Modellering van het langetermijngeheugen van de Chinese traditionele Mongoolse osteopathische rolmethode met behulp van Adam en het Hodrick-Prescott-filter

Samenvatting

Deze studie stelt een tweelaags Long Short-Term Memory-model voor, geïntegreerd met Hodrick-Prescott filtering om mechanische informatie nauwkeurig te voorspellen in Chinese traditionele Mongoolse osteopathie, met hoge nauwkeurigheid op experimentele krachtinspanningsgegevens.

Samenvatting

Het verkrijgen en voorspellen van mechanische informatie was belangrijk voor de digitalisering van de Chinese traditionele Mongoolse osteopathie. Het extraheren van periodieke en trendgeoriënteerde mechanische informatie uit het krachtinspanningsproces vormde een aanzienlijke uitdaging bij het bereiken van nauwkeurige mechanische informatievoorspelling. Om deze uitdaging aan te pakken, introduceerde dit artikel een dubbellaags Long Short-Term Memory (LSTM)-netwerk geïntegreerd met Hodrick-Prescott (HP) filtering, dat HP-filtertechnieken combineerde met LSTM om de nauwkeurigheid van mechanische informatievoorspelling te verbeteren. Dit onderzoek was gebaseerd op experimenteel verzamelde gegevens voor mechanische informatieanalyse, waarbij dimensionaliteitsreductie werd uitgevoerd op basis van de primaire gewrichten die betrokken waren bij krachttoepassing. Specifiek werden drie sensordatapunten geselecteerd uit in totaal 24 als cruciale invoerfuncties. LSTM werd gebruikt om langetermijnafhankelijkheden vast te leggen die inherent zijn aan sequentiële gegevens. In dit onderzoek werd het Adam-optimalisatie-algoritme gebruikt om de hyperparameters van het model fijn af te stemmen, zodat optimale prestaties worden gegarandeerd. De experimentele uitkomsten benadrukten de effectiviteit van de voorgestelde methodologie, wat blijkt uit een bepalingscoëfficiënt (R²) van 0,897, een gemiddelde absolute fout van 0,025 en een wortelgemiddelde kwadraatfout van 0,031. Een vergelijkende analyse met alternatieve schattingsmethoden bevestigde verder de stabiliteit, nauwkeurigheid en generalisatiemogelijkheden van het tweelaagse LSTM-netwerk, aangevuld met HP-filtering.

Inleiding

Chinese Traditionele Mongoolse Osteopathie, ook bekend als Chinese Traditionele Mongoolse Noharahu-therapie, is een manuele therapeutische benadering waarbij de beoefenaar verschillende manipulatieve technieken toepast op specifieke lichaamsdelen met als doel mechanische kwantificering en vaardigheidsstandaardisatie, en deze wordt klinisch toegepast voor breukreductie. Als typische micro-gebaarmanipulatie gaf Agora¹ aan dat de krachttoepassing van de Mongoolse Noharahu-therapie aanzienlijk verschilt van die van de Traditionele Chinese Geneeskunde (TCM). In China is Mongoolse osteopathie erkend als onderdeel van de traditionele geneeskunde, en osteopathie-onderwijs is opgenomen in de bescherming van immaterieel cultureel erfgoed en voltijdse academische programma's. Volgens Yao et ^al.2 omvatten de kenmerkende eigenschappen van osteopathische manipulatie zowel kinematische als mechanische eigenschappen. Kinematische kenmerken hebben betrekking op de morfologische aspecten van manipulatieve bewegingen, zoals de operationele essentie van swingtechnieken—"schouders laten zakken, ellebogen zakken en polsen ophangen." Mechanische eigenschappen verwijzen in de context van deze studie specifiek naar de tijdreeksgolfvorm van de uitgeoefende kracht, waaronder krachtgrootte, frequentie, amplitude, snelheid en hun dynamische variatiepatronen, die gezamenlijk de fundamentele vereisten vormen van "aanhoudende, krachtige, uniforme en zachte" krachttoepassing³.

