מידול זיכרון קצר טווח ארוך של שיטת גלגול האוסטאופתיה המסורתית הסינית במונגוליה באמצעות אדם ומסנן הודריק-פרסקוט

סיכום

מחקר זה מציע מודל זיכרון ארוך-טווח קצר דו-שכבתי המשולב עם סינון הודריק-פרסקוט לחיזוי מדויק של מידע מכני באוסטאופתיה מונגולית מסורתית סינית, תוך השגת דיוק גבוה בנתוני מאמץ כוח ניסיוניים.

תקציר

רכישת וחיזוי מידע מכני היו חשובים לדיגיטציה של האוסטאופתיה המונגולית המסורתית הסינית. הפקת מידע מכני תקופתי וממוקד מגמה מתהליך מאמץ הכוח הציבה אתגר משמעותי בהשגת חיזוי מדויק של מידע מכני. כדי להתמודד עם אתגר זה, מאמר זה הציג רשת זיכרון ארוך-טווח (LSTM) דו-שכבתית משולבת עם סינון הודריק-פרסקוט (HP), אשר שילבה טכניקות סינון HP עם LSTM לשיפור דיוק חיזוי המידע המכני. מחקר זה התבסס על נתונים שנאספו בניסוי לניתוח מידע מכני, כאשר בוצעה הפחתת ממדיות על הנתונים שנאספו בהתבסס על המפרקים הראשיים המעורבים בהפעלת הכוח. באופן ספציפי, נבחרו שלוש נקודות נתוני חיישנים מתוך 24 כתכונות קלט מרכזיות. LSTM שימש ללכידת תלות ארוכת טווח הטבועה בנתונים סדרתיים. בחקירה זו, אלגוריתם האופטימיזציה של אדם שימש לכוונון מדויק של ההיפרפרמטרים של המודל, ולהבטיח ביצועים מיטביים. תוצאות הניסוי הדגישו את יעילות המתודולוגיה המוצעת, כפי שהוכח במקדם קביעה (R²) של 0.897, שגיאה ממוצעת מוחלטת של 0.025, ושגיאת ממוצע ריבועי שורש של 0.031. ניתוח השוואתי עם שיטות הערכה חלופיות העיד עוד יותר על היציבות, הדיוק ויכולות ההכללה של רשת LSTM דו-שכבתית המורחבת עם סינון HP.

מבוא

אוסטאופתיה מונגולית סינית מסורתית, הידועה גם כטיפול נוהארו סיני מסורתי מונגולי, היא גישה טיפולית ידנית שבה המטפל מיישם טכניקות מניפולטיביות שונות על חלקי גוף מסוימים לצורך כימות מכני וסטנדרטיזציה של מיומנויות, והיא מיושמת קלינית להפחתת שברים. כמניפולציה טיפוסית של מיקרו-מחוות, אגורה¹ ציין כי שיטת הפעלת הכוח בטיפול בנוהרהו המונגולי שונה משמעותית מזו של הרפואה הסינית המסורתית (TCM). בסין, האוסטאופתיה המונגולית מוכרת כחלק מהרפואה המסורתית, וחינוך לאוסטאופתיה שולב בתוכניות אקדמיות במשרה מלאה בהגנה על מורשת תרבותית בלתי מוחשית. לפי יאוו ואח' ², המאפיינים האופייניים של מניפולציה אוסטאופתית כוללים גם תכונות קינמטיות וגם מכניות. תכונות קינמטיות נוגעות להיבטים המורפולוגיים של תנועות מניפולטיביות, כמו המהות האופרטיביות של טכניקות הנדנוד—"הורדת הכתפיים, הורדת המרפקים ותליית פרקי הידיים." מאפיינים מכניים, בהקשר של מחקר זה, מתייחסים ספציפית לצורת גל בסדרת הזמן של כוח מופעל, כולל עוצמת הכוח, תדירות, משרעת, מהירות ודפוסי השונות הדינמיים שלהם, אשר יחד מהווים את הדרישות הבסיסיות של יישום כוח "מתמשך, עוצמתי, אחיד ועדיין"³.

