在机器人辅助手术中使用机器学习方法对动态数据进行手术手势识别
Alexandros Dimitriadis1, George Moustris2, Costas Tzafestas1,2
1National Technical University of Athens (NTUA), School of Electrical and Computer Engineering.
Studies in health technology and informatics
|February 23, 2026
概括
这项研究通过在动态数据上训练的机器学习模型来增强实时手术手势识别. 混合方法,特别是基于注意力的模型,显著提高了机器人辅助手术任务的准确性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
- 手术技术 手术技术
背景情况:
- 机器人辅助手术提供了精确度,但缺乏实时的手术内反.
- 准确识别手术手势对于开发智能手术工具至关重要.
- 目前的方法通常依赖于视觉数据,限制实时动力学分析.
研究的目的:
- 开发和评估用于实时手术手势识别的机器学习模型.
- 仅使用来自患者侧机器人操纵器的动力学数据.
- 改进现有的最先进的手术任务识别率.
主要方法:
- 训练各种神经网络架构,包括长期短期记忆 (LSTM) 基线.
- 提出并测试两个混合模型:带有条件随机场 (CRF) 的LSTM和带有注意层的LSTM.
- 在JIGSAWS数据集上评估模型性能,重点是接任务.
主要成果:
- 建议的混合方法的性能优于基线LSTM模型.
- 与注意层相结合的LSTM模型实现了最高的准确度,达到81.56%.
- 对比分析确定了进一步优化性能的具体领域.
结论:
- 混合机器学习模型,特别是以注意力为基础的机器学习模型,对实时手术手势识别有很大的前景.
- 仅靠动力学数据就足以在机器人辅助手术中有效识别手势.
- 这项研究为开发外科医生的手术内监测和辅助工具提供了基础.
关键词:
注意力机制 注意力机制在CRF的基础上.混合动力模型 混合动力模型吉格索斯 (Jigsaw) 是一个有趣的动物.动力学数据 动力学数据这是LSTM的LSTM.机器学习 机器学习实时实时的时间.机器人手术 机器人手术自我注意力注意力手术手势识别手术手势识别
