아담과 호드릭-프레스콧 필터를 이용한 중국 전통 몽골 정골 롤링 방법의 장기 단기 기억 모델링

요약

본 연구는 Hodrick-Prescott 필터링과 통합된 2층 장기 단기 기억 모델을 제안하여 중국 전통 몽골 정골요법의 기계적 정보를 정확히 예측하며, 실험적 힘-운동 데이터에 대해 높은 정확도를 달성합니다.

초록

기계적 정보의 획득과 예측은 중국 전통 몽골 정골요법의 디지털화에 중요했습니다. 힘 가해 과정에서 주기적이고 추세 지향적인 기계적 정보를 추출하는 것은 정밀한 기계적 정보 예측을 달성하는 데 상당한 도전이었습니다. 이 문제를 해결하기 위해 본 글에서는 HP(HP) 필터링과 통합된 이중 계층 장기 단기 기억(LSTM) 네트워크를 소개했으며, 이는 HP 필터링 기술과 LSTM을 결합하여 기계적 정보 예측의 정확도를 높였습니다. 이 연구는 기계적 정보 분석을 위해 실험적으로 수집된 데이터를 바탕으로 하였으며, 힘 가하는 주요 조인트를 기반으로 획득된 데이터에 대해 차원 축소가 수행되었습니다. 구체적으로, 총 24개의 센서 데이터 포인트 중 3개가 핵심 입력 특징으로 선택되었습니다. LSTM은 순차 데이터에 내재된 장기 의존성을 포착하는 데 사용되었습니다. 이 연구에서는 아담 최적화 알고리즘을 활용해 모델의 하이퍼파라미터를 미세 조정하여 최적의 성능을 보장했습니다. 실험 결과는 결정계수(R²)가 0.897, 평균 절대오차 0.025, 평균제곱근 오차 0.031로 제안된 방법론의 효능을 강조했습니다. 대체 추정 방법을 이용한 비교 분석 결과, HP 필터링이 추가된 2층 LSTM 네트워크의 안정성, 정확성, 일반화 능력이 더욱 입증되었습니다.

서론

중국 전통 몽골 골골요법(중국 전통 몽골 노하라후 치료법으로도 알려짐)은 실무자가 특정 신체 부위에 다양한 조작 기법을 적용하여 기계적 정량화와 기술 표준화를 목적으로 하는 수기 치료 접근법이며, 임상적으로도 골절 감소에 적용됩니다. 전형적인 미세 제스처 조작으로서 아고라¹ 은 몽골 노하라후 치료의 힘 가사 방법이 전통 중의학(TCM)과 상당히 다르다는 점을 지적했다. 중국에서는 몽골 정골요법이 전통 의학의 일부로 인정받고, 정골 교육이 무형문화유산 보호 및 전일제 학문 프로그램에 통합되었습니다. Yao 등^에 따르면, 정골 조작의 특징은 운동학적 특성과 기계적 특성을 모두 포함합니다. 운동학적 특징은 조작 동작의 형태학적 측면과 관련되며, 예를 들어 스윙 기술의 조작적 본질인 "어깨를 내리고, 팔꿈치를 내리고, 손목을 매달기"와 같은 것들입니다. 본 연구에서 기계적 속성은 특히 가해된 힘의 시계열 파형을 의미하며, 힘의 크기, 주파수, 진폭, 속도 및 이들의 동적 변화 패턴을 포함하며, 이들은 "지속적이고, 강력하며, 균일하고, 부드러운"^{힘 가해}의 기본 요구사항을 구성합니다.

정골 조작의 기계적 특성은 본질적으로 복잡하며, 여러 관절의 통합된 힘 사용에서 비롯되어 시술자의 어깨, 팔꿈치, 손목, 하지, 요추 부위, 등 관절의 조정된 힘 생성과 이에 따른 기술에 큰 부담을 줍니다. 정골요법 조작을 가르치고 훈련할 때, 강사들은 기술적 용어만으로 기술의 특성과 과학적 근거를 전달하는 데 어려움을 겪는 경우가 많습니다. 마찬가지로, 학생들은 조작의 미묘한 차이와 차이를 완전히 파악하고 짧은 시간 내에 숙련도를 얻기 어렵습니다. 이 한계를 해결하기 위해 정골 조작의 특성에 관한 연구는 다양한 첨단 센싱 기술을 활용하여 기술의 특징 매개변수를 측정하고 정량화하였습니다. 체계적인 데이터 분석을 통해 이러한 연구는 임상 경험을 검증하고, 기술의 내재된 생체역학적 원리를 밝혀내며, 궁극적으로 그 결과를 교육적 응용으로 전환하여 학생들이 조작 수술의 원리를 더 깊이 이해하도록 돕습니다. 그러나 몽골 정골요법에 대한 연구는 더 광범위하게 연구된 TCM 투이나 기법에 비해 제한적이며, 몽골 정골요법 훈련 프로토콜의 표준화도 아직 초기 단계에 있습니다. Ellwood와 Carnes⁴ 는 컴퓨터 기술을 활용해 전문가로부터 기계적 정보를 수집하고 조작 특징을 추출하는 것이 전통 정골의학의 표준화 및 표준화된 운영에 객관적인 참고 자료가 될 수 있음을 보여주었다.