המאפיינים המכניים של מניפולציה אוסטאופתית מורכבים מטבעם, ומקורם במאמץ משולב של מספר מפרקים, מה שמטיל דרישות גבוהות על יצירת כוח מתואמת וכישורים תואמים של הכתפיים, המרפקים, פרקי הידיים, הגפיים התחתונות, אזור המותן והגב של המטפל. בהוראה והכשרה במניפולציה אוסטאופתית, מדריכים לעיתים מתקשים להעביר את המאפיינים והיסודות המדעיים של הטכניקות באמצעות מונחים תיאוריים בלבד. באופן דומה, התלמידים מתקשים לתפוס במלואם את הדקויות והדקויות של המניפולציות ולהשיג מיומנות תוך זמן קצר. כדי להתמודד עם מגבלה זו, מחקר על מאפייני מניפולציה אוסטאופתית השתמש בטכנולוגיות חישה מתקדמות שונות כדי למדוד ולכמת את פרמטרי התכונה של הטכניקות. באמצעות ניתוח שיטתי של נתונים, מחקר זה מאמת את הניסיון הקליני, חושף את העקרונות הביומכניים הטבועים בטכניקות, ולבסוף מתרגם את הממצאים ליישומים חינוכיים, ובכך מסייע לסטודנטים לפתח הבנה עמוקה יותר של העקרונות שמאחורי פעולות מניפולטיביות. עם זאת, המחקר העוסק במיוחד באוסטאופתיה המונגולית נותר מוגבל בהשוואה לטכניקות TCM Tuina שנחקרו בהרחבה יותר, וסטנדרטיזציה של פרוטוקולי הכשרה לאוסטאופתיה מונגולית עדיין בשלבים מוקדמים. אלווד וקרנס⁴ הראו כי יישום טכנולוגיית מחשבים לאיסוף מידע מכני ממומחים ולהפקת מאפייני מניפולציה יכול לספק נקודת ייחוס אובייקטיבית לסטנדרטיזציה ולפעולה הסטנדרטית של האוסטאופתיה המסורתית.

התקדמות אחרונה בטכנולוגיות חישה כוח גמישות יצרה הזדמנויות חדשות למדידה וכימות אובייקטיבי של טכניקות מניפולציה מסורתיות. חיישני כוח/מומנט חדשניים וגמישים בעלי שישה צירים, מכוילים באמצעות רשתות עצביות עמוקות, השיגו שגיאות מדידה מתחת ל-0.751% בקנה מידה מלא והודגמו בהצלחה ביישומי פיזיותרפיה בעיסוי⁵. באופן דומה, מסגרות חישה היברידיות אופטי-מישושיות אפשרו רכישת נתוני כוח/מומנט בשישה צירים וזיהוי אתרי מגע אנטומיים בו-זמנית, והשיגו R² ≥ 0.87 בהערכת כוח ודיוק של מעל 97% בזיהוי תמרון⁶. פיתוחים טכנולוגיים אלו מספקים בסיס לרכישה מדויקת של מידע מכני במחקר מניפולציה אוסטאופתית. כתוצאה מכך, יש צורך לקדם מידול מדעי והעברת ידע שיטתית באוסטאופתיה המונגולית באמצעות שילוב שיטות חישה וחישוביות מודרניות.

למידה עמוקה חוללה מהפכה בחיזוי סדרות זמן, ועקפה את השיטות הסטטיסטיות המסורתיות במידול דינמיקות לא ליניאריות מורכבות ותלות ארוכת טווח הנפוצות בנתונים זמניים בעולם האמיתי ^7,8. מבין ארכיטקטורות הלמידה העמוקה, רשתות זיכרון ארוך-טווח קצר (LSTM) הפכו לכלים יעילים במיוחד ללכידת תלות זמנית בנתונים עוקבים, ואומצו באופן נרחב בתחומים מגוונים, כולל פיננסים, בריאות, ניהול אנרגיה ומודלים אקלימיים. סקירה מקיפה של למעלה מ-150 מחקרים הראתה כי גישות מבוססות LSTM, במיוחד אלו המשופרות עם האופטימייזר אדם, משפרות את דיוק החיזוי בעד 14% בהשוואה לשיטות המסורתיות⁹. בתחום חיזוי הכוח בפרט, ז'אנג ואח^' הציגו גישה מבוססת LSTM של RNN לחיזוי כוח עירור בזמן אמת בבקרת ממיר אנרגיית גל. לי ^{ואחרים.7} הדגימו מקודד-מפענח Bi-LSTM עם כוח המורה לחיזוי תנועת גלגול ספינה לטווח קצר. ג'ו ואח^' השתמשו ב-LSTM שאריתי מבוסס למידת העברה עם תשומת לב דפוס זמן להיפוך כוח גלגל-מסילה.

התרומות העיקריות של מחקר זה הן כדלקמן:
מסגרת מודלים היברידית חדשנית המשלבת סינון הודריק–פרסקוט עם ארכיטקטורת LSTM דו-שכבתית, המותאמת במיוחד לחיזוי דפוסי מאמץ כוח בשיטת גלגול האוסטאופתיה המונגולית.
הערכה השוואתית מקיפה של המודל המוצע מול ארכיטקטורות בסיס מרובות, כולל LSTM בשכבה אחת, וריאנטים שאינם HP, PCA-LSTM, BP רשת עצבית ויער אקראי, המדגימה את עליונות ה-LSTM הדו-שכבתי המשופר על ידי HP לחיזוי אותות כוח לא סטציונרי.
אימות אמפירי באמצעות נתוני חיישנים מכניים שנאספו בניסוייה, המספק מתודולוגיה ניתנת לשחזור ותוצאות מדד לדיגיטציה של טכניקות מניפולציה אוסטאופתיות מסורתיות.

