アダムとホドリック・プレスコットフィルターを用いた中国伝統モンゴルオステオパシー・ローリング法の長期短期記憶モデリング

サマリー

本研究は、ホドリック・プレスコットフィルタリングと統合された二層の長短期記憶モデルを提案し、中国伝統的モンゴルオステオパシーにおける機械的情報を正確に予測し、実験的な力負荷データにおいて高い精度を実現します。

要約

機械情報の取得と予測は、中国伝統モンゴルオステオパシーのデジタル化にとって重要でした。力の負荷過程から周期的かつ傾向指向的な機械情報を抽出することは、正確な機械情報予測を達成する上で大きな課題となりました。この課題に対処するため、本論文では、HPフィルタリングとLSTMを組み合わせた二重層の長短期記憶(LSTM)ネットワークを導入し、HPフィルタリング技術とLSTMを組み合わせて機械的情報予測の精度を向上させました。この研究は、力の加えに関与する主要な継手に基づいて取得されたデータに対して次元削減を行う機械情報解析の実験データに基づいています。具体的には、合計24のセンサーデータポイントから3つのセンサーデータポイントが重要な入力特徴として選ばれました。LSTMは連続データに内在する長期的な依存関係を捉えるために用いられました。本研究では、アダム最適化アルゴリズムを用いてモデルのハイパーパラメータを微調整し、最適なパフォーマンスを確保しました。実験結果は提案された方法論の有効性を強調しており、決定係数(R²)が0.897、平均絶対誤差が0.025、平均二乗根誤差が0.031であることが示されました。代替推定手法を用いた比較解析により、HPフィルタリングを組み合わせた二層LSTMネットワークの安定性、正確性、一般化能力がさらに証明されました。

概要

中国伝統モンゴルオステオパシー(中国伝統モンゴルノハラフ療法とも呼ばれる)は、施術者が特定の部位に様々な操作技術を適用し、機械的な定量化と技術の標準化を目的とした手技療法であり、骨折の縮小にも臨床的に適用されます。典型的な微細なジェスチャー操作として、アゴラ¹はモンゴルのノハラフ療法の力の適用方法が伝統中国医学(TCM)と大きく異なることを示しました。中国では、モンゴルのオステオパシーが伝統医学の一部として認められ、オステオパシー教育は無形文化遺産保護や専日制の学術プログラムに組み込まれています。Yaoら2によ^れば、オステオパシー操作の特徴は運動学的および機械的特性の両方を含みます。運動学的特徴は、スイング技術の操作的本質である「肩を下げ、肘を下げ、手首を吊るす」など、操作的な動きの形態的側面に関わる。本研究における機械的属性は、力の大きさ、周波数、振幅、速度、そしてそれらの動的変動パターンを含む、加加された力の時系列波形を指し、これらは「持続的で強力で均一かつ穏やかな」力の加え方の基本的な要件を構成します^。

オステオパシー操作の機械的特徴は本質的に複雑であり、複数の関節の統合的な力の発現に由来し、肩、肘、手首、下肢、腰部、背中の協調的な力の生成とそれに対応するスキルに高い負荷を課します。オステオパシー操作の指導や訓練において、指導者は技術の特徴や科学的根拠を単なる記述的な用語だけで伝えるのに苦労することが多いです。同様に、生徒は操作の微妙なニュアンスを完全に把握し、短期間で習熟を達成するのが難しいと感じています。この制約に対処するために、整骨療法の特性に関する研究は、さまざまな先進的なセンシング技術を活用し、技術の特徴パラメータを測定・定量化しています。体系的なデータ分析を通じて、このような研究は臨床経験を検証し、技術の内在する生体力学的原理を明らかにし、最終的には教育応用に応用することで、学生が操作操作の原理をより深く理解する助けとなります。しかし、モンゴルオステオパシーに特化した研究は、より広く研究されているTCMトゥイナ技術に比べて限られており、モンゴルオステオパシーのトレーニングプロトコルの標準化もまだ初期段階にあります。EllwoodとCarnes^は 、専門医から機械的情報を収集し、操作の特徴を抽出するためにコンピュータ技術を応用することが、従来の整骨医学の標準化および標準化された運用の客観的な参考資料となり得ることを示しました。