최근 유연한 힘 감지 기술의 발전은 전통적인 조작 기법을 객관적으로 측정하고 정량화할 수 있는 새로운 기회를 창출했습니다. 심층 신경망을 사용해 보정된 새로운 유연한 6축 힘/토크 센서는 0.751% 미만의 전체 스케일에서 측정 오차를 달성했으며, 마사지 물리치료 응용 분야에서 성공적으로 입증되었습니다⁵. 마찬가지로, 광-촉각 하이브리드 감지 프레임워크는 6축 힘/토크 데이터와 해부학적 접촉 부위 식별을 동시에 획득할 수 있게 하여 힘 추정에 R² ≥ 0.87을 달성했고, 기동 인식 정확도는 97% 이상을^{달성했습니다.} 이러한 기술 발전은 정골의학 조작 연구에서 기계적 정보를 정밀하게 획득할 수 있는 기반을 제공합니다. 따라서 현대 센싱 및 계산 방법의 통합을 통해 몽골 정골의학에서 과학적 모델링과 체계적인 지식 전달을 발전시킬 필요가 있습니다.

딥러닝은 시계열 예측에 혁신을 가져왔으며, 복잡한 비선형 역학과 실제 시간 데이터에서 흔한 장기 의존성을 모델링하는 전통적인 통계 기법을 뛰어넘었습니다 ^7,8. 딥러닝 아키텍처 중에서, 장기 단기 기억(LSTM) 네트워크는 순차 데이터에서 시간적 의존성을 포착하는 데 특히 효과적인 도구로 부상했으며, 금융, 의료, 에너지 관리, 기후^{모델링 등} 다양한 분야에서 널리 채택되고 있습니다. 150개 이상의 연구를 종합적으로 검토한 결과, 특히 Adam 옵티마이저로 강화된 LSTM 기반 접근법이^{전통적인 방법에 비해} 예측 정확도를 최대 14%까지 향상시킨다는 것이 입증되었습니다. 특히 힘 예측 분야에서 Zhang 등은 파동 에너지 변환기 제어에서 실시간 여기력 예측을 위한 LSTM 기반 RNN ^접근법을 도입했습니다. Li 등⁷은 교사 강제를 이용한 인코더-디코더 Bi-LSTM을 단기 선박 롤 운동 예측에 적용했습니다. Zhu 등은 시간 패턴 주의를 가진 전이 학습 기반 잔여 LSTM^{을 휠-}레일 힘 반전을 위해 활용했습니다.

이 연구의 주요 기여는 다음과 같습니다:
몽골 정골요법 롤링 방법에서 힘 사용 패턴을 예측하기 위해 특별히 설계된 Hodrick–Prescott 필터링과 이중 계층 LSTM 아키텍처를 결합한 새로운 하이브리드 모델링 프레임워크입니다.
단일 계층 LSTM, 비-HP 변형, PCA-LSTM, BP 신경망, 랜덤 포레스트 등 여러 기초 아키텍처와 비교하여 제안된 모델을 종합적으로 비교하여 HP가 강화된 2층 LSTM이 비정상 전력 신호 예측에서 우수함을 입증했습니다.
실험적으로 수집된 기계적 센서 데이터를 이용한 경험적 검증을 통해 전통적인 정골 조작 기법의 디지털화를 위한 재현 가능한 방법론과 벤치마크 결과를 제공합니다.

