Çin geleneksel Moğol osteopati yuvarlama yönteminin Adam ve Hodrick-Prescott filtresi kullanılarak uzun kısa vadeli hafıza modellenmesi

Özet

Bu çalışma, Çin Geleneksel Moğol Osteopatisinde mekanik bilgiyi doğru tahmin etmek ve deneysel kuvvet etkisi verilerinde yüksek doğruluk sağlamak için Hodrick-Prescott filtreleme ile entegre edilmiş iki katmanlı Uzun Kısa Süreli Hafıza modeli önermektedir.

Özet

Mekanik bilginin edinilmesi ve tahmin edilmesi, Çin Geleneksel Moğol Osteopatisinin dijitalleştirilmesi için önemliydi. Kuvvet uygulama sürecinden periyodik ve eğilim odaklı mekanik bilginin çıkarılması, hassas mekanik bilgi tahmininin sağlanmasında önemli bir zorluk teşkil etmiştir. Bu zorluğun üstesinden gelmek için, bu makale, Hodrick-Prescott (HP) filtreleme ile entegre edilmiş çift katmanlı Uzun Kısa Süreli Bellek (LSTM) ağı tanıttı; bu ağ HP filtreleme tekniklerini LSTM ile birleştirerek mekanik bilgi tahmininin doğruluğunu artırdı. Bu araştırma, mekanik bilgi analizi için deneysel olarak toplanan verilere dayanıyordu; burada kuvvet uygulamasında yer alan birincil eklemlere dayalı olarak elde edilen veriler üzerinde boyut küçültmesi gerçekleştirildi. Özellikle, toplam 24 sensör veri noktasından üç sensör veri noktası kritik giriş özellikleri olarak seçildi. LSTM, ardışık verilerde doğasında bulunan uzun vadeli bağımlılıkları yakalamak için kullanıldı. Bu araştırmada, Adam optimizasyon algoritması modelin hiperparametrelerini ince ayarlamak için kullanıldı ve böylece en iyi performansı sağladı. Deneysel sonuçlar, önerilen metodolojinin etkinliğini vurguladı; belirlenme katsayısı (R²) 0.897, ortalama mutlak hata 0.025 ve kök ortalama kare hatası 0.031 olarak kanıtlandı. Alternatif tahmin yöntemleriyle yapılan karşılaştırmalı analiz, HP filtreleme ile desteklenen iki katmanlı LSTM ağının kararlılık, doğruluk ve genelleştirme yeteneklerini daha da kanıtlamıştır.

Giriş

Çin Geleneksel Moğol Osteopatisi, aynı zamanda Çin Geleneksel Moğol Noharahu terapisi olarak da bilinir, uygulayıcının mekanik nicelik ve beceri standartlaştırması amacıyla belirli vücut bölgelerine çeşitli manipülatif teknikler uyguladığı manuel bir terapötik yaklaşımdır ve klinik olarak kırık azaltma için uygulanır. Tipik bir mikro-jest manipülasyonu olarak, Agora¹ Moğol Noharahu terapisinin güç uygulama yönteminin Geleneksel Çin Tıbbından (TCM) önemli ölçüde farklı olduğunu belirtmiştir. Çin'de Moğol Osteopatisi geleneksel tıbbın bir parçası olarak tanınmakta olup, osteopati eğitimi maddi olmayan kültürel miras koruma ve tam zamanlı akademik programlara dahil edilmiştir. Yao ve ^ark.2'ye göre, osteopatik manipülasyonun karakteristik özellikleri hem kinematik hem de mekanik özellikleri kapsar. Kinematik özellikler, manipülatif hareketlerin morfolojik yönleriyle ilgilidir; örneğin sallama tekniklerinin operasyonel temelleri—"omuzları indirmek, dirsekleri indirmek ve bilekleri asmak." Bu çalışma bağlamında mekanik özellikler, özellikle uygulanan kuvvetin zaman serisi dalga formuna atıfta bulunur; kuvvet büyüklüğü, frekans, genlik, hız ve bunların dinamik varyasyon desenleri dahil olmak üzere, bunlar birlikte "sürekli, güçlü, tekdüze ve nazik" kuvvet uygulamasının temel gereksinimlerini oluşturur³.