柔軟な力感知技術の最近の進歩は、従来の操作技術の客観的な測定と定量化に新たな機会を生み出しています。ディープニューラルネットワークを用いて校正された新しい柔軟な6軸力トルクセンサーは、0.751%未満のフルスケール誤差を達成し、マッサージ理学療法の応用で成功裏に実証されています⁵。同様に、光学・触覚ハイブリッドセンシングフレームワークは、6軸の力/トルクデータの同時取得と解剖学的接触部位の特定を可能にし、力推定で^R2 ≥0.87、機動認識で97%以上の精度を達成^{しました。}これらの技術的進歩は、整骨医療操作研究における機械的情報の正確な取得の基盤を提供します。したがって、現代のセンシングと計算手法の統合を通じて、モンゴルの整骨医学における科学的モデリングと体系的な知識伝達を推進する必要があります。

ディープラーニングは時系列予測に革命をもたらし、複雑な非線形ダイナミクスや現実世界のデータに見られる長期依存関係のモデリングにおいて従来の統計手法を超えました^7,8。ディープラーニングアーキテクチャの中で、長期短期記憶(LSTM)ネットワークは、連続データの時間的依存性を捉えるための特に効果的なツールとして台頭しており、金融、医療、エネルギー管理、気候モ^{デリングなど}多様な分野で広く採用されています。150以上の研究を包括的にレビューした結果、特にアダム最適化器で強化されたLSTMベースのアプローチは、^{従来の手法と}比べて予測精度を最大14%向上させることが示されました。特に力予測の分野では、Zhangら¹⁰が波動エネルギー変換器制御におけるリアルタイム励起力予測のためにLSTMベースのRNNアプローチを導入しました。Liら7は、短期船舶のロール運動予測のために教師強制を用いたエンコーダ–デコーダBi-LSTM^を示しました。Zhuら8は、転移学習に基づく残留LSTM^と時間パターンの注意を用いて車輪-レール力の反転を行った。

本研究の主な貢献は以下の通りです。
ホドリック–プレスコットフィルタリングと二重層LSTMアーキテクチャを組み合わせた新しいハイブリッドモデリングフレームワークで、モンゴルのオステオパシーローリング法における力の負荷パターンを予測するために特別に特化しています。
提案モデルを単層LSTM、非HPバリアント、PCA-LSTM、BP ニューラルネットワーク、ランダムフォレストなど複数のベースラインアーキテクチャと比較し、HP強化二層LSTMが非定常力信号予測において優位であることを示しました。
実験的に収集された機械的センサーデータを用いた実証的検証により、伝統的な整骨医療操作技術のデジタル化における再現性のある方法論とベンチマーク結果が提供されます。

関連作品
従来の治療的操作のデジタル化の文脈では、ニューラルネットワークは特徴抽出やフォースパターン分類にますます応用されています。Liら⁶ 、Luら¹¹ は、携帯型マッサージロボット向けにLSTMに基づく機械的情報シーケンス予測手法を提案しました。Lvら¹² は、BPニューラルネットワークと遺伝的アルゴリズムを組み合わせた反復的最適化手法を開発し、TCMマッサージロボットにおける経穴座標予測と行動計画を用いています。Midea Group ^{Co. Ltd.13} は機械視覚を用いたマッサージロボットの特許を取得し、Mollら¹⁴ およびMoら¹⁵ は特定の動き情報を分類するための畳み込みニューラルネットワークの利用を示しました。Sayapin¹⁶ は、手の動きから機械的指標を収集・識別するためのセンサーベースのニューラルネットワークを提案しました。イギリス¹⁷ 国とドイツ¹⁸国の開発状況を踏まえると、モンゴルの整骨医学のデジタル化は教育目的において非常に重要である可能性があります。しかし、これらの研究はいずれもモンゴルのオステオパシーのローリング法に特徴的な特有の力の適用パターンを具体的に扱ったものではありません。

