آقای دکتر احسان گروسی مجری طرح تحقیقاتی با عنوان “پیشبینی سطح ریسک بلند کردن دستی بار مبتنی بر دادههای sEMG با استفاده از الگوریتمهای یادگیری ماشین” در گفتگویی به تشریح این طرح پرداخت.
آقای دکتراحسان گروسی استادیار ارگونومی گروه ارگونومی، دانشکده بهداشت و مرکز تحقیقات بهداشت کار دانشگاه علوم پزشکی ایران می باشند. تخصص اصلی ایشان در حوزه ارگونومی فیزیکی و ارزیابی ریسک اختلالات اسکلتی-عضلانی است. در طول سالهای فعالیت پژوهشی، روی مداخلات بهبود شرایط کار، کاهش بار فیزیکی کارگران و استفاده از روشهای نوین ارزیابی ریسک تمرکز داشته اند. تجربه عملی ایشان شامل همکاری با صنایع مختلف برای شناسایی و کنترل عوامل خطر در محیطهای کاری است. در زمینه این پژوهش، سابقه کار با سیگنالهای الکترومیوگرافی سطحی (sEMG) و تحلیل دادههای بیومکانیکی را دارند و به کاربرد یادگیری ماشین در حوزه سلامت شغلی علاقهمند بودهاند.
ایشان بیان کردند دلیل اصلی انتخاب این طرح، نیاز به روشهای دقیقتر و عینیتر برای ارزیابی ریسک بلند کردن بار بود. روشهای سنتی مانند NIOSH و REBA بر مشاهده و تخمین تکیه دارند و نمیتوانند بار عضلانی واقعی را اندازهگیری کنند. با پیشرفت فناوریهای پوشیدنی و یادگیری ماشین، فرصتی برای ایجاد سیستمهای هوشمند و قابل اعتماد فراهم شده است. در این پژوهش، آقای دکتر محمد صادق قاسمی، دکتر زانیار کریمی و دکتر فرین خانه شناس و همچنین دانشجوی کوشا و پرتلاش خانم فاطمه شیخ مشارکت داشتند. این پژوهش با هدف توسعه یک سیستم هوشمند برای پیشبینی سطح ریسک بلند کردن دستی بار طراحی شده است. از سنسورهای sEMG برای ثبت فعالیت عضلات کمر، شانه و بازو در حین بلند کردن بار استفاده شد و دادهها را با الگوریتمهای یادگیری ماشین Random Forest، SVM، XGBoost و شبکههای عصبی تحلیل نمودند.
نوآوریهای کلیدی:
– ارزیابی عینی: به جای تخمین بصری، بار عضلانی واقعی اندازهگیری میشود
– پیشبینی لحظهای: سیستم میتواند در زمان واقعی ریسک را تشخیص دهد
– دقت بالا: مدلهای ما با دقت بیش از ۹۰٪ سطح ریسک را طبقهبندی کردند
– قابلیت استفاده عملی: سیستم قابل نصب روی لباسهای کاری و استفاده در محیطهای صنعتی است
این رویکرد میتواند جایگزین یا مکمل روشهای سنتی شود و به مدیران ایمنی ابزاری دقیق برای شناسایی کارگران در معرض خطر بدهد.
ایشان خاطرنشان کردند در حال حاضر، این پژوهش به صورت **مطالعه پایلوت** اجرا شده و نتایج اولیه بسیار امیدوارکننده است. مدلهای یادگیری ماشین آموزش داده شد و اعتبارسنجی انجام شد. برای رسیدن به مرحله بهرهبرداری کامل، نیاز به اخذ مجوزهای لازم و تهیه نمونه تجاری سازی شده می باشد و وی امیدواراست با حمایت مراکز پژوهشی و صنعتی، ظرف ۱-۲ سال آینده به مرحله تجاریسازی برسند. اختلالات اسکلتی-عضلانی ناشی از کار یکی از شایعترین بیماریهای شغلی در کشور است و هزینههای سنگینی به کارگران، کارفرمایان و نظام سلامت تحمیل میکند. بلند کردن بار به صورت نادرست، عامل اصلی کمردرد و آسیبهای ستون فقری است.
این پژوهش پیامدهای زیر را دارد:
– پیشگیری از آسیبها: با شناسایی زودهنگام کارگران در معرض خطر
– کاهش هزینههای درمانی: با جلوگیری از بروز بیماریهای مزمن
– بهبود کیفیت زندگی: کارگران سالمتر و توانمندتر خواهند بود
– افزایش بهرهوری: کاهش غیبت از کار و افزایش کارایی
– ایجاد محیط کار ایمنتر: با ارائه دادههای دقیق برای طراحی مجدد فرآیندها
این سیستم میتواند در صنایع مختلف مانند ساختمانسازی، انبارداری، کشاورزی و تولید استفاده شود و سلامت هزاران کارگر را حفظ کند.
از مسئولین و متولیان امور پژوهشی موارد زیر انتظار می رود:
– تأمین بودجه پایدار برای ادامه پژوهشهای کاربردی در حوزه سلامت شغلی
– تسهیل همکاری بین دانشگاه و صنعت برای آزمایش و پیادهسازی فناوریها
– حمایت از تجاریسازی نتایج پژوهشی با ارائه تسهیلات و مشاوره
-ایجاد زیرساختهای لازم مانند آزمایشگاههای مجهز و دسترسی به دادههای صنعتی
اهداف آینده:
– توسعه اپلیکیشن موبایل برای ارزیابی سریع ریسک در محیطهای کاری
– ایجاد بانک داده ملی از الگوهای حرکتی و بار عضلانی در مشاغل مختلف
– همکاری بینالمللی برای تبادل دانش و تجربه
– آموزش نسل جدید متخصصان ارگونومی با تمرکز بر فناوریهای نوین