Osteopatik manipülasyonun mekanik özellikleri doğası gereği karmaşıktır; çoklu eklemlerin entegre kuvvet uygulamasından kaynaklanır; bu da uygulayıcının omuzları, dirsekleri, bilekleri, alt ekstremite, bel bölgesi ve sırtının koordineli kuvvet üretimi ve buna karşılık gelen becerileri üzerinde yüksek yük getirir. Osteopatik manipülasyon öğretim ve eğitiminde, eğitmenler tekniklerin özelliklerini ve bilimsel temellerini yalnızca betimleyici terminolojiyle aktarmakta sıkça zorlanırlar. Benzer şekilde, öğrenciler manipülasyonların inceliklerini ve inceliklerini tam olarak kavramakta ve kısa sürede yeterliliğe ulaşmakta zorlanırlar. Bu sınırlamayı gidermek için, osteopatik manipülasyonun özellikleri üzerine yapılan araştırmalar, tekniklerin özellik parametrelerini ölçmek ve nicelendirmek için çeşitli gelişmiş algılama teknolojilerini kullanmıştır. Sistematik veri analizi yoluyla bu tür araştırmalar, klinik deneyimi doğrular, tekniklerin doğasında bulunan biyomekanik ilkeleri ortaya çıkarır ve nihayetinde bulguları eğitim uygulamalarına dönüştürerek öğrencilerin manipülatif operasyonların altında yatan ilkeleri daha derinlemesine anlamalarına yardımcı olur. Ancak, özellikle Moğol Osteopatisine yönelik araştırmalar, daha kapsamlı incelenen TCM Tuina tekniklerine kıyasla sınırlı kalmaktadır ve Moğol Osteopatisi için eğitim protokollerinin standartlaştırılması hâlâ erken aşamalarda. Ellwood ve Carnes⁴ , bilgisayar teknolojisinin uzman uygulayıcılardan mekanik bilgi toplamak ve manipülasyon özelliklerini çıkarmak için uygulanmasının, geleneksel osteopatinin standartlaştırılması ve standartlaştırılmış işleyişi için nesnel bir referans sağlayabileceğini göstermiştir.

Esnek kuvvet algılama teknolojilerindeki son gelişmeler, geleneksel manipülasyon tekniklerinin nesnel ölçümü ve nicelendirilmesi için yeni fırsatlar yaratmıştır. Derin sinir ağları kullanılarak kalibre edilmiş yeni esnek altı eksenli kuvvet/tork sensörleri, tam ölçeğin %0,751'inin altında ölçüm hatalarına ulaşmış ve masaj fizyoterapi uygulamalarında başarıyla^{gösterilmiştir.} Benzer şekilde, optik-dokunsal hibrit algılama çerçeveleri, altı eksenli kuvvet/tork verilerinin eşzamanlı olarak alınmasını ve anatomik temas noktasının tanımlanmasını mümkün kılmıştır; kuvvet tahmini için^{R 2} ≥ 0.87 ve manevra tanıma konusunda %97'nin üzerinde doğruluk^{sağlanmıştır 6}. Bu teknolojik gelişmeler, osteopatik manipülasyon araştırmalarında mekanik bilginin kesin edinilmesi için bir temel sağlar. Bu nedenle, modern algılama ve hesaplama yöntemlerinin entegrasyonu yoluyla Moğol Osteopatisinde bilimsel modelleme ve sistematik bilgi aktarımını ilerletmek gerekliliği vardır.

Derin öğrenme, zaman serileri tahmin etme konusunda devrim niteliğinde bir değişim yarattı; karmaşık doğrusal olmayan dinamikleri ve gerçek dünya zamansal verilerinde yaygın olan uzun vadeli bağımlılıkları modellemede geleneksel istatistiksel yöntemleri geride^{bıraktı 7,8}. Derin öğrenme mimarileri arasında, Uzun Kısa Süreli Bellek (LSTM) ağları, ardışık verilerdeki zamansal bağımlılıkları yakalamak için özellikle etkili araçlar olarak ortaya çıkmış ve finans, sağlık, enerji yönetimi ve iklim modelleme gibi çeşitli alanlarda yaygın olarak^{benimsenmiştir9}. 150'den fazla çalışmanın kapsamlı bir incelemesi, özellikle Adam optimizatoruyla geliştirilenlerin LSTM tabanlı yaklaşımların, geleneksel yöntemlere kıyasla tahmin doğruluğunu %14'e kadar^{artırdığını göstermiştir9}. Özellikle kuvvet tahmini alanında, Zhang ve ^ark.10, dalga enerjisi dönüştürücü kontrolünde gerçek zamanlı uyarılma kuvveti tahmini için LSTM tabanlı bir RNN yaklaşımı tanıtmıştır. Li ve ^ark.7, kısa süreli gemi roll hareketi tahmini için öğretmen zorlaması ile bir kodlayıcı–kodlayıcı Bi-LSTM resimlemiştir. Zhu ve ^ark.8, tekerlek-ray kuvvet inversiyonu için zamansal desen dikkatiyle aktarım öğrenme tabanlı kalıntı LSTM kullanmıştır.