De mechanische kenmerken van osteopathische manipulatie zijn van nature complex en ontstaan uit de geïntegreerde krachtinspanning van meerdere gewrichten, wat hoge eisen stelt aan de gecoördineerde krachtopwekking en bijbehorende vaardigheden van de schouders, ellebogen, polsen, onderledematen, lumbale regio en rug van de beoefenaar. Bij het onderwijzen en trainen van osteopathische manipulatie worstelen docenten vaak om de kenmerken en wetenschappelijke basis van de technieken alleen met beschrijvende terminologie over te brengen. Evenzo vinden studenten het moeilijk om de subtiliteiten en nuances van de manipulaties volledig te begrijpen en binnen korte tijd vaardigheid te bereiken. Om deze beperking aan te pakken, heeft onderzoek naar de kenmerken van osteopathische manipulatie gebruikgemaakt van verschillende geavanceerde sensortechnologieën om de kenmerkende parameters van de technieken te meten en te kwantificeren. Door systematische data-analyse valideert dergelijk onderzoek klinische ervaring, onthult het de inherente biomechanische principes van de technieken en vertaalt het uiteindelijk de bevindingen in onderwijstoepassingen, waardoor studenten een dieper begrip krijgen van de principes die aan manipulatieve operaties ten grondslag liggen. Onderzoek specifiek gericht op Mongoolse osteopathie blijft echter beperkt vergeleken met de uitgebreider bestudeerde TCM Tuina-technieken, en de standaardisatie van trainingsprotocollen voor Mongoolse osteopathie bevindt zich nog in een vroeg stadium. Ellwood en Carnes⁴ illustreerden dat de toepassing van computertechnologie om mechanische informatie te verzamelen van deskundige beoefenaars en manipulatiekenmerken te extraheren, een objectieve referentie kon bieden voor de standaardisatie en gestandaardiseerde werking van traditionele osteopathie.

Recente ontwikkelingen in flexibele krachtsensortechnologieën hebben nieuwe mogelijkheden gecreëerd voor de objectieve meting en kwantificering van traditionele manipulatietechnieken. Nieuwe flexibele zesassige kracht-/koppelsensoren, gekalibreerd met diepe neurale netwerken, hebben meetfouten onder 0,751% volledige schaal bereikt en zijn met succes aangetoond in massagefysiotherapietoepassingen⁵. Evenzo hebben optisch-tactiele hybride detectiekaders gelijktijdig het verzamelen van zesassige kracht/koppelgegevens en anatomische contactplaatsidentificatie mogelijk gemaakt, met R² ≥ 0,87 voor krachtschatting en meer dan 97% nauwkeurigheid bij manoeuvreherkenning⁶. Deze technologische ontwikkelingen vormen een basis voor het nauwkeurig verkrijgen van mechanische informatie in osteopathisch manipulatieonderzoek. Daarom is er behoefte aan wetenschappelijke modellering en systematische kennisoverdracht in de Mongoolse osteopathie door de integratie van moderne sensor- en computationele methoden.

Deep learning heeft de tijdreeksvoorspelling gerevolutioneerd en traditionele statistische methoden overtroffen bij het modelleren van complexe niet-lineaire dynamiek en langetermijnafhankelijkheden die voorkomen in tijdsdata in de praktijk ^7,8. Onder deep learning-architecturen zijn Long Short-Term Memory (LSTM)-netwerken naar voren gekomen als bijzonder effectieve hulpmiddelen om temporele afhankelijkheden in sequentiële data vast te leggen, en ze zijn breed toegepast in diverse domeinen, waaronder financiën, gezondheidszorg, energiebeheer en klimaatmodellering⁹. Een uitgebreide review van meer dan 150 studies toonde aan dat LSTM-gebaseerde benaderingen, met name die verbeterd met de Adam-optimizer, de voorspellingsnauwkeurigheid met maximaal 14% verbeteren vergeleken met traditionele methoden⁹. Specifiek op het gebied van krachtvoorspelling introduceerden Zhang et ^al.10 een LSTM-gebaseerde RNN-benadering voor realtime voorspelling van excitatiekrachten in de controle van golfenergieomzetters. Li et ^al.7 illustreerden een encoder–decoder Bi-LSTM met teacher forcing voor kortetermijnvoorspelling van scheepsrollenbewegingen. Zhu et ^al.8 maakten gebruik van een op transfer learning gebaseerde residuele LSTM met temporele patroonaandacht voor wiel-rail krachtinversie van het wiel.

De belangrijkste bijdragen van deze studie zijn als volgt:
Een nieuw hybride modelleringsraamwerk dat Hodrick–Prescott filtering combineert met een dubbellaagse LSTM-architectuur, specifiek ontworpen voor het voorspellen van krachtinspanningspatronen in de Mongoolse osteopathie-rolmethode.
Een uitgebreide vergelijkende evaluatie van het voorgestelde model tegen meerdere baseline-architecturen, waaronder single-layer LSTM, non-HP varianten, PCA-LSTM, BP neural network en random forest, toont de superioriteit van de HP-verbeterde tweelaagse LSTM voor nonstationaire krachtsignaalvoorspelling.
Empirische validatie met experimenteel verzamelde mechanische sensorgegevens, die een reproduceerbare methodologie en benchmarkresultaten biedt voor de digitalisering van traditionele osteopathische manipulatietechnieken.