信号分解とディープラーニングを組み合わせたハイブリッド手法は、非定常時系列の予測精度を大幅に向上させています。ホドリック・プレスコット(HP)フィルターは、もともと経済時系列解析のために提案され、シグナルを構成要素トレンドおよび循環成分¹⁹に分解します。最近の研究では、HP分解をニューラルネットワークと組み合わせて様々な領域で成功裏に適用しています。HPフィルタリングとRNNおよびARIMAを組み合わせたハイブリッドモデルでは、電力需要予測において単独ニューラルネットワークと比較してMAPE、RMSE、MAEの削減率が9.70%から56.23%に達し^ました。インフレ予測において、HPフィルタリングはノイズを最も効率的に除去し、循環的ダイナミクスを強調することが判明し、アンサンブルモデルはR² > 0.99、ニューラルネットワークはR² >0.93²¹を達成しました。同様に、HPフィルターベースの分解とピンボール損失誘導型LSTMの組み合わせは、確率的グリッド炭素強度予測に成功裏に応用されています4。これらの^{異なる成分に}内在するパターンを分析^{することで、異なる}データ予測技術を用いてトレンド²⁴と変動^25,26の成分を個別に予測し、これらの予測を組み合わせて^{最終的な予測}結果を導き出します。同様の分解拡張型LSTM戦略は、金融予測など他の非定常時系列領域でも有効性^{を示しています。}

LSTMに基づく時系列予測のこれらの進歩や、HPフィルタリングが前処理技術として有効であることが証明されているにもかかわらず、従来のオステオパシー操作における力の加用パターンを予測するために、HPフィルタリングを多層LSTMアーキテクチャと統合した研究はこれまでにありません。特に中国伝統的モンゴルオステオパシーのローリング法の文脈において顕著です。 ここで、力の非定常特性が独自のモデリング上の課題をもたらします。本研究は、熟練した実務者から実験的に収集された力データをもとに検証されたHPフィルタリングを用いた二重層LSTMモデルを導入することで、このギャップを埋めています。

プロトコル

LSTMネットワーク
再帰ニューラルネットワーク(RNN)は、過去の観測データに基づいて次のタイムステップの値を予測できるニューラルネットワークの一種です。RNNは時系列から1つの観測値を1回ずつ処理し、隠れ層の「状態ベクトル」を継続的に調整することでその時系列の履歴情報を保存します。RNNの目的は時系列における歴史的情報を学習することでしたが、逆伝播アルゴリズムを用いた際に遭遇する勾配消失問題のため、より長い時系列処理には適していませんでした。長時記憶(LSTM)ネットワークは、訓練中に遭遇する勾配消失問題に対応するRNNの変種であり、より長い時系列の処理が可能です。標準的なRNNと比べて、LSTMは入力ゲート、フォーゲットゲート、出力ゲートの3つの追加ゲート制御ユニットを持っています。 図1 はLSTMの基本構造とそのコアアーキテクチャフレームワークを示しており、これは3つのシグモイド活性化関数と2つの双曲接線(TANH)活性化関数という5つの重要な要素で構成されています。注目すべきは、左側に配置されたシグモイド関数が、前の時間ステップからの情報伝達を調整し、フィルタリングや情報を精錬してこの調節過程を支える機能を担っていることです。これは次の式で説明されています。

(1)

図1。LSTMネットワークの基本構造。この図の拡大版はこちらをクリックしてご覧ください。

ここで、忘却ゲートは「F_T」として、入力列は「X_T」、そして「H_T-1」はユニットの出力前に隠された情報として機能します。フォージゲートはどの情報を破棄するか保持するかを決定する役割を担い、入力ゲートはメモリユニットの状態を更新し、出力ゲートはその後の隠れた状態の値を決定することができました。これら3つの門は f_t、i_t、o_t と表記されます。

(2)

(3)

(4)

(5)

(6)

式(3)は、tanh関数によって生成される候補セル状態_C'tを定義し、セル状態に新たな値を加えることを提案します。具体的には、モデルの入力は、式(5)に示されているように、2つのシグモイド関数の出力と初期のタン関数の出力を積分することで定式化されました。

式(4)は、モデルの初期出力値として機能する右シグモイド関数を特徴づけ、その後双曲接関数(tanh)によって区間[−1, 1]に写像されます。その後、tanh関数の結果値とシグモイド関数の出力の両方がそれぞれの実際の出力値に変換されます(式(6)に示されています。