Bu çalışmanın başlıca katkıları şunlardır:
Hodrick–Prescott filtrelemesini çift katmanlı LSTM mimarisiyle birleştiren, Moğol Osteopati yuvarlama yönteminde kuvvet uygulama desenlerini tahmin etmek için özel olarak tasarlanmış yeni bir hibrit modelleme çerçevesidir.
Önerilen modelin, tek katmanlı LSTM, HP dışı varyantlar, PCA-LSTM, BP sinir ağı ve rastgele orman dahil olmak üzere birden fazla temel mimariyle karşılaştırdığı kapsamlı karşılaştırmalı değerlendirme, HP-geliştirilmiş iki katmanlı LSTM'nin durağan olmayan kuvvet sinyali tahminindeki üstünlüğünü göstermektedir.
Deneysel olarak toplanan mekanik sensör verileriyle ampirik doğrulama, geleneksel osteopatik manipülasyon tekniklerinin dijitalleştirilmesi için tekrarlanabilir bir metodoloji ve kıyaslama sonuçları sağlar.

İlgili eserler
Geleneksel terapötik manipülasyon dijitalleştirmesi bağlamında, sinir ağları giderek daha fazla özellik çıkarımı ve kuvvet desenleri sınıflandırması için kullanılmaktadır. Li ve ^ark.6 ve Lu ve ^ark.11 , taşınabilir masaj robotları için LSTM temelli mekanik bilgi dizisi tahmin yöntemleri önermiştir. Lv ve ^ark.12 , BP sinir ağlarını, TCM masaj robotlarında akupunktur koordinatı tahmini ve davranışsal planlama için genetik algoritmalarla birleştiren yinelemeli bir optimizasyon yaklaşımı geliştirmiştir. Midea Group Co. ^Ltd.13 , makine görüşü kullanan bir masaj robotunun patentini alırken, Moll ve ^ark.14 ve Mo ve ^ark.15 , belirli hareket bilgilerini sınıflandırmak için konvolüsyon sinir ağlarının kullanımını göstermiştir. ^{Sayapin 16} , el hareketlerinden elde edilen mekanik göstergeleri toplamak ve tanımlamak için sensör tabanlı bir sinir ağı önerdi. Birleşik Krallık¹⁷ ve Almanya^18'in gelişim durumu göz önüne alındığında, Moğol Osteopatisinin dijitalleştirilmesi eğitim açısından büyük öneme sahip olabilir. Ancak, bu çalışmaların hiçbiri, Moğol Osteopati yuvarlama yönteminin benzersiz kuvvet uygulama kalıplarını özel olarak ele almamıştır.

Sinyal ayrıştırmasını derin öğrenme ile birleştiren hibrit yaklaşımlar, sabit olmayan zaman serileri için tahmin doğruluğunda önemli gelişmeler göstermiştir. Hodrick-Prescott (HP) filtresi, ekonomik zaman serisi analizi için önerilen ve bir sinyali bileşen eğilimi ve döngüsel^{bileşenlerine ayırır 19}. Son çalışmalar, HP ayrıştırmasını çeşitli alanlarda sinir ağlarıyla birlikte başarıyla uygulamıştır. HP filtrelemesini RNN ve ARIMA'larla birleştiren hibrit model, elektrik talebi tahmini için bağımsız sinir ağlarına kıyasla MAPE, RMSE ve MAE'de %9,70 ile %56,23 arasında azalmalar^{sağlamıştır 20}. Enflasyon tahmininde, HP filtreleme en verimli şekilde gürültüyü ortadan kaldırdığı ve döngüsel dinamikleri vurguladığı bulundu; bu da topluluk modellerinin R² > 0.99'a, sinir ağlarının ise R² > 0.93^21'e ulaşmasına olanak tanıdı. Benzer şekilde, HP filtre tabanlı ayrıştırma ile pinball kayıp yönlendirilmiş LSTM ile birleşmesi, olasılıksal ızgara karbon yoğunluğu tahmininde başarıyla uygulanmıştır4. Bu farklı bileşenlerin içinde bulunan^{kalıplar analiz edilerek 22,23}, farklı veri tahmin teknikleri uygulanarak trend²⁴ ve dalgalanma^25,26 bileşenlerini ayrı ayrı tahmin edilir; ardından bu tahminler birleştirilerek nihai tahmin sonuçları^{elde edilir 27}. Benzer ayrıştırma ile artırılmış LSTM stratejileri, finansal tahmin gibi diğer durağan olmayan zaman serisi alanlarında da etkinlik^{göstermiştir 28}.

LSTM tabanlı zaman serisi tahminindeki bu gelişmelere ve HP filtrelemenin ön işleme tekniği olarak kanıtlanmış etkinliğine rağmen, bildiğimiz kadarıyla, daha önce hiçbir çalışma HP filtrelemesini çok katmanlı bir LSTM mimarisiyle entegre etmemiştir; özellikle Çin Geleneksel Moğol Osteopatisi yuvarlama yöntemi bağlamında, Kuvvet uygulamasının durağan olmayan özellikleri, benzersiz modelleme zorlukları oluşturur. Mevcut çalışma, deneyimli bir uygulayıcıdan deneysel olarak toplanan kuvvet verileriyle doğrulanmış HP filtreleme ile geliştirilmiş çift katmanlı bir LSTM modeli sunarak bu açığı kapatıyor.