Gerelateerde werken
In de context van traditionele digitalisering van therapeutische manipulatie worden neurale netwerken steeds vaker toegepast op feature-extractie en krachtpatroonclassificatie. Li et ^al.6 en Lu et ^al.11 stelden mechanische methoden voor voor het voorspellen van informatiesequenties op basis van LSTM voor draagbare massagerobots. Lv et ^al.12 ontwikkelden een iteratieve optimalisatiebenadering waarbij BP-neurale netwerken worden gecombineerd met genetische algoritmen voor acupointcoördinatenvoorspelling en gedragsplanning in TCM-massagerobots. Midea Group Co. ^Ltd.13 patenteerde een massagerobot die machine vision gebruikt, terwijl Moll et ^al.14 en Mo et ^al.15 het gebruik van convolutionele neurale netwerken voor het classificeren van specifieke bewegingsinformatie aantoonden. Sayapin¹⁶ stelde een sensorgebaseerd neuraal netwerk voor voor het verzamelen en identificeren van mechanische indicatoren uit handbewegingen. Op basis van de ontwikkelingsstatus van het Verenigd Koninkrijk¹⁷ en Duitsland¹⁸ kan de digitalisering van de Mongoolse osteopathie van groot belang zijn voor onderwijsdoeleinden. Geen van deze studies heeft echter specifiek de unieke krachttoepassingspatronen behandeld die kenmerkend zijn voor de Mongoolse osteopathische rolmethode.

Hybride benaderingen die signaaldecompositie combineren met deep learning hebben aanzienlijke verbeteringen aangetoond in voorspellingsnauwkeurigheid voor niet-stationaire tijdreeksen. Het Hodrick-Prescott (HP) filter, oorspronkelijk voorgesteld voor economische tijdreeksanalyse, deelt een signaal op in zijn samenstellende trend en cyclische componenten¹⁹. Recente studies hebben HP-decompositie met succes toegepast in combinatie met neurale netwerken in verschillende domeinen. Een hybride model dat HP-filtering combineert met RNNs en ARIMA bereikte verminderingen in MAPE, RMSE en MAE variërend van 9,70% tot 56,23% vergeleken met zelfstandige neurale netwerken voor elektriciteitsvraagvoorspelling²⁰. In inflatievoorspellingen bleek HP-filtering ruis het meest efficiënt te elimineren en cyclische dynamiek te benadrukken, waardoor ensemblemodellen R² > 0,99 konden bereiken en neurale netwerken R² > 0,93²¹ konden bereiken. Evenzo is HP-filtergebaseerde decompositie gecombineerd met flipperkastverliesgeleide LSTM met succes toegepast op probabilistische grid-koolstofintensiteitsvoorspelling4. Door de patronen te analyseren die inherent zijn aan deze verschillende componenten^22,23, worden verschillende datavoorspellingstechnieken toegepast om de componenten van trend²⁴ en fluctuatie^25,26 afzonderlijk te voorspellen, waarna deze voorspellingen worden gecombineerd om de uiteindelijke voorspellingsresultaten^te verkrijgen. Vergelijkbare decompositie-versterkte LSTM-strategieën hebben ook effectiviteit aangetoond in andere niet-stationaire tijdreeksdomeinen, zoals financiële voorspellingen²⁸.

Ondanks deze vooruitgang in LSTM-gebaseerde tijdreeksvoorspelling en de bewezen effectiviteit van HP-filtering als preprocessingtechniek, heeft geen enkele eerdere studie HP-filtering geïntegreerd met een meerlaagse LSTM-architectuur, specifiek voor de voorspelling van krachttoepassingspatronen in traditionele osteopathische manipulaties—met name in de context van de Chinese traditionele Mongoolse osteopathische rolmethode. waarbij de niet-stationaire kenmerken van krachtinspanning unieke modelleringsuitdagingen vormen. De huidige studie pakt deze kloof aan door een dubbellaags LSTM-model te introduceren, versterkt met HP-filtering, gevalideerd op experimenteel verzamelde krachtgegevens van een ervaren beoefenaar.