관련 작품
전통적인 치료 조작 디지털화 맥락에서 신경망은 특징 추출과 강제 패턴 분류에 점점 더 많이 적용되고 있습니다. Li 등⁶ , Lu 등¹¹ 은 휴대용 마사지 로봇을 위한 LSTM을 기반으로 한 기계적 정보 시퀀스 예측 방법을 제안하였다. Lv 등^은 BP 신경망과 유전 알고리즘을 결합한 반복적 최적화 접근법을 개발하여 TCM 마사지 로봇의 경보점 좌표 예측과 행동 계획에 활용하였습니다. Midea Group Co. ^Ltd.13 은 머신 비전을 이용한 마사지 로봇에 특허를 출원했으며, Moll 등^은 특정 움직임 정보를 분류하기 위해 컨볼루션 신경망을 사용한다는 ^{것을 입증했습니다} . 사야핀¹⁶ 은 손 움직임에서 기계적 지표를 수집하고 식별하기 위한 센서 기반 신경망을 제안했다. 영국¹⁷ 국과 독일¹⁸국의 개발 현황을 고려할 때, 몽골 정골요법의 디지털화는 교육 목적에 매우 중요할 수 있습니다. 그러나 이 연구들 중 어느 것도 몽골 정골요법 롤링 방법의 독특한 힘 적용 패턴을 구체적으로 다루지 않았습니다.

신호 분해와 딥러닝을 결합한 하이브리드 접근법은 비고정 시계열에 대한 예측 정확도에서 상당한 향상을 보여주었습니다. 호드릭-프레스콧(HP) 필터는 원래 경제 시계열 분석을 위해 제안되었으며, 신호를 구성 추세와^{순환 성분으로} 분해합니다. 최근 연구들은 다양한 영역에서 신경망과 함께 HP 분해를 성공적으로 적용했습니다. HP 필터링과 RNN, ARIMA를 결합한 하이브리드 모델은 독립형 신경망과 비교했을 때 MAPE, RMSE, MAE의 감소율을 9.70%에서 56.23%까지 달성했습니다²⁰. 인플레이션 예측에서 HP 필터링은 노이즈를 가장 효율적으로 제거하고 순환 역학을 강조하는 것으로 밝혀져, 앙상블 모델이 R² > 0.99를 달성하고 신경망은 R² > 0.93²¹을 달성할 수 있게 했습니다. 마찬가지로, HP 필터 기반 분해와 핀볼 손실 유도 LSTM을 결합한 것이 확률적 그리드 탄소 강도 예측에 성공적으로 적용되었습니다4. 이 구별된 구성 요소들에 내재된 패턴을 분석함으로써^22,23 다양한 데이터 예측 기법을 적용해 추세²⁴와 변동^25,26 구성 요소를 별도로 예측한 후, 이 예측들을 결합하여 최종 예측 결과를 산출합니다²⁷. 유사한 분해 증강 LSTM 전략은 재무 예측과 같은 다른 비정상 시계열 영역에서도 효과가 입증^{되었습니다.}

LSTM 기반 시계열 예측의 이러한 발전과 HP 필터링이 전처리 기법으로서 입증된 효능에도 불구하고, 우리가 아는 한, 전통적인 골의학 조작에서 힘 적용 패턴을 예측하기 위해 HP 필터링을 다층 LSTM 아키텍처와 통합한 연구는 없습니다. 특히 중국 전통 몽골 정골요법 롤링 방법과 관련해서입니다. 여기서 비정상적인 힘의 특성은 독특한 모델링 도전을 제기합니다. 본 연구는 숙련된 실무자로부터 실험적으로 수집된 힘 데이터를 기반으로 HP필터링으로 강화된 이중 층 LSTM 모델을 도입하여 이 격차를 해소합니다.

프로토콜

LSTM 네트워크
순환 신경망(RNN)은 시계열 내 이전 관찰을 바탕으로 다음 시간 단계의 값을 예측할 수 있는 신경망의 한 종류였습니다. RNN은 시계열에서 한 번에 하나의 관측값을 처리하며, 숨겨진 층의 '상태 벡터'를 지속적으로 조정하여 시계열의 역사 정보를 저장합니다. RNN의 목표는 시계열 내 역사적 정보를 학습하는 것이었지만, 역전파 알고리즘 사용 시 발생한 기울기 소멸 문제 때문에 긴 시계열 처리에는 적합하지 않았습니다. 장기 단기 기억(LSTM) 네트워크는 훈련 중 발생하는 구배 사소 문제를 해결하기 위해 더 긴 시계열 데이터를 처리할 수 있게 하는 RNN의 변형입니다. 표준 RNN과 비교할 때, LSTM은 입력 게이트, 포포스 게이트, 출력 게이트의 세 가지 추가 게이트 제어 유닛을 가지고 있습니다. 그림 1 은 LSTM의 기본 구조와 핵심 아키텍처 프레임워크를 설명하며, 이는 세 개의 시그모이드 활성화 함수와 두 개의 쌍곡선 접(tanh) 활성화 함수로 구성된 다섯 가지 필수 구성 요소로 구성되어 있습니다. 왼쪽에 위치한 시그모이드 함수는 이전 시간 단계의 정보 전송을 조절하는 데 중요한 역할을 하며, 필터링 및 정제하는 기능을 수행하여 이 조절 과정을 지원한다는 점이 주목할 만했다. 이는 다음 식에서 설명된다:

