLP and RBF estimated 91.02 for MLP and 88.1 for RBF. Conclusion: According to this study, the MLP neural network model with the LM learning algorithm compared to the RBF neural network can have an important role in helping physicians in order to diagnose drivers’ health status. Furthermore, such a model can be used in centers of occupational medicine to enhance the accuracy and the speed of diagnosis and reduce costs. سیستم های هوشمند, شبکه های عصبی مصنوعی, سلامت رانندگان Intelligent Systems, Artificial Neural Networks, Drivers’Health Status 1 12 http://tkj.ssu.ac.ir/browse.php?a_code=A-10-711-1&slc_lang=fa&sid=1 Leila Shahmoradi لیلا شاهمرادی Lshahmoradi@tums.ac.ir Yes دانشگاه علوم پزشکی تهران Zahra Kohzadi زهرا کهزادی z.kohzadi91@yahoo.com No دانشگاه علوم پزشکی تهران Maryam Saraei مریم سرایی m-saraei@tums.ac.ir No دانشگاه علوم پزشکی تهران