Protokol

LSTM Ağları
Tekrarlayan Sinir Ağı (RNN), bir zaman serisindeki önceki gözlemlere dayanarak bir sonraki zaman adımında değeri tahmin edebilen bir sinir ağıydı. RNN'ler, bir zaman serisinden bir gözlemi her seferinde işler ve gizli katmanda sürekli olarak bir "durum vektörü"nü ayarlayarak zaman serisinden tarihsel bilgileri saklar. RNN'lerin amacı tarihsel bilgileri zaman serileriyle öğrenmek olsa da, RNN'ler geri yayılma algoritması kullanılırken karşılaşılan gradyan kaybetme sorunu nedeniyle daha uzun zaman serilerini işlemek için uygun değildi. Uzun Kısa Süreli Bellek (LSTM) ağı, eğitim sırasında karşılaşılan gradyan kaybolma sorununu çözen bir RNN varyantıdır ve bu da onu daha uzun zaman serilerini yönetebilmesini sağlar. Standart RNN'lere kıyasla, LSTM'lerin üç ek kapı kontrol ünitesi vardır: giriş kapısı, unut kapısı ve çıkış kapısı. Şekil 1, LSTM'nin temel yapısını ve beş temel bileşenden oluşan temel mimari çerçevesini tanımlar: üç sigmoid aktivasyon fonksiyonu ve iki hiperbolik teğet (tanh) aktivasyon fonksiyonu. Solda konumlanan sigmoid fonksiyonun, önceki zaman adımından gelen bilginin iletimini düzenlemede kritik bir rol üstlenmesi dikkat çekiciydi; bu düzenleyici süreci desteklemek için bilgiyi filtreleme ve iyileştirme işlevlerini yerine getirmektedir; bu, aşağıdaki denklemle açıklanmıştır:

(1)

Şekil 1. LSTM ağının temel yapısı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Unutma kapısı "f_t" olarak hareket ederken, giriş dizileri "x_t" olarak hareket eder ve "h_t-1" birimin çıkışından önce gizlenmiş bilgidir. Forget gate, hangi bilgilerin atılması veya saklanması gerektiğini belirlemekle sorumluydu, giriş kapısı bellek biriminin durumunu güncelleyebiliyordu ve çıkış kapısı sonraki gizli durumun değerini belirleyebiliyordu. Bu üç kapı f_t, i_t ve o_t olarak gösterilir.

(2)

(3)

(4)

(5)

(6)

Denklem (3), tanh fonksiyonu tarafından oluşturulan aday hücre durumu C't'yi tanımlar; bu durum hücre durumuna yeni değerler eklenmesini önerir. Özellikle, modelin girdisi, iki sigmoid fonksiyonun çıktılarının Denklem (5)'te gösterildiği gibi başlangıç tanh fonksiyonunun çıktılarıyla entegre edilmesiyle formüle edilmiştir.

Denklem (4), modelin ilk çıktı değeri olan sağ sigmoid fonksiyonu karakterize eder; bu fonksiyon, daha sonra hiperbolik teğet fonksiyonu (tanh) aracılığıyla [−1, 1] aralığına eşlenmiştir. Bunun ardından, hem tanh fonksiyonundan çıkan değer hem de sigmoid fonksiyonunun çıktısı, Denklem (6)'da örneklendiği gibi, ilgili gerçek çıktı değerlerine dönüştürülür.

LSTM'de, sigmoid fonksiyon mevcut bilgiyi düzenlerken, hiperbolik teğet (tanh) fonksiyonu tarihsel bilgiyi işlemekten sorumlu olabilir. Bu iki fonksiyonun entegrasyonu, LSTM'lere öngörü yeteneklerini kazandırır. Geleneksel RNN'lerle karşılaştırıldığında, LSTM'lerin avantajı, giriş veri belleğinin tamamını t+1 zaman adımına kadar yakalayabilen gelişmiş mimarisindedir. Bu hafızanın bütünlüğü, sigmoid fonksiyonunun kolaylaştırdığı kapı mekanizması sayesinde korunur ve böylece kritik bilgiler uzun süre saklanır.

HP Filtresi
Hodrick-Prescott filtresi (HP filtresi), Hodrick ve Prescott tarafından 1980 yılında önerilen olup, ekonomik analiz ve zaman serileriyle ilgili analizlerde yaygın olarak kullanılmaktadır. HP filtresi, analiz edilecek veri setinin uzun vadeli değişiklikler ve kısa vadeli dalgalanmaların bir kombinasyonu olduğunu varsayar; zaman serisi Y={y1, y2, ⋯, yT} iki alt seriye ayrılır: uzun vadeli trend serisi G={g1, g2, ⋯, gT} ve kısa vadeli dalgalanma serisi S={s1, s2, ⋯, sT}. Uzun vadeli trend serisi gT, burada t=1,2,⋯,T, aşağıdaki ifadenin en aza indirilmesiyle türetilir:

(7)