עבודות קשורות
בהקשר של דיגיטציה טיפולית מסורתית, רשתות עצביות מיושמות יותר ויותר להפקת תכונות וסיווג דפוסי כוח. לי ואח' ⁶ ולו ואח' ¹¹ הציעו שיטות חיזוי רצף מידע מכני המבוססות על LSTM עבור רובוטי עיסוי ניידים. Lv ואחרים ^פיתחו גישה אופטימיזציה איטרטיבית המשלבת רשתות עצביות BP עם אלגוריתמים גנטיים לחיזוי קואורדינטות נקודות דיקור ותכנון התנהגותי ברובוטי עיסוי TCM. Midea Group Co. ^Ltd.13 רשמה פטנט על רובוט עיסוי המשתמש בראיית מכונה, בעוד Moll ואחרים ¹⁴ ומו ואח' ¹⁵ הדגימו שימוש ברשתות עצביות קונבולוציונליות לסיווג מידע תנועה ספציפי. סיאפין¹⁶ הציע רשת עצבית מבוססת חיישנים לאיסוף וזיהוי אינדיקטורים מכניים מתנועות ידיים. בהתבסס על מצב הפיתוח של בריטניה¹⁷ וגרמניה¹⁸, דיגיטציה של האוסטאופתיה המונגולית עשויה להיות בעלת חשיבות רבה למטרות חינוכיות. עם זאת, אף אחד מהמחקרים הללו לא התייחס באופן ספציפי לדפוסי יישום הכוח הייחודיים האופייניים לשיטת גלגול האוסטאופתיה המונגולית.

גישות היברידיות שמשלבות פירוק אותות עם למידה עמוקה הראו שיפורים משמעותיים בדיוק החיזוי עבור סדרות זמן שאינן נייחות. מסנן הודריק-פרסקוט (HP), שהוצע במקור לניתוח סדרות זמן כלכליות, מפרק אות לרכיבי מגמה ומחזוריים¹⁹. מחקרים עדכניים הצליחו ליישם את פירוק HP בשילוב עם רשתות עצביות בתחומים שונים. מודל היברידי המשלב סינון HP עם RNNs ו-ARIMA השיג הפחתות ב-MAPE, RMSE ו-MAE שנעו בין 9.70% ל-56.23% לעומת רשתות עצביות עצמאיות לחיזוי ביקוש לחשמל²⁰. בחיזוי אינפלציה, נמצא כי סינון HP מבטל את הרעש בצורה היעילה ביותר ומדגיש דינמיקה מחזורית, מה שמאפשר למודלים קבוצתיים להשיג R² > 0.99 ורשתות עצביות להשיג R² > 0.93²¹. באופן דומה, פירוק מבוסס מסנן HP בשילוב עם LSTM מונחה אובדן פינבול יושם בהצלחה לחיזוי עוצמת פחמן הסתברותי ברשת 4. על ידי ניתוח הדפוסים הטבועים ברכיבים השונים^{הללו 22,23}, מיושמות טכניקות חיזוי נתונים שונות לחיזוי מגמה²⁴ ותנודות^25,26 בנפרד, ולאחר מכן התחזיות משולבות להניב את תוצאות החיזוי הסופיות²⁷. אסטרטגיות LSTM דומות המורחבות בפירוק הוכיחו יעילות גם בתחומים אחרים של סדרות זמן שאינן סטציונריות, כגון תחזיות פיננסיות²⁸.

למרות ההתקדמות בחיזוי סדרות זמן מבוססות LSTM והיעילות המוכחת של סינון HP כטכניקת עיבוד מוקדם, למיטב ידיעתנו, לא נערך מחקר קודם ששילב סינון HP עם ארכיטקטורת LSTM רב-שכבתית במיוחד לחיזוי דפוסי יישום כוח במניפולציות אוסטאופתיות מסורתיות — במיוחד בהקשר של שיטת גלגול האוסטאופתיה המונגולית הסינית המסורתית. כאשר המאפיינים הלא-סטציונריים של מאמץ הכוח מציבים אתגרים ייחודיים במידול. המחקר הנוכחי מתמודד עם פער זה על ידי הצגת מודל LSTM דו-שכבתי המשודרג בסינון HP, מאומת על נתוני כוח ניסיוניים מרופא מיומן.

