نمذجة الذاكرة قصيرة المدى طويلة لطريقة التدحرج التقليدية المنغولية الصينية باستخدام آدم ومرشح هودريك-بريسكوت

ملخص

تقترح هذه الدراسة نموذجا من طبقتين للذاكرة طويلة المدى قصيرة المدمج مع ترشيح هودريك-بريسكوت للتنبؤ بدقة بالمعلومات الميكانيكية في علاج التقويم المنغولي التقليدي الصيني، محققا دقة عالية في بيانات القوة التجريبية الفعالة.

الملخص

كان اكتساب المعلومات الميكانيكية والتنبؤ بها مهما لرقمنة علاج العظام المنغولي التقليدي الصيني. كان استخراج المعلومات الميكانيكية الدورية والموجهة للاتجاه من عملية الجهد القوي يمثل تحديا كبيرا في تحقيق توقع دقيق للمعلومات الميكانيكية. لمواجهة هذا التحدي، قدمت هذه المقالة شبكة ذات طبقتين للذاكرة طويلة المدى قصيرة المدى (LSTM) مدمجة مع ترشيح هودريك-بريسكوت (HP)، والتي جمعت بين تقنيات تصفية HP وLSTM لتعزيز دقة التنبؤ الميكانيكي بالمعلومات. استند هذا البحث إلى بيانات جمعت تجريبيا لتحليل المعلومات الميكانيكية، حيث تم تقليل الأبعاد على البيانات المكتسبة بناء على المفاصل الأساسية المشاركة في تطبيق القوة. تحديدا، تم اختيار ثلاث نقاط بيانات للحساسات من أصل 24 كميزات إدخال محورية. تم استخدام LSTM لالتقاط التبعيات طويلة الأمد المتأصلة في البيانات التسلسلية. في هذا البحث، تم استخدام خوارزمية آدم لتحسين المعلمات الفائقة للنموذج، لضمان الأداء الأمثل. أكدت نتائج التجارب فعالية المنهجية المقترحة، والتي تبين معامل تحديد (R²) مقدارها 0.897، ومتوسط خطأ مطلق 0.025، ومتوسط تربيع الخطأ الجذري 0.031. وقد أكد تحليل مقارن باستخدام طرق تقدير بديلة استقرارا ودقة وقدرات التعميم لشبكة LSTM ذات الطبقتين المدعومة بترشيح HP.

المقدمة

العلاج التقويمي المنغولي التقليدي الصيني، المعروف أيضا بعلاج النوهراهاهو المنغولي التقليدي الصيني، هو نهج علاجي يدوي يطبق فيه الممارس تقنيات تلاعب مختلفة على أجزاء محددة من الجسم لغرض القياس الميكانيكي وتوحيد المهارات، ويطبق سريريا لتقليل الكسور. كإجراء نموذجي للتلاعب بالإيماءات الدقيقة، أشار أغورا¹ إلى أن طريقة تطبيق القوة في علاج النوهاراهو المنغولي تختلف بشكل كبير عن طريقة الطب الصيني التقليدي (TCM). في الصين، تم الاعتراف بعلاج العظام المنغولي كجزء من الطب التقليدي، وتم دمج تعليم العظام في حماية التراث الثقافي غير المادي والبرامج الأكاديمية بدوام كامل. وفقا لياو ^{وآخرين،} تشمل السمات المميزة للتلاعب التقويمي الخصائص الحركية والميكانيكية معا. تتعلق السمات الحركية بالجوانب الشكلية للحركات التلاعبية، مثل الأساسيات التشغيلية لتقنيات التأرجح — "إسقاط الكتفين، خفض المرفقين، وتعليق المعصمين." تشير السمات الميكانيكية، في سياق هذه الدراسة، تحديدا إلى موجة القوة المطبقة على السلاسل الزمنية، بما في ذلك مقدار القوة، التردد، السعة، السرعة، وأنماط التغير الديناميكية الخاصة بها، والتي تشكل مجتمعة المتطلبات الأساسية لتطبيق القوة "المستمر، القوي، الموحد، واللطيف"³.