Burada T, yt zaman serisindeki örnek sayısını temsil eder ve λ 0'dan büyüktür; bu, terimlerin ağırlıklarını gösteren yumuşatma parametresi olarak bilinir. λ=0 olduğunda, minimize etme problemini sağlayan uzun vadeli trend serisi G orijinal seri Y'ye eşittir. λ değeri arttıkça, uzun vadeli trend serisindeki toplam değişim sayısı orijinal seridekine göre azalır; yani daha büyük bir λ daha pürüzsüz uzun vadeli trend serisine yol açar. λ sonsuzluğa yaklaştığında, uzun vadeli trend serisi doğrusal bir fonksiyona benzeyecektir. Kısa vadeli dalgalanma serisi, uzun vadeli trend serisinin orijinal zaman serisinden çıkarılmasıyla elde edilebilir, yani S=Y-G.

HP filtresini uygulamadan önce, farklı yumuşatma parametreleri belirgin uzun vadeli eğilimleri ve kısa vadeli dalgalanmaları belirlediği için uygun bir yumuşatma parametresi λ seçmek zorunluydu. Önceki ilgili araştırmalara göre, bu çalışmada λ değeri 100 olarak belirlenmiştir.

Katılımcı Hazırlığı ve Etik Onay
Etik onay, İç Moğolistan Tıp Üniversitesi Etik İnceleme Komitesi'nden alınmıştı (No. YKD202001041) herhangi bir veri toplamadan önce. İç Moğolistan Tıp Üniversitesi Moğol Tıp Fakültesi'nden tam zamanlı bir araştırmacı, Çin Geleneksel Moğol Osteopatisi (CTMO) yuvarlama yönteminde uzman olarak işe alındı. Katılımcıdan yazılı bilgilendirilmiş onay alındı. Tüm prosedürler Helsinki Bildirgesi'nin ilkelerine uydu.

Ekipman Kurulumu ve Kalibrasyonu
CTMO yuvarlama yönteminin mekanik parametrelerini toplamak için 24 mekanik sensörle donatılmış çok kanallı el tutması güç testi sistemi kullanıldı (sistem düzeni ve sensör konumlandırması için Şekil 2 ve Şekil 3'e bakınız). Tüm 24 kuvvet sensörü üreticinin talimatlarına göre kalibre edildi. Veri toplama yazılımı, verileri 100 Hz örnekleme frekansında kaydedecek ve gerçek zamanlı kuvvet okumalarını Newton (N) cinsinden gösterecek şekilde yapılandırıldı. Kayıt süresi deneme başına 60 saniye olarak ayarlandı.

Şekil 2. Çok kanallı el tutuşu güç testi sistemi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 3. Çok kanallı tutuş güç testi sistemine dayalı masaj manipülasyonu alma arayüzü. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Veri toplama
Katılımcıya enstrümantlı eldiven takması ve standart başlangıç pozisyonunu alması talimatı verildi. Yapay insan ön kol modeli, katılımcının önünde stabil, yatay bir yüzeye yerleştirildi. Veri kayıt yazılımı başlatıldığında, katılımcı ön kol modelinin belirlenen alanında CTMO yuvarlanan manipülasyonunu 1 dakika boyunca sürekli olarak gerçekleştirdi. Ham veri dosyası, tüm 24 sensörün zaman damgaları ve kuvvet okumalarını içeren yapılandırılmış bir formatta (örneğin .csv veya .txt) kaydedildi. Bu prosedür tekrarlandı ve toplamda 150 bağımsız deneme tamamlandı. Katılımcı, yorgunlukla tetiklenen değişkenliği en aza indirmek için çalışmalar arasında en az 30 saniye dinlendi. R (sürüm 4.2) daha sonra hareket kuralları ve eklem hareket aralığı açılarını hesaplamak ve tekniğin operasyonel özelliklerini özetlemek için kullanıldı.

Özellik Görselleştirme Yoluyla Sensör Seçimi
Tüm denemelerdeki 24 sensörün ham kuvvet verileri R'ye yüklendi. Her sensör için ortalama kuvvet büyüklüğü ve varyans tüm veri seti boyunca hesaplandı. R'deki ggplot2 paketi kullanılarak her parmak falanks/metakarpal figürünün toplam kuvvet etkisine göreceli katkısını göstermek için bir baloncuk doldurma diyagramı oluşturuldu. Bu diyagrama (Şekil 4) dayanarak, sensör 8 (küçük parmak proksimal falanksı), 13 (orta parmak distal falanksı) ve 2 (işaret parmağının distal falanksı) en yüksek kuvvet büyüklüklerini ve değişkenliğini sergilemiş ve bu nedenle sonraki modelleme için birincil giriş özellikleri olarak seçilmiştir.