פרוטוקול

רשתות LSTM
רשת עצבית חוזרת (RNN) הייתה סוג של רשת עצבית שיכלה לחזות את הערך בצעד הזמן הבא בהתבסס על התצפיות הקודמות בסדרת זמן. RNNs עיבדו תצפית אחת מסדרת זמן בכל זמן ואחסנו מידע היסטורי מהסדרות על ידי התאמת "וקטור מצב" בשכבה הנסתרת. למרות שמטרת ה-RNNs הייתה ללמוד מידע היסטורי בסדרות זמן, RNNs לא היו מתאימים לעיבוד סדרות זמן ארוכות יותר בשל בעיית ההתעללות הגרדיאנטית שהייתה נתקלה בשימוש באלגוריתם ההפצה האחורית. רשת הזיכרון ארוך-טווח קצר (LSTM) היא גרסה של RNN שמטפלת בבעיית ההיעלמות הגרדיאנטית שנתקלת במהלך האימון, מה שמאפשר לה להתמודד עם סדרות זמן ארוכות יותר. בהשוואה ל-RNNs סטנדרטיים, ל-LSTMs יש שלוש יחידות בקרה נוספות: שער הכניסה, שער השכחה, ושער היציאה. איור 1 מתאר את המבנה הבסיסי של LSTM ואת המסגרת הארכיטקטונית המרכזית שלו, הכוללת חמישה רכיבים חיוניים: שלוש פונקציות הפעלה סיגמואידיות ושתי פונקציות הפעלה של משיק היפרבולי (tanh). ראוי לציין כי פונקציית הסיגמואיד הממוקמת משמאל ממלאת תפקיד מרכזי בוויסות העברת המידע משלב הזמן הקודם, ומבצעת את תפקידי סינון ושיפור המידע כדי לתמוך בתהליך רגולטורי זה, כפי שמוסבר במשוואה הבאה:

(1)

איור 1. המבנה הבסיסי של רשת LSTM. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

כאשר שער השכחה פעל כ"f_t", רצפי הקלט כ"x_t", ו-"h_t-1" הוא המידע המוסתר לפני פלט היחידה. שער השכחה היה אחראי לקביעת איזה מידע יש להשליך או לשמור, שער הקלט יכול לעדכן את מצב יחידת הזיכרון, ושער היציאה יכול היה לקבוע את ערך המצב הנסתר הבא. שלושת השערים הללו מסומנים כ-f_t, i_t ו-o_t.

(2)

(3)

(4)

(5)

(6)

משוואה (3) מגדירה את מצב התא המועמד _C't שנוצר על ידי פונקציית tanh, שמציעה ערכים חדשים להוספת מצב התא. באופן ספציפי, קלט המודל נוסח על ידי אינטגרציה של יציאות של שתי פונקציות סיגמואידיות עם אלו של פונקציית הטאנה ההתחלתית, כפי שמוצג במשוואה (5).

משוואה (4) מאפיינת את פונקציית הסיגמואיד הימני המשמשת כערך הפלט ההתחלתי של המודל, אשר לאחר מכן מופה לאינטרוול [−1, 1] דרך פונקציית המשיק ההיפרבולית (tanh). לאחר מכן, גם הערך המתקבל מפונקציית הטאן וגם הפלט של פונקציית הסיגמואיד מומרת לערכי הפלט בפועל שלהם, כפי שמודגם במשוואה (6).

ב-LSTM, פונקציית הסיגמואיד מווסתת את המידע הנוכחי, בעוד שפונקציית המשיק ההיפרבולי (tanh) עשויה להיות אחראית לעיבוד מידע היסטורי. האינטגרציה של שתי הפונקציות הללו מעניקה ל-LSTMs את יכולות החיזוי שלהן. בהשוואה ל-RNNs קונבנציונליים, היתרון של LSTMs טמון בארכיטקטורה המתקדמת שלהם, המסוגלת ללכוד את כל זיכרון הנתונים הנכנסים עד שלב הזמן t+1. שלמות הזיכרון נשמרת באמצעות מנגנון השער המופעל על ידי פונקציית הסיגמואיד, ובכך מבטיח שמידע קריטי נשמר לאורך תקופות ממושכות.

מסנן HP
מסנן הודריק-פרסקוט (מסנן HP), שהוצע על ידי הודריק ופרסקוט בשנת 1980, שימש רבות בניתוח כלכלי ובניתוח סדרות זמן. מסנן HP מניח שמערך הנתונים שיש לנתח היה שילוב של שינויים ארוכי טווח ותנודות קצרות טווח, ומפרק את סדרת הזמן Y={y1, y2, ⋯, yT} לשתי תת-סדרות: סדרת המגמות ארוכת הטווח G={g1, g2, ⋯, gT} וסדרת התנודות קצרות הטווח S={s1, s2, ⋯, sT}. סדרת המגמות לטווח ארוך gT, כאשר t=1,2,⋯,T, נגזרת על ידי מזעור הביטוי הבא:

(7)

כאשר T מייצג את מספר הדגימות בסדרת הזמן yt, ו-λ גדול מ-0, הידוע כפרמטר ההחלקה, המציין את משקלי האיברים ו -. כאשר λ=0, סדרת המגמות ארוכת הטווח G שמקיימת את בעיית המזעור שווה לסדרה המקורית Y. ככל שערך λ עולה, מספר השינויים הכולל בסדרת המגמות ארוכת הטווח פוחת יחסית לאלו שבסדרה המקורית, כלומר λ גדול יותר מוביל לסדרת מגמות ארוכות טווח חלקה יותר. כאשר λ מתקרב לאינסוף, סדרת המגמות ארוכת הטווח תיראה כמו פונקציה ליניארית. סדרת התנודות לטווח קצר ניתנת להשגה על ידי חיסור סדרת המגמות לטווח ארוך מסדרת הזמן המקורית, כלומר S=Y-G.