LSTMでは、シグモイド関数が現在の情報を制御し、双曲接線(tanh)機能は過去情報の処理を担当することがあります。これら二つの機能の統合により、LSTMはその予測力を発揮します。従来のRNNと比べて、LSTMの利点は高度なアーキテクチャにあり、入力データメモリの全てをタイムステップt+1までキャプチャ可能です。この記憶の完全性は、シグモイド機能によって可能となるゲート機構によって保存され、重要な情報が長期間にわたって保持されることを保証します。

HPフィルター
ホドリック・プレスコットフィルター(HPフィルター)は、1980年にホドリックとプレスコットによって提案され、経済分析や時系列分析で広く用いられています。HPフィルターは、解析対象のデータセットが長期変動と短期変動の組み合わせであると仮定し、時系列Y={y1, y2, ..., yT}を2つの部分系列に分解します。長期トレンド系列G={g1, g2, ..., gT}と短期変動系列S={s1, s2, ..., sT}です。長期トレンド系列 gT(ここで t=1,2,...,T は)は、次の式を最小化することで導出されます。

(7)

ここでTは時系列ytのサンプル数を表し、λが0より大きい(平滑化パラメータとして知られ、 と の重みを示します)。λ=0の場合、最小化問題を満たす長期トレンド系列Gは元の級数Yに等しい。λの値が大きくなると、長期トレンド系列の総変化数は元の系列に比べて減少し、λが大きいほど長期トレンド系列はより滑らかになります。λが無限大に近づくと、長期トレンド級数は線形関数に似ます。短期変動系列は、元の時系列から長期トレンド系列、すなわちS=Y-Gを差し引くことで得られます。

HPフィルターを適用する前に、適切な平滑化パラメータλを選択することが不可欠でした。なぜなら、異なる平滑化パラメータは明確な長期的な傾向と短期的な変動を決定づけるからです。これまでの関連研究に従い、本研究ではλの値は100に設定されています。

参加者準備と倫理承認
倫理承認は内モンゴル医科大学倫理審査委員会(No.YKD202001041)データ収集の前に。内モンゴル医科大学モンゴル医学部の専任研究者で、中国伝統モンゴルオステオパシー(CTMO)ローリング法に熟練した研究者が採用されました。参加者から書面によるインフォームド・コンセントが取得されました。すべての手続きはヘルシンキ宣言の原則に従った。

機器のセットアップとキャリブレーション
24個の機械的センサーを備えたマルチチャンネル手握力テストシステムが、CTMOローリング法の機械的パラメータを収集するために使用されました(システムレイアウトおよびセンサー位置については 図2 および 図 3を参照)。全24個のフォースセンサーはメーカーの指示に従って校正されました。データ取得ソフトウェアは100Hzのサンプリング周波数でデータを記録し、リアルタイムの力の読み取り値をニュートン(N)で表示するよう設定されていました。記録時間は1回の試行で60秒に設定されていました。

図2。マルチチャンネルの手握力テストシステム。この図の拡大版はこちらをクリックしてご覧ください。

図3。マルチチャンネル握力テストシステムに基づくマッサージマニピュレーション習得インターフェース。この図の拡大版はこちらをクリックしてご覧ください。

データ取得
参加者は計器付きグローブを着用し、標準的な開始姿勢を取るよう指示されました。人工の前腕モデルは、参加者の前方の安定した水平面に置かれました。データ記録ソフトが起動すると、参加者は前腕モデルの指定部位にCTMOローリング操作を1分間連続して行いました。生データファイルは構造化形式(例:.csvまたは.txt)で保存され、24個すべてのセンサーからのタイムスタンプと力の読み取り値が含まれていました。この手順は合計150件の独立試験が完了するまで繰り返されました。参加者は疲労による変動を最小限に抑えるため、試験間で少なくとも30秒の休息を取った。その後、R(バージョン4.2)は動きのルールや関節の可動域角度の計算、技術の運用特性の要約に用いられました。

特徴可視化によるセンサー選択
すべての試験における24センサーの生の力データはRに読み込まれました。各センサーの平均力の大きさと分散は、データセット全体にわたって計算されました。Rのggplot2パッケージを用いて、各指指骨/中手骨の総力負荷に対する相対的な寄与を示すバブルフィル図が作成されました。この図(図4)に基づき、センサー8(小指近位指骨)、13(中指遠位指骨)、2(人差し指遠位指骨)が最も力の大きさと変動を示し、その後のモデリングの主要な入力特徴として選ばれました。

