Моделирование долгосрочной краткосрочной памяти китайского традиционного метода остеопатии с использованием Адама и фильтра Ходрика-Прескотта

Краткое содержание

В данном исследовании предлагается двухслойная модель долгой краткосрочной памяти, интегрированную с фильтрацией Ходрика-Прескотта, для точного прогнозирования механической информации в китайской традиционной монгольской остеопатии, достигая высокой точности по экспериментальным данным о воздействии силы.

Аннотация

Получение и прогнозирование механической информации были важны для оцифровки китайской традиционной монгольской остеопатии. Извлечение периодической и ориентированной на тенденции механической информации из процесса воздействия силы представляло собой значительные трудности для точного прогнозирования механической информации. Для решения этой задачи в статье была введена двухслойная сеть долгой краткосрочной памяти (LSTM), интегрированную с фильтрацией Hodrick-Prescott (HP), которая сочетала методы фильтрации HP с LSTM для повышения точности механического прогнозирования информации. Это исследование основывалось на экспериментально собранных данных для механического анализа информации, при котором было проведено уменьшение размерности на полученных данных на основе первичных соединений, участвующих в применении силы. В частности, из 24 ключевых входных элементов были выбраны три точки данных датчиков. LSTM применялся для фиксации долгосрочных зависимостей, присущих последовательным данным. В этом исследовании алгоритм оптимизации Адама использовался для тонкой настройки гиперпараметров модели, обеспечивая оптимальную производительность. Экспериментальные результаты подчеркнули эффективность предлагаемой методологии, что подтверждается коэффициентом определения (R²) 0,897, средней абсолютной ошибкой 0,025 и средней квадратической ошибкой 0,031. Сравнительный анализ с альтернативными методами оценки дополнительно подтвердил устойчивость, точность и возможности обобщения двухуровневой сети LSTM, дополненной фильтрацией HP.

Введение

Китайская традиционная монгольская остеопатия, также известная как китайская традиционная монгольская терапия Нохараху, представляет собой мануальный терапевтический подход, при котором практикующий применяет различные манипулятивные техники к определённым частям тела с целью механической количественной оценки и стандартизации навыков, а также клинически применяется для уменьшения переломов. Как типичная микро-манипуляция жестами,^{Агора 1} показала, что метод применения силы в монгольской терапии Нохараху значительно отличается от метода традиционной китайской медицины (ТКМ). В Китае монгольская остеопатия признана частью традиционной медицины, а образование по остеопатии интегрировано в программы по защите нематериального культурного наследия и в академические программы на полный рабочий день. По мнению Яо и ^др.2, характерные признаки остеопатической манипуляции включают как кинематические, так и механические характеристики. Кинематические особенности относятся к морфологическим аспектам манипулятивных движений, таким как основы техники свинга — «опускание плеч, опускание локтей и подвешивания запястий». Механические характеристики в контексте данного исследования относятся конкретно к временным рядам волновой формы приложенной силы, включая величину, частоту, амплитуду, скорость и их динамические модели вариаций, которые вместе составляют фундаментальные требования к «устойчивому, мощному, равномерному и мягкому» применению^{силы 3}.

Механические характеристики остеопатической манипуляции по своей природе сложны и происходят из интегрированного усилия нескольких суставов, что предъявляет высокие требования к координированному генерированию силы и соответствующим навыкам плеч, локтей, запястий, нижних конечностей, поясничной области и спины. В преподавании и обучении остеопатической манипуляции инструкторам часто сложно передать характеристики и научные основы техник, используя только описательные термины. Аналогично, студентам сложно полностью понять тонкости и нюансы манипуляций и достичь мастерства за короткое время. Для устранения этого ограничения исследования характеристик остеопатической манипуляции использовали различные передовые сенсорные технологии для измерения и количественной оценки параметров признаков этих методов. С помощью систематического анализа данных такие исследования подтверждают клинический опыт, раскрывают биомеханические принципы методов и в конечном итоге переводят полученные результаты в образовательные приложения, тем самым помогая студентам глубже понять принципы, лежащие в основе манипулятивных операций. Однако исследования, посвящённые монгольской остеопатии, остаются ограниченными по сравнению с более широко изученными методами ТКМ Туина, а стандартизация протоколов обучения по монгольской остеопатии всё ещё находится на ранней стадии. Эллвуд и^{Карнс 4} показали, что применение компьютерных технологий для сбора механической информации от экспертов-практиков и извлечения признаков манипуляции может стать объективным ориентиром для стандартизации и стандартизированной работы традиционной остеопатии.