(1)

그림 1. LSTM 네트워크의 기본 구조. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

여기서 포기문 게이트는 "F_T", 입력 시퀀스는 "X_T", "H_T-1"은 유닛 출력 이전에 숨겨진 정보입니다. 포스 게이트는 어떤 정보를 버릴지 유지할지 결정하는 역할을 했고, 입력 게이트는 메모리 유닛의 상태를 업데이트할 수 있었으며, 출력 게이트는 이후 숨겨진 상태의 값을 결정할 수 있었습니다. 이 세 문은 f_t, i_t, o_t로 표기됩니다.

(2)

(3)

(4)

(5)

(6)

식(3)은 tanh 함수가 생성하는 후보 셀 상태 _C't를 정의하며, 이 함수는 셀 상태에 새로운 값을 추가할 것을 제안합니다. 구체적으로, 모델의 입력은 두 개의 시그모이드 함수의 출력과 초기 탄 함수의 출력을 적분하여 공식화되었으며, 이는 식(5)에 나타난 바와 같다.

식 (4)은 모델의 초기 출력 값인 오른쪽 시그모이드 함수를 특징짓고, 이후 쌍곡 접 함수(tanh)를 통해 구간 [−1, 1]에 대응되었습니다. 이후 탄 함수의 결과 값과 시그모이드 함수의 출력값이 각각 실제 출력 값으로 변환되며, 이는 식(6)에서 예시로 나타난다.

LSTM에서는 시그모이드 함수가 현재 정보를 조절하는 반면, 쌍곡선 접선(tanh) 함수는 과거 정보를 처리하는 역할을 할 수 있습니다. 이 두 기능의 통합은 LSTM의 예측 능력을 제공합니다. 기존 RNN과 비교할 때 LSTM의 장점은 입력 데이터 메모리 전체를 t+1 단계까지 캡처할 수 있는 정교한 아키텍처에 있습니다. 이 기억의 무결성은 시그모이드 기능이 촉진하는 게이팅 메커니즘을 통해 보존되어, 중요한 정보가 장기간 동안 유지되도록 보장합니다.

HP 필터
호드릭-프레스콧 필터(HP 필터)는 1980년 호드릭과 프레스콧이 제안했으며, 경제 분석과 시계열 관련 분석에서 널리 사용되고 있습니다. HP 필터는 분석 대상 데이터셋이 장기 변동과 단기 변동의 조합이라고 가정하며, 시계열 Y={y1, y2, ⋯, yT}를 두 개의 하위 시리즈로 분해합니다: 장기 추세 시리즈 G={g1, g2, ⋯, gT}와 단기 변동 시리즈 S={s1, s2, ⋯, sT}입니다. 장기 추세 수열 gT(여기서 t=1,2,⋯,T)는 다음 식을 최소화하여 도출됩니다:

(7)

여기서 T는 시계열 yt의 샘플 수를 나타내고, λ가 0보다 크며, 이는 항과 의 가중치를 나타내는 평활화 매개변수로 알려져 있습니다. λ=0일 때, 최소화 문제를 만족하는 장기 추세 급수 G는 원래 급수 Y와 같다. λ의 값이 증가할수록 장기 추세 연속의 전체 변화 횟수는 원래 연속에 비해 감소하므로, λ가 클수록 장기 추세 연속이 더 부드럽게 이어집니다. λ가 무한대에 가까워지면 장기 추세 연수수는 선형 함수와 유사하게 나타납니다. 단기 변동 수열은 원래 시계열에서 장기 추세 수열, 즉 S=Y-G를 빼서 얻을 수 있습니다.

HP 필터를 적용하기 전에, 서로 다른 평활화 매개변수는 뚜렷한 장기 추세와 단기 변동을 결정하므로 적절한 평활화 매개변수 λ를 선택하는 것이 필수적이었습니다. 이전 관련 연구에 따르면, 이 연구에서 λ의 값은 100으로 설정되었습니다.