図4。ローラー法でのナックルのバブルフィリング図。 (1) 人差し指の近位指骨;(2) 人差し指の遠位指骨;(3) 人差し指の中手骨;(4) 人差し指の中指骨;(5) 薬指近位指骨;(6) 薬指の遠位指骨;(7) 薬指中手骨指骨;(8) 小指近位指骨;(9) 小指の遠位指骨;(10)小指の中手骨;(11) 小指の中指骨;(12) 中指近位指骨;(13) 中指遠位指骨;(14)中指中手骨;(15)中指の中指。 この図の拡大版はこちらをクリックしてご覧ください。

時系列モデリングのためのデータ前処理
選定センサーの時系列力データF ₈(t)、F₁₃(t)、F₂(t)を生データセットから抽出しました。正規化された時間変数Tは、記録タイムスタンプを[0'1]間隔にスケーリングすることで作成されました。以下の式が使用されました:

ここで t は元のタイムスタンプ(秒単位)でした。各試行ごとに、力データと正規化時間が連結され、 N×4 次元の多変量時系列データセットが作成されました 。ここでN は時間ステップ数(100Hzで60秒の試行は6,000ステップ)、列は[T'F_{8'F 13'F 2}]に対応しました。

ホドリック–プレスコット(HP)フィルタリング
ホドリック・プレスコットフィルターは、F₈、_F13、F₂の3つの強制信号それぞれに独立して適用されました。平滑化パラメータはλ=100に設定されました。この値は、最初の2,000データポイントで観察された長期的な力の傾向のおおよそ年次・周期的な性質に基づいて選ばれており(図5参照)、生体力学的力特性の保存に適していると考えられていました。

図5。センサー8の最初の2,000データポイントにおけるλ=100およびλ=10,000を用いたHPフィルター効果の比較。この図の拡大版はこちらをクリックしてご覧ください。

実装注意事項:rのmFilterパッケージのhpfilter関数は、freq = 100の引数で使用されました。

各センサー信号に対して2つの成分が得られました:トレンド成分 G(t)と循環成分C(t)で、ここで 。最終的な入力特徴行列は、正規化された時間と3つの選定センサーのHPフィルタリングされたトレンドおよび循環成分を連結して構築されました。これにより、 N×7次元のデータセットが生成されました: 。データセットは、トレーニング(70%)、検証(15%)、テスト(15%)のサブセットに年代順に分割されていました。重要:時間の漏れを防ぐために、時系列のランダムなシャッフルは避けられました。テストセットには記録された時間序列の最後の15%が含まれていました。

HPフィルタリングを用いた二層LSTMモデルの構築
計算環境はTensorFlow(バージョン2.10)とRのKeras APIを用いて構築されました。ニューラルネットワークのアーキテクチャは次のように定義されました。
入力層:Shape = (シーケンス長'7)、sequence_lengthは入力サンプルあたりのタイムステップ数(100ステップ使用)でした。
最初のLSTMレイヤー:単位=50、return_sequences=真。再発ステップにはtanh活性化関数が用いられ、ゲート起動にはシグモイドが用いられました。
第2LSTMレイヤー:単位=50、return_sequences=偽。
完全連結(濃密)層:単位=1(単変量力予測用)。HPフィルタリングを用いた二重層LSTMモデルの、データ前処理から最終予測までの完全なワークフローは図6に示されています。出力ターゲットは次のタイムステップにおけるセンサー8の力の値(1ステップ先の予測)でした。

図6。二重層LSTMアプリケーションワークフローチャート。この図の拡大版はこちらをクリックしてご覧ください。

モデルは以下のハイパーパラメータを持つAdam最適化アルゴリズムを用いてコンパイルされました:学習率:0.001;衰減速度:0.001;損失関数:平均二乗誤差(MSE)。モデルは20の時代、32のバッチサイズで訓練されました。早期停止は、過学習を防ぐために検証損失を5エポックにわたり忍耐強く監視して実装されました。正則化のためにLSTM層間でドロップアウト率0.2が適用されました。訓練データは各エポック内のバッチレベルでのみシャッフルされ、連続順序ではなく時間的整合性を維持しつつ、勾配下降のための確率性を導入しました。

