对手术器械夹持力感知模型进行训练的方法专利检索-机器人手术学外科学手术专利检索查询-专利查询网

对手术器械夹持力 感知模型进行训练的方法

阅读：977发布：2020-05-22

专利汇可以提供对手术器械夹持力感知模型进行训练的方法专利检索，专利查询，专利分析的服务。并且对手术器械夹持力感知模型进行训练的方法,属于医疗机器人领域。解决了现有的微创手术机器人系统存在夹持力感知精度低、使用不方便、适应性差的问题。本发明先采集同一类别的所有手术器械在空载状态下的空载运动样本集和在带载状态下的带载运动样本集，利用深度学习的方式对现有技术中的夹持力感知模型进行训练，获得训练完成的夹持力感知模型，本发明将器械将空载状态下的情况考虑进来，并结合带载状态的方式，对同一类别的所有器械进行训练，提高训练完成的夹持力感知模型的感知精度。本发明主要用于微创手术机器人手术器械夹持力感知。，下面是对手术器械夹持力感知模型进行训练的方法专利的具体信息内容。

权利要求

1.对手术器械夹持力感知模型进行训练的方法，该方法是基于驱动电机实现的，驱动电机用于分别对同一种类的N个手术器械(1)进行驱动；N为大于5的整数；
其特征在于，该训练方法包括如下步骤：
步骤一、通过驱动电机对每个手术器械(1)进行空载驱动，对所有手术器械(1)在空载状态下，进行运动特征提取，构建空载运动样本集；
步骤二、通过驱动电机对每个手术器械(1)进行带载驱动，使每个手术器械(1)的抓手(1-1)分别对M个待夹持物体进行按压，采集每个手术器械(1)在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械(1)的带载运动样本集；M为大于10的整数；
步骤三、将空载运动样本集和带载运动样本集作为夹持力感知模型的训练样本，对夹持力感知模型进行训练，且在训练时将每个手术器械(1)在空载运动样本集中所对应的数据和在带载运动样本集中所对应的数据作为一组训练数据对夹持力感知模型进行训练，最终获得训练完成的夹持力感知模型，从而完成对夹持力感知模型的训练。
2.根据权利要求1所述的对手术器械夹持力感知模型进行训练的方法，其特征在于，步骤一中，通过驱动电机对每个手术器械(1)进行空载驱动，对所有手术器械(1)在空载状态下，进行运动特征提取，构建空载运动样本集的具体过程为:
步骤一一、通过驱动电机对每个手术器械(1)进行空载驱动，获得每个手术器械(1)在空载驱动的条件下的驱动电机的电流、角位置和角速度；
步骤一二、利用所有手术器械(1)在空载驱动的条件下的驱动电机的电流、角位置和角速度，对特征提取器进行训练，获得训练完成的特征提取器；
步骤一三、利用训练完成的特征提取器对所有手术器械(1)在空载驱动的条件下的驱动电机的电流、角位置和角速度进行特征提取，获得每个手术器械(1)在空载驱动的条件下的运动特征，将所有手术器械(1)在空载驱动的条件下的运动特征作为空载运动样本集，从而完成对空载运动样本集的构建。
3.根据权利要求1或2所述的对手术器械夹持力感知模型进行训练的方法对手术器械夹持力感知模型进行训练的方法，其特征在于，步骤二中，通过驱动电机对每个手术器械(1)进行带载驱动，使每个手术器械(1)的抓手(1-1)分别对M个待夹持物体进行按压，采集每个手术器械(1)在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械(1)的带载运动样本集的具体过程为：
步骤二一、通过驱动电机对每个手术器械(1)进行带载驱动，使该手术器械(1)的抓手(1-1)对每个待夹持物体进行按压，并采集在对每个操作物体进行按压情况下所对应的手术器械(1)带载运动状态下的驱动电机的电流、角位置、角速度和该待夹持物体的压力，获得每个手术器械(1)在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力；
步骤二二、将所有手术器械(1)在带载运动状态下的驱动电机的电流、角位置、角速度和所对应的待夹持物体的压力作为所有手术器械(1)的带载运动样本集，从而完成对所有手术器械(1)的带载运动样本集的构建。
4.根据权利要求1所述的对手术器械夹持力感知模型进行训练的方法对手术器械夹持力感知模型进行训练的方法，其特征在于，M个待夹持物体的尺寸和弹性各不相同。