참가자 준비 및 윤리적 승인
내몽골 의과대학 윤리 심사 위원회(No. YKD202001041) 데이터 수집 이전에 말입니다. 내몽골 의과대학 몽골 의학대학의 전임 연구원이 중국 전통 몽골 정골요법(CTMO) 롤링 방법에 능숙한 연구원을 모집했습니다. 참가자로부터 서면 동의서를 받았습니다. 모든 절차는 헬싱키 선언의 원칙을 준수했다.

장비 설치 및 교정
24개의 기계식 센서가 장착된 다중 채널 손잡이 강도 시험 시스템이 CTMO 롤링 방법의 기계적 매개변수를 수집하는 데 사용되었습니다(시스템 배치 및 센서 위치 확인은 그림 2 와 그림 3 참조). 24개의 힘 센서 모두 제조사 지침에 따라 보정되었습니다. 데이터 수집 소프트웨어는 100Hz 샘플링 주파수로 데이터를 기록하고 실시간 힘 값을 뉴턴(N) 단위로 표시하도록 구성되었습니다. 녹화 시간은 한 번에 60초로 설정되었습니다.

그림 2. 다중 채널 손잡이 강도 테스트 시스템. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 3. 다중 채널 악력 테스트 시스템을 기반으로 한 마사지 조작 습득 인터페이스. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

데이터 수집
참가자는 계기가 달린 장갑을 끼고 표준 시작 자세를 취하라는 지시를 받았습니다. 인공 인간 팔뚝 모델은 참가자 앞의 안정적이고 수평적인 표면에 놓였습니다. 데이터 기록 소프트웨어가 시작되면, 참가자는 팔뚝 모델의 지정된 부위에 1분간 CTMO 롤링 조작을 연속으로 수행했습니다. 원시 데이터 파일은 24개 센서 모두의 타임스탬프와 힘 측정값을 포함하는 구조화된 형식(예: .csv 또는 .txt)으로 저장되었습니다. 이 절차는 총 150건의 독립 시험이 완료될 때까지 반복되었다. 참가자는 피로 유발 변동성을 최소화하기 위해 시험 사이에 최소 30초 이상 휴식을 취했습니다. 이후 R(버전 4.2)은 움직임 규칙과 관절 운동 범위 각도를 계산하고 기술의 작동 특성을 요약하는 데 사용되었습니다.

특징 시각화를 통한 센서 선택
모든 실험에서 24개의 센서에서 나온 원시 힘 데이터가 R에 로드되었습니다. 각 센서의 평균 힘 크기와 분산은 전체 데이터셋에 걸쳐 계산되었습니다. 각 손가락 지골/중수골이 총 힘 행사에 대해 차지하는 비율을 나타내기 위해 R의 ggplot2 패키지를 사용하여 버블 채움 다이어그램을 만들었습니다. 이 도표(그림 4)를 바탕으로 센서 8(새끼손가락 근위지골), 13(중지 원위 지골), 2(검지 원위 지골)이 가장 큰 힘의 크기와 변동성을 보였으며, 따라서 이후 모델링의 주요 입력 특징으로 선택되었습니다.

그림 4. 롤링 방식의 너클 기포 충전도 그려졌습니다. (1) 검지 근위 지골; (2) 검지 말위 지골; (3) 검지 중수골; (4) 검지 중지 중간지골; (5) 약지 근위 지골; (6) 약지 말단 말위; (7) 약지 중수골 지골; (8) 새끼손가락 근위 지골; (9) 새끼손가락 말위 지골; (10) 새끼손가락 중수골; (11) 새끼손가락 중간 지골; (12) 중지 근위 지골; (13) 중지 원위 지골; (14) 중지 중수골; (15) 중지 중지의 중간 지골. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

시계열 모델링을 위한 데이터 전처리
선정된 센서들의 시계열 힘 데이터 F₈(t), F₁₃(t), F₂(t) 를 원시 데이터셋에서 추출하였습니다. 기록 타임스탬프를 [0'1] 간격으로 스케일링하여 정규화된 시간 변수 T 가 생성되었습니다. 다음 공식이 사용되었습니다:

여기서 t 는 원래 타임스탬프를 초 단위로 표시했습니다. 각 시도마다 힘 데이터와 정규화 시간이 N × 4 차원의 다변량 시계열 데이터셋에 연결되었으며, 여기서 N 은 시간 단계 수(100Hz에서 60초 시도는 6,000단계)이고 열은 [T'F_{8'F 13'F 2}]에 대응했습니다.