テストデータセットの設定
提案モデルの予測性能を評価するために、前処理データセットは時系列的に3つのサブセットに分割されました:トレーニング(70%)、検証(15%)、テスト(15%)。時系列の分割により、将来の情報が訓練過程に漏れることはなかった。テストセットは、記録されたシーケンスの最終2,000時間ステップ×3つのセンサー=6,000のデータポイントで構成されており、元のサンプリングレート100 Hzでの約20秒の連続的な力負荷データに対応しています。より長時間の予測能力を評価するために、20回連続した60秒の試行を時系列的に連結しつつ時間順序を保つ1,200秒(120,000時間ステップ)の拡張テストシーケンスを構築しました。連結された試験間の部隊の連続性が確認され、急激な移行がないよう確認されました。

パフォーマンス指標
予測精度を定量化するために、3つの標準的な回帰指標が計算されました。

決定係数(R²):として定義され、y、_i 、はそれぞれ実際の力値と予測される力の値を表し、は実際の値の平均値です。R²はモデルが説明する力データの分散の割合を測定します。

平均絶対誤差(MAE):と定義されます。MAEはニュートン(N)単位で予測誤差の平均大きさを提供します。

平方根誤差(RMSE):として定義されます。RMSEは大きな誤差偏差に敏感で、ニュートン(N)で表されます。

すべての指標は、前処理時に適用された正規化やスケーリング変換を逆転した後、未表示のテストセット上で計算されました。

比較ベースラインモデル
提案された2層LSTMとホドリック・プレスコット(HP)フィルタリングのベンチマークとして、以下の代替モデルが同一の訓練、検証、テスト分割で実装・評価されました。すべてのニューラルネットワークモデルのハイパーパラメータは検証セットを用いて調整され、公平な比較が確保されました。

HPフィルタリングなしの単層LSTM
アーキテクチャ:50個の隠れたユニットを持つ単一のLSTM層と、1つの出力ニューロンを持つ完全接続の高密度層。
入力機能:センサー8、13、2からの生の力データと、正規化された時間(4次元入力)。
トレーニング:学習率=0.001、衰減=0.001、バッチサイズ=32で20エポクを訓練し、早期停止(忍耐=5)で検証損失を監視。

HPフィルタリングなしの二重層LSTM
アーキテクチャ:2つの積み重ねられたLSTMレイヤーで、それぞれ50個の隠れたユニットを持つ。最初のLSTMレイヤーは完全なシーケンスを返し、2番目のLSTMレイヤーは最終的な隠れた状態のみを返しました。その後、1つのニューロンを持つ高密度な出力層が続きました。
入力特徴:上記と同じ(4次元の生の力入力)。
訓練パラメータ:単一層LSTM構成と同一です。

HPフィルタリングを用いた単層LSTM
アーキテクチャ:50個の隠れたユニットを持つ単一のLSTM層に、その後に高密度な出力層が続く。
入力機能:センサー8、13、2のHP分解トレンドおよび周期成分、さらに正規化された時間 T (プロトコルに記載された7次元入力)。
トレーニングパラメータ:上記と同じです。

PCA-LSTM
次元削減:主成分解析(PCA)を7次元HPフィルタリング特徴行列に適用し、特徴セットの分散の>95%を説明した3つの主成分を抽出しました。
アーキテクチャ:50個の隠れたユニットを持つ単一のLSTM層で、3つの主要なコンポーネント時系列を入力として取ります。
トレーニングパラメータ:上記と同じです。

逆伝播(BP)ニューラルネットワーク
アーキテクチャ:64個のニューロンを含む1つの隠れた層とReLU活性化を持つフィードフォワードニューラルネットワーク。出力層には単一の線形ニューロンが含まれていました。
入力表現:時系列データは固定長の特徴ベクトル(100の時間ステップ×7の特徴=700の入力次元)にフラット化されました。
トレーニング:学習率=0.001、平均二乗誤差損失のアダム最適化器、バッチサイズ64で100エポックを訓練。早期停止は忍耐力=10で適用されました。

