تشخيص بهتر سلامت رانندگان با بهره گيري از شبكه عصبي مصنوعي

Better Diagnosis of Health Status in Drivers by Using Artificial Neural Network

هدف: عدم كنترل سلامت رانندگان باعث مرگ انسان‌هاي سالم در بهترين دوره زندگي از نظر كارايي، تندرستي مي‌شود و هزينه‌هاي مالي زيادي را بر كشور تحميل مي‌كند. هدف اين مطالعه طراحي سيستم هوشمند با استفاده از شبكه عصبي MLP و RBF جهت تشخيص سلامت رانندگان است. روش بررسي: 350 نمونه از پرونده رانندگان مراجعه كننده به مركز طب كار استان ايلام انتخاب گرديد، سپس اطلاعات باليني از پرونده رانندگان بصورت چك ليست با استفاده از نظر متخصصان براساس گايد لاين وزارت بهداشت با روش دلفي گردآوري شد. در اين مطالعه شبكه هايMLP و RBFبا تغييراتي درتعدادلايه‌هاي مياني، تعداد نرونها و الگوريتم‌هاي آموزش MOMو LMوCG به منظور تعيين سلامت راننده به كار گرفته شد. سپس با توجه به معيارهاي سطح زير منحني راك، حساسيت، ويژگي برتر معرفي گرديد. نتايج: در اين پژوهش 20 متغير ورودي و دو متغير سالم و ناسالم خروجي تعيين گرديد. شبكه عصبي MLPو RBF با الگوريتم LM داراي بهترين عملكرد به ترتيب از ويژگي 7/66، 29 درصد، حساسيت 2/97، 100 درصد، صحت 1/91، 86درصد و سطح زير منحني راك براي سيستم عصبي MLP و RBF به ترتيب 02/91 و 1/88 بدست آمد. نتيجه گيري: با توجه به اين مطالعه مدل شبكه عصبي MLPبا الگوريتم آموزشي LMدر مقايسه با سيستم عصبي RBF، در سنجش سلامت رانندگان مي‌تواند نقش موثري در كمك به پزشكان داشته باشد و در مراكز طب كار براي بالا بردن دقت و سرعت و كاهش هزينه‌ها به كار 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 cost