طراحي و ساخت نمونه آزمايشگاهي دستگاه سنجش بار كاري فيزيكي و ارزيابي ميزان كاربردپذيري آن در محيط‌هاي كاري

Design and Fabrication of a Laboratory Model of Physical Workload Classification Tool and Evaluation of Its Usability in the Real Work Environment

مقدمه: شاخص درصد VO2max، فاستاندارد طلايي طبقه‌بندي بار كاري فيزيكي مي‌باشد كه به دليل دشواري اندازه‌گيري، در محيط‌هاي كاري واقعي كاربرد ندارد. به‌تازگي روشي جهت تخمين درصد VO2max از روي سه شاخص ضربان قلب استراحت، ضربان قلب كار و وزن، بر مبناي يك شبكه عصبي- فازي در نرم‌افزار MATLAB ارايه شد. هدف از انجام مطالعه حاضر، طراحي و ساخت نمونه آزمايشگاهي دستگاه طبقه‌بندي بار كاري فيزيكي بر مبناي اين روش بود. روش‌ها: برنامه‌نويسي دستگاه با استفاده از نرم‌افزار Arduino و به زبان C++ در برد توسعه AVR نوشته شد و توسط برنامه‌نويس به IC انتقال يافت. خروجي سنسور سنجش ضربان قلب نيز از طريق پروتكل I2C به برد وارد شد. نمره كاربردپذيري دستگاه توسط 20 كارشناس بهداشت حرفه‌اي شاغل در صنعت تعيين گرديد و با طبقه‌بندي بار كاري فيزيكي به صورت دستي، مورد مقايسه قرار گرفت. يافته‌ها: ميانگين نمره كاربردپذيري اين سيستم، 3/7 ± 6/84 به دست آمد كه در طبقه B با كاربردپذيري خيلي خوب قرار گرفت. همچنين، زمان صرف شده جهت طبقه‌بندي بار كاري فيزيكي با روش دستي، حدود دو برابر زمان مورد نياز جهت تعيين آن با دستگاه ساخته شده بود. نتيجه‌گيري: سيستم استنتاجي فازي تطبيقي (Adaptive neuro-fuzzy inference system يا ANFIS) براي تخمين بار كاري فيزيكي و در قالب يك دستگاه جهت به كارگيري در صنعت ارايه گرديد. با توجه به عدم دقت كافي شاخص‌هاي رايج جهت تخمين بار كاري فيزيكي از جمله ضربان قلب، دستگاه ساخته شده جايگزين مناسبي براي روش‌هاي قبلي مي‌باشد. كاربردپذيري بالا و زمان مورد نياز كم، از جمله مزاياي دستگاه به شمار مي‌رود.

Background: %VO2max index is the gold standard of physical workload classification. Because of difficulty of this index measurement, it is not a practical method in the real work places. Recently, a new method was proposed for estimating %VO2max through three parameters of resting heart rate, working heart rate, and weight based on a neurofuzzy network in MATLAB software. The goal of this study was designing and fabricating a laboratory model of physical workload classification tool based on the mentioned method. Methods: The programming of the device was performed with the Arduino software and in C++ language in the AVR microcontroller; then, it was entered into integrated circuit (IC) by the programmer. The output of heart rate sensor was entered into the microcontroller through I2c protocol. The usability score of the device was evaluated by 20 occupational health experts employed in the industry and was compared with manual physical workload classification. Findings: The mean usability score of this system was 84.6 ± 7.3 and was ranked in B category. It means that the usability of the system is very good. The required time for physical workload classification using this tool was approximately half of the required time for this work without the tool. Conclusion: The adaptive neuro-fuzzy inference system (ANFIS) was presented for estimating physical workload in the form of a practical tool in order to be used in the industry. Regarding the lack of sufficient accuracy of current indexes for estimating physical workload such as heart rate, this fabricated tool is a proper substitute for the former methods. High usability and low required time are two main advantages of the proposed tool