Modellazione della memoria a lungo termine del metodo tradizionale cinese mongolo di rotolamento osteopatica utilizzando Adam e il filtro di Hodrick-Prescott

Sommario

Questo studio propone un modello a due livelli di memoria a breve termine integrato con il filtraggio di Hodrick-Prescott per prevedere con precisione le informazioni meccaniche nell'osteopatia tradizionale mongola cinese, ottenendo un'elevata accuratezza sui dati sperimentali di sforzo forza.

Abstract

L'acquisizione e la previsione delle informazioni meccaniche erano importanti per la digitalizzazione dell'osteopatia tradizionale mongola cinese. L'estrazione di informazioni meccaniche periodiche e orientate alle tendenze dal processo di esercitazione della forza rappresentò una sfida sostanziale nel raggiungere una previsione precisa delle informazioni meccaniche. Per affrontare questa sfida, questo articolo ha introdotto una rete a doppio strato di Long Short-Term Memory (LSTM) integrata con il filtraggio Hodrick-Prescott (HP), che combinava tecniche di filtraggio HP con LSTM per migliorare l'accuratezza della previsione delle informazioni meccaniche. Questa ricerca si basava su dati raccolti sperimentalmente per l'analisi delle informazioni meccaniche, in cui veniva effettuata una riduzione della dimensionalità sui dati acquisiti basandosi sulle giunture primarie coinvolte nell'applicazione della forza. In particolare, tre punti dati dei sensori sono stati selezionati su un totale di 24 come caratteristiche di input chiave. L'LSTM è stato impiegato per catturare dipendenze a lungo termine insite nei dati sequenziali. In questa indagine, l'algoritmo di ottimizzazione Adam è stato utilizzato per affinare gli iperparametri del modello, garantendo prestazioni ottimali. I risultati sperimentali hanno sottolineato l'efficacia della metodologia proposta, evidenziata da un coefficiente di determinazione (R²) di 0,897, un errore assoluto medio di 0,025 e un errore quadratico medio radice di 0,031. Un'analisi comparativa con metodi di stima alternativi ha ulteriormente attestato la stabilità, accuratezza e capacità di generalizzazione della rete LSTM a due livelli arricchita con filtraggio HP.

Introduzione

L'osteopatia tradizionale mongola cinese, nota anche come terapia tradizionale mongola cinese Noharahu, è un approccio terapeutico manuale in cui il praticante applica varie tecniche manipolative su specifiche parti del corpo al fine di quantificare meccanicamente e standardizzare le competenze, ed è applicata clinicamente per la riduzione delle fratture. Come tipica manipolazione micro-gestuale, l'Agora¹ ha indicato che il metodo di applicazione della forza della terapia mongola Noharahu differisce significativamente da quello della Medicina Tradizionale Cinese (MTC). In Cina, l'osteopatia mongola è stata riconosciuta come parte della medicina tradizionale e l'educazione all'osteopatia è stata incorporata nella protezione del patrimonio culturale immateriale e nei programmi accademici a tempo pieno. Secondo Yao et ^al.2, le caratteristiche distintive della manipolazione osteopatica comprendono sia attributi cinematici che meccanici. Le caratteristiche cinematiche riguardano gli aspetti morfologici dei movimenti manipolativi, come gli elementi operativi essenziali delle tecniche di oscillazione—"abbassare le spalle, abbassare i gomiti e sospendere i polsi." Gli attributi meccanici, nel contesto di questo studio, si riferiscono specificamente alla forma d'onda in serie temporale della forza applicata, inclusi la magnitudine, la frequenza, l'ampiezza, la velocità e i loro modelli dinamici di variazione, che collettivamente costituiscono i requisiti fondamentali per l'applicazione della forza "sostenuta, potente, uniforme e^{gentile" 3}.