Şekil 4. Yuvarlama yönteminde eklemlerin baloncuk doldurma diyagramı. (1) işaret parmağının proksimal falanksı; (2) işaret parmağının distal falanksi; (3) işaret parmağının metakarpal kısmı; (4) işaret parmağının orta falanksı; (5) yüzük parmağı proksimal falanks; (6) yüzük parmağının distal falanksı; (7) yüzük parmağı metakarpal falanks; (8) küçük parmak proksimal falanks; (9) küçük parmağın distal falanksı; (10) küçük parmağın metakarpal kısmı; (11) küçük parmak orta falanksı; (12) orta parmak proksimal falanks; (13) orta parmak distal falanks; (14) orta parmağın metakarpal kısmı; (15) Orta parmağın orta falanksı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Zaman serisi modelleme için veri ön işleme
Seçilen sensörler için zaman serisi kuvvet verileri F₈(t), F₁₃(t) ve F₂(t) ham veri setinden çıkarıldı. Kayıt zaman damgalarının [0'1] aralığına ölçeklendirilmesiyle normalize edilmiş zaman değişkeni T oluşturuldu. Aşağıdaki formül kullanıldı:

Burada t, orijinal zaman damgası saniye cinsindendi. Her deneme için, kuvvet verileri ve normalize zaman, N × 4 boyutlarında çok değişkenli bir zaman serisi veri setine birleştirildi; burada N, zaman adımlarının sayısı (100 Hz'de 60 saniyelik bir deneme için 6.000 adım) ve sütunlar [T'F_{8'F 13'F 2}] ile karşılık geliyordu.

Hodrick–Prescott (HP) filtreleme
Hodrick–Prescott filtresi, F₈, F₁₃ ve F₂ kuvvet sinyallerinin her birine bağımsız olarak uygulandı. Düzgünleştirme parametresi λ = 100 olarak ayarlandı. Bu değer, ilk 2.000 veri noktasında gözlemlenen uzun vadeli kuvvet eğiliminin yaklaşık yıllık/döngüsel yapısına göre seçilmişti (Şekil 5'te gösterildiği gibi) ve biyomekanik kuvvet özelliklerini korumak için uygun görüldü.

Şekil 5. HP filtre etkilerinin λ = 100 ve λ = 10.000 ile karşılaştırılması, Sensör 8'den alınan ilk 2.000 veri noktasında. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Uygulama notu: R'deki mFilter paketinden hpfilter fonksiyonu, freq = 100 argümanı ile kullanıldı.

Her sensör sinyali için iki bileşen elde edildi: trend bileşeni G(t) ve döngüsel bileşen C(t), burada . Son giriş özellik matrisi, normalleştirilmiş zamanın HP-filtreli trend ve seçilen üç sensörün döngüsel bileşenleriyle birleştirilmesiyle oluşturuldu. Bu, N × 7 boyutlu bir veri seti ortaya çıkardı: . Veri seti kronolojik olarak eğitim (%70), doğrulama (%15) ve test (%15) alt kümelerine ayrılmıştır. Kritik: Zaman dizilerinin rastgele karıştırılması, zaman sızıntısını önlemek için kaçınıldı. Test seti, kaydedilen zaman dizisinin son %15'ini içeriyordu.

HP filtreleme ile iki katmanlı LSTM modelinin inşası
Hesaplama ortamı, R dilinde Keras API'si ile TensorFlow (sürüm 2.10) kullanılarak kuruldu. Sinir ağı mimarisi şu şekilde tanımlanmıştır:
Giriş Katmanı: Şekil = (dizi uzunluğu'7), burada sequence_length, giriş örneği başına zaman adımı sayısıdır (100 adım kullanılmıştır).
İlk LSTM Katmanı: Birim = 50, return_sequences = DOĞRU. Tanh aktivasyon fonksiyonu tekrarlayan adımda, sigmoid ise kapı aktivasyonları için kullanıldı.
İkinci LSTM Katmanı: Birim = 50, return_sequences = YANLIŞ.
Tam Bağlı (Yoğun) Katman: Birim = 1 (tek değişkenli kuvvet tahmini için). HP filtreleme ile çift katmanlı LSTM modelinin veri ön işlemesinden nihai tahmine kadar olan tüm iş akışı Şekil 6'da gösterilmiştir. Çıkış hedefi, bir sonraki zaman adımında (bir adım önde tahmin) Sensör 8'deki kuvvet değeriydi.

Şekil 6. Çift katmanlı LSTM uygulama iş akışı tablosu. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Model, aşağıdaki hiperparametrelerle Adam optimizasyon algoritması kullanılarak derlenmiştir: Öğrenme oranı: 0.001; Bozulma oranı: 0.001; Kayıp fonksiyonu: Ortalama Kare Hata (MSE). Model, 32 parti büyüklüğüyle 20 dönem için eğitildi. Erken Durdurma, overfiting'i önlemek için doğrulama kaybını izleyen 5 dönemlik sabırla uygulandı. Düzenleme için LSTM katmanları arasında 0.2 Dropout oranı uygulandı. Eğitim verileri, her dönemde sadece parti düzeyinde—sıralı sırada değil—karıştırıldı; böylece zamansal tutarlılık korunurken gradyan iniş için stokastisite eklendi.