לפני יישום מסנן ה-HP, היה חיוני לבחור פרמטר החלקה מתאים λ, שכן פרמטרי החלקה שונים מכתיבים מגמות ארוכות טווח ותנודות קצרות טווח שונות. בהתאם למחקרים קודמים, ערך λ נקבע ל-100 במחקר זה.

הכנת משתתפים ואישור אתי
אישור אתי התקבל מוועדת סקירת האתיקה של אוניברסיטת מונגוליה הפנימית לרפואה (מס' YKD202001041) לפני כל איסוף נתונים. חוקר במשרה מלאה מהמכללה לרפואה מונגולית באוניברסיטה הרפואית של מונגוליה הפנימית, מיומן בשיטת הגלגול האוסטאופתיה המונגולית הסינית המסורתית (CTMO), גויס. הסכמה מדעת בכתב התקבלה מהמשתתף. כל ההליכים עמדו בעקרונות הצהרת הלסינקי.

הגדרת ציוד וכיול
מערכת בדיקת חוזק אחיזת יד רב-ערוצית המצוידת ב-24 חיישנים מכניים שימשה לאיסוף פרמטרים מכניים של שיטת גלגול CTMO (ראו איור 2 ואיור 3 לסידור המערכת ומיקום החיישנים). כל 24 חיישני הכוח כויללו לפי הוראות היצרן. תוכנת איסוף הנתונים הוגדרה להקליט נתונים בתדר דגימה של 100 הרץ ולהציג קריאות כוח בזמן אמת בניוטון (N). משך ההקלטה נקבע ל-60 שניות לכל ניסוי.

איור 2. מערכת בדיקת חוזק אחיזת יד רב-ערוצית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 3. ממשק רכישת מניפולציה בעיסוי מבוסס על מערכת בדיקת חוזק האחיזה הרב-ערוצית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

רכישת נתונים
המשתתף קיבל הוראה ללבוש את הכפפה המצוינת ולקחת את תנוחת ההתחלה הסטנדרטית. דגם האמה האנושית המלאכותית הונח על משטח יציב ואופקי מול המשתתף. עם הפעלת תוכנת הקלטת הנתונים, המשתתף ביצע את מניפולציית גלגול CTMO ברציפות על האזור המיועד בדגם האמה למשך דקה אחת. קובץ הנתונים הגולמי נשמר בפורמט מובנה (למשל, .csv או .txt) שכלל חותמות זמן וקריאות כוח מכל 24 החיישנים. הליך זה חזר על עצמו עד שהושלמו בסך הכול 150 ניסויים עצמאיים. המשתתף נח לפחות 30 שניות בין ניסויים כדי למזער את השונות הנגרמת מעייפות. R (גרסה 4.2) שימשה לאחר מכן לחישוב כללי תנועה וזוויות טווח תנועה במפרקים, ולסיכום המאפיינים התפעוליים של הטכניקה.

בחירת חיישנים באמצעות ויזואליזציה של תכונות
נתוני הכוח הגולמיים מכל 24 החיישנים בכל הניסויים הוטענו ל-R. גודל הכוח הממוצע והשונות לכל חיישן חושבו על פני כל מאגר הנתונים. נבנתה דיאגרמת מילוי בועות באמצעות חבילת ggplot2 ב-R כדי להציג את התרומה היחסית של כל פאלנקס/מטקרפל לאמץ הכוח. בהתבסס על תרשים זה (איור 4), חיישנים 8 (פלאנקס פרוקסימלי של האצבע הקטנה), 13 (פלאנקס דיסטלי של האצבע האמצעית) ו-2 (פלאנקס דיסטלי של האצבע המורה) הציגו את עוצמות הכוח והשונות הגבוהים ביותר, ולכן נבחרו כתכונות הקלט העיקריות למידול הבא.