Le caratteristiche meccaniche della manipolazione osteopatica sono intrinsecamente complesse, derivanti dall'esercitazione integrata della forza di più articolazioni, che impone elevate richieste sulla generazione coordinata della forza e sulle corrispondenti abilità delle spalle, gomiti, polsi, arti inferiori, regione lombare e schiena del praticante. Nell'insegnamento e nella formazione nella manipolazione osteopatica, gli istruttori spesso faticano a trasmettere le caratteristiche e le basi scientifiche delle tecniche usando solo la terminologia descrittiva. Allo stesso modo, gli studenti trovano difficile comprendere appieno le sfumature e le sfumature delle manipolazioni e raggiungere la competenza in poco tempo. Per affrontare questa limitazione, la ricerca sulle caratteristiche della manipolazione osteopatica ha sfruttato varie tecnologie avanzate di rilevamento per misurare e quantificare i parametri caratteristici delle tecniche. Attraverso un'analisi sistematica dei dati, tali ricerche convalidano l'esperienza clinica, svelano i principi biomeccanici intrinseci delle tecniche e traducono infine i risultati in applicazioni educative, aiutando così gli studenti a sviluppare una comprensione più profonda dei principi alla base delle operazioni manipolative. Tuttavia, la ricerca specifica sull'osteopatia mongola resta limitata rispetto alle tecniche più studiate della MTC Tuina, e la standardizzazione dei protocolli di addestramento per l'osteopatia mongola è ancora nelle fasi iniziali. Ellwood e Carnes⁴ hanno illustrato che l'applicazione della tecnologia informatica per raccogliere informazioni meccaniche da professionisti esperti e per estrarre le caratteristiche di manipolazione potrebbe fornire un riferimento oggettivo per la standardizzazione e il funzionamento standardizzato dell'osteopatia tradizionale.

I recenti progressi nelle tecnologie flessibili di rilevamento della forza hanno creato nuove opportunità per la misurazione oggettiva e la quantificazione delle tecniche tradizionali di manipolazione. Nuovi sensori di forza/coppia flessibili a sei assi, calibrati tramite reti neurali profonde, hanno registrato errori di misurazione inferiori allo 0,751% su scala reale e sono stati dimostrati con successo in applicazioni di fisioterapia^{massaggistica 5}. Analogamente, i sistemi di rilevamento ibrido ottico-tattile hanno permesso l'acquisizione simultanea di dati forza/coppia su sei assi e l'identificazione anatomica del sito di contatto, raggiungendo R² ≥ 0,87 per la stima della forza e oltre il 97% di accuratezza nel riconoscimento delle^{manovre 6}. Questi sviluppi tecnologici forniscono una base per l'acquisizione precisa di informazioni meccaniche nella ricerca sulla manipolazione osteopatica. Di conseguenza, è necessario promuovere la modellazione scientifica e la trasmissione sistematica della conoscenza nell'osteopatia mongola attraverso l'integrazione di moderni metodi di rilevamento e computazionali.

Il deep learning ha rivoluzionato la previsione delle serie temporali, superando i metodi statistici tradizionali nella modellazione di dinamiche non lineari complesse e dipendenze a lungo termine prevalenti nei dati temporali reali ^7,8. Tra le architetture di deep learning, le reti di Long Short-Term Memory (LSTM) sono emerse come strumenti particolarmente efficaci per catturare dipendenze temporali nei dati sequenziali, e sono state ampiamente adottate in ambiti diversi, tra cui finanza, sanità, gestione dell'energia e modellazione^{climatica 9}. Una revisione completa di oltre 150 studi ha dimostrato che gli approcci basati su LSTM, in particolare quelli potenziati con l'ottimizzatore Adam, migliorano la precisione delle previsioni fino al 14% rispetto ai metodi^{tradizionali 9}. Nel campo specifico della previsione delle forze, Zhang et ^al.10 hanno introdotto un approccio RNN basato su LSTM per la previsione della forza di eccitazione in tempo reale nel controllo dei convertitori di energia d'onda. Li et ^al.7 hanno illustrato un codificatore–decodificatore Bi-LSTM con il teacher forcing per la previsione a breve termine del movimento del rollio della nave. Zhu et ^al.8 utilizzavano un LSTM residuo basato sull'apprendimento tramite trasferimento con attenzione temporale al pattern per l'inversione della forza ruota-rotaia.

I principali contributi di questo studio sono i seguenti:
Un innovativo framework di modellazione ibrida che combina il filtraggio di Hodrick–Prescott con un'architettura LSTM a doppio strato, specificamente progettato per prevedere i modelli di esercitazione della forza nel metodo di rotolamento dell'osteopatia mongola.
Una valutazione comparativa completa del modello proposto rispetto a più architetture di base, inclusi LSTM a singolo strato, varianti non-HP, PCA-LSTM, BP neural network e foresta random, dimostra la superiorità dell'LSTM a due strati potenziato da HP per la previsione del segnale di forza non stazionaria.
Validazione empirica utilizzando dati di sensori meccanici raccolti sperimentalmente, fornendo una metodologia riproducibile e risultati di riferimento per la digitalizzazione delle tecniche tradizionali di manipolazione osteopatica.