Недавние достижения в технологиях гибкого сенсора силы открыли новые возможности для объективного измерения и количественной оценки традиционных методов манипуляции. Новые гибкие шестосевые датчики силы/крутящего момента, калиброванные с помощью глубоких нейронных сетей, достигли ошибок измерения ниже 0,751% полного масштаба и успешно продемонстрированы в массажной физиотерапии⁵. Аналогично, оптико-тактильные гибридные сенсорные рамки позволили одновременно собирать шестосевые данные о силе/крутящем моменте и анатомическую идентификацию места контакта, достигая^{R 2} ≥ 0,87 для оценки силы и более 97% точности в распознавании^{манёвров 6}. Эти технологические достижения служат основой для точного получения механической информации в исследованиях остеопатических манипуляций. Следовательно, необходимо продвигать научное моделирование и систематическую передачу знаний в монгольской остеопатии через интеграцию современных методов сенсорного и вычислительного оборудования.

Глубокое обучение произвело революцию в прогнозировании временных рядов, превзойдя традиционные статистические методы в моделировании сложных нелинейных динамик и долгосрочных зависимостей, распространённых в реальных временных^{данных 7,8}. Среди архитектур глубокого обучения сети Long Short-Term Memory (LSTM) стали особенно эффективными инструментами для фиксации временных зависимостей в последовательных данных и широко применяются в различных сферах, включая финансы, здравоохранение, управление энергией и климатическое^{моделирование 9}. Всесторонний обзор более 150 исследований показал, что подходы на основе LSTM, особенно усиленные оптимизатором Адама, повышают точность прогнозирования до 14% по сравнению с традиционными^{методами 9}. В области предсказания силы Чжан и ^др.10 ввели подход RNN на основе LSTM для прогнозирования силы возбуждения в реальном времени при управлении волновым преобразователем энергии. Ли и ^др.7 проиллюстрировали энкодер-декодер Bi-LSTM с форсированием учителя для краткосрочного прогнозирования движения крена корабля. Чжу и ^др.8 использовали остаточный LSTM на основе трансферного обучения с временным ориентиром для инверсии силы колеса и рельсов.

Основные вклады этого исследования следующие:
Новая гибридная модель моделирования, сочетающая фильтрацию Ходрика–Прескотта с двухслойной архитектурой LSTM, специально разработанная для прогнозирования паттернов силового воздействия в методе монгольской остеопатии роллинга.
Всесторонняя сравнительная оценка предлагаемой модели по нескольким базовым архитектурам, включая однослойную LSTM, не-HP-варианты, PCA-LSTM, BP нейронную сеть и случайный лес, демонстрирующую превосходство двухслойного LSTM с HP для прогнозирования нестационарных силовых сигналов.
Эмпирическая валидация с использованием экспериментально собранных данных механических датчиков, предоставляющая воспроизводимую методологию и результаты для оцифровки традиционных методов остеопатических манипуляций.

Связанные работы
В контексте традиционной оцифровки терапевтической манипуляции нейронные сети всё чаще применяются для экстракции признаков и классификации паттернов сил. Ли и ^др.6 и Лу и ^др.11 предложили методы прогнозирования механических информационных последовательностей на основе LSTM для портативных массажных роботов. Lv и ^др.12 разработали итеративный подход к оптимизации, сочетающий нейронные сети BP с генетическими алгоритмами для прогнозирования координат акупунктурных точек и поведенческого планирования в массажных роботах ТКМ. Midea Group Co. ^Ltd.13 запатентовала массажного робота с использованием машинного зрения, в то время как Moll et ^al.14 и Mo et ^al.15 продемонстрировали использование сверточных нейронных сетей для классификации конкретной информации о движении. ^{Саяпин-16} предложил нейронную сеть на основе сенсоров для сбора и идентификации механических индикаторов по движениям рук. Исходя из статуса развития Великобритании¹⁷ и^{Германии 18}, оцифровка монгольской остеопатии может иметь большое значение для образовательных целей. Однако ни одно из этих исследований не рассматривало конкретно уникальные паттерны применения силы, характерные для монгольского остеопатического метода роллинга.

