【技术实现步骤摘要】
本公开涉及机器学习和医疗设备，更具体地，涉及一种夹持力预测模型训练方法、预测方法、装置、设备及介质。
技术介绍
1、医疗技术的快速发展，使得微创手术机器人的应用非常广泛，其不仅能够降低手术风险，还能显著缩短病人术后的康复时间。医生通过主手操作控制进入患者体内的多自由度长杆手术器械来完成各种手术操作。在手术过程中，多自由度长杆手术器械钳头的夹持力感知信息是手术效率和质量的重要保证。
2、目前，长杆手术器械夹持力感知方法主要包括根据安装位置定制设计夹持力传感器、安装钢丝绳拉力传感器以间接计算夹持力、基于数学推导建立动力学模进而实现夹持力估计、基于机器学习算法和深度学习算法预测夹持力。定制设计的夹持力传感器由于设计难度高、制作成本高、应用局限和影响高温消毒等缺点，仍处于技术研究阶段；利用钢丝绳拉力传感器测量钢丝绳拉力并结合绳轮传动系统建模以计算夹持力，但该方法受非线性建模准确性的影响，夹持力感知精度较低，且仍存在成本高昂和影响高温消毒的缺点；基于数学推导建立动力学模型估计夹持力，并不需要安装额外的传感器，不受高温消毒的影响，但丝传动系统中的非线性参数难以建模，难以得到精确的动力学模型，夹持力感知精度受限；基于机器学习算法和深度学习算法的夹持力感知方法利用回归技术自主学习离线采集的电机角位置、电机速度、电机电流和器械末端夹持力之间的非线性关系，无需安装额外的传感器，并不依赖于系统的明确物理模型，也无需辨别模型的非线性参数，相较于基于数学推导建立动力学模型，准确度大大提高，但对于不同的夹持速度下的夹持力感知准确度有所降低，而且
技术实现思路
1、有鉴于此，本公开提供了一种夹持力预测模型训练方法、预测方法、装置、设备及介质，用于至少部分解决上述技术问题。
2、本公开的一个方面提供了一种多自由度手术器械夹持力预测模型训练方法，包括：分别获取多自由度手术器械在多个姿态、不同运动速度下，夹钳空载的运动参数样本集和夹钳带载的运动参数样本集，其中，夹钳空载的运动参数样本集包括不同时刻的夹钳空载的运动参数样本，夹钳带载的运动参数样本集包括不同时刻的夹钳带载的运动参数样本；按照时间顺序将夹钳空载的运动参数样本集和夹钳带载的运动参数样本集上下拼接，得到第一特征参数样本集；将第一特征参数样本集中第t×span时刻到第(t+t-1) ×span时刻对应的运动参数样本集确定为时序输入数据帧，将第(t+t) ×span时刻对应的夹持力确定为输出数据帧，得到多个时序输入数据帧和与每个时序输入数据帧对应的输出数据帧，其中，t表示不同时刻，t为时序输入数据帧的长度；span为时间步长，基于多个时序输入数据帧和与每个时序输入数据帧对应的输出数据帧训练多自由度手术器械夹持力预测模型。
3、根据本公开的实施例，方法还包括：对夹钳的第一特征参数样本集进行特征筛选，去除夹钳的第一特征参数样本集中的权重小于预设阈值的运动参数，得到第二特征参数样本集；将第二特征参数样本集中第t×span时刻到第(t+t-1) ×span时刻对应的运动参数样本集确定为时序输入数据帧，将第(t+t) ×span时刻对应的夹持力确定为输出数据帧，得到多个时序输入数据帧和与每个时序输入数据帧对应的输出数据帧。
4、根据本公开的实施例，夹钳空载的运动参数样本集、夹钳带载的运动参数样本集或者第一特征参数样本集的运动参数包括夹钳角度、中轴线角度、左夹钳驱动电机电流、左夹钳驱动电机速度、右夹钳驱动电机电流、右夹钳驱动电机速度、多自由度手术器械的其余关节的驱动电机的角位置、电流、速度。
5、根据本公开的实施例，多自由度手术器械夹持力预测模型包括：依次连接的时序预测模块、注意力机制模块、压平层和多层感知器。
6、本公开的另一方面提供了一种多自由度手术器械夹持力预测模型的训练装置，包括：第一获取模块，用于分别获取多自由度手术器械在多个姿态、不同运动速度下，夹钳空载的运动参数样本集和夹钳带载的运动参数样本集，夹钳空载的运动参数样本集包括不同时刻的夹钳空载的运动参数样本，夹钳带载的运动参数样本集包括不同时刻的夹钳带载的运动参数样本；拼接模块，用于按照时间顺序将夹钳空载的运动参数样本集和夹钳带载的运动参数样本集上下拼接，得到第一特征参数样本集；确定模块，用于将第一特征参数样本集中第t×span时刻到第(t+t-1) ×span时刻对应的运动参数样本集确定为时序输入数据帧，将第(t+t) ×span时刻对应的夹持力确定为输出数据帧，得到多个时序输入数据帧和与每个时序输入数据帧对应的输出数据帧，其中，t表示不同时刻，t为时序输入数据帧的长度，span为时间步长；训练模块，用于基于多个时序输入数据帧和与每个时序输入数据帧对应的输出数据帧训练多自由度手术器械夹持力预测模型。