Opere correlate
Nel contesto della digitalizzazione tradizionale con manipolazione terapeutica, le reti neurali sono state sempre più applicate all'estrazione di caratteristiche e alla classificazione dei pattern di forza. Li et ^al.6 e Lu et ^al.11 hanno proposto metodi di predizione della sequenza di informazioni meccaniche basati su LSTM per robot massaggiatori portatili. Lv et ^al.12 hanno sviluppato un approccio di ottimizzazione iterativa che combina reti neurali BP con algoritmi genetici per la previsione delle coordinate di agopunto e la pianificazione comportamentale nei robot massaggiatori della MTC. Midea Group Co. ^Ltd.13 brevettò un robot massaggiatore usando la visione artificiale, mentre Moll et ^al.14 e Mo et ^al.15 dimostrarono l'uso di reti neurali convoluzionali per classificare specifiche informazioni sul movimento. Sayapin¹⁶ propose una rete neurale basata su sensori per raccogliere e identificare indicatori meccanici dai movimenti delle mani. Basandosi sullo stato di sviluppo del Regno^{Unito 17} e della Germania¹⁸, la digitalizzazione dell'osteopatia mongola potrebbe essere di grande importanza a scopo educativo. Tuttavia, nessuno di questi studi ha affrontato specificamente i modelli unici di applicazione della forza caratteristici del metodo di rotolamento dell'osteopatia mongola.

Approcci ibridi che combinano la decomposizione dei segnali con il deep learning hanno dimostrato miglioramenti sostanziali nella precisione delle previsioni per serie temporali non stazionarie. Il filtro di Hodrick-Prescott (HP), originariamente proposto per l'analisi delle serie temporali economiche, decompone un segnale nella sua tendenza costituente e nelle componenti^{cicliche 19}. Studi recenti hanno applicato con successo la decomposizione HP insieme a reti neurali in vari domini. Un modello ibrido che combina filtraggio HP con RNN e ARIMA ha portato a riduzioni di MAPE, RMSE e MAE che variano dal 9,70% al 56,23% rispetto alle reti neurali autonome per la previsione della domanda^{elettrica 20}. Nella previsione dell'inflazione, il filtraggio HP è stato trovato come il più efficiente per eliminare il rumore e enfatizzare la dinamica ciclica, permettendo ai modelli di ensemble di raggiungere R² > 0,99 e alle reti neurali di raggiungere R² > 0,93²¹. Analogamente, la decomposizione basata su filtri HP combinata con LSTM guidato da perdite da flipper è stata applicata con successo alla previsione probabilistica dell'intensità del carbonio a griglia4. Analizzando i modelli insiti in queste componenti^{distinte 22,23}, vengono applicate diverse tecniche di previsione dei dati per prevedere separatamente le componenti della^{tendenza 24} e^{della fluttuazione 25,26}, dopodiché queste previsioni vengono combinate per ottenere i risultati finali della^{previsione 27}. Strategie simili di LSTM aumentate dalla decomposizione hanno dimostrato efficacia anche in altri domini di serie temporali non stazionarie, come la previsione^{finanziaria 28}.

Nonostante questi progressi nella previsione delle serie temporali basate su LSTM e l'efficacia comprovata del filtraggio HP come tecnica di pre-elaborazione, per quanto ne sappiamo, nessuno studio precedente ha integrato il filtraggio HP con un'architettura LSTM multilivello specificamente per la previsione dei modelli di applicazione della forza nelle manipolazioni osteopatiche tradizionali—in particolare nel contesto del metodo di rotolamento dell'osteopatia tradizionale mongola cinese, dove le caratteristiche non stazionarie dello sforzo della forza pongono sfide uniche nella modellazione. Il presente studio colma questa lacuna introducendo un modello LSTM a doppio strato potenziato con filtraggio HP, validato su dati di forza raccolti sperimentalmente da un professionista esperto.