Гибридные подходы, сочетающие декомпозицию сигналов с глубоким обучением, показали значительное улучшение точности прогнозирования для нестационарных временных рядов. Фильтр Ходрика-Прескотта (HP), изначально предложенный для анализа экономических временных рядов, разбивает сигнал на его составляющий тренд и циклические^{компоненты 19}. Недавние исследования успешно применяют разложение HP в сочетании с нейронными сетями в различных областях. Гибридная модель, сочетающая фильтрацию HP с RNN и ARIMA, достигла снижения MAPE, RMSE и MAE в диапазоне от 9,70% до 56,23% по сравнению с автономными нейронными сетями для прогнозирования спроса^{на электроэнергию 20}. В прогнозировании инфляции было установлено, что фильтрация HP наиболее эффективно устраняет шум и акцентирует циклическую динамику, позволяя ансамблевым моделям достигать R² > 0,99, а нейронным сетям — R² > 0,93²¹. Аналогично, декомпозиция на основе фильтров HP в сочетании с LSTM с потерями, ориентированной на пинбол, успешно применялась для вероятностного прогнозирования интенсивности углерода на сетке4. Анализируя закономерности, присущие этим отдельным^{компонентам 22,23}, применяются различные методы прогнозирования данных для отдельного прогнозирования^{тенденций 24} и^{флуктуаций 25,26}, после чего эти прогнозы объединяются для получения окончательных результатов^{прогноза 27}. Аналогичные стратегии LSTM, дополненные с декомпозицией, также продемонстрировали эффективность в других нестационарных временных рядах, таких как финансовое^{прогнозирование 28}.

Несмотря на эти достижения в прогнозировании временных рядов на основе LSTM и доказанную эффективность фильтрации HP как метода предварительной обработки, насколько нам известно, ни одно предыдущее исследование не интегрировало фильтрацию HP с многоуровневой архитектурой LSTM специально для прогнозирования паттернов применения силы в традиционных остеопатических манипуляциях — особенно в контексте китайского традиционного метода прокатывания остеопатии, где нестационарные характеристики воздействия силы создают уникальные задачи для моделирования. Настоящее исследование устраняет этот пробел путём введения двухслойной модели LSTM, усиленной фильтрацией HP, валидированной на экспериментально собранных данных о силах от квалифицированных специалистов.

Протокол

Сети LSTM
Рекуррентная нейронная сеть (RNN) — это тип нейронной сети, который мог предсказывать значение на следующем шаге времени на основе предыдущих наблюдений в временном ряде. RNN обрабатывали по одному наблюдению из временного ряда и хранили историческую информацию из этого ряда, постоянно корректируя «вектор состояния» в скрытом слое. Хотя целью RNN было изучение исторической информации в временных рядах, RNN не подходили для обработки длинных временных рядов из-за проблемы градиентного нуля, возникшей при использовании алгоритма обратного распространения. Сеть Long Short-Term Memory (LSTM) — это вариант RNN, который решает проблему градиентного нуля при обучении, что позволяет ей работать с более длинными временными рядами. По сравнению со стандартными RNN, LSTM имеют три дополнительных блока управления затворами: входной элемент, забывчивый элемент и выходной элемент. Рисунок 1 описывает фундаментальную структуру LSTM и его основную архитектурную структуру, которая состоит из пяти основных компонентов: трёх сигмовидных функций активации и двух гиперболических тангенциальных (tanh) функций активации. Стоит отметить, что сигмовидная функция, расположенная слева, играет ключевую роль в регулировании передачи информации с предыдущего временного шага, выполняя функции фильтрации и уточнения информации для поддержки этого регуляторного процесса, как объясняется следующим уравнением:

(1)

Рисунок 1. Фундаментальная структура сети LSTM. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

где элемент забывания действовал как «f_t», входные последовательности — как «x_t», а «h_t-1» — это информация, скрытая перед выходом устройства. Элемент забытья отвечал за определение, какую информацию следует отбросить или сохранить, входной элемент мог обновлять состояние блока памяти, а выходной — значение последующего скрытого состояния. Эти три ворота обозначаются как f_t, i_t и o_t.

(2)

(3)

(4)

(5)

(6)

Уравнение (3) определяет состояние кандидата ячейки _C't, создаваемое функцией тан, которая предлагает добавить новые значения к состоянию ячейки. В частности, вход модели формировался путём интеграции выходов двух сигмоидных функций с выходами начальной функции тан, как показано в уравнении (5).