Test veri seti yapılandırması
Önerilen modellerin öngörücü performansını değerlendirmek için, önceden işlenen veri seti kronolojik olarak üç alt kümeye ayrıldı: eğitim (%70), doğrulama (%15) ve test (%15). Kronolojik ayrım, gelecekteki bilgilerin eğitim sürecine sızmamasını sağladı. Test seti, 3 sensör = kaydedilen dizinin 6.000 veri noktası × son 2.000 zaman adımını içeriyordu ve bu da orijinal örnekleme hızı olan 100 Hz'de yaklaşık 20 saniyelik sürekli kuvvet etkisi verisine karşılık geliyordu. Daha uzun süreli tahmin yeteneklerinin değerlendirilmesi için, 20 ardışık 60-saniyelik denemenin zamansal sırası korunarak kronolojik olarak birleştirilerek 1.200 saniyelik (120.000 zaman adımı) genişletilmiş bir test dizisi oluşturuldu. Birleştirilmiş denemeler arasındaki kuvvet sürekliliği, ani geçişlerin olmaması için doğrulandı.

Performans metrikleri
Tahmin doğruluğunu niceliklendirmek için üç standart regresyon metriği hesaplandı:

Belirlenme Katsayısı (R²): Olarak tanımlanır, burada y_i ve sırasıyla gerçek ve tahmin edilen kuvvet değerlerini gösterir ve gerçek değerlerin ortalamasıdır. R², model tarafından açıklanan kuvvet verilerindeki varyans oranını ölçür.

Ortalama Mutlak Hata (MAE): Şöyle tanımlanır. MAE, tahmin hatalarının ortalama büyüklüğünü Newton (N) birimlerinde sunar.

Kök Ortalama Kare Hatası (RMSE): Olarak tanımlanır.  RMSE, büyük hata sapmalarına duyarlıdır ve Newton (N) cinsinden ifade edilir.

Tüm metrikler, ön işlem sırasında uygulanan normalizasyon veya ölçeklendirme dönüşümleri tersine çevrildikten sonra görünmeyen test setinde hesaplandı.

Karşılaştırmalı temel modeller
Önerilen iki katmanlı LSTM'yi Hodrick–Prescott (HP) filtreleme ile kıyaslamak için, aşağıdaki alternatif modeller aynı eğitim, doğrulama ve test bölünmeleri altında uygulandı ve değerlendirildi. Tüm sinir ağı modelleri için hiperparametreler, adil bir karşılaştırma sağlamak için doğrulama seti kullanılarak ayarlandı.

HP filtreleme olmadan tek katmanlı LSTM
Mimari: 50 gizli birimden oluşan tek bir LSTM katmanı, ardından tek çıkış nöronlu tam bağlantılı yoğun bir katman.
Giriş özellikleri: Sensörler 8, 13 ve 2'den ham kuvvet verileri ve normalize edilmiş zaman (4 boyutlu girdi).
Eğitim: Adam optimizer, öğrenme oranı = 0.001, azalma = 0.001, parti büyüklüğü = 32, erken durma (sabır = 5) ile 20 dönem boyunca eğitilmiş, doğrulama kaybını izlemek.

HP filtreleme olmadan çift katmanlı LSTM
Mimari: Her biri 50 gizli birim içeren iki üst üste yığılmış LSTM katmanı. İlk LSTM katmanı tam dizileri geri getirirken, ikinci LSTM katmanı yalnızca son gizli durumu geri getiriyordu. Ardından bir nöronlu yoğun bir çıkış katmanı geldi.
Giriş özellikleri: Yukarıdaki gibi (4 boyutlu ham kuvvet girişleri).
Eğitim parametreleri: Tek katmanlı LSTM konfigürasyonu ile aynı.

HP filtreleme ile tek katmanlı LSTM
Mimari: 50 gizli birimden oluşan tek bir LSTM katmanı ve ardından yoğun bir çıkış katmanı.
Giriş özellikleri: 8, 13 ve 2 sensörleri için HP-ayrıştırılmış eğilim ve döngüsel bileşenler, ayrıca normalleştirilmiş zaman T (Protokol'de tanımlandığı gibi 7 boyutlu girdi).
Eğitim parametreleri: Yukarıdaki gibi.

PCA-LSTM
Boyutsal küçültme: Ana Bileşen Analizi (PCA), 7 boyutlu HP filtreli özellik matrisine uygulanarak üç ana bileşen çıkarılmış ve bu bileşenler özellik setindeki varyansın %>95'ini topluca açıklamıştır.
Mimari: 50 gizli birimden oluşan tek bir LSTM katmanı, üç ana bileşen zaman serisini giriş olarak alır.
Eğitim parametreleri: Yukarıdaki gibi.