Protocollo

Reti LSTM
Una Rete Neurale Ricorrente (RNN) era un tipo di rete neurale che poteva prevedere il valore al passo temporale successivo basandosi sulle osservazioni precedenti in una serie temporale. Le RNN elaborano un'osservazione da una serie temporale alla volta e memorizzano informazioni storiche dalla serie temporale regolando continuamente un "vettore di stato" nello strato nascosto. Sebbene l'obiettivo delle RNN fosse apprendere informazioni storiche in serie temporali, le RNN non erano adatte a elaborare serie temporali più lunghe a causa del problema di annullamento del gradiente riscontrato nell'uso dell'algoritmo di retropropagazione. La rete Long Short-Term Memory (LSTM) è una variante di RNN che affronta il problema di nullità del gradiente riscontrato durante l'addestramento, rendendola capace di gestire serie temporali più lunghe. Rispetto alle RNN standard, le LSTM dispongono di tre unità di controllo aggiuntive del gate: il gate di ingresso, il gate di dimentica e il gate di output. La Figura 1 delinea la struttura fondamentale della LSTM e il suo quadro architettonico centrale, che comprende cinque componenti essenziali: tre funzioni di attivazione sigmoide e due funzioni di attivazione tangente iperbolica (tanh). È degno di nota che la funzione sigmoidea posizionata a sinistra assume un ruolo fondamentale nella regolazione della trasmissione delle informazioni dal passo temporale precedente, svolgendo le funzioni di filtraggio e raffinamento delle informazioni per supportare questo processo regolatorio, come illustrato dall'equazione successiva:

(1)

Figura 1. Struttura fondamentale della rete LSTM. Clicca qui per visualizzare una versione più grande di questa figura.

dove la porta di dimenticanza agiva come "_{f t}", le sequenze di ingresso come "x_t" e "h_t-1" è l'informazione nascosta prima dell'uscita dell'unità. La porta di dimentica era responsabile di determinare quali informazioni dovevano essere scartate o conservate, la porta di ingresso poteva aggiornare lo stato dell'unità di memoria e la porta di uscita poteva determinare il valore dello stato nascosto successivo. Queste tre porte sono indicate come f_t, _{i t} e o_t.

(2)

(3)

(4)

(5)

(6)

L'equazione (3) definisce lo stato candidato della cella _C't creato dalla funzione tanh, che propone di aggiungere nuovi valori allo stato della cella. In particolare, l'input del modello è stato formulato integrando gli output di due funzioni sigmoidi con quelli della funzione tanh iniziale, come illustrato nell'Equazione (5).

L'equazione (4) caratterizza la funzione sigmoidea destra che funge da valore di output iniziale del modello, che è stato successivamente mappato all'intervallo [−1, 1] tramite la funzione tangente iperbolica (tanh). Successivamente, sia il valore risultante della funzione tanh sia l'output della funzione sigmoid vengono convertiti nei rispettivi valori effettivi di output, come esemplificato nell'Equazione (6).

In LSTM, la funzione sigmoide regolava le informazioni attuali, mentre la funzione tangente iperbolica (tanh) poteva essere responsabile dell'elaborazione delle informazioni storiche. L'integrazione di queste due funzioni dona agli LSTM la loro capacità predittiva. Rispetto alle RNN convenzionali, il vantaggio delle LSTM risiede nella loro architettura sofisticata, capace di catturare l'intera memoria dati di ingresso fino al passo temporale t+1. L'integrità di questa memoria è preservata tramite il meccanismo di gating facilitato dalla funzione sigmoide, garantendo così che le informazioni critiche vengano conservate per periodi prolungati.

Filtro HP
Il filtro Hodrick-Prescott (filtro HP), proposto da Hodrick e Prescott nel 1980, è stato ampiamente utilizzato nell'analisi economica e nell'analisi correlata alle serie temporali. Il filtro HP assume che il dataset da analizzare sia una combinazione di cambiamenti a lungo termine e fluttuazioni a breve termine, scomponendo la serie temporale Y={y1, y2, ⋯, yT} in due sottoserie: la serie di tendenze a lungo termine G={g1, g2, ⋯, gT} e la serie di fluttuazioni a breve termine S={s1, s2, ⋯, sT}. La serie di tendenza a lungo termine gT, dove t=1,2,⋯,T, è derivata minimizzando la seguente espressione:

(7)

Dove T rappresenta il numero di campioni nella serie temporale yt, e λ è maggiore di 0, noto come parametro di levigatura, che indica i pesi dei termini e . Quando λ=0, la serie di tendenza a lungo termine G che soddisfa il problema di minimizzazione è uguale alla serie originale Y. Man mano che il valore di λ aumenta, il numero totale di cambiamenti nella serie di tendenza a lungo termine diminuisce rispetto a quelli della serie originale, il che significa che un λ maggiore porta a una serie di tendenze a lungo termine più fluida. Quando λ tende all'infinito, la serie di tendenza a lungo termine assomiglierà a una funzione lineare. La serie di fluttuazioni a breve termine può essere ottenuta sottraendo la serie di tendenza a lungo termine dalla serie temporale originale, cioè S=Y-G.

