基于使用人工智能的振动信号来识别削状态,用于机器人辅助的宫片切除术
Rui Wang1, He Bai1, Guangming Xia2
1Key Laboratory of Spine and Spinal Cord, Department of Orthopedic Surgery, Tianjin Medical University General Hospital, Tianjin, 300052, China.
European journal of medical research
|June 28, 2023
概括
机器学习的K-近邻 (KNN) 准确地识别了机器人辅助宫切除术期间使用振动信号的骨磨削状态. 这种人工智能方法通过区分无关骨,腹皮质骨和透状态来提高手术安全性.
科学领域:
- 人工智能在医学中的应用
- 手术机器人手术机器人手术机器人手术机器人
- 生物医学信号处理
背景情况:
- 人工智能的进步对医疗应用产生了重大影响.
- 机器人辅助手术提供了精确度,但需要强大的手术内反.
- 在拉米切除术期间区分骨类型对于安全至关重要.
研究的目的:
- 为了评估k-最近邻居 (KNN) 机器学习算法的有效性.
- 要识别三个不同的磨削状态:取消性骨 (CCB),腹腔皮层骨 (VCB) 和透 (PT).
- 在机器人辅助子宫膜切除术中利用振动信号进行状态识别.
主要方法:
- 在使用机器人系统的猪模型上进行了宫膜切除术.
- 在骨磨削过程中,用不同刀片大小的刀片捕获了振动信号.
- 使用快速里叶变换 (FFT) 来提取波元件;KNN被训练在从0.5,1.0和1.5kHz的振动振幅中得出的特征向量上.
主要成果:
- 在特定频率下,在VCB和PT (P <0.05) 之间以及在CCB和VCB (P <0.05) 之间观察到振动信号幅度的统计学上显著差异.
- 肯尼迪国家广播公司取得了高的认可成功率:92%的CCB,98%的VCB和100%的PT.
- 最小的错误分类被发现:6%的CCB被确定为VCB/PT,2%的VCB被确定为PT.
结论:
- 根据手术内振动信号,KNN算法有效地区分CCB,VCB和PT状态.
- 这种人工智能驱动的方法证明了提高后宫解压手术安全性的可行性.
- 振动分析与KNN相结合,为机器人骨加工提供了可靠的反机制.