الخصائص الميكانيكية للتلاعب العظمي معقدة بطبيعتها، حيث تنشأ من جهد القوة المتكامل لعدة مفاصل، مما يفرض متطلبات عالية على منسقة توليد القوة والمهارات المقابلة لأكتاف الممارس ومرفقيه ومعصميه والأطراف السفلية والمنطقة القطنية والظهر. في التدريس والتدريب في التلاعب التقويمي، غالبا ما يواجه المدرسون صعوبة في نقل الخصائص والأسس العلمية للتقنيات باستخدام المصطلحات الوصفية فقط. وبالمثل، يجد الطلاب صعوبة في فهم التفاصيل الدقيقة والتفاصيل في التلاعبات وتحقيق الكفاءة في فترة قصيرة. لمعالجة هذا القيد، استفادت الأبحاث حول خصائص التلاعب العظمي بتقنيات الاستشعار المتقدمة المختلفة لقياس وقياس معلمات خصائص التقنيات. من خلال التحليل المنهجي للبيانات، تؤكد هذه الأبحاث الخبرة السريرية، وتكشف المبادئ الميكانيكية الحيوية الجوهرية للتقنيات، وفي النهاية تترجم النتائج إلى تطبيقات تعليمية، مما يساعد الطلاب على تطوير فهم أعمق للمبادئ الكامنة وراء العمليات التلاعبية. ومع ذلك، لا تزال الأبحاث التي تتناول علاج العظام المنغولي محدودة مقارنة بتقنيات توينا التي تم دراستها بشكل أوسع في طب الطب الصيني الصيني، ولا يزال توحيد بروتوكولات التدريب لعلاج العظام المنغولي في مراحله الأولى. أوضح إلوود وكارنس⁴ أن تطبيق تقنية الحاسوب لجمع المعلومات الميكانيكية من الخبراء واستخراج ميزات التلاعب يمكن أن يوفر مرجعا موضوعيا لتوحيد وتشغيل العلاج التقويمي التقليدي.

وقد خلقت التطورات الحديثة في تقنيات استشعار القوة المرنة فرصا جديدة للقياس الموضوعي والقياس الموضوعي لتقنيات التلاعب التقليدية. حققت حساسات قوة/عزم دوران مرنة جديدة ذات ستة محاور، تم معايرتها باستخدام شبكات عصبية عميقة، أخطاء قياس أقل من 0.751٪ على المقياس الكامل وتم إثباتها بنجاح في تطبيقات العلاج الطبيعي بالتدليك⁵. وبالمثل، مكنت أطر الاستشعار الهجينة بصرية وملموسة من الحصول المتزامن على بيانات القوة/العزم الستة محاور وتحديد مواقع الاتصال التشريحي، محققة R² ≥ 0.87 لتقدير القوة ودقة تزيد عن 97٪ في التعرف على المناورة⁶. توفر هذه التطورات التكنولوجية أساسا لاكتساب المعلومات الميكانيكية بدقة في أبحاث التلاعب العظمي. وبالتالي، هناك حاجة إلى تطوير النمذجة العلمية ونقل المعرفة المنهجي في طب العظام المنغولي من خلال دمج طرق الاستشعار والحوسبة الحديثة.

لقد أحدث التعلم العميق ثورة في التنبؤ بالسلاسل الزمنية، متجاوزا الطرق الإحصائية التقليدية في نمذجة الديناميكيات غير الخطية المعقدة والتبعيات طويلة الأمد المنتشرة في بيانات الزمن الواقعية^7،8. من بين هياكل التعلم العميق، برزت شبكات الذاكرة طويلة المدى قصيرة المدى (LSTM) كأدوات فعالة بشكل خاص لالتقاط التبعيات الزمنية في البيانات المتسلسلة، وقد تم اعتمادها على نطاق واسع في مجالات متنوعة، بما في ذلك المالية، الرعاية الصحية، إدارة الطاقة،^{ونمذجة المناخ}. أظهرت مراجعة شاملة لأكثر من 150 دراسة أن الأساليب القائمة على LSTM، خصوصا تلك التي تم تعزيزها باستخدام محسن آدم، تحسن دقة التنبؤ بنسبة تصل إلى 14٪ مقارنة بالطرق التقليدية⁹. في مجال التنبؤ بالقوة تحديدا^{، قدم} تشانغ وآخرون نهج RNN قائم على LSTM للتنبؤ بقوة الإثارة في الوقت الحقيقي في التحكم في محول طاقة الموجة. قام لي ^وآخرون بتوضيح جهاز المشفر-فك التشفير Bi-LSTM مع إجبار المعلم لتوقع حركة دوران السفينة قصير الأمد. ^استخدم Zhu وآخرون LSTM متبقي قائم على التعلم التحويلي مع تركيز نمط زمني لانعكاس قوة العجلة والسكة.

المساهمات الرئيسية لهذه الدراسة هي كما يلي:
إطار نمذجة هجين مبتكر يجمع بين ترشيح هودريك-بريسكوت وبنية LSTM ذات الطبقتين، مصممة خصيصا للتنبؤ بأنماط الجهد القوى في طريقة التدحرج التقويمي المنغولية.
تقييم شامل للنموذج المقترح مقابل عدة بنى أساسية، بما في ذلك LSTM أحادي الطبقة، والمتغيرات غير HP، وPCA-LSTM، والشبكة العصبية BP، والغابة العشوائية، مما يوضح تفوق LSTM ذو الطبقتين المعززة بHP في التنبؤ بإشارات القوة غير الثابتة.
التحقق التجريبي باستخدام بيانات الحساسات الميكانيكية التي جمعت تجريبيا، مما يوفر منهجية قابلة للتكرار ونتائج مرجعية لرقمنة تقنيات التلاعب التقويمي التقليدية.