호드릭-프레스콧(HP) 필터링
호드릭-프레스콧 필터는 세 개의 힘 신호인 F₈,_{F 13}, F₂ 각각에 독립적으로 적용되었습니다. 평활화 매개변수는 λ = 100으로 설정되었습니다. 이 값은 초기 2,000개 데이터 포인트에서 관찰된 장기 힘 추세의 대략적인 연간/주기적 성격을 바탕으로 선택되었으며(그림 5에 보시킴), 생체역학적 힘 특성을 보존하는 데 적합하다고 여겨졌습니다.

그림 5. 센서 8의 첫 2,000개 데이터 포인트에서 λ = 100과 λ = 10,000을 비교한 HP 필터 효과. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

실행 안내: R의 mFilter 패키지에서 사용되는 hpfilter 함수는 freq = 100이라는 인자와 함께 사용되었습니다.

각 센서 신호에 대해 두 가지 성분이 얻어졌습니다: 추세 성분 G(t)와 순환 성분 C(t), 여기서 . 최종 입력 특징 행렬은 세 개의 선택된 센서의 정규화 시간과 HP로 필터링된 추세 및 주기적 성분을 연결하여 구성되었습니다. 이로 인해 N× 7차원의 데이터셋이 생성되었습니다: . 데이터셋은 훈련(70%), 검증(15%), 테스트(15%)로 시간 순서대로 나뉘었습니다. 중요: 시간 누출을 방지하기 위해 시간 순서의 무작위 섞임은 피했다. 테스트 세트에는 기록된 시간 순서의 마지막 15%가 포함되어 있었습니다.

HP 필터링을 이용한 2층 LSTM 모델 구성
계산 환경은 TensorFlow(버전 2.10)와 R의 Keras API를 사용하여 구축되었습니다. 신경망 아키텍처는 다음과 같이 정의되었습니다:
입력 계층: Shape = (시퀀스 길이 '7), 여기서 sequence_length는 입력 샘플당 시간 단계 수(100단계 사용)였습니다.
첫 번째 LSTM 계층: 단위 = 50, return_sequences = 참. 반복 단계에는 탄 활성화 기능이 사용되었고, 게이트 활성화에는 시그모이드가 사용되었습니다.
두 번째 LSTM 계층: 단위 = 50, return_sequences = 거짓.
완전 연결(조밀) 계층: 단위 = 1 (단변량 힘 예측용). HP 필터링을 이용한 이중 계층 LSTM 모델의 전체 워크플로우는 데이터 전처리부터 최종 예측까지의 전체 워크플로우가 그림 6에 나타난다. 출력 목표는 다음 시간 단계의 센서 8에서의 힘 값(한 단계 앞선 예측)이었습니다.

그림 6. 이중 계층 LSTM 애플리케이션 워크플로우 차트. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

이 모델은 다음과 같은 하이퍼파라미터를 가진 Adam 최적화 알고리즘을 사용하여 컴파일되었습니다: 학습률: 0.001; 붕괴율: 0.001; 손실 함수: 평균제곱오차(MSE). 모델은 20개의 에포크를 훈련했으며, 배치 크기는 32입니다. 조기 중단은 과적합을 방지하기 위해 5 에포크의 인내심을 가지고 검증 손실을 모니터링하며 구현되었습니다. 정규화를 위해 LSTM 층 간에 0.2의 드롭아웃률이 적용되었습니다. 훈련 데이터는 각 에포크 내의 배치 단위에서만 재배치되었으며, 순차적 순서가 아니라, 시간적 일관성을 유지하면서 그라디언트 하강에 대한 확률성을 도입했습니다.

테스트 데이터셋 구성
제안된 모델의 예측 성능을 평가하기 위해 전처리 데이터셋은 시간 순서대로 세 개의 하위 집합으로 나뉘었습니다: 학습(70%), 검증(15%), 테스트(15%). 시간 순서 분리는 향후 정보가 훈련 과정에 새어나가지 않도록 했다. 테스트 세트는 3개의 센서× 마지막 2,000개의 시간 단계로 구성되었으며, 기록된 시퀀스의 6,000개 데이터 포인트에 해당하며, 이는 원래 샘플링 속도인 100Hz에서 약 20초의 연속적인 힘 가해 데이터에 해당합니다. 더 긴 시간 예측 능력 평가를 위해, 20개의 연속된 60초 시도를 시간 순서를 유지하면서 연속된 20회의 60초 시도를 연속적으로 연속하여 1,200초(120,000 시간 단계)의 확장 테스트 시퀀스를 구성했습니다. 연속된 시험들 간의 전력 연속성이 확인되어 급격한 전환이 없도록 했습니다.

