Modelowanie pamięci krótko- i długoterminowej tradycyjnej chińskiej mongolskiej osteopatii metodą rolowania z użyciem Adam i filtra Hodrick-Prescott

Podsumowanie

To badanie proponuje dwuwarstwową model Long Short-Term Memory zintegrowany z filtracją Hodrick-Prescott, aby dokładnie przewidywać informacje mechaniczne w Chińskiej Tradycyjnej Mongolskiej Osteopatii, osiągając wysoką dokładność na eksperymentalnych danych wysiłku siłowego.

Streszczenie

Nabycie i przewidywanie informacji mechanicznych były ważne dla cyfryzacji chińskiej tradycyjnej mongolskiej osteopatii. Wyodrębnienie okresowych i trendowych informacji mechanicznych z procesu wywierania siły stanowiło znaczące wyzwanie w osiąganiu precyzyjnego przewidywania informacji mechanicznych. Aby sprostać temu wyzwaniu, w artykule wprowadziono dwuwarstwową sieć Long Short-Term Memory (LSTM) zintegrowaną z filtracją Hodrick-Prescott (HP), która łączyła techniki filtracji HP z LSTM w celu poprawy dokładności przewidywania informacji mechanicznych. Badania te opierały się na eksperymentalnie zebranych danych do analizy informacji mechanicznych, gdzie redukcja wymiarowości została przeprowadzona na pozyskanych danych na podstawie głównych stawów zaangażowanych w wywieranie siły. Konkretnie, z łącznie 24 punktów danych czujników wybrano trzy jako kluczowe cechy wejściowe. LSTM zostało zastosowane do uchwycenia długoterminowych zależności nieodłącznie związanych z danymi sekwencyjnymi. W tym badaniu wykorzystano algorytm optymalizacji Adam do dostrajania hiperparametrów modelu, zapewniając optymalną wydajność. Wyniki eksperymentu podkreśliły skuteczność zaproponowanej metodologii, czego dowodem jest współczynnik determinacji (R²) wynoszący 0,897, średni błąd bezwzględny 0,025 i błąd średniokwadratowy 0,031. Analiza porównawcza z alternatywnymi metodami estymacji potwierdziła stabilność, dokładność i zdolność generalizacji dwuwarstwowej sieci LSTM wzmocnionej filtracją HP.

Wprowadzenie

Chińska Tradycyjna Mongolska Osteopatia, znana również jako Chińska Tradycyjna Mongolska Terapia Noharahu, to manualne podejście terapeutyczne, w którym lekarz stosuje różne techniki manipulacyjne na określonych częściach ciała w celu mechanicznej ilościowej analizy i standaryzacji umiejętności, a także jest klinicznie stosowana do redukcji złamań. Jako typowa mikro-gestuła manipulacja, Agora¹ wskazała, że metoda stosowania siły w mongolskiej terapii Noharahu różni się znacząco od metod tradycyjnej medycyny chińskiej (TCM). W Chinach Mongolska Osteopatia jest uznawana za część medycyny tradycyjnej, a edukacja w dziedzinie osteopatii została włączona do programów ochrony niematerialnego dziedzictwa kulturowego i pełnoetatowych programów akademickich. Według Yao i in.², charakterystyczne cechy manipulacji osteopatycznej obejmują zarówno atrybuty kinematyczne, jak i mechaniczne. Cechy kinematyczne dotyczą morfologicznych aspektów manipulacyjnych ruchów, takich jak zasady operacyjne techniki "upuszczania ramion, obniżania łokci i zawieszenia nadgarstków". Atrybuty mechaniczne, w kontekście tego badania, odnoszą się szczególnie do charakterystyki czasowej siły stosowanej, łącznie z wielkością, częstotliwością, amplitudą, prędkością i ich dynamicznymi wzorami zmian, które razem stanowią podstawowe wymagania "utrzymania, potężnego, jednolitego i delikatnego" stosowania siły³.