أعمال ذات صلة
في سياق الرقمنة التقليدية بالتلاعب العلاجي، تم تطبيق الشبكات العصبية بشكل متزايد على استخراج السمات وتصنيف أنماط القوة. اقترح لي وآخرون ⁶ ولو وآخرون ¹¹ طرق التنبؤ بتسلسل المعلومات الميكانيكية بناء على LSTM لروبوتات التدليك المحمولة. ^{طور Lv} وآخرون نهجا تكراريا للتحسين يجمع بين شبكات BP العصبية والخوارزميات الجينية للتنبؤ بإحداثيات نقاط الإبر والتخطيط السلوكي في روبوتات التدليك TCM حصلت شركة Midea Group Co. ^Ltd.13 على براءة اختراع لروبوت تدليك يستخدم رؤية آلية، بينما أظهر مول وآخرون ¹⁴ ومو وآخرون ¹⁵ استخدام الشبكات العصبية الالفافية لتصنيف معلومات الحركة المحددة. اقترح سايابين¹⁶ شبكة عصبية قائمة على أجهزة الاستشعار لجمع وتحديد المؤشرات الميكانيكية من حركات اليد. استنادا إلى وضع التنمية في المملكة المتحدة¹⁷ وألمانيا¹⁸، يمكن أن يكون رقمنة علاج العظام المنغولي ذا أهمية كبيرة لأغراض تعليمية. ومع ذلك، لم تتناول أي من هذه الدراسات بشكل محدد أنماط تطبيق القوة الفريدة المميزة لطريقة التدحرج في علاج العظام المنغولي.

أظهرت الأساليب الهجينة التي تجمع بين تحليل الإشارة والتعلم العميق تحسنا كبيرا في دقة التنبؤ للسلاسل الزمنية غير الثابتة. مرشح هودريك-بريسكوت (HP)، الذي اقترح في الأصل لتحليل السلاسل الزمنية الاقتصادية، يقوم بتفكيك الإشارة إلى مكوناته المكونة والمكونات الدورية¹⁹. وقد نجحت الدراسات الحديثة في تطبيق تحليل HP جنبا إلى جنب مع الشبكات العصبية عبر مجالات متعددة. نموذج هجين يجمع بين ترشيح HP مع RNNs وARIMA حقق انخفاضات في MAPE وRMSE وMAE تتراوح بين 9.70٪ إلى 56.23٪ مقارنة بالشبكات العصبية المستقلة لتوقع الطلب على الكهرباء²⁰. في التنبؤ بالتضخم، وجد أن ترشيح HP يقضي على الضوضاء بكفاءة أكبر ويؤكد على الديناميكيات الدورية، مما يمكن نماذج المجموعات من تحقيق R² > 0.99 والشبكات العصبية من تحقيق R² > 0.93²¹. وبالمثل، تم تطبيق التحلل القائم على مرشح HP مع LSTM الموجه بفقدان الكرة البينبول بنجاح في التنبؤ الاحتمالي بكثافة الكربون الشبكية4. من خلال تحليل الأنماط الكامنة في هذه المكونات المميزة^22,23، يتم تطبيق تقنيات تنبؤ بيانات مختلفة لتوقع الاتجاه²⁴ والتقلب^25,26 بشكل منفصل، وبعد ذلك تدمج هذه التنبؤات لإنتاج نتائج التنبؤ النهائية²⁷. كما أظهرت استراتيجيات LSTM المعززة بالتفكيك فعالية في مجالات سلاسل زمنية غير ثابتة أخرى، مثل التنبؤ المالي²⁸.

على الرغم من هذه التطورات في التنبؤ بالسلاسل الزمنية المعتمدة على LSTM وفعالية ترشيح HP كتقنية معالجة مسبقة، حسب علمنا، لم تدمج أي دراسة سابقة ترشيح HP مع بنية LSTM متعددة الطبقات خصيصا للتنبؤ بأنماط تطبيق القوة في التلاعبات التقويمية التقليدية — خصوصا في سياق طريقة التدحرج التقليدية المنغولية الصينية. حيث تشكل الخصائص غير الثابتة لبذل القوة تحديات فريدة في النمذجة. تعالج الدراسة الحالية هذه الفجوة من خلال تقديم نموذج LSTM مزدوج الطبقات معزز بترشيح HP، وتم التحقق منه بناء على بيانات القوة التي جمعت تجريبيا من ممارس ماهر.

