基于Adam算法与霍德里克-普雷斯科特滤波的蒙古族传统正骨滚法长短期记忆建模

摘要

本研究提出一种结合 Hodrick-Prescott 滤波的双层长短期记忆模型，用于准确预测中国传统蒙医正骨中的力学信息，在实验施力数据上实现了高精度预测。

摘要

获取与预测力学信息对于中国传统蒙医整骨术的数字化具有重要意义。从施力过程中提取具有周期性和趋势性特征的力学信息，是实现精确力学信息预测所面临的主要挑战。为应对这一挑战，本文提出了一种结合Hodrick-Prescott（HP）滤波的双层长短期记忆网络（LSTM），通过将HP滤波技术与LSTM相结合，以提高力学信息预测的准确性。本研究基于实验采集的数据进行力学信息分析，根据施力过程中主要参与的关节对获取的数据进行了降维处理。具体而言，从总共24个传感器数据点中选取了3个作为关键输入特征。采用LSTM模型以捕捉序列数据中固有的长期依赖关系。在本研究中，利用Adam优化算法对模型的超参数进行精细调优，以确保最佳性能。实验结果验证了所提方法的有效性，决定系数（R²）达到0.897，平均绝对误差为0.025，均方根误差为0.031。与其它估计方法的对比分析进一步证明了结合HP滤波的双层LSTM网络在稳定性、准确性和泛化能力方面的优势。

引言

中国蒙古族正骨术，又称中国蒙古族诺和拉呼疗法，是一种手法治疗技术，操作者通过对特定身体部位施加多种操作手法，实现力学量化与技术标准化，临床上用于骨折复位。作为一种典型的微手势操作，Agora¹指出，蒙古族诺和拉呼疗法的施力方式与中医传统手法存在显著差异。在中国，蒙古族正骨术已被认定为传统医学的重要组成部分，其教育体系也被纳入非物质文化遗产保护体系及全日制学术课程之中。根据Yao等²的研究，正骨手法的技术特征包含运动学与力学两个方面。运动学特征主要涉及操作动作的形态学要素，例如摆动类手法的操作要领——“沉肩、垂肘、悬腕"。而本研究中的力学属性特指施加力的时间序列波形，包括力的大小、频率、振幅、速度及其动态变化规律，这些参数共同构成了“持久、有力、均匀、柔和""施力原则的基本要求³。

中医整骨手法的力学特性本质上十分复杂，源于多个关节协同发力的整合，这对操作者肩部、肘部、腕部、下肢、腰部及背部的协调用力能力及相关技术提出了较高要求。在中医整骨手法的教学与培训过程中，教师往往难以仅通过描述性语言传达技术特征及其科学原理。同样，学生也难以在短时间内充分理解手法操作的细微差别与精妙之处，难以快速达到熟练水平。为克服这一局限，针对中医整骨手法特性的研究已采用多种先进传感技术，以测量和量化手法操作的特征参数。通过系统的数据分....

方案

LSTM 网络
循环神经网络（RNN）是一类能够基于时间序列中先前的观测值预测下一时间步数值的神经网络。RNN 每次处理一个时间序列中的观测值，并通过持续调整隐藏层中的“状态向量”来存储该时间序列的历史信息。尽管 RNN 的目标是学习时间序列中的历史信息，但由于在使用反向传播算法时会遇到梯度消失问题，因此 RNN 不适用于处理较长的时间序列。长短期记忆网络（LSTM）是 RNN 的一种变体，能够解决训练过程中遇到的梯度消失问题，从而具备处理较长时间序列的能力。与标准 RNN 相比，LSTM 增加了三个额外的门控单元：输入门、遗忘门和输出门。图 1 描绘了 LSTM 的基本结构及其核心架构框架，该框架包含五个关键组成部分：三个 S 型（sigmoid）激活函数和两个双曲正切（tanh）激活函数。值得注意的是，位于左侧的 S 型函数在调节来自前一时间步的信息传递中起着关键作用，通过执行信息的筛选与精炼功能来支持这一调节过程，如下述方程所示：

结果

采用测试集指标评估了主模型的性能。较高的R²值（0.897）以及较低的MAE/RMSE表明，结合高通滤波的双层LSTM成功捕捉到了CTMO轧制方法的力动态特性。与基线模型的比较显示，经过高通滤波的模型优于未经滤波的模型，证明了将趋势成分与周期成分分离对LSTM学习具有优势。此外，随着用于训练的序列数据增加（例如1,200秒序列），模型的性能指标也有所提升，如图7中的结果所示。

所提出的结合HP滤波的双层LSTM模型的性能
在包含三个选定传感器的2,000个时间步（共6,000个数据点）的未见测试数据集上，评估了结合Hodrick–Prescott（HP）滤波的双层LSTM模型的预测性能。该模型在测试集上达到了决定系数（R²）为0.897、平均绝对误差（MAE）为0.025 N、均方根误差（RMSE）为0.031 N的性能表现。所有评估模型的性能指标综合汇总见表1。

讨论

结果表明，将双层长短期记忆网络架构与Hodrick–Prescott滤波相结合，显著提升了对中医蒙医正骨滚法中施力过程的预测精度。与单层及未滤波的LSTM模型相比，所提出的联合模型能更有效地捕捉力信号中的长期时间依赖性与潜在趋势成分，从而降低预测误差并增强泛化能力²⁸。未使用HP滤波的LSTM模型表现较差，表明原始力数据包含显著的噪声和非平稳特征，阻碍了直接学习。通过在预测前分解出周期性与趋势性成分，HP滤波为神经网络提供了更干净且信息更丰富的输入^20,28。此外，样本量影响分析表明，该联合模型在不同数据规模下均能保持稳定的性能。尽管HP滤波源于经济分析领域，但选择平滑参数λ = 100被证明适用于保留生物力学力信号的特征，为今后其他传统正骨技术的数字化提供了方法学启示。

局限性与未来工作
本研究存在若干局限性，需予以说明。首先，模型的训练与验证数据均来自一位经验丰富的操作.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
人工人体前臂模型	未指定	不可用	作为滚法操作受力表面的标准训练模型
Keras (R 包)	RStudio/Posit	CRAN: keras	用于构建 LSTM 模型的深度学习 API；版本 2.10
mFilter (R 包)	RStudio/Posit	CRAN: mFilter	用于 Hodrick-Prescott 滤波；hpfilter 函数，freq = 100
多通道手握力测试系统	Zhejiang Changxian Co. Ltd.	Tekscan	包含 24 个传感器的手套系统，用于以 100 Hz 采样率采集机械力数据
neuralnet (R 包)	RStudio/Posit	CRAN: neuralnet	用于训练反向传播（BP）神经网络基线模型
NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 GB VRAM)	用于加速神经网络训练的图形处理器
个人计算机（Intel Core i7-12700，32 GB 内存）	Intel Corporation	i7-12700	运行 Windows 11 的工作站，用于所有计算实验
Python (scikit-learn)	Python Software Foundation	scikit-learn 1.2	随机森林基线模型中 RandomForestRegressor 的实现
R 统计软件	R Core Team	版本 4.2	主要用于数据预处理、建模和可视化的统计计算环境
randomForest (R 包)	RStudio/Posit	CRAN: randomForest	R 中另一种随机森林实现方法
TensorFlow	Google LLC	版本 2.10	用于 LSTM 网络训练的后端深度学习框架