مدلسازی و وزندهی عوامل مؤثر بر تغییرات در گسیل صوتی حاصل از اعوجاج گوش کارگران مواجهه یافته با تراز فشار صوت مختلف با استفاده از الگوریتمهای داده کاوی
کد: G-68170
نویسندگان: سجاد زارع ℗, رسول همتجو, منصور ضیایی, رضا اسمعیلی ©, مسلم محمدی دامنه
زمان بندی: زمان بندی نشده!
برچسب: عوامل فیزیکی
دانلود: دانلود پوستر
خلاصه مقاله:
زمینه و هدف
ارزیابی گسیلهای صوتی حاصل از اعوجاج گوش یک ابزار غیر تهاجمی و عینی است که برای درک بهتر مکانیسمهای شنوایی گوش داخلی و همچنین ارزیابی وضعیت سلولهای مویی خارجی حلزون گوش به منظور شناسایی آسیبهای احتمالی منجر به افت شنوایی در پرسنل در مراحل اولیه کاربرد دارد. هدف از مطالعه حاضر ارزیابی وضعیت گسیل های صوتی گوش در پرسنل و مدلسازی و وزندهی عوامل اثر گذار بر تغییرات گسیل های صوتی در آنها است.
روش کار
پژوهش حاضر یک مطالعهی مقطعی بوده که در یک صنعت معدنی در جنوب شرقی ایران در سال 1400 انجام شده است. در این مطالعه تعداد 150 نفر در دو گروه (75 نفر گروه مورد در مواجهه با تراز فشار صوتی بین 75 تا 95 دسی بل و 75 نفر گروه کنترل شاغل در بخش اداری در مواجه با تراز فشار صوتی کمتر از 65 دسی بل) و در سه زمان مختلف (ابتدا، اواسط و انتهای شیفت کاری) مورد مطالعه قرار گرفتند. این پژوهش از دو فاز اصلی تشکیل شده است. در فاز اول نسبت به ارزیابی وضعیت گسیل های صوتی گوش با استفاده از تست DPOAE اقدام شد. هچنین در این فاز وضعیت فاکتورهای شغلی اثرگذار بر روی تغییرات گسیل های صوتی گوش شامل تراز فشار صوت مواجهه، فرکانس، سن، سابقه کار و مدت زمان مواجهه مورد ارزیابی قرار گرفت. در فاز دوم مطالعه که فاز مدلسازی نام داشت، تاثیرات و همچنین وزن فاکتورهای اثرگذار بر روی گسیلهای صوتی گوش با استفاده از تکنیکهای دادهکاوی ماشین بردار پشتیبان و یادگیری عمیق بررسی شد.
یافتهها
طبق نتایج حاصل از مطالعه حاضر، هر دو الگوریتم (یادگیری عمیق و ماشین بردار پشتیبان) نشان دادند که عامل مواجهه با صدا با وزن بین 36 تا 45 درصد بیشترین تأثیر را بر تغییرات انتشارات صوتی گوش داشت. همچنین عامل فرکانس با وزنی بین 19 تا 25 درصد به عنوان دومین عامل مؤثر بر تغییرات DPOAE شناخته شد. در مقابل، عامل تجربه با وزن بین 12% تا 18% و عامل سن با وزن بین 6 تا 11 درصد کمترین تأثیر را در مقایسه با دو عامل دیگر بر گسیل¬های صوتی گوش داشتند. همچنین، دقت مدل های توسعه داده شده برای الگوریتم یادگیری بین 92% تا 97% و دقت مدلهای توسعه داده شده برای الگوریتم ماشین بردار پشتیبان بین 83% تا 91% متغیر بود.
نتیجهگیری
بر طبق نتایج مطالعه حاضر میتوان بیان نمود که استفاده از الگوریتم های یادگیری عمیق به منظور مدلسازی فاکتورهای موثر بر گسیلهای صوتی حاصل از اعواج گوش نتایج دقیق تری در مقایسه با الگوریتم های ماشین بردار پشتیبان ارائه خواهد داد. همچنین، با تعیین میزان اثرگذاری فاکتورهای مختلف بر تغییرات گسیلهای صوتی گوش، تخصیص منایع برای اقدامات کنترلی به منظور کنترل فاکتورها و یا کاهش اثرگذاری آن-ها بهتر و دقیقتر انجام خواهد شد.
کلمات کليدی
گسیلهای صوتی گوش، مدلسازی، دادهکاوی، یادگیری عمیق، ماشین بردار
دیدگاه ها (0)
ارسال یک دیدگاه
ارسال دیدگاه توسط مدیریت بسته شده است.