البروتوكول

شبكات LSTM
كانت الشبكة العصبية المتكررة (RNN) نوعا من الشبكات العصبية التي يمكنها التنبؤ بالقيمة في الخطوة الزمنية التالية بناء على الملاحظات السابقة في سلسلة زمنية. كانت شبكات RNN تعالج ملاحظة واحدة من سلسلة زمنية في كل وقت وتخزن المعلومات التاريخية من السلسلة الزمنية عن طريق تعديل "متجه الحالة" باستمرار في الطبقة المخفية. على الرغم من أن هدف شبكات RNN كان تعلم المعلومات التاريخية في السلاسل الزمنية، إلا أن الشبكات لم تكن مناسبة لمعالجة السلاسل الزمنية الأطول بسبب مشكلة اختفاء التدرج التي تواجهها عند استخدام خوارزمية الانتشار العكسي. شبكة الذاكرة طويلة المدى قصيرة المدى (LSTM) هي نوع من شبكة RNN تعالج مشكلة اختفاء التدرج التي تواجهها أثناء التدريب، مما يجعلها قادرة على التعامل مع سلاسل زمنية أطول. مقارنة بشبكات RNN القياسية، تحتوي LSTMs على ثلاث وحدات تحكم إضافية في البوابة: بوابة الإدخال، بوابة النسيان، وبوابة الإخراج. يوضح الشكل 1 البنية الأساسية ل LSTM وإطارها المعماري الأساسي، الذي يتكون من خمسة مكونات أساسية: ثلاث دوال تفعيل سيجمويد ودالتان تنشيط مماس زائدية (tanh). ومن الجدير بالذكر أن دالة السيجمويد الموضوعة على اليسار تلعب دورا محوريا في تنظيم نقل المعلومات من الخطوة الزمنية السابقة، حيث تؤدي وظائف تصفية وتنقية المعلومات لدعم هذه العملية التنظيمية، كما أوضحت المعادلة التالية:

(1)

الشكل 1. الهيكل الأساسي لشبكة LSTM. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

حيث تعمل بوابة النسيان ك "f_t"، وتسلسلات الإدخال ك "x_t"، و"h_t-1" هي المعلومات المخفية قبل خرج الوحدة. كانت بوابة النسيان مسؤولة عن تحديد أي المعلومات يجب التخلص منها أو الاحتفاظ بها، وكانت بوابة الإدخال قادرة على تحديث حالة وحدة الذاكرة، وكانت بوابة الإخراج قادرة على تحديد قيمة الحالة المخفية التالية. يرمز لهذه البوابات الثلاث ب f_t و i_t و o_t.

(2)

(3)

(4)

(5)

(6)

المعادلة (3) تعرف حالة الخلية المرشحة _C't التي تنشأها دالة tanh، والتي تقترح قيما جديدة تضاف إلى حالة الخلية. تحديدا، تم صياغة مدخلات النموذج من خلال دمج مخرجات دالتين سيغمويدتين مع مخرجات دالة التانه الأولية، كما هو موضح في المعادلة (5).

المعادلة (4) تصف دالة السيجمويد الأيمن التي تعمل كقيمة إخراج ابتدائية للنموذج، والتي تم رسمها لاحقا إلى الفترة [−1, 1] عبر دالة المماس الزائدية (tanh). بعد ذلك، يتم تحويل كل من القيمة الناتجة من دالة tanh ومخرجات دالة السيجمويد إلى قيم الإخراج الفعلية الخاصة بهما، كما هو موضح في المعادلة (6).

في LSTM، تنظم دالة السيجمود المعلومات الحالية، بينما قد تكون دالة المماس الزائدي (tanh) مسؤولة عن معالجة المعلومات التاريخية. دمج هاتين الدالتين يمنح نماذج LSTM بقدراتها التنبؤية. عند مقارنتها بشبكات RNN التقليدية، تكمن ميزة LSTMs في بنيتها المتطورة، التي قادرة على التقاط كامل ذاكرة بيانات الإدخال حتى الخطوة الزمنية t+1. يتم الحفاظ على سلامة هذه الذاكرة من خلال آلية البوابة التي تسهلها وظيفة السينوميد، مما يضمن الاحتفاظ بالمعلومات الحرجة لفترات طويلة.

فلتر HP
مرشح هودريك-بريسكوت (مرشح HP)، الذي اقترحه هودريك وبريسكوت في عام 1980، استخدم على نطاق واسع في التحليل الاقتصادي والتحليل المرتبط بالسلاسل الزمنية. يفترض مرشح HP أن مجموعة البيانات التي سيتم تحليلها كانت مزيجا من التغيرات طويلة الأمد والتقلبات قصيرة المدى، مما يقسم السلسلة الزمنية Y={y1, y2, ⋯, yT} إلى سلسلتين فرعيتين: سلسلة الاتجاه طويلة الأجل G={g1, g2, ⋯, gT} وسلسلة التقلبات قصيرة المدى S={s1, s2, ⋯, sT}. سلسلة الاتجاه طويلة الأجل gT، حيث t=1,2,⋯,T، تشتق عن طريق تقليل التعبير التالي:

(7)

حيث تمثل T عدد العينات في السلسلة الزمنية yt، وλ أكبر من 0، ويعرف بمعامل التلويم، مما يشير إلى أوزان الحدود و . عندما يكون λ=0، فإن سلسلة الاتجاه طويلة المدى G التي تحقق مشكلة التقليل تساوي السلسلة الأصلية Y. مع زيادة قيمة λ، ينخفض إجمالي عدد التغيرات في سلسلة الاتجاه طويلة الأجل مقارنة بتلك الموجودة في السلسلة الأصلية، مما يعني أن λ أكبر يؤدي إلى سلسلة اتجاهات طويلة المدى أكثر سلاسة. عندما تقترب λ من اللانهاية، ستشبه سلسلة الاتجاه طويلة الأجل دالة خطية. يمكن الحصول على سلسلة التقلبات قصيرة المدى بطرح سلسلة الاتجاه طويلة الأجل من السلسلة الزمنية الأصلية، أي S=Y-G.