Mechaniczne cechy manipulacji osteopatycznej są z natury złożone, pochodzącą z zintegrowanego wysiłku wielu stawów, co stawia duże wymagania wobec skoordynowanego wytwarzania siły i odpowiednich umiejętności ramion, łokci, nadgarstków, kończyn dolnych, regionu lędźwiowego i pleców lekarza. W nauczaniu i szkoleniu w manipulacji osteopatycznej instruktorzy często mają trudności z przekazaniem cech i naukowych podstaw technik wyłącznie za pomocą opisowej terminologii. Podobnie, studenci trudno sobie radzą z pełnym zrozumieniem subtelności i niuansów manipulacji oraz osiągnięciem biegłości w krótkim czasie. Aby przezwyciężyć tę ograniczność, badania nad cechami manipulacji osteopatycznej wykorzystują różne zaawansowane technologie sensoryczne do pomiaru i ilościowego określania parametrów cech technik. Poprzez systematyczną analizę danych, takie badania potwierdzają doświadczenie kliniczne, odkrywają zawarte w nich zasady biomechaniki i ostatecznie przekładają wyniki na zastosowania edukacyjne, wspierając w ten sposób studentów w rozwijaniu głębszego zrozumienia zasad leżących u podstaw operacji manipulacyjnych. Jednakże badania dotyczące specyficznie Mongolskiej Osteopatii pozostają ograniczone w porównaniu z bardziej rozległymi badaniami nad technikami TCM Tuina, a standaryzacja protokołów szkoleniowych dla Mongolskiej Osteopatii znajduje się jeszcze na wczesnym etapie. Ellwood i Carnes⁴ pokazali, że zastosowanie technologii komputerowych do zbierania informacji mechanicznych od ekspertów i wyodrębniania cech manipulacji może dostarczyć obiektywnego odniesienia dla standaryzacji i standaryzowanego działania tradycyjnej osteopatii.

Ostatnie osiągnięcia w technologii elastycznych sensorycznych pomiarów siły stworzyły nowe możliwości dla obiektywnego pomiaru i ilościowego określania tradycyjnych technik manipulacyjnych. Nowatorskie elastyczne sześcioosiowe sensory siły/momentu obrotowego, kalibrowane za pomocą głębokich sieci neuronowych, osiągnęły błędy pomiarowe poniżej 0,751% pełnej skali i zostały z powodzeniem zademonstrowane w zastosowaniach fizjoterapeutycznych⁵. Podobnie, optyczno-dotykowe ramy sensoryczne hybrydowe umożliwiły jednoczesne uzyskiwanie danych sześcioosiowych siły/momentu obrotowego i identyfikację miejsc kontaktu anatomicznego, osiągając R² ≥ 0,87 dla estymacji siły i ponad 97% dokładności w rozpoznawaniu manewrów⁶. Te rozwojowe technologie zapewniają fundament dla precyzyjnego pozyskiwania informacji mechanicznych w badaniach nad manipulacjami osteopatycznymi. W konsekwencji istnieje potrzeba poszerzenia modelowania naukowego i systematycznej transmisji wiedzy w Mongolskiej Osteopatii poprzez integrację nowoczesnych metod sensorycznych i obliczeniowych.

Głębokie uczenie się zrewolucjonizowało prognozowanie szeregów czasowych, przewyższając tradycyjne metody statystyczne w modelowaniu złożonych nieliniowych dynamiki i długoterminowych zależności występujących w rzeczywistych danych czasowych^7,8. Wśród architektur głębokiego uczenia się, sieci Long Short-Term Memory (LSTM) wyodrębniły się jako szczególnie skuteczne narzędzia do przechwytywania zależności czasowych w sekwencyjnych danych i zostały szeroko zaadaptowane w różnych dziedzinach, w tym finansach, opiece zdrowotnej, zarządzaniu energią i modelowaniu klimatu⁹. Kompleksowy przegląd ponad 150 badań wykazał, że podejścia oparte na LSTM, szczególnie te ulepszone za pomocą optymalizatora Adam, poprawiają dokładność prognozowania aż o 14% w porównaniu z tradycyjnymi metodami⁹. W dziedzinie prognozowania sił specyficznie, Zhang i in.¹⁰ wprowadzili podejście RNN oparte na LSTM do prognozowania sił wzbudzających w czasie rzeczywistym w sterowaniu konwerterem energii falowej. Li i in.⁷ przedstawili koder-dekoder Bi-LSTM z forsingiem nau