Уравнение (4) характеризует правую сигмоидную функцию, служащую начальным выходным значением модели, которая впоследствии была отображена в интервал [−1, 1] с помощью гиперболической касательной функции (tanh). После этого как результирующее значение функции тан, так и выход сигмоидной функции преобразуются в соответствующие фактические значения, как показано в уравнении (6).

В LSTM сигмовидная функция регулирует текущую информацию, тогда как гиперболическая касательная (tanh) функция может отвечать за обработку исторической информации. Интеграция этих двух функций придаёт LSTM их предсказательные способности. В сравнении с традиционными RNN преимущество LSTM заключается в их сложной архитектуре, способной захватывать всю входную память данных на этапе t+1. Целостность этой памяти сохраняется благодаря механизму гейтинга, обеспечиваемому сигмоидной функцией, что гарантирует сохранение критической информации на протяжении длительного времени.

HP Filter
Фильтр Ходрика-Прескотта (HP-фильтр), предложенный Ходриком и Прескоттом в 1980 году, широко используется в экономическом анализе и анализе, связанном с временными рядами. Фильтр HP предполагает, что анализируемый набор данных представляет собой сочетание долгосрочных и краткосрочных флуктуаций, разбивая временные ряды Y={y1, y2, ⋯, yT} на две подсерии: долгосрочные трендовые ряды G={g1, g2, ⋯, gT} и краткосрочные флуктуационные ряды S={s1, s2, ⋯, sT}. Долгосрочный трендовый ряд gT, где t=1,2,⋯,T, получается путем минимизации следующего выражения:

(7)

Где T представляет количество образцов во временном ряду yt, а λ больше 0, что называется параметром сглаживания, указывающим веса термов и . Когда λ=0, долгосрочная серия трендов G, удовлетворяющая задаче минимизации, равна исходной серии Y. По мере увеличения значения λ общее количество изменений в долгосрочной трендовой серии уменьшается по сравнению с теми, что были в исходной серии, что означает, что увеличение λ приводит к более плавному долгосрочному трендовому ряду. Когда λ приближается к бесконечности, долгосрочный трендовый ряд будет напоминать линейную функцию. Краткосрочные флуктуационные ряды можно получить, вычитая долгосрочный трендовый ряд из исходного временного ряда, то есть S=Y-G.

Перед применением фильтра HP было крайне важно выбрать подходящий параметр сглаживания λ, так как разные параметры сглаживания определяют различные долгосрочные тенденции и краткосрочные колебания. Согласно предыдущим связанным исследованиям, значение λ в данном исследовании установлено на уровне 100.

Подготовка участников и этическое одобрение
Этическое одобрение было получено от Комитета по этическому обзору Медицинского университета Внутренней Монголии (No YKD202001041) до начала сбора данных. Был приглашён штатный исследователь из Колледжа монгольской медицины Медицинского университета Внутренней Монголии, специализированный на методе прокатывания китайской традиционной монгольской остеопатии (CTMO). Письменное информированное согласие было получено от участника. Все процедуры соответствовали принципам Хельсинкской декларации.

Настройка и калибровка оборудования
Многоканальная система проверки прочности рукоятки с 24 механическими датчиками использовалась для сбора механических параметров метода катки CTMO (см. рисунок 2 и 3 для планировки системы и позиционирования датчиков). Все 24 датчика силы были откалиброваны в соответствии с инструкциями производителя. Программное обеспечение для сбора данных было настроено на запись данных на частоте дискретизации 100 Гц и на отображение показаний сил в реальном времени в ньютонах (N). Продолжительность записи была установлена на уровне 60 секунд за испытание.

Рисунок 2. Многоканальная система теста прочности рукоятки. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 3. Интерфейс для получения манипуляции массажем на основе многоканальной системы теста силы захвата. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Сбор данных
Участнику было указано надеть инструментальную перчатку и принять стандартную стартовую позу. Искусственная модель предплечья человека размещалась на стабильной горизонтальной поверхности перед участником. После запуска программного обеспечения для записи данных участник непрерывно выполнял манипуляцию с перекативаниями CTMO на заданной области модели предплечья в течение 1 минуты. Исходный файл данных сохранялся в структурированном формате (например, .csv или .txt), содержащем временные метки и показания силы всех 24 датчиков. Эта процедура повторялась до завершения всего 150 независимых испытаний. Участник отдыхал не менее 30 секунд между испытаниями, чтобы минимизировать изменчивость, вызванную усталостью. R (версия 4.2) впоследствии использовалась для расчёта правил движения и совместных углов подвижности, а также для краткого описания эксплуатационных характеристик техники.