قبل تطبيق مرشح HP، كان من الضروري اختيار معامل التلميع المناسب λ، حيث أن معايير التنعيم المختلفة تحدد اتجاهات طويلة الأمد وتقلبات قصيرة الأمد مميزة. وفقا للأبحاث ذات الصلة السابقة، تم تعيين قيمة λ إلى 100 في هذه الدراسة.

إعداد المشاركين والموافقة الأخلاقية
تم الحصول على موافقة أخلاقية من لجنة مراجعة الأخلاقيات في جامعة منغوليا الطبية الداخلية (رقم YKD202001041) قبل أي جمع بيانات. تم تجنيد باحث بدوام كامل من كلية الطب المنغولي في جامعة منغوليا الداخلية الطبية، ماهر في طريقة التدحرج الصينية التقليدية المنغولية (CTMO). تم الحصول على موافقة مكتوبة ومستنيرة من المشارك. جميع الإجراءات تلتزم بمبادئ إعلان هلسنكي.

إعداد المعدات والمعايرة
تم استخدام نظام اختبار قوة قبضة اليد متعدد القنوات مزود ب 24 حساسا ميكانيكيا لجمع المعلمات الميكانيكية لطريقة دحرجة CTMO (راجع الشكل 2 والشكل 3 لترتيب النظام وتحديد موقع المستشعرات). تم معايرة جميع مستشعرات القوة ال 24 وفقا لتعليمات الشركة المصنعة. تم إعداد برنامج جمع البيانات لتسجيل البيانات بتردد أخذ عينات 100 هرتز وعرض قراءات القوة في الوقت الحقيقي بنيوتن (N). تم تحديد مدة التسجيل إلى 60 ثانية لكل تجربة.

الشكل 2. نظام اختبار قوة قبضة اليد متعدد القنوات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3. واجهة اكتساب التدليك تعتمد على نظام اختبار قوة القبضة متعدد القنوات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

جمع البيانات
تم توجيه المشارك لارتداء القفاز المزود بالأدوات واتخاذ وضعية البداية المعتادة. تم وضع نموذج الساعد البشري الاصطناعي على سطح أفقي ثابت أمام المشارك. عند بدء برنامج تسجيل البيانات، يقوم المشارك بتنفيذ التلاعب بالتدحرج بتقنية CTMO بشكل مستمر على المنطقة المحددة من نموذج الساعد لمدة دقيقة واحدة. تم حفظ ملف البيانات الخام بصيغة منظمة (مثل .csv أو .txt) تحتوي على الطوابع الزمنية وقراءات القوة من جميع المستشعرات ال 24. تم تكرار هذا الإجراء حتى اكتمل ما مجموعه 150 تجربة مستقلة. استراحة المشارك لمدة لا تقل عن 30 ثانية بين التجارب لتقليل التباين الناتج عن التعب. تم استخدام R (الإصدار 4.2) لاحقا لحساب قواعد الحركة وزوايا مدى الحركة للمفاصل، ولتلخيص الخصائص التشغيلية للتقنية.

اختيار المستشعر عبر عرض الميزات
تم تحميل بيانات القوة الخام من جميع المستشعرات ال 24 عبر جميع التجارب في R. تم حساب متوسط مقدار القوة والتباين لكل حساس عبر مجموعة البيانات بأكملها. تم إنشاء مخطط ملء الفقاعات باستخدام حزمة ggplot2 في R لعرض المساهمة النسبية لكل فالانكس/مشط الأصابع في إجمالي القوة الجريئة. استنادا إلى هذا المخطط (الشكل 4)، أظهرت المستشعرات 8 (الفالانكس القريب من الإصبع الصغير)، و13 (الفالانكس البعيد للإصبع الأوسط)، و2 (الفالانكس البعيد للسبابة) أعلى مقدار قوة وتباين، ولذلك تم اختيارها كميزات إدخال رئيسية للنمذجة اللاحقة.

الشكل 4. مخطط ملء الفقاعات للمفاصل في طريقة اللف. (1) الفالانكس القريب من إصبع السبابة؛ (2) الفالانكس البعيد للسبابة؛ (3) مشط الأصابع السبابة؛ (4) الفالانكس الأوسط في إصبع السبابة؛ (5) الفالانكس القريب بإصبع البنصر؛ (6) الفالانكس البعيد لإصبع البنصر؛ (7) الفالانكس المشطي في إصبع البنصر؛ (8) الفالانكس القريب من الأصابع الصغيرة؛ (9) الفالانكس البعيد للإصبع الصغير؛ (10) مشط الأدغال في الإصبع الصغير؛ (11) الفالانكس الأوسط للصيغة الصغيرة؛ (12) الفالانكس القريب من الإصبع الأوسط؛ (13) الفالانكس البعيد في الإصبع الأوسط؛ (14) مشط الإصبع الأوسط؛ (15) الفالانكس الأوسط في الإصبع الأوسط. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