איור 4. דיאגרמת מילוי בועות של המפרקים בשיטת הגלגול. (1) פלאנקס פרוקסימלי של האצבע המורה; (2) פאלנקס דיסטלי של האצבע המורה; (3) המטלקרפל של האצבע המורה; (4) הפלאנקס האמצעי של האצבע המורה; (5) הפלאנקס הקרוב של אצבע הטבעת; (6) הפלאנקס הדיסטלי של אצבע הטבעת; (7) פאלנקס מטקרפל באצבע הטבעת; (8) פאלנקס קרוב של האצבע הקטנה; (9) פלנקס דיסטלי של אצבע קטנה; (10) מטקרפל של אצבע קטנה; (11) הפלאנקס האמצעי של האצבע הקטנה; (12) פלאנקס פרוקסימלי באצבע האמצעית; (13) פאלנקס דיסטלי באצבע האמצעית; (14) המטלקרפל של האצבע האמצעית; (15) פאלנקס אמצעי של האצבע האמצעית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

עיבוד נתונים מוקדם למידול סדרות זמן
נתוני כוח בסדרות זמן F₈(t), F₁₃(t) ו-F₂(t) עבור החיישנים שנבחרו הופקו ממאגר הנתונים הגולמי. משתנה זמן מנורמל T נוצר על ידי הגדלת חותמות הזמן של ההקלטה למרווח [0'1]. הנוסחה הבאה שימשה:

איפה t היה חותמת הזמן המקורית בשניות. לכל ניסוי, נתוני הכוח והזמן המנורמל אוחדו למערך נתונים רב-משתני בסדרות זמן בממדים N × 4, כאשר N הוא מספר צעדי הזמן (6,000 צעדים לניסוי של 60 שניות ב-100 הרץ) והעמודות התאימו ל-[T'F_{8'F 13'F 2}].

סינון הודריק–פרסקוט (HP)
מסנן הודריק–פרסקוט הוחל על כל אחד משלושת אותות הכוח F₈,_{F 13} ו-F₂ באופן עצמאי. פרמטר ההחלקה הוגדר ל-λ = 100. ערך זה נבחר בהתבסס על האופי השנתי/מחזורי המשוער של מגמת הכוח ארוכת הטווח שנצפתה ב-2,000 נקודות הנתונים הראשונות (כפי שמוצג באיור 5) ונחשב מתאים לשימור מאפייני כוח ביומכניים.

איור 5. השוואה בין אפקטי מסנן HP ל-λ = 100 ו-λ = 10,000 ב-2,000 נקודות הנתונים הראשונות מ-Sensor 8. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

הערת יישום: פונקציית hpfilter מחבילת mFilter ב-R שימשה עם תדר הארגומנטים = 100.

הושגו שני רכיבים לכל אות חיישן: רכיב המגמה G(t) והרכיב המחזורי C(t), כאשר . מטריצת התכונות הסופית של הקלט נבנתה על ידי חיבור הזמן המנורמל עם המגמה המסוננת על ידי HP והרכיבים המחזוריים של שלושת החיישנים הנבחרים. כתוצאה מכך נוצר מערך נתונים של N × 7 ממדים: . מערך הנתונים חולק כרונולוגית לתת-קבוצות אימון (70%), אימות (15%) ובדיקות (15%). קריטי: נמנעה ערבוב אקראי של סדרות הזמן כדי למנוע דליפה זמנית. ערכת הבדיקה כללה את 15% האחרונים של רצף הזמן המוקלט.

בניית מודל LSTM דו-שכבתי עם סינון HP
הסביבה החישובית הוגדרה באמצעות TensorFlow (גרסה 2.10) עם ממשק Keras ב-R. ארכיטקטורת הרשת העצבית הוגדרה כך:
שכבת קלט: צורה = (אורך רצף'7), כאשר sequence_length מספר צעדי הזמן לכל מדגם קלט (השתמשו ב-100 שלבים).
שכבת LSTM הראשונה: יחידות = 50, return_sequences = TRUE. פונקציית ההפעלה של טאנה שימשה לשלב החזרי, וסיגמואיד שימש להפעלת השער.
שכבת LSTM שנייה: יחידות = 50, return_sequences = שקר.
שכבה מחוברת לחלוטין (צפופה): יחידות = 1 (לחיזוי כוח חד-משתני). זרימת העבודה המלאה של מודל LSTM דו-שכבתי עם סינון HP, מעיבוד נתונים מוקדם ועד לחיזוי סופי, מוצג באיור 6. יעד הפלט היה ערך הכוח בחיישן 8 בצעד הזמן הבא (תחזית צעד אחד קדימה).

איור 6. תרשים זרימת עבודה של יישום LSTM בשכבה כפולה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

המודל הורכב באמצעות אלגוריתם האופטימיזציה אדם עם ההיפרפרמטרים הבאים: קצב למידה: 0.001; קצב התפוררות: 0.001; פונקציית אובדן: שגיאה ממוצעת בריבוע (MSE). המודל אומן ל-20 עידנים עם גודל אצווה של 32. עצירה מוקדמת יושמה עם סבלנות של 5 אפוקים, תוך ניטור אובדן האימות כדי למנוע התאמת יתר. שיעור נשירה של 0.2 הוחל בין שכבות LSTM לצורך רגולריזציה. נתוני האימון שודרו רק ברמת האצווה בכל תקופה — לא בסדר הסדרתי — כדי לשמור על קוהרנטיות זמנית תוך הכנסת סטוכסטיות לירידת גרדיאנט.