说明书全文

对手术器械夹持力 感知模型进行训练的方法

技术领域

[0001] 本发明属于医疗机器人领域。

背景技术

[0002] 微创手术机器人的出现减轻了患者与医生的负担。医生通过操作主手控制进入患者体内的手术器械进行手术。目前的微创手术机器人系统主要依赖视觉反馈，大多不能为医生提供术中夹持力感知。夹持力的缺失使得手术临场感大大降低，增加了医生培训成本和术中误操作的可能性，甚至有可能危及患者生命，因此不能有效地满足微创手术直观性的需求。

[0003] 现有感知手术器械夹持力的方案主要有以下几类：特殊设计夹持力传感器、设计钢丝绳拉力传感器以间接计算夹持力、基于动力学模型建模计算夹持力、基于学习算法获取夹持力。特殊设计的夹持力传感器由于成本高昂，占用空间大、影响高温消毒等缺点，仍处在研发阶段；利用钢丝绳拉力传感器间接计算夹持力，由于非线性绳轮传动系统的建模准确性有限，夹持力感知精度有所降低，且仍存在成本高昂影响高温消毒的缺点；基于动力学模型建模不需要额外的硬件成本，不影响高温消毒，但由于动力学模型的非线性较强，难以准确建模，所以感知准确度较低；基于学习算法获取夹持力利用事先采集的驱动端传感器数据和末端夹持力数据让学习算法自主学习非线性的绳轮动力学模型，无需额外硬件成本，准确度比基于动力学建模的方法大大提高，但对于未经训练的手术器械和被夹物品准确度有所降低。总之，目前的方案都不满足夹持力感知低成本、高精度、使用方便、适应性强的需求。因此，以上问题亟需解决。

发明内容

[0004] 本发明是为了解决现有的微创手术机器人系统存在夹持力感知精度低、使用不方便、适应性差的问题，本发明提供了一种对手术器械夹持力感知模型进行训练的方法。

[0005] 对手术器械夹持力感知模型进行训练的方法，该方法是基于驱动电机实现的，驱动电机用于分别对同一种类的N个手术器械进行驱动；N为大于5的整数；

[0006] 该训练方法包括如下步骤：

[0007] 步骤一、通过驱动电机对每个手术器械进行空载驱动，对所有手术器械在空载状态下，进行运动特征提取，构建空载运动样本集；

[0008] 步骤二、通过驱动电机对每个手术器械进行带载驱动，使每个手术器械的抓手分别对M个待夹持物体进行按压，采集每个手术器械在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械的带载运动样本集；M为大于10的整数；

[0009] 步骤三、将空载运动样本集和带载运动样本集作为夹持力感知模型的训练样本，对夹持力感知模型进行训练，且在训练时将每个手术器械在空载运动样本集中所对应的数据和在带载运动样本集中所对应的数据作为一组训练数据对夹持力感知模型进行训练，最终获得训练完成的夹持力感知模型，从而完成对夹持力感知模型的训练。

[0010] 优选的是，步骤一中，通过驱动电机对每个手术器械进行空载驱动，对所有手术器械在空载状态下，进行运动特征提取，构建空载运动样本集的具体过程为:

[0011] 步骤一一、通过驱动电机对每个手术器械进行空载驱动，获得每个手术器械在空载驱动的条件下的驱动电机的电流、角位置和角速度；

[0012] 步骤一二、利用所有手术器械在空载驱动的条件下的驱动电机的电流、角位置和角速度，对特征提取器进行训练，获得训练完成的特征提取器；

[0013] 步骤一三、利用训练完成的特征提取器对所有手术器械在空载驱动的条件下的驱动电机的电流、角位置和角速度进行特征提取，获得每个手术器械在空载驱动的条件下的运动特征，将所有手术器械在空载驱动的条件下的运动特征作为空载运动样本集，从而完成对空载运动样本集的构建。