Выбор сенсора с помощью визуализации функций
Сырые данные силы со всех 24 датчиков во всех испытаниях были загружены в R. Средняя величина силы и дисперсия для каждого датчика рассчитывались по всему набору данных. Была построена диаграмма заполнения пузырьков с использованием пакета ggplot2 в R для отображения относительного вклада каждой паланги/пястной кости пальца в общее напряжение силы. Согласно этой диаграмме (рисунок 4), сенсоры 8 (фаланга проксимального мизинца), 13 (дальняя фаланга среднего пальца) и 2 (дистальная фаланга указательного пальца) демонстрировали наивысшие силовые величины и вариабельность, поэтому были выбраны в качестве основных входных элементов для последующего моделирования.

Рисунок 4. Схема заполнения пузырьков костяшек в методе прокаткивания. (1) проксимальная фаланга указательного пальца; (2) дистальная фаланга указательного пальца; (3) пястная кость указательного пальца; (4) средняя фаланга указательного пальца; (5) безымянный проксимальный фаланга; (6) дистальной фаланги безымянного пальца; (7) фаланга безымянного пястного пальца; (8) проксимальная фаланга мизинца; (9) дистальная фаланги мизинца; (10) пястная кость мизинца; (11) средняя фаланга мизинца; (12) средний палец проксимальной фаланги; (13) дистальной фаланги среднего пальца; (14) пястная кость среднего пальца; (15) средняя фаланга среднего пальца. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Предобработка данных для моделирования временных рядов
Временные серии силовых данных F₈(t), F₁₃(t) и F₂(t) для выбранных датчиков были извлечены из исходного набора данных. Нормализованная переменная времени T создавалась путём масштабирования временных меток записи до интервала [0'1]. Использовалась следующая формула:

Где t — это оригинальная временная метка в секундах. Для каждого испытания данные силы и нормированное время объединялись в многомерный набор временных рядов размерности N × 4, где N — количество шагов времени (6 000 шагов для пробного процесса длительностью 60 с при 100 Гц), а столбцы соответствовали [_{T'F 8'F 13'F 2}].

Фильтрация Ходрика–Прескотта (HP)
Фильтр Ходрика–Прескотта применялся к каждому из трёх силовых сигналов F₈,_{F 13} и _{F 2} независимо друг от друга. Параметр сглаживания был установлен на λ = 100. Это значение было выбрано на основе приблизительной годовой/циклической природы долгосрочного тренда сил, наблюдаемого в первых 2000 точек данных (как показано на рисунке 5), и считалось подходящим для сохранения характеристик биомеханической силы.

Рисунок 5. Сравнение эффектов фильтра HP с λ = 100 и λ = 10 000 на первых 2 000 данных с датчика 8. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Примечание по реализации: Функция hpfilter из пакета mFilter в R использовалась с частотой аргумента = 100.

Для каждого сигнала датчика были получены два компонента: трендовая компонента G(t) и циклическая компонента C(t), где . Окончательная матрица входных признаков была построена путём конкатенации нормированного времени с HP-фильтрованными трендовыми и циклическими компонентами трёх выбранных датчиков. В результате получился набор данных N × 7 измерениями: . Набор данных был разделён хронологически: обучающие (70%), валидационные (15%) и тестовые (15%) подмножества. Критически важно: Случайное перестановка временных рядов была предотвращена, чтобы предотвратить временную утечку. Тестовый набор содержал последние 15% записанной временной последовательности.

Создание двухслойной модели LSTM с использованием фильтрации HP
Вычислительная среда была настроена с использованием TensorFlow (версия 2.10) с Keras API в R. Архитектура нейронных сетей была определена следующим образом:
Входный слой: Shape = (длина последовательности'7), где sequence_length — количество временных шагов на входную выборку (использовалось 100 шагов).
Первый уровень LSTM: единицы = 50, return_sequences = TRUE. Функция активации Tanh использовалась для повторяющегося шага, а сигмоид — для активации затвора.
Второй слой LSTM: единицы = 50, return_sequences = FALSE.
Полностью связанный (плотный) слой: единицы = 1 (для одномерного предсказания сил). Полный рабочий процесс двухслойной модели LSTM с фильтрацией HP — от предварительной обработки данных до окончательного прогноза — иллюстрируется на рисунке 6. Исходной целью было значение силы на датчике 8 на следующем временном шаге (прогноз на один шаг вперёд).