Prima di applicare il filtro HP, era imperativo selezionare un parametro di levigatura appropriato λ, poiché diversi parametri di levigatura dettano tendenze distinte a lungo termine e fluttuazioni a breve termine. Secondo ricerche precedenti correlate, il valore di λ è fissato a 100 in questo studio.

Preparazione dei partecipanti e approvazione etica
L'approvazione etica era stata ottenuta dal Comitato di Revisione Etica dell'Università Medica della Mongolia Interna (n. YKD202001041) prima di qualsiasi raccolta dati. È stato reclutato un ricercatore a tempo pieno del College of Mongolian Medicine dell'Università Medica della Mongolia Interna, esperto nel metodo di rolling osteopatia tradizionale mongola cinese (CTMO). Dal partecipante è stato ottenuto un consenso informato scritto. Tutte le procedure rispettavano i principi della Dichiarazione di Helsinki.

Configurazione e calibrazione dell'attrezzatura
Un sistema multicanale di prova della resistenza della presa a mano dotato di 24 sensori meccanici è stato utilizzato per raccogliere i parametri meccanici del metodo di rollio CTMO (vedi Figura 2 e Figura 3 per la disposizione del sistema e il posizionamento dei sensori). Tutti i 24 sensori di forza furono calibrati secondo le istruzioni del produttore. Il software di acquisizione dati era configurato per registrare dati a una frequenza di campionamento di 100 Hz e per mostrare letture di forza in tempo reale in Newton (N). La durata della registrazione è stata impostata a 60 secondi per prova.

Figura 2. Sistema multicanale di prova della resistenza della presa della mano. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3. Interfaccia di acquisizione della manipolazione del massaggio basata sul sistema multicanale di prova della forza della presa. Clicca qui per visualizzare una versione più grande di questa figura.

Acquisizione dati
Al partecipante è stato istruito a indossare il guanto strumentato e assumere la posizione di partenza standard. Il modello dell'avambraccio umano artificiale è stato posizionato su una superficie stabile e orizzontale davanti al partecipante. All'avvio del software di registrazione dati, il partecipante ha eseguito la manipolazione del rotolamento CTMO in modo continuo sull'area designata del modello dell'avambraccio per 1 minuto. Il file di dati grezzo veniva salvato in un formato strutturato (ad esempio, .csv o .txt) contenente timestamp e letture di forza da tutti i 24 sensori. Questa procedura è stata ripetuta fino al completamento di un totale di 150 prove indipendenti. Il partecipante ha riposato per almeno 30 secondi tra un trial e l'altro per minimizzare la variabilità indotta dalla fatica. R (versione 4.2) fu successivamente utilizzata per calcolare le regole di movimento e gli angoli di movimento dell'azione articolare, e per riassumere le caratteristiche operative della tecnica.

Selezione dei sensori tramite visualizzazione delle caratteristiche
I dati grezzi delle forze di tutti i 24 sensori di tutte le prove sono stati caricati in R. La magnitudine media della forza e la varianza per ciascun sensore sono state calcolate sull'intero dataset. Un diagramma di riempimento delle bolle è stato costruito utilizzando il pacchetto ggplot2 in R per mostrare il contributo relativo di ciascuna falange/metacarpo delle dita allo sforzo totale della forza. Sulla base di questo diagramma (Figura 4), i Sensori 8 (falange prossimale del mignolo), 13 (falange distale del medio) e 2 (falange distale dell'indice) hanno mostrato le maggiori magnitudini e variabilità della forza e sono state quindi selezionate come caratteristiche di input principali per la modellazione successiva.