Protocol

LSTM-netwerken
Een Recurrente Neuraalnetwerk (RNN) was een type neuraal netwerk dat de waarde bij de volgende tijdstap kon voorspellen op basis van eerdere waarnemingen in een tijdreeks. RNN's verwerkten één waarneming uit een tijdreeks tegelijk en sloegen historische informatie uit die tijdreeks op door continu een "toestandsvector" in de verborgen laag aan te passen. Hoewel het doel van RNN's was om historische informatie in tijdreeksen te leren, waren RNN's niet geschikt voor het verwerken van langere tijdreeksen vanwege het gradient vanishing-probleem dat voorkomt bij het gebruik van het backpropagatie-algoritme. Het Long Short-Term Memory (LSTM)-netwerk is een variant van RNN die het gradiëntverdwijningsprobleem tijdens training aanpakt, waardoor het in staat is om langere tijdreeksen te verwerken. In vergelijking met standaard RNN's hebben LSTM's drie extra poortbesturingseenheden: de ingangspoort, de vergeten poort en de uitgangspoort. Figuur 1 schetst de fundamentele structuur van LSTM en het kernarchitectuurraamwerk, dat bestaat uit vijf essentiële componenten: drie sigmoidactivatiefuncties en twee hyperbolische tangent (tanh) activatiefuncties. Het was opmerkelijk dat de sigmoidfunctie aan de linkerkant een cruciale rol speelt bij het reguleren van de overdracht van informatie uit de voorgaande tijdstap, waarbij zij de functies van filteren en verfijnen van de informatie uitvoert ter ondersteuning van dit regulatieproces, zoals verduidelijkt in de volgende vergelijking:

(1)

Figuur 1. Fundamentele structuur van het LSTM-netwerk. Klik hier om een grotere versie van deze figuur te bekijken.

waarbij de forgetting gate als "f_t" fungeerde, de invoersequenties als "x_t", en "h_t-1" de informatie is die vóór de uitgang van de eenheid verborgen is. De forget gate was verantwoordelijk voor het bepalen welke informatie moest worden weggegooid of behouden, de inputgate kon de status van de geheugenunit bijwerken, en de output gate kon de waarde van de volgende verborgen toestand bepalen. Deze drie poorten worden aangeduid als f_t, i_t en o_t.

(2)

(3)

(4)

(5)

(6)

Vergelijking (3) definieert de kandidaatceltoestand _C't die wordt gecreëerd door de tanh-functie, die nieuwe waarden voorstelt om aan de celtoestand toe te voegen. Specifiek werd de invoer van het model geformuleerd door de uitvoer van twee sigmoïde functies te integreren met die van de initiële tanh-functie, zoals weergegeven in Vergelijking (5).

Vergelijking (4) karakteriseert de rechter sigmoïde functie als de initiële uitvoerwaarde van het model, die vervolgens werd afgebeeld naar het interval [−1, 1] via de hyperbolische raakfunctie (tanh). Hierna worden zowel de resulterende waarde van de tanh-functie als de output van de sigmoidfunctie omgezet naar hun respectievelijke werkelijke outputwaarden, zoals geïllustreerd in Vergelijking (6).

In LSTM reguleerde de sigmoidfunctie de huidige informatie, terwijl de hyperbolische tangentfunctie (tanh) verantwoordelijk kon zijn voor het verwerken van historische informatie. De integratie van deze twee functies geeft LSTM's hun voorspellende kracht. In vergelijking met conventionele RNN's ligt het voordeel van LSTM's in hun geavanceerde architectuur, die in staat is het volledige invoergeheugen tot aan tijdstap t+1 vast te leggen. De integriteit van dit geheugen wordt behouden door het gatingmechanisme dat wordt vergemakkelijkt door de sigmoidfunctie, waardoor ervoor wordt gezorgd dat kritieke informatie over langere periodes wordt bewaard.

HP-filter
Het Hodrick-Prescott filter (HP-filter), voorgesteld door Hodrick en Prescott in 1980, is veel gebruikt in economische analyse en tijdreeksgerelateerde analyses. De HP-filter gaat ervan uit dat de te analyseren dataset een combinatie was van langetermijnveranderingen en kortetermijnfluctuaties, waarbij de tijdreeks Y={y1, y2, ⋯, yT} wordt opgesplitst in twee subseries: de langetermijntrendreeks G={g1, g2, ⋯, gT} en de kortetermijnfluctuatiereeks S={s1, s2, ⋯, sT}. De langetermijn trendreeks gT, waarbij t=1,2,⋯,T, wordt afgeleid door de volgende uitdrukking te minimaliseren:

(7)

Waarbij T het aantal samples in de tijdreeks yt vertegenwoordigt, en λ groter is dan 0, bekend als de gladmakingsparameter, die de gewichten van termen en aangeeft. Wanneer λ=0, is de langetermijn trendreeks G die voldoet aan het minimalisatieprobleem gelijk aan de oorspronkelijke reeks Y. Naarmate de waarde van λ stijgt, neemt het totale aantal veranderingen in de langetermijntrendreeks af ten opzichte van die in de oorspronkelijke reeks, wat betekent dat een grotere λ resulteert in een gladdere langetermijntrendreeks. Wanneer λ oneindig nadert, zal de langetermijntrendreeks lijken op een lineaire functie. De kortetermijnfluctuatiereeks kan worden verkregen door de langetermijntrendreeks af te trekken van de oorspronkelijke tijdreeks, d.w.z. S=Y-G.