תצורת מערך נתונים לבדיקה
כדי להעריך את הביצועים החזויים של המודלים המוצעים, מערך הנתונים המעובד מראש חולק כרונולוגית לשלוש תת-קבוצות: אימון (70%), אימות (15%) ובדיקה (15%). החלוקה הכרונולוגית הבטיחה שלא דליפה מידע עתידי לתהליך האימון. ערכת הבדיקה כללה את 2,000 שלבי הזמן האחרונים × 3 חיישנים = 6,000 נקודות נתונים של הרצף המוקלט, המתאימים לכ-20 שניות של נתוני מאמץ כוח רציף בקצב דגימה מקורי של 100 הרץ. להערכת יכולות חיזוי לטווח ארוך יותר, נבנה רצף בדיקות מורחב של 1,200 שניות (120,000 צעדי זמן) על ידי חיבור כרונולוגי של 20 ניסויים רצופים של 60 שניות תוך שמירה על סדר הזמן. אומת רצף הכוח בין ניסויים מחוברים כדי להבטיח שלא יהיו מעברים פתאומיים.

מדדי ביצועים
שלושה מדדי רגרסיה סטנדרטיים חושבו כדי לכמת את דיוק התחזית:

מקדם קביעה (R²): מוגדר כ- , כאשר y_i ו - מסמנים את ערכי הכוח בפועל והחזויים, בהתאמה, ו - הוא הממוצע של הערכים בפועל. R² מודד את שיעור השונות בנתוני הכוח המוסברים על ידי המודל.

שגיאה מוחלטת ממוצעת (MAE): מוגדרת כ-. MAE מספק את גודל שגיאות החיזוי הממוצע ביחידות ניוטון (N).

שגיאת ריבוע ממוצעת שורש (RMSE): מוגדרת כ- . RMSE רגיש לסטיות שגיאה גדולות ומבוטא בניוטון (N).

כל המדדים חושבו על קבוצת הבדיקה הבלתי נראית לאחר הפיכת כל נרמול או טרנספורמציית קנה מידה שהוטלה במהלך העיבוד המוקדם.

מודלים בסיסיים השוואתיים
כדי להשוות את ה-LSTM הדו-שכבתי המוצע עם סינון Hodrick–Prescott (HP), יושמו והוערכו מודלים חלופיים נוספים תחת חלוקות אימון, אימות ובדיקות זהות. היפרפרמטרים לכל מודלי רשתות העצבים כוונו באמצעות מערכת האימות כדי להבטיח השוואה הוגנת.

LSTM חד-שכבתי ללא סינון HP
ארכיטקטורה: שכבת LSTM אחת עם 50 יחידות נסתרות, ואחריה שכבה צפופה מחוברת לחלוטין עם נוירון פלט יחיד.
תכונות קלט: נתוני כוח גולמי מחיישנים 8, 13 ו-2, בתוספת זמן מנורמל (קלט ארבע-ממדי).
הכשרה: אדם עם קצב למידה = 0.001, דעיכה = 0.001, גודל אצווה = 32, מאומן ל-20 תקופות עם הפסקה מוקדמת (סבלנות = 5) למעקב אחרי אובדן אימות.

LSTM בשכבה כפולה ללא סינון HP
ארכיטקטורה: שתי שכבות LSTM ערומות, כל אחת עם 50 יחידות נסתרות. שכבת ה-LSTM הראשונה החזירה רצפים מלאים, והשכבה השנייה של LSTM החזירה רק את המצב המוסתר הסופי. שכבת פלט צפופה עם נוירון אחד הגיעה.
תכונות קלט: אותן תכונות כמו למעלה (קלטי כוח גולמי 4-ממדיים).
פרמטרי אימון: זהים לתצורת LSTM בשכבה אחת.

LSTM חד-שכבתי עם סינון HP
ארכיטקטורה: שכבת LSTM אחת עם 50 יחידות נסתרות ואחריה שכבת פלט צפופה.
מאפייני קלט: רכיבי מגמה ומחזוריים מפורקים-HP עבור חיישנים 8, 13 ו-2, בתוספת זמן מנורמל T (קלט 7-ממדי, כפי שמתואר בפרוטוקול).
פרמטרי האימון: אותם מה שציינתי קודם.

PCA-LSTM
הפחתת ממדות: ניתוח רכיבים עיקריים (PCA) יושם על מטריצת תכונות מסוננת HP-7 ממדיות כדי להפיק שלושה רכיבים עיקריים, אשר הסבירו יחד >95% מהשונות במערך התכונות.
ארכיטקטורה: שכבת LSTM אחת עם 50 יחידות נסתרות, שלוקחת את שלושת סדרות הזמן העיקריות של הרכיבים כקלט.
פרמטרי האימון: אותם מה שציינתי קודם.