المعالجة المسبقة للبيانات لنمذجة السلاسل الزمنية
تم استخراج بيانات القوة في السلاسل الزمنية F8(t)، F₁₃(t)، وF₂(t) للحساسات المختارة من مجموعة البيانات الخام. تم إنشاء متغير زمني معياري T عن طريق تحجيم طوابع التسجيل إلى الفترة [0'1]. تم استخدام الصيغة التالية:

حيث كان الطابع الزمني الأصلي بثوان. لكل تجربة، تم دمج بيانات القوة والوقت المعياري في مجموعة بيانات متعددة المتغيرات من السلاسل الزمنية ذات أبعاد N × 4، حيث N هو عدد خطوات الزمن (6,000 خطوة لتجربة مدتها 60 ثانية على 100 هرتز) وكانت الأعمدة تقابل [T'F_{8'F 13'F 2}].

تصفية هودريك–بريسكوت (HP)
تم تطبيق مرشح هودريك-بريسكوت على كل من إشارات القوة الثلاثة F8 وF _{13 وF2} بشكل مستقل. تم ضبط معامل التليين على λ = 100. تم اختيار هذه القيمة بناء على الطبيعة التقريبية السنوية/الدورية لاتجاه القوة طويل الأمد الذي لوحظ في أول 2000 نقطة بيانات (كما هو موضح في الشكل 5)، واعتبرت مناسبة للحفاظ على خصائص القوة البيوميكانيكية.

الشكل 5. مقارنة تأثيرات مرشح HP مع λ = 100 و λ = 10,000 على أول 2,000 نقطة بيانات من Sensor 8. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

ملاحظة التنفيذ: تم استخدام دالة hpfilter من حزمة mFilter في R مع تردد الوسيط = 100.

تم الحصول على مكونان لكل إشارة مستشعر: مكون الاتجاه G(t) والمكون الدوري C(t)، حيث . تم بناء مصفوفة الميزات النهائية للإدخال عن طريق ربط الوقت المعدل مع الاتجاه المفلتر بنقاط الصحة والمكونات الدورية للمستشعرات الثلاثة المختارة. نتج عن ذلك مجموعة بيانات من N × 7 أبعاد: . تم تقسيم مجموعة البيانات زمنيا إلى مجموعات تدريبية (70٪)، والتحقق (15٪)، ومجموعات اختبار (15٪). الأهمية: تم تجنب الخلط العشوائي للسلاسل الزمنية لمنع التسرب الزمني. احتوت مجموعة الاختبار على ال 15٪ النهائية من تسلسل الزمن المسجل.

بناء نموذج LSTM ذو الطبقتين مع ترشيح HP
تم إعداد البيئة الحاسوبية باستخدام TensorFlow (الإصدار 2.10) مع واجهة برمجة تطبيقات Keras في R. تم تعريف بنية الشبكة العصبية كما يلي:
طبقة الإدخال: الشكل = (طول التسلسل'7)، حيث sequence_length عدد خطوات الوقت لكل عينة إدخال (تم استخدام 100 خطوة).
الطبقة الأولى من LSTM: الوحدات = 50، return_sequences = TRUE. تم استخدام وظيفة تفعيل التانه للخطوة المتكررة، واستخدم السيجمويد لتفعيل البوابة.
الطبقة الثانية من LSTM: الوحدات = 50، return_sequences = خطأ.
الطبقة المتصلة بالكامل (كثيفة): الوحدات = 1 (للتنبؤ بالقوة أحادية المتغير). يتم توضيح سير العمل الكامل لنموذج LSTM مزدوج الطبقة مع ترشيح HP، من معالجة البيانات المسبقة إلى التنبؤ النهائي، في الشكل 6. كان هدف الإخراج هو قيمة القوة عند المستشعر 8 في الخطوة الزمنية التالية (توقع خطوة واحدة للأمام).

الشكل 6. مخطط سير عمل تطبيقات LSTM مزدوج الطبقات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

تم تجميع النموذج باستخدام خوارزمية تحسين آدم مع المعلمات الفائقة التالية: معدل التعلم: 0.001؛ معدل التحلل: 0.001; دالة الفقد: متوسط تربيع الخطأ (MSE). تم تدريب النموذج على 20 حقبة مع حجم دفعة 32. تم تنفيذ الإيقاف المبكر بصبر لمدة 5 فترات مراقبة فقدان التحقق لمنع الإفراط في التركيب. تم تطبيق معدل سقوط 0.2 بين طبقات LSTM للتنظيم. تم خلط بيانات التدريب فقط على مستوى الدفعة داخل كل حقبة—وليس الترتيب التسلسلي—للحفاظ على التماسك الزمني مع إدخال العشوائية للنزول التدرجي.