[0014] 优选的是，步骤二中，通过驱动电机对每个手术器械进行带载驱动，使每个手术器械的抓手分别对M个待夹持物体进行按压，采集每个手术器械在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械的带载运动样本集的具体过程为：

[0015] 步骤二一、通过驱动电机对每个手术器械进行带载驱动，使该手术器械的抓手对每个待夹持物体进行按压，并采集在对每个操作物体进行按压情况下所对应的手术器械带载运动状态下的驱动电机的电流、角位置、角速度和该待夹持物体的压力，获得每个手术器械在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力；

[0016] 步骤二二、将所有手术器械在带载运动状态下的驱动电机的电流、角位置、角速度和所对应的待夹持物体的压力作为所有手术器械的带载运动样本集，从而完成对所有手术器械的带载运动样本集的构建。

[0017] 优选的是，M个待夹持物体的尺寸和弹性各不相同。

[0018] 本发明带来的有益效果是，本发明解决了现有微创手术机器人系统夹持力感知方案成本高、精度差、使用不便、适应性差的缺点，本发明可以在低硬件成本下实现高精度夹持力感知，并且使用方便不影响高温消毒，无需对每把手术器械单独训练，对不同被夹物品适应性强。具体地说，本发明通过学习算法提取特征，利用离线采集的数据学习动力学模型，避免了建模误差，能够提高夹持力感知精度。使用本发明训练的任意一种夹持力感知模型，在实际使用时仅需获取电机电流、驱动电机角位置和驱动电机角速度即可感知夹持力，没有额外的硬件成本，不影响高温消毒。

[0019] 本发明为了保证夹持力感知模型对不同器械的高适应性，引入“参数辨识”的思想，利用学习算法自主提取器械的运动特征。此外，训练集中包含尺寸、弹性等物理参数各不相同的物品，能够引导学习算法学习所期望的动力学模型，在提高夹持力感知精度的同时也能保证对不同夹持物品的高适应性。

[0020] 说明书附图

[0021] 图1为驱动电机、待手术器械、待夹持物体和力传感器的相对位置关系图；其中，附图标记2表示待夹持物体、附图标记3表示力传感器。

[0022] 图2为本发明所述的对手术器械夹持力感知模型进行训练的方法的原理示意图。

具体实施方式

[0023] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0024] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

[0025] 下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

[0026] 参见图1说明本实施方式，本实施方式所述的对手术器械夹持力感知模型进行训练的方法，该方法是基于驱动电机实现的，驱动电机用于分别对同一种类的N个手术器械1进行驱动；N为大于5的整数；

[0027] 该训练方法包括如下步骤：

[0028] 步骤一、通过驱动电机对每个手术器械1进行空载驱动，对所有手术器械1在空载状态下，进行运动特征提取，构建空载运动样本集；

[0029] 步骤二、通过驱动电机对每个手术器械1进行带载驱动，使每个手术器械1的抓手1-1分别对M个待夹持物体进行按压，采集每个手术器械1在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械1的带载运动样本集；M为大于10的整数；

[0030] 步骤三、将空载运动样本集和带载运动样本集作为夹持力感知模型的训练样本，对夹持力感知模型进行训练，且在训练时将每个手术器械1在空载运动样本集中所对应的数据和在带载运动样本集中所对应的数据作为一组训练数据对夹持力感知模型进行训练，最终获得训练完成的夹持力感知模型，从而完成对夹持力感知模型的训练。

[0031] 本实施方式，训练过程中通过驱动电机对每个手术器械1进行带载驱动时，待测物2设置在力传感器3的上方，通过力传感器3对手术器械1的抓手1-1施加在待测物2上的力进行采集。