성능 지표
예측 정확도를 정량화하기 위해 세 가지 표준 회귀 지표가 계산되었습니다:

결정계수 (R²): 로 정의되며 , 여기서 y_i 와 는 각각 실제 및 예측된 힘 값을 나타내고, 는 실제 값의 평균이다. R²는 모델이 설명하는 힘 데이터의 분산 비율을 측정합니다.

평균 절대 오차(MAE): 로 정의됩니다. MAE는 뉴턴(N) 단위로 예측 오차의 평균 크기를 제공합니다.

평균평균오차근(RMSE): 로 정의됩니다. RMSE는 큰 오차 편차에 민감하며 뉴턴(N) 단위로 표현됩니다.

모든 지표는 전처리 중에 적용된 정규화 또는 스케일링 변환을 역전한 후 보이지 않는 테스트 세트에서 계산되었습니다.

비교 기초 모델
Hodrick–Prescott(HP) 필터링을 적용한 제안된 2층 LSTM을 벤치마킹하기 위해, 다음과 같은 대체 모델들이 동일한 훈련, 검증 및 테스트 분할 하에 구현되고 평가되었습니다. 모든 신경망 모델의 하이퍼파라미터는 공정한 비교를 위해 검증 세트를 사용하여 조정되었습니다.

HP 필터링 없는 단일 계층 LSTM
아키텍처: 50개의 숨겨진 유닛이 있는 단일 LSTM 계층, 그 다음에 단일 출력 뉴런이 있는 완전 연결 밀집 계층이 이어집니다.
입력 기능: 센서 8, 13, 2의 원시 힘 데이터와 정규화된 시간(4차원 입력).
학습: 학습률 = 0.001, 감소 = 0.001, 배치 크기 = 32인 Adam 옵티마이저, 20 에포크에 대해 조기 정지(인내심 = 5)를 학습하여 검증 손실을 모니터링합니다.

HP 필터링 없는 이중 레이어 LSTM
아키텍처: 각각 50개의 숨겨진 유닛을 가진 두 개의 중첩된 LSTM 계층. 첫 번째 LSTM 계층은 전체 시퀀스를 반환했고, 두 번째 LSTM 계층은 최종 숨겨진 상태만 반환했습니다. 그 다음에는 하나의 뉴런이 있는 조밀한 출력 층이 이어졌습니다.
입력 기능: 위와 동일(4차원 원시 힘 입력).
훈련 매개변수: 단일 계층 LSTM 구성과 동일합니다.

HP 필터링이 적용된 단일 계층 LSTM
아키텍처: 50개의 숨겨진 유닛이 있는 단일 LSTM 계층과 그 뒤에 밀집된 출력 계층.
입력 기능: 센서 8, 13, 2의 HP분해 추세 및 주기적 성분, 그리고 프로토콜에 설명된 7차원 입력인 정규화된 시간 T .
훈련 조건: 위와 동일합니다.

PCA-LSTM
차원 감소: 주성분 분석(PCA)을 7차원 HP-필터링 특징 행렬에 적용하여 세 가지 주성분을 추출했으며, 이 성분들이 집합에서 >95%의 분산을 설명했습니다.
아키텍처: 50개의 숨겨진 유닛을 가진 단일 LSTM 계층으로, 세 개의 주요 구성 시간 시계열을 입력으로 사용합니다.
훈련 조건: 위와 동일합니다.

역전파(BP) 신경망
아키텍처: 64개의 뉴런을 포함하는 한 개의 숨겨진 층과 ReLU 활성화를 가진 피드포워드 신경망. 출력 계층에는 단일 선형 뉴런이 포함되어 있었습니다.
입력 표현: 시계열 데이터는 고정 길이의 특징 벡터로 평탄화되었습니다(100 시간 단계 × 7개의 특징 = 700 입력 차원).
학습: 학습률 = 0.001, 평균 제곱 오차 손실을 가진 Adam 최적화기, 100 에포크, 배치 크기 64 에포크에 대해 훈련. 인내심 = 10으로 조기 정지가 적용되었습니다.

랜덤 포레스트 회귀기
알고리즘: 최대 깊이 10, 분할당 최소 샘플 수는 5로 설정한 100개의 결정 트리 앙상블.
입력 표현: BP 신경망(700차원 입력)에서 사용된 것과 동일한 평탄화된 특징 벡터.
구현: scikit-learn 라이브러리(버전 1.2)의 RandomForestRegressor는 위에 명시된 경우를 제외하고는 기본 하이퍼파라미터와 함께 사용되었습니다.