Voordat het HP-filter werd toegepast, was het essentieel om een geschikte gladmakingsparameter λ te selecteren, aangezien verschillende gladmakingsparameters verschillende langetermijntrends en kortetermijnfluctuaties bepalen. Volgens eerder gerelateerd onderzoek is de waarde van λ in deze studie op 100 gezet.

Voorbereiding van deelnemers en ethische goedkeuring
Ethische goedkeuring was verkregen van de Ethische Beoordelingscommissie van de Inner Mongolia Medical University (nr. YKD202001041) voorafgaand aan enige gegevensverzameling. Een fulltime onderzoeker van het College of Mongolian Medicine van de Inner Mongolia Medical University, bedreven in de Chinese Traditionele Mongoolse Osteopathie (CTMO) rolmethode, werd aangetrokken. Schriftelijke geïnformeerde toestemming werd verkregen van de deelnemer. Alle procedures volgden de principes van de Verklaring van Helsinki.

Apparatuuropstelling en kalibratie
Een multikanaals handgreeptestsysteem uitgerust met 24 mechanische sensoren werd gebruikt om mechanische parameters van de CTMO-rolmethode te verzamelen (zie Figuur 2 en Figuur 3 voor systeemindeling en sensorpositionering). Alle 24-krachtsensoren werden gekalibreerd volgens de instructies van de fabrikant. De dataverzamelingssoftware was geconfigureerd om gegevens op te nemen bij een bemonsteringsfrequentie van 100 Hz en om realtime krachtmetingen in Newtons (N) weer te geven. De opnameduur werd ingesteld op 60 seconden per proef.

Figuur 2. Multikanaals handgreeptestsysteem. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3. Massagemanipulatie-acquisitieinterface gebaseerd op het multi-kanaals greepsterktetestsysteem. Klik hier om een grotere versie van deze figuur te bekijken.

Data-acquisitie
De deelnemer kreeg de instructie om de geïnstrumenteerde handschoen aan te trekken en de standaard starthouding aan te nemen. Het kunstmatige menselijke onderarmmodel werd geplaatst op een stabiel, horizontaal oppervlak voor de deelnemer. Bij het starten van de dataregistratiesoftware voerde de deelnemer de CTMO-rolmanipulatie continu uit op het aangewezen gebied van het onderarmmodel gedurende 1 minuut. Het ruwe databestand werd opgeslagen in een gestructureerd formaat (bijvoorbeeld .csv of .txt) met tijdstempels en krachtmetingen van alle 24 sensoren. Deze procedure werd herhaald totdat in totaal 150 onafhankelijke proeven waren afgerond. De deelnemer rustte minstens 30 seconden tussen de onderzoeken om de door vermoeidheid veroorzaakte variabiliteit te minimaliseren. R (versie 4.2) werd vervolgens gebruikt om bewegingsregels en bewegingshoeken van de gewrichten te berekenen, en om de operationele kenmerken van de techniek samen te vatten.

Sensorselectie via featurevisualisatie
De ruwe krachtgegevens van alle 24 sensoren over alle proeven werden in R geladen. De gemiddelde krachtgrootte en variantie voor elke sensor werden berekend over de gehele dataset. Er werd een bubbelvullende diagram geconstrueerd met behulp van het ggplot2-pakket in R om de relatieve bijdrage van elke vingerfalanx/metacarpaal aan de totale krachtinspanning weer te geven. Op basis van dit diagram (Figuur 4) vertoonden Sensoren 8 (proximale vinger falanx), 13 (middelvinger distale vingerfalanx) en 2 (distale vinger van wijsvinger) de hoogste krachtsterktes en variabiliteit en werden daarom geselecteerd als de primaire invoerkenmerken voor latere modellering.

Figuur 4. Bubbelvullend diagram van de knokkels in de rolmethode. (1) proximale falanx van de wijsvinger; (2) distale vingerkoots van de wijsvinger; (3) middenhandsbeentje van de wijsvinger; (4) middelste kootje van de wijsvinger; (5) ringvinger proximale vinger; (6) distale falanx van de ringvinger; (7) ringvinger metacarpale vingerfalanx; (8) proximale vingerkooun; (9) distale vingerfalanx van de pink; (10) middenhandsbeentje van de pink; (11) middelste vingerkoot; (12) middelvinger proximale vingerfalanx; (13) middelvinger distale vinger; (14) middenhandsbeentje van de middelvinger; (15) middelste vinger van de middelvinger. Klik hier om een grotere versie van deze figuur te bekijken.