تكوين مجموعة البيانات التجريبية
لتقييم الأداء التنبؤي للنماذج المقترحة، تم تقسيم مجموعة البيانات المعالجة مسبقا ترتيبا زمنيا إلى ثلاث مجموعات فرعية: التدريب (70٪)، التحقق (15٪)، والاختبار (15٪). ضمن التقسيم الزمني عدم تسريب أي معلومات مستقبلية إلى عملية التدريب. تضمنت مجموعة الاختبار آخر 2000 خطوة زمنية × 3 حساسات = 6000 نقطة بيانات من التسلسل المسجل، مما يعادل حوالي 20 ثانية من بيانات القوة المستمرة بمعدل أخذ عينات الأصلي 100 هرتز. لتقييم قدرات التنبؤ بمدة أطول، تم بناء تسلسل اختبار موسع بطول 1,200 ثانية (120,000 خطوة زمنية) عن طريق ربط 20 تجربة متتالية لمدة 60 ثانية مع الحفاظ على الترتيب الزمني. تم التحقق من استمرارية القوة بين التجارب المتصلة لضمان عدم حدوث انتقالات مفاجئة.

مقاييس الأداء
تم حساب ثلاثة مقاييس انحدار قياسية لقياس دقة التنبؤ:

معامل التحديد (R²): يعرف بأنه ، حيث y_i و ترمز إلى القيم الفعلية والمتوقعة للقوة، على التوالي، و هو متوسط القيم الفعلية. يقيس R² نسبة التباين في بيانات القوة التي يفسرها النموذج.

متوسط الخطأ المطلق (MAE): يعرف ك . توفر MAE متوسط مقدار أخطاء التنبؤ بوحدات نيوتن (N).

متوسط التربيع الجذري (RMSE): يعرف ك . RMSE حساس للانحرافات الكبيرة في الخطأ ويعبر عنه بالنيوتن (N).

تم حساب جميع المقاييس على مجموعة الاختبار غير المرئية بعد عكس أي تحولات تطبيع أو تحجيم تم تطبيقها أثناء المعالجة المسبقة.

نماذج الأساس المقارنة
لمقارنة نموذج LSTM المقترح ذو الطبقتين باستخدام ترشيح هودريك–بريسكوت (HP)، تم تنفيذ وتقييم النماذج البديلة التالية تحت تقسيمات تدريب وتحقق واختبار متطابقة. تم ضبط المعاملات الفائقة لجميع نماذج الشبكات العصبية باستخدام مجموعة التحقق لضمان مقارنة عادلة.

LSTM أحادي الطبقة بدون ترشيح HP
الهيكلية: طبقة LSTM واحدة تحتوي على 50 وحدة مخفية، تليها طبقة كثيفة متصلة بالكامل مع عصبون خرج واحد.
ميزات الإدخال: بيانات القوة الخام من المستشعرات 8 و13 و2، بالإضافة إلى الوقت المعدل (الإدخال رباعي الأبعاد).
التدريب: محسن آدم مع معدل التعلم = 0.001، التدهور = 0.001، حجم الدفعة = 32، مدرب لمدة 20 حقبة مع توقف مبكر (الصبر = 5) مراقبة فقدان التحقق.

LSTM مزدوج الطبقة بدون ترشيح HP
البنية: طبقتان مكدستان من LSTM، كل منهما يحتوي على 50 وحدة مخفية. كانت الطبقة الأولى من LSTM تعيد تسلسلات كاملة، بينما كانت الطبقة الثانية من LSTM تعيد فقط الحالة المخفية النهائية. تبع ذلك طبقة إخراج كثيفة مع خلية عصبية واحدة.
ميزات الإدخال: نفس ما سبق (مدخلات القوة الخام رباعية الأبعاد).
معايير التدريب: مطابقة لتكوين LSTM أحادي الطبقة.

LSTM أحادي الطبقة مع ترشيح HP
البنية: طبقة LSTM واحدة تحتوي على 50 وحدة مخفية تليها طبقة إخراج كثيفة.
ميزات الإدخال: مكونات الاتجاه والدورات المتحللة ب HP، للمستشعرات 8 و13 و2، بالإضافة إلى الزمن T المعدل (مدخل 7 أبعاد، كما هو موضح في البروتوكول).
معايير التدريب: نفس ما سبق.

PCA-LSTM
تقليل الأبعاد: تم تطبيق تحليل المكونات الرئيسية (PCA) على مصفوفة الميزات ذات السبعة أبعاد المصفاة بمصفاة HP لاستخراج ثلاثة مكونات رئيسية، والتي شرحت مجتمعة >95٪ من التباين في مجموعة الميزات.
البنية: طبقة LSTM واحدة تحتوي على 50 وحدة مخفية، تأخذ السلاسل الزمنية الثلاثة الرئيسية للمكونات كمدخل.
معايير التدريب: نفس ما سبق.

شبكة الانتشار العكسي (BP) العصبية
الهيكلية: شبكة عصبية متقدمة تحتوي على طبقة مخفية تحتوي على 64 عصبيا عصبية وتنشيط ReLU. احتوت طبقة الإخراج على عصبون عصبي خطي واحد.
تمثيل المدخلات: تم تسطيح بيانات السلاسل الزمنية إلى متجهات ميزات ذات طول ثابت (100 خطوة زمنية × 7 ميزات = 700 بعد إدخال).
التدريب: محسن آدم بمعدل تعلم = 0.001، متوسط تربيع فقدان الخطأ، مدرب لمدة 100 عصر مع حجم دفعة 64. تم تطبيق التوقف المبكر مع الصبر = 10.