7、本公开的另一方面提供了一种多自由度手术器械夹持力的预测方法，包括：获取多自由度手术器械待测状态下，开始时刻和间隔时间步长时刻夹钳的运动参数样本，上下拼接，继续获取下一个间隔时间步长时刻的运动参数样本，继续拼接，直至时序输入数据帧的长度达到预设长度t，得到第一待测时序输入数据帧；将第一待测时序输入数据帧输入训练好的多自由度手术器械夹持力预测模型，输出第一夹持力预测值；继续获取间隔下一个时间步长的夹钳的运动参数样本，与删除了第一个运动参数样本的第一待测时序输入数据帧拼接，得到第二待测时序输入数据帧，将第二待测时序输入数据帧输入训练好的多自由度手术器械夹持力预测模型，输出第二夹持力预测值；以此类推，预测得到各个时刻对应的夹持力预测值。
8、本公开的另一方面提供了一种多自由度手术器械夹持力的预测装置，包括：第二获取模块，用于获取多自由度手术器械待测状态下，开始时刻和间隔时间步长时刻夹钳的运动参数样本，上下拼接，继续获取下一个间隔时间步长时刻的运动参数样本，继续拼接，直至时序输入数据帧的长度达到预设长度t，得到第一待测时序输入数据帧；预测模块，用于将第一待测时序输入数据帧输入训练好的多自由度手术器械夹持力预测模型，输出第一夹持力预测值；第二获取模块还用于继续获取间隔下一个时间步长时刻的夹钳的运动参数样本，与删除了第一个运动参数样本的第一待测时序输入数据帧拼接，得到第二待测时序输入数据帧；预测模块还用于将第二待测时序输入数据帧输入训练好的多自由度手术器械夹持力预测模型，输出第二夹持力预测值；第二获取模块和预测模块重复上述操作，预测得到各个时刻对应的夹持力预测值。
9、本公开的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
10、本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
11、本公开的另一方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指本文档来自技高网...
【技术保护点】
1.一种多自由度手术器械夹持力预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述夹钳空载的运动参数样本集、所述夹钳带载的运动参数样本集、或所述第一特征参数样本集包括夹钳角度、中轴线角度、左夹钳驱动电机电流、左夹钳驱动电机速度、右夹钳驱动电机电流、右夹钳驱动电机速度、所述多自由度手术器械的其余关节的驱动电机的角位置、电流、速度。
4.根据权利要求1或2所述的方法，其特征在于，所述多自由度手术器械夹持力预测模型包括：
5.一种多自由度手术器械夹持力预测模型的训练装置，其特征在于，包括：
6.一种多自由度手术器械夹持力的预测方法，其特征在于，包括：
7.一种多自由度手术器械夹持力的预测装置，其特征在于，包括：
8.一种电子设备，包括：
9.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至4中任一项所述的方法或权利要求6所述的方法。
10.一种
...【技术特征摘要】
1.一种多自由度手术器械夹持力预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述夹钳空载的运动参数样本集、所述夹钳带载的运动参数样本集、或所述第一特征参数样本集包括夹钳角度、中轴线角度、左夹钳驱动电机电流、左夹钳驱动电机速度、右夹钳驱动电机电流、右夹钳驱动电机速度、所述多自由度手术器械的其余关节的驱动电机的角位置、电流、速度。
4.根据权利要求1或2所述的方法，其特征在于，所述多自由度手术器械夹持力预测模型包括：
【专利技术属性】
技术研发人员：陈婷，高连胜，邓永贡，余元亮，
申请(专利权)人：杭州华匠医学机器人有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。