Datapreprocessing voor tijdreeksmodellering
De tijdreekskrachtgegevens F₈(t), F₁₃(t) en F₂(t) voor de geselecteerde sensoren werden uit de ruwe dataset gehaald. Een genormaliseerde tijdvariabele T werd gecreëerd door de opnametijdstempels te schalen naar het interval [0'1]. De volgende formule werd gebruikt:

Waar de oorspronkelijke tijdstempel in enkele seconden was. Voor elke proef werden de krachtgegevens en de genormaliseerde tijd samengevoegd tot een multivariate tijdreeksdataset van dimensies N × 4, waarbij N het aantal tijdstappen was (6.000 stappen voor een 60 seconden durende proef bij 100 Hz) en de kolommen overeenkwamen met [T'F_{8'F 13'F 2}].

Hodrick–Prescott (HP) filtering
Het Hodrick–Prescott-filter werd onafhankelijk toegepast op elk van de drie krachtsignalen F₈, F₁₃ en F₂. De gladmakingsparameter werd ingesteld op λ = 100. Deze waarde was gekozen op basis van de benaderende jaarlijkse/cyclische aard van de langetermijnkrachttrend die werd waargenomen in de eerste 2.000 datapunten (zoals getoond in Figuur 5) en werd als geschikt beschouwd om biomechanische krachtkenmerken te behouden.

Figuur 5. Vergelijking van HP-filtereffecten met λ = 100 en λ = 10.000 op de eerste 2.000 datapunten van sensor 8. Klik hier om een grotere versie van deze figuur te bekijken.

Implementatienotitie: De hpfilter-functie uit het mFilter-pakket in R werd gebruikt met het argument freq = 100.

Voor elk sensorsignaal werden twee componenten verkregen: de trendcomponent G(t) en de cyclische component C(t), waarbij . De uiteindelijke inputfeature-matrix werd geconstrueerd door de genormaliseerde tijd te koppelen aan de HP-gefilterde trend en cyclische componenten van de drie geselecteerde sensoren. Dit resulteerde in een dataset van N × 7 dimensies: . De dataset werd chronologisch opgesplitst in trainings- (70%), validatie- (15%) en test- (15%) subsets. Kritiek: Willekeurige herschikking van de tijdreeks werd vermeden om temporele lekkage te voorkomen. De testset bevatte de laatste 15% van de opgenomen tijdsreeks.

Constructie van het tweelaagse LSTM-model met HP-filtering
De computationele omgeving werd opgezet met TensorFlow (versie 2.10) met de Keras API in R. De neurale netwerkarchitectuur werd als volgt gedefinieerd:
Invoerlaag: Shape = (sequentielengte '7), waarbij sequence_length het aantal tijdsstappen per invoermonster was (er werden 100 stappen gebruikt).
Eerste LSTM-laag: Eenheden = 50, return_sequences = WAAR. De tanh-activatiefunctie werd gebruikt voor de recurrente stap, en sigmoid werd gebruikt voor de gate-activaties.
Tweede LSTM-laag: Eenheden = 50, return_sequences = ONJUIST.
Volledig verbonden (dichte) laag: Units = 1 (voor univariate krachtvoorspelling). De volledige workflow van het dubbellaagse LSTM-model met HP-filtering, van datavoorverwerking tot eindvoorspelling, wordt geïllustreerd in Figuur 6. Het uitvoerdoel was de krachtwaarde bij sensor 8 bij de volgende tijdstap (één-stap vooruit voorspelling).

Figuur 6. Dubbellaagse LSTM-applicatieworkflowgrafiek. Klik hier om een grotere versie van deze figuur te bekijken.

Het model werd gecompileerd met het Adam-optimalisatiealgoritme met de volgende hyperparameters: Leersnelheid: 0,001; Vervalpercentage: 0,001; Verliesfunctie: Gemiddelde kwadraatfout (MSE). Het model werd getraind voor 20 tijdperken met een batchgrootte van 32. Early Stopping werd geïmplementeerd met een geduld van 5 epochs om validatieverlies te monitoren om overfitting te voorkomen. Er werd een dropoutpercentage van 0,2 toegepast tussen de LSTM-lagen voor regularisatie. De trainingsgegevens werden alleen op batchniveau binnen elk tijdperk geschud—niet in de volgorde—om temporele coherentie te behouden terwijl stochasticiteit voor gradiëntafdaling werd geïntroduceerd.