محول الغابة العشوائية
الخوارزمية: مجموعة من 100 شجرة قرار بعمق أقصى 10 وعينات دنيا لكل مجموعة تقسيم إلى 5.
تمثيل الإدخال: نفس متجهات الميزات المسطحة المستخدمة في شبكة BP العصبية (مدخل 700 بعد).
التنفيذ: تم استخدام RandomForestRegressor من مكتبة scikit-learn (الإصدار 1.2) مع المعاملات الفائقة الافتراضية باستثناء الحالات المحددة أعلاه.

اعتبارات إحصائية
لتقييم متانة الأداء التنبؤي، تم تدريب وتقييم كل تكوين نموذج خمس مرات مع تهيئة عشوائية مختلفة (عند الاقتضاء). تمثل المقاييس المبلغ عنها القيم المتوسطة عبر الخمس جولات، مصحوبة بالانحراف المعياري لقياس التغيرات. لم يتم تطبيق أي تحقق متقاطع على السلاسل الزمنية للحفاظ على الترتيب الزمني؛ بدلا من ذلك، تم استخدام مجموعة التحقق الزمني الثابت لضبط المعاملات الفائقة.

النتائج

تم تقييم أداء النموذج الأساسي باستخدام مقاييس مجموعة الاختبار. أشارت قيمة R² العالية (0.897) وانخفاض MAE/RMSE إلى أن LSTM ذات الطبقتين مع ترشيح HP نجح في التقاط ديناميكيات القوة لطريقة التدوير CTMO. أظهرت المقارنة مع النماذج الأساسية أن النماذج المفلترة ب HP تفوقت على النماذج غير المفلترة، مما يدعم فائدة فصل المكونات الدورية والاتجاهات لتعلم LSTM. تحسنت مقاييس أداء النموذج أيضا مع استخدام بيانات أكثر تسلسلا (مثل تسلسلات 1200 ثانية) للتدريب، كما يتضح من النتائج في الشكل 7.

المناقشة

تظهر النتائج أن دمج بنية الذاكرة طويلة المدى قصيرة المدى ذات طبقتين مع ترشيح هودريك-بريسكوت يحسن بشكل كبير التنبؤ بتطبيق القوة في طريقة التدحرج التقليدية المنغولية الصينية. مقارنة بنماذج LSTM أحادية الطبقة وغير المفلترة، التقط النموذج المدمج المقترح بشكل أكثر فعالية كل من الاعتماديات الزمنية طويلة الأمد ومكونات الاتجاه الأساسية في إشارات القوة، مما أدى إلى أخطاء تنبؤ أقل وأداء تعميم أقوى²⁸. تشير النتائج الضعيفة لنماذج LSTM بدون ترشيح HP إلى أن بيانات القوة الخام ت...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
نموذج ذراع بشري اصطناعي	غير محدد	غير متاح	نموذج تدريب قياسي يستخدم كسطح مستلم للتلاعب باللف
Keras (حزمة R)	RStudio/Posit	CRAN: keras	API للتعلم العميق المستخدم لبناء نموذج LSTM؛ الإصدار 2.10
mFilter (حزمة R)	RStudio/Posit	CRAN: mFilter	يستخدم لتصفية Hodrick-Prescott؛ دالة hpfilter مع freq = 100
نظام اختبار قوة القبضة متعددة القنوات	شركة Zhejiang Changxian المحدودة.	Tekscan	نظام قفاز بـ 24 مستشعرًا لاقتناء بيانات القوة الميكانيكية بمعدل أخذ عينات 100 هرتز
neuralnet (حزمة R)	RStudio/Posit	CRAN: neuralnet	يستخدم لتدريب نموذج الشبكة العصبية الخطية الأساسية (BP)
بطاقة رسومات NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 غيغابايت VRAM)	بطاقة رسومات لتدريب الشبكة العصبية المتسارعة
كمبيوتر شخصي (Intel Core i7-12700، 32 غيغابايت رام)	Intel Corporation	i7-12700	محطة عمل تعمل بنظام Windows 11 لجميع التجارب الحسابية
Python (scikit-learn)	مؤسسة Python للبرمجيات	scikit-learn 1.2	تنفيذ RandomForestRegressor لنموذج random forest الأساسي
برنامج R الإحصائي	فريق R الأساسي	الإصدار 4.2	بيئة الحوسبة الإحصائية الأساسية لمعالجة البيانات والنمذجة والتصور
randomForest (حزمة R)	RStudio/Posit	CRAN: randomForest	تنفيذ بديل للغابات العشوائية في R
TensorFlow	Google LLC	الإصدار 2.10	إطار عمل التعلم العميق الأساسي لتدريب شبكة LSTM