سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

[ 1 | جستجو | فهرست کلمات کلیدی | فهرست موضوعات | فهرست نویسندگان | فهرست ناشران | فهرست ژورنالها ]


عنوان مقاله:IFC - هیئت تحریریه
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره):40 (5)
سال انتشار:September 2010
شماره صفحات: 000-0
نشانگر دیجیتالی شیء:[ 10.1016/s0169-8141(10)00073-9 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. International Journal Of Industrial Ergonomics »
  4. IFC - Editorial Board

دسترسی بین المللی

اگر شما در داخل کشور (ایران) هستید و این صفحه را مشاهده می کنید، نشان می دهد که IP شما به هر دلیلی در لیست IP های ایران ثبت نشده است. برای رفع این مشکل کافی است IP خود را که در پایین این پیام درج شده از طریق آدرس ایمیل support@scipers.com به ما اطلاع دهید. پس از دریافت درخواست، کارشناسان فنی موضوع را بررسی می نمایند و در صورتی که محل اتصال شما از کشور ایران بوده باشد، به لیست استفاده کنندگان مجاز افزوده می شوید.
IP: 3.82.52.91

اطلاعات استنادی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

 

به اشتراک گذاری

این صفحه را با استفاده از انواع شبکه های اجتماعی با دوستان خود به اشتراک بگذارید.

خلاصه مقاله، نویسندگان و کلمات کلیدی

IFC - Editorial Board


مقاله: IFC - هیئت تحریریه

خلاصه مقاله:


This paper describes a new approach for the development of artificial neural networks applied to classifying the risk of low back disorders (LBDs) presented by certain lifting jobs. The development process of neural networks for classification problems and the influence of network architecture on its prediction and generalisation capabilities are analysed. The phenomenon of overfitting and its relationship to the number of network connections, and the size of the training data set are discussed. The new approach uses complex architecture networks and early stopping of training procedures to avoid overfitting. It is thus compared with previous studies and its results and advantages over them are assessed. Such comparison shows that this approach allows for the development of neural networks for the classification of industrial jobs according to their risk of causing LBDs in a way faster than previous procedures. The neural network obtained is able to correctly classify 81.6% of highly repetitive lifting industrial jobs as posing low or high-risk for LBDs, from five independent variables representing biomechanical risk factors. The neural network obtained has been implemented in a software application which focuses on risk analysis and prevention of the injuries caused by tasks involving manual lifting in the industrial environment. Relevance to industryThe approach described in this paper allows neural networks to be developed for the prediction of musculoskeletal disorders in a way that is faster and easier than with previous procedures. It can also be applied to risk prediction in other areas of ergonomics. The neural network obtained can be used by the ergonomist as a diagnostic system, enabling jobs to be classified into two categories (low-risk and high-risk) according to the associated likelihood of causing low back disorders. This system provides a higher proportion of correct classifications than other previous models.


در این مقاله یک روش جدید برای توسعه شبکه های عصبی مصنوعی اعمال شده به طبقه بندی خطر ابتلا به اختلالات کمر (LBDs) ارائه شده توسط مشاغل خاص عمل بالا توصیف می کند. فرآیند توسعه از شبکه های عصبی برای مشکلات طبقه بندی و نفوذ معماری شبکه در قابلیت پیش بینی و تعمیم آن قرار گرفت. پدیده overfitting و ارتباط آن با تعداد اتصالات شبکه، و اندازه از مجموعه داده های آموزشی بحث شده است. روش جدید با استفاده از شبکه های معماری پیچیده و توقف زودهنگام از روش آموزش برای جلوگیری از overfitting. این است که در نتیجه با مطالعات قبلی و نتایج آن و مزایای مقایسه بر آنها ارزیابی می شود. چنین مقایسه نشان می دهد که این روش اجازه می دهد تا برای توسعه شبکه های عصبی برای طبقه بندی مشاغل صنعتی با توجه به خطر باعث LBDs در راه سریع تر از روش های قبلی است. شبکه های عصبی به دست آمده قادر به درستی طبقه بندی 81.6 درصد مشاغل صنعتی بلند کردن اجسام بسیار تکراری به عنوان نما پایین و یا در معرض خطر بالا برای LBDs، از پنج متغیر مستقل به نمایندگی عوامل خطر بیومکانیکی است. شبکه های عصبی به دست آمده است در این نرم افزار کاربردی است که در تجزیه و تحلیل خطر و پیشگیری از آسیب های ناشی از وظایف مربوط به بلند کردن اجسام دستی در محیط های صنعتی متمرکز اجرا شده است. ارتباط به روش industryThe در این مقاله توصیف اجازه می دهد تا شبکه های عصبی برای پیش بینی اختلالات اسکلتی عضلانی در راه است که سریع تر و راحت تر از روش های قبلی با توسعه. همچنین می تواند به خطر پیش بینی در مناطق دیگر از ارگونومی استفاده شود. شبکه های عصبی به دست آمده را می توان با ergonomist به عنوان یک سیستم تشخیص استفاده می شود، قادر می سازد شغل به به دو دسته (کم خطر و پر خطر) با توجه به احتمال ارتباط باعث اختلالات کمر طبقه بندی می شود. این سیستم نسبت بالاتری از طبقه بندی های درست از سایر مدل های قبلی را فراهم می کند.


موضوعات:

Human Factors and Ergonomics, Public Health, Environmental and Occupational Health



[ ]

برگشت به بالا
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×