Рисунок 6. Двухслойная таблица рабочих процессов приложений LSTM. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Модель была скомпилирована с использованием алгоритма оптимизации Адама со следующими гиперпараметрами: скорость обучения: 0,001; Скорость распада: 0,001; Функция потерь: Средняя квадратична ошибка (MSE). Модель тренировалась для 20 эпох с общим объёмом партии 32. Ранняя остановка была реализована с терпением в 5 эпох, отслеживая потерю валидации, чтобы предотвратить перенагон. Для регуляризации между слоями LSTM применялась частота выпадения 0,2. Обучающие данные перетасовивались только на уровне партии в каждой эпохе — не в последовательном порядке — чтобы сохранить временную когерентность и одновременно ввести стохастичность для градиентного спуска.

Конфигурация тестового набора данных
Для оценки предсказательной эффективности предложенных моделей предварительно обработанный набор данных был хронологически разбит на три подмножества: обучающий (70%), валидационный (15%) и тестовый (15%). Хронологическое разделение гарантировало, что в процесс обучения не попадала будущая информация. Тестовый набор включал последние 2000 временных шагов × 3 датчика = 6000 точек данных записанной последовательности, что соответствует примерно 20 секундам непрерывных данных о нагрузке на исходной частоте дискретизации 100 Гц. Для оценки возможностей прогнозирования длительности была построена расширенная тестовая последовательность продолжительностью 1 200 с (120 000 временных шагов) путём хронологического объединения 20 последовательных испытаний по 60 с при сохранении временного порядка. Была проверена непрерывность силы между конкатенированными испытаниями, чтобы избежать резких переходов.

Показатели производительности
Для количественной оценки точности предсказания были вычислены три стандартных регрессионных метрики:

Коэффициент определения (R²): Определяется как , где y_i и обозначают реальные и предсказанные значения сил соответственно, а — среднее значения фактических значений. R² измеряет долю дисперсии в данных о силах, объясняемых моделью.

Средняя абсолютная ошибка (MAE): определяется как . MAE предоставляет среднюю величину ошибок предсказания в единицах Ньютона (N).

Ошибка корня среднего квадрата (RMSE): определяется как . RMSE чувствительна к большим отклонениям ошибок и выражается в ньютонах (N).

Все метрики рассчитывались на невидимом тестовом наборе после отмены любых нормализационных или масштабируемых преобразований, применённых во время предварительной обработки.

Сравнительные базовые модели
Для сравнения предлагаемого двухуровневого LSTM с фильтрацией Ходрика–Прескотта (HP) были реализованы и оценены следующие альтернативные модели в рамках одинакового обучения, валидации и тестового разделения. Гиперпараметры для всех моделей нейронных сетей были настроены с помощью набора валидации для обеспечения справедливого сравнения.

Однослойный LSTM без фильтрации HP
Архитектура: один слой LSTM с 50 скрытыми единицами, за которым следует полностью связанный плотный слой с одним выходным нейроном.
Входные особенности: исходные данные силы с датчиков 8, 13 и 2, плюс нормированное время (четырёхмерный вход).
Обучение: оптимизатор Адама со скоростью обучения = 0.001, затухание = 0.001, размер партии = 32, обучен на 20 эпох с ранней остановкой (терпение = 5) мониторингом потери валидации.

Двухслойный LSTM без фильтрации HP
Архитектура: Два слоя LSTM, каждый с 50 скрытыми единицами. Первый слой LSTM возвращал полные последовательности, а второй — только последнее скрытое состояние. Затем следовал плотный выходной слой с одним нейроном.
Входные особенности: Те же, что и выше (четырёхмерные исходные силовые входы).
Параметры обучения: идентичны однослойной конфигурации LSTM.

Однослойный LSTM с фильтрацией HP
Архитектура: Один слой LSTM с 50 скрытыми единицами, за которым следует плотный выходной слой.
Входные особенности: HP-декомпозиционные трендовые и циклические компоненты для датчиков 8, 13 и 2, плюс нормализованное время T (7-мерный вход, как описано в протоколе).
Параметры обучения: те же, что и выше.

PCA-LSTM
Уменьшение размерности: Анализ главных компонентов (PCA) был применён к 7-мерной матрице признаков с фильтром HP для выделения трёх основных компонентов, которые вместе объяснили >95% дисперсии в наборе признаков.
Архитектура: Один слой LSTM с 50 скрытыми единицами, принимающий в качестве входа три основных компонентных временных ряда.
Параметры обучения: те же, что и выше.

