تشخیص بهتر سلامت رانندگان با بهره گیری از شبکه عصبی مصنوعی

عدم کنترل سلامت رانندگان باعث مرگ انسان های سالم در بهترین دوره زندگی از نظر کارایی، تندرستی می شود و هزینه های مالی زیادی را بر کشور تحمیل می کند. هدف این مطالعه طراحی سیستم هوشمند با استفاده از شبکه عصبی MLP و RBF جهت تشخیص سلامت رانندگان است.
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 درتعدادلایه های میانی، تعداد نرونها و الگوریتم های 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.
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.
با توجه به این مطالعه مدل شبکه عصبی MLPبا الگوریتم آموزشی LMدر مقایسه با سیستم عصبی RBF، در سنجش سلامت رانندگان می تواند نقش موثری در کمک به پزشکان داشته باشد و در مراکز طب کار برای بالا بردن دقت و سرعت و کاهش هزینه ها به کار گرفته شود.