[0032] 本实施方式中，夹持力感知模型为获得感知力的模型，该模型为现有技术。

[0033] 本发明先采集同一类别的所有手术器械1在空载状态下的空载运动样本集和在带载状态下的带载运动样本集，利用深度学习的方式对现有技术中的夹持力感知模型进行训练，获得训练完成的夹持力感知模型，本发明将器械将空载状态下的情况考虑进来，并结合带载状态的方式，对同一类别的所有器械进行训练，提高训练完成的夹持力感知模型的感知精度。

[0034] 具体应用时，利用训练完成的夹持力感知模型接收待手术器械在实际操作过程中驱动电机的电流、角位置和角速度，训练完成的夹持力感知模型即可直接输出感知力，可高精度的感知器械对待测物进行操作时的作用力。

[0035] 进一步的，步骤一中，通过驱动电机对每个手术器械1进行空载驱动，对所有手术器械1在空载状态下，进行运动特征提取，构建空载运动样本集的具体过程为:

[0036] 步骤一一、通过驱动电机对每个手术器械1进行空载驱动，获得每个手术器械1在空载驱动的条件下的驱动电机的电流、角位置和角速度；

[0037] 步骤一二、利用所有手术器械1在空载驱动的条件下的驱动电机的电流、角位置和角速度，对特征提取器进行训练，获得训练完成的特征提取器；

[0038] 步骤一三、利用训练完成的特征提取器对所有手术器械1在空载驱动的条件下的驱动电机的电流、角位置和角速度进行特征提取，获得每个手术器械1在空载驱动的条件下的运动特征，将所有手术器械1在空载驱动的条件下的运动特征作为空载运动样本集，从而完成对空载运动样本集的构建。

[0039] 更进一步的，步骤二中，通过驱动电机对每个手术器械1进行带载驱动，使每个手术器械1的抓手1-1分别对M个待夹持物体进行按压，采集每个手术器械1在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械1的带载运动样本集的具体过程为：

[0040] 步骤二一、通过驱动电机对每个手术器械1进行带载驱动，使该手术器械1的抓手1-1对每个待夹持物体进行按压，并采集在对每个操作物体进行按压情况下所对应的手术器械1带载运动状态下的驱动电机的电流、角位置、角速度和该待夹持物体的压力，获得每个手术器械1在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力；

[0041] 步骤二二、将所有手术器械1在带载运动状态下的驱动电机的电流、角位置、角速度和所对应的待夹持物体的压力作为所有手术器械1的带载运动样本集，从而完成对所有手术器械1的带载运动样本集的构建。

[0042] 本优选实施方式中，步骤二一获得的是每个手术器械1在带载运动状态下的M组驱动电机的电流、M组驱动电机的角位置、M组驱动电机的角速度和M组待夹持物体的压力。每个待夹持物体对应一组数据。

[0043] 更进一步的，M个待夹持物体的尺寸和弹性各不相同。

[0044] 本优选实施方式中，正是因为待夹持物体的多样性才能保证，对不同操作物体的高适应性。

[0045] 虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其它的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例。

标题	发布/更新时间	阅读量
使用者启动的手术安装平台的断开式离合	2020-05-25	196
用于在机器人手术系统中接收操作员输入的手柄设备	2020-06-19	86
机器人接口定位确定系统及方法	2020-05-17	548
一种具有自定位功能的移动式机器人手术系统	2020-05-27	943
弯曲套管、机器人操纵器和具有被动柔性轴的手术器械	2020-06-23	161
低场强磁共振成像	2020-06-20	819
用于内窥镜治疗术式的柔性机器人手术系统及其使用方法	2020-05-29	438
混合控制外科机器人系统	2020-06-01	714
具有球形远端组件的多节内窥镜设备	2020-06-29	790
血管介入手术机器人导丝阻力触觉还原装置及其控制方法	2020-06-03	408

对手术器械夹持力感知模型进行训练的方法

对手术器械夹持力感知模型进行训练的方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：