ランダムフォレスト回帰器
アルゴリズム:最大深さ10、スプリットあたり最小サンプル数を5に設定した100の決定木のアンサンブル。
入力表現:BPニューラルネットワーク(700次元入力)で使用されたのと同じ平坦な特徴ベクトル。
実装:scikit-learnライブラリ(バージョン1.2)のRandomForestRegressorは、上記の指定を除きデフォルトのハイパーパラメータで使用されました。

統計的考慮事項
予測性能の堅牢性を評価するために、各モデル構成は異なるランダム初期化(該当する場合)で5回訓練・評価されました。報告された指標は、5回のランの平均値であり、変動を定量化するための標準偏差を添えています。時系列には時間順序を保持するためのクロス検証は適用されませんでした。代わりに、固定された時系列検証セットがハイパーパラメータチューニングに使用されました。

結果

主要モデルのパフォーマンスはテストセットの指標を用いて評価されました。高い^R2 値(0.897)と低いMAE/RMSEは、HPフィルタリングを用いた二層LSTMがCTMOローリング法の力の力学を成功裏に捉えたことを示しました。ベースラインモデルとの比較では、HPフィルタリングモデルが非フィルタリングモデルを上回り、LSTM学習における傾向要素と周期的要素を分離する利点を支持しました。モデルのパフォーマンス指標も、訓練により多くの連続データ(例:1,200秒)を用いることで改善し、 図7の結果が示しています。

HPフィルタリングを用いた提案された2層LSTMの性能
ホドリック・プレスコット(HP)フィルタリングと統合された二層LSTMモデルの予測性能は、3つの選定センサーにまたがる2,000の時間ステップ(合計6,000データポイント)からなる未確認テストデータセットで評価されました。モデルはテストセット上で決定係数(R²)が0.897、平均...

ディスカッション

結果は、2層の長時短期記憶アーキテクチャとホドリック・プレスコットフィルタリングを統合することで、中国の伝統的なモンゴルオステオパシー・ローリング法における力の適用予測が大幅に向上することを示しています。単層かつ非フィルタリングのLSTMモデルと比較して、提案された統合モデルは、力信号における長期的な時間的依存性と基盤となる傾向成分の両方をより効果的に捉え、予測誤差の低減とより強い一般^{化性能を実現}しました。HPフィルタリングなしのLSTMモデルの劣悪な結果は、生の力データに大きなノイズや定常特性が含まれており、直接学習を妨げていることを示しています。予測前に周期的および傾向指向の成分を分解することで、HPフィルターはニューラルネットワークに対してよりクリーンで情報量豊富な入力を提供しました^20,28。さらに、サンプルサイズ効果の分析により、結合モデルは異なるデータスケールで安定した性能を維持していることが示...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
人工ヒト前腕モデル	未指定	利用不可	ローリング操作の受信面として使用される標準トレーニングモデル
Keras (Rパッケージ)	RStudio/Posit	CRAN: keras	LSTMモデル構築に使用されるディープラーニングAPI; バージョン2.10
mFilter (Rパッケージ)	RStudio/Posit	CRAN: mFilter	ホドリック・プレスコットフィルタリングに使用; 関数hpfilterでfreq = 100
マルチチャンネル手の握力テストシステム	Zhejiang Changxian Co. Ltd.	Tekscan	100 Hzサンプリングレートでの機械的力データ取得用24センサーグローブシステム
neuralnet (Rパッケージ)	RStudio/Posit	CRAN: neuralnet	バックプロパゲーション（BP）ニューラルネットワークベースラインモデルのトレーニングに使用
NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 GB VRAM)	ニューラルネットワークトレーニングを加速するためのGPU
パーソナルコンピュータ（Intel Core i7-12700、32 GB RAM）	Intel Corporation	i7-12700	すべての計算実験用にWindows 11を実行するワークステーション
Python (scikit-learn)	Python Software Foundation	scikit-learn 1.2	ランダムフォレストベースラインモデルの実装
R統計ソフトウェア	R Core Team	バージョン4.2	データの前処理、モデリング、可視化のための主要な統計計算環境
randomForest (Rパッケージ)	RStudio/Posit	CRAN: randomForest	Rの代替ランダムフォレスト実装
TensorFlow	Google LLC	バージョン2.10	LSTMネットワークトレーニングのためのバックエンドディープラーニングフレームワーク