Figura 4. Diagramma di riempimento delle bolle delle nocche nel metodo del rotolamento. (1) falange prossimale dell'indice; (2) falange distale dell'indice; (3) metacarpo dell'indice; (4) falange media dell'indice; (5) falange prossimale del dito anulare; (6) falange distale dell'anulare; (7) falange metacarpale del dito anulare; (8) falange prossimale del mignolo; (9) falange distale del mignolo; (10) metacarpo del mignolo; (11) falange media del mignolo; (12) falange prossimale del dito medio; (13) falange distale del dito medio; (14) metacarpo del dito medio; (15) falange del medio del dito medio. Clicca qui per visualizzare una versione più grande di questa figura.

Preprocessing dei dati per la modellazione delle serie temporali
I dati delle forze in serie temporale F₈(t), F₁₃(t) e F₂(t) per i sensori selezionati sono stati estratti dal dataset grezzo. Una variabile temporale normalizzata T veniva creata scalando i timestamp di registrazione all'intervallo [0'1]. È stata utilizzata la seguente formula:

Dove t era il timestamp originale in pochi secondi. Per ogni prova, i dati sulle forze e il tempo normalizzato sono stati concatenati in un dataset di serie temporale multivariata di dimensioni N × 4, dove N era il numero di passi temporali (6.000 passi per uno studio di 60 secondi a 100 Hz) e le colonne corrispondevano a [T'F_{8'F 13'F 2}].

Filtraggio di Hodrick–Prescott (HP)
Il filtro Hodrick–Prescott veniva applicato indipendentemente a ciascuno dei tre segnali di forza F₈, F₁₃ e F₂. Il parametro di levigatura era impostato su λ = 100. Questo valore era stato scelto in base alla natura approssimativa annuale/ciclica della tendenza delle forze a lungo termine osservata nei primi 2.000 punti dati (come dimostrato nella Figura 5) ed è stato considerato adatto per preservare le caratteristiche delle forze biomeccaniche.

Figura 5. Confronto degli effetti del filtro HP con λ = 100 e λ = 10.000 sui primi 2.000 punti dati del Sensore 8. Clicca qui per visualizzare una versione più grande di questa figura.

Nota di implementazione: La funzione hpfilter del pacchetto mFilter in R è stata usata con l'argomento frequenza = 100.

Per ogni segnale del sensore sono state ottenute due componenti: la componente di tendenza G(t) e la componente ciclica C(t), dove . La matrice finale delle caratteristiche di input è stata costruita concatenando il tempo normalizzato con la tendenza e le componenti cicliche filtrate da HP dei tre sensori selezionati. Questo ha portato a un dataset di N × 7 dimensioni: . Il dataset è stato suddiviso cronologicamente in sottoinsiemi di addestramento (70%), validazione (15%) e test (15%). Critico: Si evitava il mescolare casuale delle serie temporali per evitare perdite temporali. Il set di test conteneva l'ultimo 15% della sequenza temporale registrata.

Costruzione del modello LSTM a due strati con filtraggio HP
L'ambiente computazionale è stato configurato utilizzando TensorFlow (versione 2.10) con l'API Keras in R. L'architettura della rete neurale è stata definita come segue:
Livello di input: Forma = (lunghezza della sequenza'7), dove sequence_length era il numero di passi temporali per campione di input (sono stati utilizzati 100 passi).
Primo strato LSTM: Unità = 50, return_sequences = VERO. La funzione di attivazione del tanh veniva utilizzata per il passaggio ricorrente, e il sigmoide per le attivazioni del gate.
Secondo livello LSTM: Unità = 50, return_sequences = FALSO.
Strato completamente connesso (denso): Unità = 1 (per la previsione della forza univariata). Il flusso di lavoro completo del modello LSTM a doppio strato con filtraggio HP, dalla preelaborazione dei dati alla previsione finale, è illustrato nella Figura 6. L'obiettivo di output era il valore della forza al Sensore 8 al passo temporale successivo (previsione di un passo avanti).

Figura 6. Tabella del flusso di lavoro dell'applicazione LSTM a doppio strato. Clicca qui per visualizzare una versione più grande di questa figura.

Il modello è stato compilato utilizzando l'algoritmo di ottimizzazione Adam con i seguenti iperparametri: Tasso di apprendimento: 0,001; Tasso di decadenza: 0,001; Funzione di perdita: Errore quadratico medio (MSE). Il modello è stato addestrato per 20 epoche con un lotto di 32 volte. Early Stopping fu implementato con una pazienza di 5 epoche per monitorare la perdita di validazione per prevenire il sovrafitting. Un tasso di abbandono di 0,2 è stato applicato tra gli strati LSTM per la regolarizzazione. I dati di addestramento venivano mescolati solo a livello di batch all'interno di ogni epoca—non nell'ordine sequenziale—per mantenere la coerenza temporale e introdurre la stocasticità per la discesa del gradiente.