Testdatasetconfiguratie
Om de voorspellende prestaties van de voorgestelde modellen te evalueren, werd de vooraf bewerkte dataset chronologisch opgedeeld in drie subsets: training (70%), validatie (15%) en test (15%). De chronologische splitsing zorgde ervoor dat er geen toekomstige informatie in het trainingsproces doorlekte. De testset bestond uit de laatste 2.000 tijdstappen × 3 sensoren = 6.000 datapunten van de opgenomen sequentie, wat overeenkomt met ongeveer 20 seconden continue krachtinspanningsgegevens bij de oorspronkelijke bemonsteringsfrequentie van 100 Hz. Voor de evaluatie van voorspellingsmogelijkheden met langere duur werd een uitgebreide testreeks van 1.200 seconden (120.000 tijdstappen) geconstrueerd door 20 opeenvolgende 60-seconden proeven chronologisch te concateneren, terwijl de temporele volgorde behouden bleef. De continuïteit van de kracht tussen samengevoegde proeven werd geverifieerd om te voorkomen dat er abrupte overgangen waren.

Prestatiemaatstaven
Drie standaard regressiemetrieken werden berekend om de voorspellingsnauwkeurigheid te kwantificeren:

Bepalingscoëfficiënt (R²): Gedefinieerd als , waarbij y_i en respectievelijk de werkelijke en voorspelde krachtwaarden aanduiden, en het gemiddelde is van de werkelijke waarden. R² meet het aandeel variantie in de krachtgegevens die door het model worden uitgelegd.

Gemiddelde Absolute Fout (MAE): Gedefinieerd als . MAE geeft de gemiddelde grootte van voorspellingsfouten in eenheden van Newtons (N).

Root Mean Square Error (RMSE): Gedefinieerd als . RMSE is gevoelig voor grote foutafwijkingen en wordt uitgedrukt in Newtons (N).

Alle metrics werden berekend op de onzichtbare testset na het terugdraaien van alle normalisatie- of schaaltransformaties die tijdens de preprocessing werden toegepast.

Vergelijkende basismodellen
Om het voorgestelde tweelaagse LSTM te benchmarken met Hodrick–Prescott (HP) filtering, werden de volgende alternatieve modellen geïmplementeerd en geëvalueerd onder identieke trainings-, validatie- en testsplitsingen. Hyperparameters voor alle neurale netwerkmodellen werden afgestemd met behulp van de validatieset om een eerlijke vergelijking te garanderen.

Enkellaags LSTM zonder HP-filtering
Architectuur: Een enkele LSTM-laag met 50 verborgen eenheden, gevolgd door een volledig verbonden dichte laag met één outputneuron.
Invoerfuncties: Ruwe krachtgegevens van Sensoren 8, 13 en 2, plus genormaliseerde tijd (4-dimensionale input).
Training: Adam optimizer met leersnelheid = 0,001, decay = 0,001, batchgrootte = 32, getraind voor 20 epochs met vroegtijdig stoppen (geduld = 5) monitoring van validatieverlies.

Dubbellaags LSTM zonder HP-filtering
Architectuur: Twee gestapelde LSTM-lagen, elk met 50 verborgen eenheden. De eerste LSTM-laag gaf volledige sequenties terug, en de tweede LSTM-laag gaf alleen de uiteindelijke verborgen toestand terug. Een dichte outputlaag met één neuron volgde.
Invoerfuncties: Hetzelfde als hierboven (4-dimensionale ruwe krachtinputs).
Trainingsparameters: Identiek aan de enkellaagse LSTM-configuratie.

Enkellaags LSTM met HP-filtering
Architectuur: Een enkele LSTM-laag met 50 verborgen eenheden, gevolgd door een dichte outputlaag.
Invoerkenmerken: HP-gedecomponeerde trend- en cyclische componenten voor Sensoren 8, 13 en 2, plus genormaliseerde tijd T (7-dimensionale input, zoals beschreven in het Protocol).
Trainingsparameters: Hetzelfde als hierboven.

PCA-LSTM
Dimensionaliteitsreductie: Principal Component Analysis (PCA) werd toegepast op de 7-dimensionale HP-gefilterde featurematrix om drie hoofdcomponenten te extraheren, die samen >95% van de variantie in de featureset verklaarden.
Architectuur: Een enkele LSTM-laag met 50 verborgen eenheden, waarbij de drie hoofdcomponenten tijdreeksen als invoer worden gebruikt.
Trainingsparameters: Hetzelfde als hierboven.