Protokół

Sieci LSTM
Sieć neuronowa typu Recurrent Neural Network (RNN) była rodzajem sieci neuronowej, która mogła przewidywać wartość w kolejnym kroku czasowym na podstawie poprzednich obserwacji w serii czasowej. RNN przetwarzały jedną obserwację z serii czasowej na raz i przechowywały historyczne informacje z serii czasowej, ciągle dostosowując "wektor stanu" w ukrytej warstwie. Chociaż celem RNN było uczenie się informacji historycznych w seriach czasowych, RNN nie nadawały się do przetwarzania dłuższych serii czasowych z powodu problemu znikającego gradientu, który pojawiał się podczas używania algorytmu backpropagation. Sieć Long Short-Term Memory (LSTM) to wariant RNN, który radzi sobie z problemem znikającego gradientu występującego podczas treningu, czyniąc ją zdolną do przetwarzania dłuższych serii czasowych. W porównaniu ze standardowymi RNN, LSTM mają trzy dodatkowe jednostki kontroli bram: bramę wejściową, bramę zapomnienia i bramę wyjściową. Rysunek 1 przedstawia podstawową strukturę LSTM i jej główne struktury architektoniczne, które składają się z pięciu istotnych komponentów: trzech funkcji aktywacji sigmoidalnej i dwóch funkcji aktywacji hiperbolicznego tangensu (tanh). Warto zauważyć, że funkcja sigmoidalna umieszczona po lewej stronie pełni kluczową rolę w regulacji przekazywania informacji z poprzedniego kroku czasowego, wykonując funkcje filtrowania i uszlachetniania informacji na potrzeby tego procesu regulacyjnego, jak to zostało wyjaśnione w poniższym równaniu:

 (1)

gdzie brama zapomnienia działa jak “f_t”, sekwencje wejściowe jak “x_t”, a “h_t-1” to informacja ukryta przed wyjściem jednostki. Brama zapomnienia była odpowiedzialna za określenie, które informacje powinny zostać wyrzucone lub zachowane, brama wejściowa mogła zaktualizować stan jednostki pamięci, a brama wyjściowa mogła wyznaczać wartość następnego ukrytego stanu. Te trzy bramy są oznaczone jako f_t, i_t, i o_t.

   (2)

  (3)

  (4)

  (5)

  (6)

Równanie (3) definiuje proponowany stan komórki C'_t utworzony przez funkcję tanh, która proponuje nowe wartości do dodania do stanu komórki. Konkretnie, wejście modelu było formułowane poprzez integrację wyjść dwóch funkcji sigmoidalnych z wyjściem początkowej funkcji tanh, jak to zostało przedstawione w równaniu (5).

Równanie (4) charakteryzuje prawą funkcję sigmoidalną służącą jako początkowa wartość wyjściowa modelu, która następnie była mapowana na przedział [-1, 1] za pomocą funkcji hiperbolicznego tangensu (tanh). Następnie zarówno wartość wynikowa z funkcji tanh, jak i wyjście funkcji sigmoidalnej były przekształcane na ich odpowiednie rzeczywiste wartości wyjściowe, jak to zostało pokazane w równaniu (6).

W LSTM funkcja sigmoidalna regulowała bieżącą informację, podczas gdy funkcja hiperbolicznego tangensu (tanh) mogła być odpowiedzialna za przetwarzanie informacji historycznych. Integracja tych dwóch funkcji daje LSTM ich predykcyjną moc. W porównaniu z konwencjonalnymi RNN, zaleta LSTM polega na ich zaawansowanej architekturze, która jest w stanie uchwycić całość pamięci danych wejściowych do kroku czasowego t+1. Integralność tej pamięci jest zachowana poprzez mechanizm bramkowania ułatwianego przez funkcję sigmoidalną, zapewniając zachowanie kluczowych informacji przez dłuższy czas.