Configurazione del dataset di test
Per valutare le prestazioni predittive dei modelli proposti, il dataset preelaborato è stato suddiviso cronologicamente in tre sottoinsiemi: addestramento (70%), validazione (15%) e test (15%). La divisione cronologica assicurò che nessuna informazione futura trapelasse nel processo di addestramento. Il set di test comprendeva gli ultimi 2.000 passi temporali × 3 sensori = 6.000 punti dati della sequenza registrata, corrispondenti a circa 20 secondi di dati di sforzo continuo alla frequenza di campionamento originale di 100 Hz. Per la valutazione delle capacità di previsione a lunga durata, è stata costruita una sequenza di test estesa di 1.200 s (120.000 passi temporali) concatenando cronologicamente 20 tentativi consecutivi di 60-s preservando l'ordine temporale. È stata verificata la continuità delle forze tra le prove concatenate per garantire l'assenza di transizioni brusche.

Metriche di performance
Sono state calcolate tre metriche standard di regressione per quantificare l'accuratezza della previsione:

Coefficiente di determinazione (R²): Definito come , dove y_i e denotano rispettivamente i valori effettivi e previsti della forza, e è la media dei valori effettivi. R² misura la proporzione di varianza nei dati di forza spiegati dal modello.

Errore Assoluto Medio (MAE): Definito come . L'MAE fornisce la magnitudine media degli errori di previsione in unità di Newton (N).

Errore quadratico medio radice (RMSE): definito come . La RMSE è sensibile alle grandi deviazioni di errore ed è espressa in Newton (N).

Tutte le metriche sono state calcolate sul set di test non visto dopo aver invertito eventuali trasformazioni di normalizzazione o scala applicate durante la pre-elaborazione.

Modelli comparati di base
Per confrontare il LSTM a due strati proposto con il filtraggio Hodrick–Prescott (HP), sono stati implementati e valutati i seguenti modelli alternativi con la identica suddivisione di addestramento, validazione e test. Gli iperparametri per tutti i modelli di reti neurali sono stati regolati utilizzando il set di validazione per garantire un confronto equo.

LSTM a singolo strato senza filtraggio HP
Architettura: Un singolo strato LSTM con 50 unità nascoste, seguito da uno strato denso completamente connesso con un singolo neurone di uscita.
Caratteristiche di input: dati grezzi delle forze dai Sensori 8, 13 e 2, più tempo normalizzato (input 4-dimensionale).
Addestramento: ottimizzatore Adam con tasso di apprendimento = 0,001, decadimento = 0,001, dimensione del lotto = 32, addestrato per 20 epoche con fermata precoce (pazienza = 5) monitorando la perdita di validazione.

LSTM a doppio strato senza filtraggio HP
Architettura: Due strati LSTM impilati, ciascuno con 50 unità nascoste. Il primo strato LSTM restituiva sequenze complete, mentre il secondo strato LSTM restituiva solo lo stato nascosto finale. Seguiva uno strato di uscita denso con un neurone.
Caratteristiche di input: Stesse di sopra (input di forza grezza a 4 dimensioni).
Parametri di addestramento: identici alla configurazione LSTM a singolo strato.

LSTM a singolo strato con filtraggio HP
Architettura: Un singolo strato LSTM con 50 unità nascoste seguito da uno strato di uscita denso.
Caratteristiche di input: tendenza decomposta da HP e componenti cicliche per i Sensori 8, 13 e 2, più tempo normalizzato T (input a 7 dimensioni, come descritto nel Protocollo).
Parametri di addestramento: Uguali a quelli sopra.

PCA-LSTM
Riduzione della dimensionalità: l'Analisi dei Componenti Principali (PCA) è stata applicata alla matrice di caratteristiche filtrata da HP a 7 dimensioni per estrarre tre componenti principali, che insieme spiegavano il >95% della varianza nel set di caratteristiche.
Architettura: Un singolo strato LSTM con 50 unità nascoste, che prende come input le tre principali serie temporali componenti.
Parametri di addestramento: Uguali a quelli sopra.