Geri Yayılma (BP) sinir ağı
Mimari: 64 nöron ve ReLU aktivasyonu içeren gizli bir katmana sahip ileriye doğru besleme sinir ağı. Çıkış katmanı tek bir lineer nöron içeriyordu.
Giriş temsili: Zaman serisi verileri, sabit uzunlukta özellik vektörlerine düzleştirildi (100 zaman adımı × 7 özellik = 700 giriş boyutu).
Eğitim: Adam optimizer ile öğrenme oranı = 0.001, ortalama kare hata kaybı, 100 dönem için eğitilmiş, parti boyutu 64. Sabırla erken bırakma = 10 uygulandı.

Rastgele Orman regressoru
Algoritma: 100 karar ağacından oluşan bir topluluk, maksimum derinliği 10 ve bölünme başına minimum örnek 5'e ayarlanmıştır.
Giriş temsili: BP sinir ağı için kullanılan aynı düzleştirilmiş özellik vektörleri (700 boyutlu girdi).
Uygulama: Scikit-learn kütüphanesinden (sürüm 1.2) RandomForestRegressor, yukarıda belirtilen durumlar dışında varsayılan hiperparametrelerle kullanılmıştır.

İstatistiksel değerlendirmeler
Öngörücü performansın sağlamlığını değerlendirmek için, her model konfigürasyonu farklı rastgele başlatmalarla beş kez eğitildi ve değerlendirildi (uygun olduğunda). Bildirilen metrikler, beş koşu boyunca ortalama değerleri temsil eder ve değişkenliği nicelendirmek için standart sapma ile birlikte kullanılır. Zaman dizileri üzerinde zaman sıralamasını korumak için çapraz doğrulama uygulanmadı; Bunun yerine, hiperparametre ayarlaması için sabit kronolojik doğrulama seti kullanıldı.

Sonuçlar

Birincil modelin performansı, test seti metrikleri kullanılarak değerlendirildi. Yüksek R² değeri (0.897) ve düşük MAE/RMSE, HP filtreli iki katmanlı LSTM'nin CTMO yuvarlama yönteminin kuvvet dinamiklerini başarıyla yakaladığını gösterdi. Temel modellerle karşılaştırıldığında, HP-filtreli modellerin filtrelenmemiş modellerden daha iyi performans gösterdiği ve LSTM öğrenimi için trend ve döngüsel bileşenlerin ayrılmasının faydasını desteklediğini gösterdi. Modelin performans metrikleri, eğitim için daha ardışık...

Tartışma

Sonuçlar, iki katmanlı Uzun Kısa Süreli Hafıza mimarisinin Hodrick–Prescott filtreleme ile entegre edilmesinin, Çin Geleneksel Moğol Osteopati Yuvarlama Yöntemi'nde kuvvet uygulamasının tahminini önemli ölçüde iyileştirdiğini göstermektedir. Tek katmanlı ve filtrelenmemiş LSTM modelleriyle karşılaştırıldığında, önerilen birleşik model hem uzun vadeli zamansal bağımlılıkları hem de kuvvet sinyallerindeki temel eğilim bileşenlerini daha etkili şekilde yakalamış, bu da daha düşük tahmin hat...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Yapay insan önkol modeli	Belirtilmemiş	Mevcut değil	Rulolama manipülasyonu için alıcı yüzey olarak kullanılan standart eğitim modeli
Keras (R paketi)	RStudio/Posit	CRAN: keras	LSTM model yapımında kullanılan derin öğrenme API'si; sürüm 2.10
mFilter (R paketi)	RStudio/Posit	CRAN: mFilter	Hodrick-Prescott filtrelemesi için kullanılır; freq = 100 ile hpfilter işlevi
Çok kanallı el kavrama gücü test sistemi	Zhejiang Changxian Co. Ltd.	Tekscan	100 Hz örnekleme hızında mekanik kuvvet veri toplama için 24 sensörlü eldiven sistemi
neuralnet (R paketi)	RStudio/Posit	CRAN: neuralnet	Backpropagation (BP) sinir ağı taban modelinin eğitimi için kullanılır
NVIDIA GeForce RTX 3060 GPU	NVIDIA Corporation	RTX 3060 (12 GB VRAM)	Hızlandırılmış sinir ağı eğitimi için GPU
Kişisel bilgisayar (Intel Core i7-12700, 32 GB RAM)	Intel Corporation	i7-12700	Tüm hesaplama deneyleri için Windows 11 çalıştıran iş istasyonu
Python (scikit-learn)	Python Software Foundation	scikit-learn 1.2	Rastgele orman taban modeli için RandomForestRegressor uygulaması
R istatistik yazılımı	R Core Team	Sürüm 4.2	Veri ön işleme, modelleme ve görselleştirme için birincil istatistiksel hesaplama ortamı
randomForest (R paketi)	RStudio/Posit	CRAN: randomForest	R'de alternatif rastgele orman uygulaması
TensorFlow	Google LLC	Sürüm 2.10	LSTM ağ eğitimi için arka uç derin öğrenme çerçevesi