רשת עצבית של התפשטות אחורית (BP)
ארכיטקטורה: רשת עצבית קדמית עם שכבה נסתרת אחת המכילה 64 נוירונים והפעלה של ReLU. שכבת היציאה הכילה נוירון ליניארי יחיד.
ייצוג קלט: נתוני סדרות הזמן הוטחו לווקטורי תכונה באורך קבוע (100 צעדי זמן × 7 תכונות = 700 ממדים של קלט).
הדרכה: אדם עם קצב למידה = 0.001, ממוצע ריבוע של אובדן שגיאות, מאומן ל-100 אפוקים עם גודל אצווה של 64. עצירה מוקדמת עם סבלנות = 10 הוחלה.

רגרסור יער אקראי
אלגוריתם: אנסמבל של 100 עצי החלטה עם עומק מקסימלי של 10 ומינימום דגימות לכל קבוצת פיצול עד 5.
ייצוג קלט: אותם וקטורי תכונה שטוחים כמו ברשת העצבים של BP (קלט 700 ממד).
מימוש: ה-RandomForestRegressor מספריית scikit-learn (גרסה 1.2) שימש עם פרמטרים ברירת מחדל, למעט איפה שצוין לעיל.

שיקולים סטטיסטיים
כדי להעריך את עמידות הביצועים החיזויים, כל תצורת מודל אומנה והועברה חמש פעמים עם אתחולים אקראיים שונים (כאשר רלוונטי). המדדים המדווחים מייצגים את הערכים הממוצעים בחמש הריצות, בליווי סטיית התקן לכמת שונות. לא הוחל אימות צולב על סדרות הזמן כדי לשמור על סדר הזמן; במקום זאת, מערך האימות הכרונולוגי הקבוע שימש לכיוון היפרפרמטרים.

תוצאות

ביצועי המודל הראשי הוערכו באמצעות מדדי קבוצת הבדיקה. ערך R² גבוה (0.897) ו-MAE/RMSE נמוך הצביעו על כך ש-LSTM דו-שכבתי עם סינון HP הצליח ללכוד את דינמיקת הכוח של שיטת גלגול CTMO. השוואה למודלים הבסיסיים הראתה כי המודלים המסוננים על ידי HP הציגו ביצועים טובים יותר מהמודלים הלא מסוננים, ותמכו בתועלת של הפרדת רכיבי מגמה ומחזוריים ללמידת LSTM. מדדי הביצועים של המודל השתפרו גם הם ככל שנעשה שימוש בנתונים סדרתיים יותר (למשל, רצפי 1,200 שניות) לאימון, כפי שניתן לראות בתוצאות באיור 7.

<...

דיון

התוצאות מראות ששילוב ארכיטקטורת זיכרון ארוך-טווח דו-שכבתי עם סינון הודריק–פרסקוט משפר משמעותית את חיזוי הפעלת הכוח בשיטת גלגול האוסטאופתיה המסורתית הסינית. בהשוואה למודלים של LSTM חד-שכבתי וללא סינון, המודל המשולב המוצע תפס בצורה יעילה יותר הן תלות זמן ארוכת טווח והן רכיבי מגמה בסיסיים באותות הכוח, מה שהוביל לשגיאות חיזוי נמוכות יותר ולביצועי הכללה חזקים^יותר. התוצאות הנחותות של מודלים של LSTM ללא סינון HP מצביעות על כך שנתוני כוח גולם מכילים רעש משמעותי ומאפיינים ...

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
Artificial human forearm model	לא צוין	לא זמין	מודל אימון סטנדרטי המשמש כמשטח קולט עבור מניפולציה מתגלגלת
Keras (R package)	RStudio/Posit	CRAN: keras	API ללמידה עמוקה המשמשת לבניית מודל LSTM; גרסה 2.10
mFilter (R package)	RStudio/Posit	CRAN: mFilter	משמש לסינון Hodrick-Prescott; פונקציה hpfilter עם freq = 100
Multi-channel hand grip strength test system	Zhejiang Changxian Co. Ltd.	Tekscan	מערכת כפפות עם 24 חיישנים לרכישת נתוני כוח מכני בקצב דגימה של 100 הרץ
neuralnet (R package)	RStudio/Posit	CRAN: neuralnet	משמש לאימון מודל הרשת העצבית הבסיסית של Backpropagation (BP)
NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 GB VRAM)	GPU לאימון מואץ של רשת עצבית
Personal computer (Intel Core i7-12700, 32 GB RAM)	Intel Corporation	i7-12700	תחנת עבודה המריצה את Windows 11 לכל הניסויים המחשביים
Python (scikit-learn)	Python Software Foundation	scikit-learn 1.2	יישום RandomForestRegressor למודל הרשת העצבית הבסיסית
R statistical software	R Core Team	גרסה 4.2	סביבת חישוב סטטיסטית עיקרית לעיבוד נתונים, מודלים והמחשה
randomForest (R package)	RStudio/Posit	CRAN: randomForest	יישום חלופי של רשת יער אקראית בר
TensorFlow	Google LLC	גרסה 2.10	מסגרת למידה עמוקה מאחורי רשת LSTM