Нейронная сеть обратного распространения (BP)
Архитектура: нейронная сеть с прямой связью с одним скрытым слоем, содержащим 64 нейрона и активацию ReLU. Выходной слой содержал один линейный нейрон.
Входное представление: Данные временных рядов были сведены на векторы признаков фиксированной длины (100 временных шагов × 7 признаков = 700 входных измерений).
Обучение: оптимизатор Адама со скоростью обучения = 0,001, средняя квадратическая потеря ошибок, обучен для 100 эпох с размером партии 64. Применялось раннее прекращение с терпением = 10.

Регрессор случайного леса
Алгоритм: Ансамбль из 100 деревьев решений с максимальной глубиной 10 и минимальным количеством выборок на сплит, установленным на 5.
Входное представление: Те же плоские векторы признаков, что используются для нейронной сети BP (700-мерный вход).
Реализация: RandomForestRegressor из библиотеки scikit-learn (версия 1.2) использовался с гиперпараметрами по умолчанию, если не указано выше.

Статистические аспекты
Для оценки устойчивости предсказательной эффективности каждая конфигурация модели была обучена и оценена пять раз с использованием различных случайных инициализаций (где это применимо). Представленные метрики отражают средние значения по пяти запускам, сопровождаемые стандартным отклонением для количественной оценки вариабельности. Перекрёстная валидация не применялась к временным рядам для сохранения временного порядка; вместо этого для настройки гиперпараметров использовался фиксированный хронологический набор валидации.

Результаты

Производительность первичной модели оценивалась с помощью метрик тестового набора. Высокое значение R² (0,897) и низкий MAE/RMSE указывали на то, что двухслойный LSTM с фильтрацией HP успешно зафиксировал динамику сил метода катки CTMO. Сравнение с базовыми моделями показало, что HP-фильтрованные модели превосходили нефильтрованные модели, что подтверждает преимущество разделения трендовых и циклических компонентов для обучения LSTM. Показатели производительности модели также улучшились, поскольку для обучения...

Обсуждение

Результаты показывают, что интеграция двухслойной архитектуры долгой краткосрочной памяти с фильтрацией Ходрика–Прескотта существенно улучшает прогнозирование применения силы в традиционном методе прокатывания китайской традиционной монгольской остеопатии. По сравнению с однослойными и нефильтрованными моделями LSTM, предлагаемая комбинированная модель более эффективно отражала как долгосрочные временные зависимости, так и базовые компоненты тренда в силовых сигналах, что привело к сниже...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Модель искусственного человеческого предплечья	Не указано	Недоступно	Стандартная тренировочная модель, используемая в качестве поверхности для приемника при манипуляции с качание
Keras (пакет для R)	RStudio/Posit	CRAN: keras	API для глубокого обучения, используемый для построения модели LSTM; версия 2.10
mFilter (пакет для R)	RStudio/Posit	CRAN: mFilter	Используется для фильтрации Ходрика-Прескотта; функция hpfilter с частотой = 100
Система тестирования силы сжатия руки с многоканальным захватом	Zhejiang Changxian Co. Ltd.	Tekscan	Система с перчаткой из 24 датчиков для получения данных о механической силе со скоростью дискретизации 100 Гц
neuralnet (пакет для R)	RStudio/Posit	CRAN: neuralnet	Используется для обучения базовой модели нейронной сети с обратным распространением ошибок (BP)
Графический процессор NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 ГБ VRAM)	Графический процессор для ускорения обучения нейронной сети
Персональный компьютер (Intel Core i7-12700, 32 ГБ ОЗУ)	Intel Corporation	i7-12700	Рабочая станция с операционной системой Windows 11 для всех вычислительных экспериментов
Python (scikit-learn)	Python Software Foundation	scikit-learn 1.2	Реализация RandomForestRegressor для базовой модели случайного леса
Статистическое программное обеспечение R	R Core Team	Версия 4.2	Основная среда статистических вычислений для предварительной обработки данных, моделирования и визуализации
randomForest (пакет для R)	RStudio/Posit	CRAN: randomForest	Альтернативная реализация случайного леса в R
TensorFlow	Google LLC	Версия 2.10	Бэкенд-фреймворк для глубокого обучения для обучения сети LSTM