Rete neurale a retropropagazione (BP)
Architettura: Una rete neurale feedforward con uno strato nascosto contenente 64 neuroni e attivazione ReLU. Lo strato di uscita conteneva un singolo neurone lineare.
Rappresentazione in input: I dati della serie temporale sono stati appiattiti in vettori di caratteristiche di lunghezza fissa (100 passi temporali × 7 elementi = 700 dimensioni di input).
Addestramento: ottimizzatore Adam con tasso di apprendimento = 0,001, perdita per errore quadratico medio, addestrato per 100 epoche con una dimensione di lotto di 64. Fermata anticipata con pazienza = applicato 10.

Regressore della Foresta Casuale
Algoritmo: Insieme di 100 alberi decisionali con una profondità massima di 10 e un set minimo di campioni per split a 5.
Rappresentazione in input: Stessi vettori di caratteristiche appiattiti usati per la rete neurale BP (input a 700 dimensioni).
Implementazione: Il RandomForestRegressor della libreria scikit-learn (versione 1.2) è stato utilizzato con iperparametri predefiniti tranne dove specificato sopra.

Considerazioni statistiche
Per valutare la robustezza delle prestazioni predittive, ogni configurazione del modello è stata addestrata e valutata cinque volte con inizializzazioni casuali diverse (dove applicabile). Le metriche riportate rappresentano i valori medi delle cinque esecuzioni, accompagnate dalla deviazione standard per quantificare la variabilità. Non fu applicata alcuna validazione incrociata alle serie temporali per preservare l'ordine temporale; invece, per la regolazione degli iperparametri veniva utilizzato il set fisso di validazione cronologica.

Risultati

Le prestazioni del modello primario sono state valutate utilizzando le metriche del set di test. Un valore alto di^{R 2} (0,897) e un MAE/RMSE basso indicavano che il LSTM a due strati con filtraggio HP catturava con successo la dinamica delle forze del metodo di rolling CTMO. Il confronto con i modelli di base ha mostrato che i modelli filtrati con HP hanno superato i modelli non filtrati, supportando il vantaggio di separare le componenti tendenziali e cicliche per l'apprendimento LSTM. Anche le metriche di per...

Discussione

I risultati dimostrano che l'integrazione di un'architettura a due livelli di memoria a breve termine con il filtraggio Hodrick–Prescott migliora sostanzialmente la previsione dell'applicazione della forza nel Metodo Tradizionale Cinese per Osteopatia Mongola. Rispetto ai modelli LSTM a singolo strato e non filtrati, il modello combinato proposto ha catturato più efficacemente sia le dipendenze temporali a lungo termine sia i componenti di tendenza sottostanti nei segnali di forza, porta...

Materiali

```html

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Artificial human forearm model	Non specificato	Non disponibile	Modello di addestramento standard utilizzato come superficie ricevente per la manipolazione tramite rotolamento
Keras (pacchetto R)	RStudio/Posit	CRAN: keras	API di apprendimento profondo utilizzata per la costruzione del modello LSTM; versione 2.10
mFilter (pacchetto R)	RStudio/Posit	CRAN: mFilter	Utilizzato per il filtraggio Hodrick-Prescott; funzione hpfilter con freq = 100
Sistema di test della forza di presa della mano multicanale	Zhejiang Changxian Co. Ltd.	Tekscan	Sistema di guanto a 24 sensori per l'acquisizione di dati di forza meccanica a una frequenza di campionamento di 100 Hz
neuralnet (pacchetto R)	RStudio/Posit	CRAN: neuralnet	Utilizzato per l'addestramento del modello base della rete neurale Backpropagation (BP)
NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 GB VRAM)	GPU per l'addestramento accelerato della rete neurale
Personal computer (Intel Core i7-12700, 32 GB RAM)	Intel Corporation	i7-12700	Stazione di lavoro che esegue Windows 11 per tutti gli esperimenti computazionali
Python (scikit-learn)	Python Software Foundation	scikit-learn 1.2	Implementazione RandomForestRegressor per il modello base del random forest
Software statistico R	R Core Team	Versione 4.2	Ambiente di calcolo statistico principale per il pre-processing dei dati, la modellazione e la visualizzazione
randomForest (pacchetto R)	RStudio/Posit	CRAN: randomForest	Implementazione alternativa del random forest in R
TensorFlow	Google LLC	Versione 2.10	Framework di apprendimento profondo backend per l'addestramento della rete LSTM

```