Filtr HP
Filtr Hodrick-Prescott (filtr HP), zaproponowany przez Hodricka i Prescotta w 1980 roku, jest szeroko stosowany w analizie ekonomicznej i analizie związanej z seriami czasowymi. Filtr HP zakłada, że zbiór danych do analizy był kombinacją zmian długoterminowych i krótkotrwałych fluktuacji, rozkładając serię czasową Y={y1, y2, ⋯, yT} na dwie podserie: długoterminową serię trendów G={g1, g2, ⋯, gT} i krótkoterminową serię fluktuacji S={s1, s2, ⋯, sT}. Długoterminowa seria trendów gT, gdzie t=1,2,⋯,T, jest uzyskiwaną przez minimalizowanie następującego wyrażenia:

Wyniki

Wynik działania pierwotnego modelu został oceniony na podstawie wskaźników zestawu testowego. Wysoka wartość R² (0,897) i niska wartość MAE/RMSE wskazywały, że dwuwarstwowy LSTM z filtracją HP z powodzeniem uchwycił dynamikę sił metody toczenia CTMO. Porównanie z modelami bazowymi wykazało, że modele po filtrowaniu HP przewyższały modele niefiltrowane, co potwierdza korzyści z separacji składowych trendu i cyklicznych dla uczenia LSTM. Wskaźniki wydajności modelu uległy również poprawie w miarę zwiększania sek...

Dyskusja

Wyniki pokazują, że integracja dwuwarstwowowej architektury Long Short-Term Memory z filtracją Hodrick–Prescott znacznie poprawia przewidywanie stosowania siły w chińskiej tradycyjnej mongolskiej osteopatii metodą rolowania. W porównaniu z jednowarstwowym i niefiltrowanym modelem LSTM, zaproponowany model złożony skuteczniej uchwycił zarówno długoterminowe zależności czasowe, jak i podstawowe komponenty trendu w sygnałach siły, prowadząc do niższych błędów przewidywania i silniejszej zdolności generalizacji

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Artificial human forearm model	Nie określono	Nie dostępne	Standardowy model treningowy stosowany jako powierzchnia odbiorcza do manipulacji rolowania
Keras (pakiet R)	RStudio/Posit	CRAN: keras	Interfejs API do głębokiego uczenia stosowany do budowy modelu LSTM; wersja 2.10
mFilter (pakiet R)	RStudio/Posit	CRAN: mFilter	Stosowany do filtrowania Hodrick-Prescott; funkcja hpfilter z freq = 100
System testu siły chwytu dłoni wielokanałowego	Zhejiang Changxian Co. Ltd.	Tekscan	System rękawic z 24 czujnikami do zbierania danych siły mechanicznej z częstotliwością próbkowania 100 Hz
neuralnet (pakiet R)	RStudio/Posit	CRAN: neuralnet	Stosowany do treningu modelu bazowego sieci neuronowej Backpropagation (BP)
NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 GB VRAM)	GPU do przyspieszonego treningu sieci neuronowych
Komputer osobisty (Intel Core i7-12700, 32 GB RAM)	Intel Corporation	i7-12700	Stacja robocza z systemem Windows 11 do wszystkich eksperymentów obliczeniowych
Python (scikit-learn)	Python Software Foundation	scikit-learn 1.2	Implementacja RandomForestRegressor dla modelu bazowego lasu losowego
Oprogramowanie statystyczne R	R Core Team	Wersja 4.2	Główne środowisko obliczeń statystycznych do przetwarzania danych, modelowania i wizualizacji
randomForest (pakiet R)	RStudio/Posit	CRAN: randomForest	Alternatywna implementacja lasu losowego w R
TensorFlow	Google LLC	Wersja 2.10	Framework do głębokiego uczenia stosowany jako tył dla treningu sieci LSTM