Backpropagatie (BP) neuraal netwerk
Architectuur: Een feedforward neuraal netwerk met één verborgen laag die 64 neuronen bevat en ReLU-activatie. De uitvoerlaag bevatte één lineair neuron.
Invoerrepresentatie: De tijdreeksgegevens werden afgevlakt tot featurevectoren van vaste lengte (100 tijdstappen × 7 features = 700 inputdimensies).
Training: Adam-optimizer met leersnelheid = 0,001, gemiddeld kwadraat foutverlies, getraind voor 100 epochs met een batchgrootte van 64. Vroeg stoppen met geduld = 10 werd toegepast.

Willekeurige Bosregressor
Algoritme: Ensemble van 100 beslissingsbomen met een maximale diepte van 10 en minimale samples per split, ingesteld op 5.
Invoerrepresentatie: Dezelfde afgeplatte featurevectoren als gebruikt voor het BP-neurale netwerk (700-dimensionale input).
Implementatie: De RandomForestRegressor uit de scikit-learn-bibliotheek (versie 1.2) werd gebruikt met standaard hyperparameters, behalve waar hierboven vermeld.

Statistische overwegingen
Om de robuustheid van de voorspellende prestaties te beoordelen, werd elke modelconfiguratie vijf keer getraind en geëvalueerd met verschillende willekeurige initialisaties (waar van toepassing). De gerapporteerde metrics vertegenwoordigen de gemiddelde waarden over de vijf runs, vergezeld van de standaarddeviatie om variabiliteit te kwantificeren. Er werd geen kruisvalidatie toegepast op de tijdreeks om de temporele ordening te behouden; in plaats daarvan werd de vaste chronologische validatieset gebruikt voor hyperparameterafstemming.

Resultaten

De prestaties van het primaire model werden beoordeeld met behulp van de testset-metrics. Een hoge^R2-waarde (0,897) en lage MAE/RMSE gaven aan dat de tweelaagse LSTM met HP-filtering met succes de krachtdynamiek van de CTMO-rolmethode vastlegde. Vergelijking met de basismodellen toonde aan dat de HP-gefilterde modellen beter presteerden dan de niet-gefilterde modellen, wat het voordeel ondersteunt van het scheiden van trend- en cyclische componenten voor LSTM-leren. De prestatie-indicatoren van het model verbe...

Discussie

De resultaten tonen aan dat het integreren van een tweelaagse Long Short-Term Memory-architectuur met Hodrick–Prescott filtering de voorspelling van krachttoepassing in de Chinese Traditional Mongoolse Osteopathie Rolling Method aanzienlijk verbetert. In vergelijking met enkelvoudige en ongefilterde LSTM-modellen ving het voorgestelde gecombineerde model zowel langetermijn-temporele afhankelijkheden als onderliggende trendcomponenten in krachtsignalen effectiever vast, wat leidde tot lag...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Kunstmatige menselijke onderarmmodel	Niet gespecificeerd	Niet beschikbaar	Standaard trainingsmodel dat wordt gebruikt als oppervlak voor rollende manipulatie
Keras (R-pakket)	RStudio/Posit	CRAN: keras	Deep learning API gebruikt voor de constructie van LSTM-model; versie 2.10
mFilter (R-pakket)	RStudio/Posit	CRAN: mFilter	Gebruikt voor Hodrick-Prescott filtering; functie hpfilter met freq = 100
Multi-kanaals handgreepsterktetestsysteem	Zhejiang Changxian Co. Ltd.	Tekscan	24-sensor handschoensysteem voor mechanische krachtgegevensverwerving bij een bemonsteringssnelheid van 100 Hz
neuralnet (R-pakket)	RStudio/Posit	CRAN: neuralnet	Gebruikt voor het trainen van het Backpropagation (BP) neurale netwerk baseline-model
NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 GB VRAM)	GPU voor versnelde neurale netwerktraining
Persoonlijke computer (Intel Core i7-12700, 32 GB RAM)	Intel Corporation	i7-12700	Workstation met Windows 11 voor alle computationele experimenten
Python (scikit-learn)	Python Software Foundation	scikit-learn 1.2	RandomForestRegressor-implementatie voor het random forest baseline-model
R statistisch software	R Core Team	Versie 4.2	Primaire statistische computingomgeving voor datavoorverwerking, modellering en visualisatie
randomForest (R-pakket)	RStudio/Posit	CRAN: randomForest	Alternatieve random forest implementatie in R
TensorFlow	Google LLC	Versie 2.10	Backend deep learning framework voor LSTM netwerktraining