통계적 고려사항
예측 성능의 견고성을 평가하기 위해 각 모델 구성은 서로 다른 무작위 초기화(해당되는 경우)로 다섯 번 학습 및 평가되었습니다. 보고된 지표들은 다섯 번의 평균값을 나타내며, 변동성을 정량화하기 위한 표준편차가 함께 제공됩니다. 시간 순서를 보존하기 위해 시계열에 교차 검증이 적용되지 않았으며; 대신 고정된 연대기 검증 세트가 하이퍼파라미터 튜닝에 사용되었습니다.

결과

주요 모델의 성능은 테스트 세트 지표를 사용하여 평가되었습니다. 높은 R² 값(0.897)과 낮은 MAE/RMSE는 HP 필터링을 적용한 2층 LSTM이 CTMO 롤링 방법의 힘 역학을 성공적으로 포착했음을 나타냈다. 기초 모델과의 비교 결과, HP가 필터링된 모델이 비필터링 모델보다 우수한 성과를 보였으며, 이는 LSTM 학습에서 추세와 주기적 요소를 분리하는 이점을 뒷받침하였습니다. 모델 성능 지표도 더 순차적인 데이터(예: 1,200초 시퀀스)를 학습에 사용함에 따라 향상되었으며, 이는 그림 7의 결과에서 확인할 수 있습니다.

제안된 2층 LSTM의 HP 필터링 성능
Hodrick–Prescott(HP) 필터링과 통합된 2층 LSTM 모델의 예측 성능은 세 개의 선정된 센서에서 2,000 시간 단계(총 6,000개 데이터 포인트)로 구성된 보이지 않는 테스트 데이터셋...

토론

결과는 2층 장기 단기 기억 아키텍처와 Hodrick–Prescott 필터링을 통합하면 중국 전통 몽골 정골 롤링 방법에서 힘 가동 예측이 크게 향상됨을 보여줍니다. 단일 계층 및 필터링되지 않은 LSTM 모델과 비교할 때, 제안된 결합 모델은 힘 신호의 장기 시간 의존성과 근본적인 추세 성분을 모두 더 효과적으로 포착하여 예측 오차가 낮아지고 일반화 성능이 향상되었다²⁸. HP 필터링이 없는 LSTM 모델의 열등한 결과는 원시 힘 데이터에 상당한 노이즈와 비정상 특성을 포함해 직접 학습을 방해한다는 점을 나타낸다. 예측 전에 주기적이고 추세 지향적인 성분을 분해함으로써, HP 필터는 신경망에 더 깔끔하고 더 유익한 입력을 제공했습니다^20,28. 더불어, 표본 크기 효과 분석 결과, 결합된 모델이 다양한 데이터 척도에서 안...

재료

```html

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
인공 인간 팔다리 모델	미지정	미사용 가능	롤링 조작을 위한 수용 표면으로 사용되는 표준 훈련 모델
Keras (R 패키지)	RStudio/Posit	CRAN: keras	LSTM 모델 구성에 사용되는 딥 러닝 API; 버전 2.10
mFilter (R 패키지)	RStudio/Posit	CRAN: mFilter	Hodrick-Prescott 필터링에 사용; 함수 hpfilter, freq = 100
다채널 손 압력 강도 테스트 시스템	Zhejiang Changxian Co. Ltd.	Tekscan	100 Hz 샘플링 속도에서 기계적 힘 데이터 획득을 위한 24개 센서 장갑 시스템
neuralnet (R 패키지)	RStudio/Posit	CRAN: neuralnet	Backpropagation (BP) 신경망 기본 모델 훈련에 사용
NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 GB VRAM)	가속화된 신경망 훈련을 위한 GPU
개인용 컴퓨터 (Intel Core i7-12700, 32 GB RAM)	Intel Corporation	i7-12700	모든 계산 실험을 위한 Windows 11을 실행하는 워크스테이션
Python (scikit-learn)	Python Software Foundation	scikit-learn 1.2	랜덤 포레스트 기본 모델의 RandomForestRegressor 구현
R 통계 소프트웨어	R Core Team	버전 4.2	데이터 전처리, 모델링 및 시각화를 위한 주요 통계 컴퓨팅 환경
randomForest (R 패키지)	RStudio/Posit	CRAN: randomForest	R의 대체 랜덤 포레스트 구현
TensorFlow	Google LLC	버전 2.10	LSTM 네트워크 훈련을 위한 백엔드 딥 러닝 프레임워크

```