24、手术机器人中的力估计与远程中心运动控制技术

手术机器人中的力估计与远程中心运动控制技术

1. 手术工具推压力估计方法

1.1 实验设置与数据采集

在实验中，测试了 0.1 和 0.05 mm/s 两种速度设置。实验过程中，同时记录 Z 方向的按压力和相应的电气生物阻抗（EBI）值。输入的 EBI 数据包括 5D 的 EBI 值 |Z|、5D 的 EBI 值速度 |V| 以及 5D 的 EBI 值加速度 |α|。

1.2 数据分析

目的是构建一个回归模型 (f \in F)，参数化于 (\Theta \in R^d)，使得 (\hat{F} = f(X; \Theta)) 接近真实输出 (F)。将收集的时变输入 - 输出对 (P_t = {X_t, F_t}) 分为训练数据集 (P_A^t) 和测试数据集 (P_B^t)。考虑到软组织通常被建模为弹簧 - 阻尼系统，EBI 值的速度 |V| 对预测 (F) 可能起重要作用，EBI 值的加速度 |α| 也可能提高回归模型的性能，因此在回归研究中评估了三种不同的输入组件：5D - [|Z|]、10D - [|Z|, |V|] 和 15D - [|Z|, |V|, |α|]。回归研究在 MATLAB 2018b 中实现。

1.3 人工神经网络模型

选择人工神经网络（ANN）来解决回归问题，它不需要系统的数学模型，且具有拟合任何复杂函数和非线性关系的学习能力。研究中考虑了可能限制模型性能的因素，包括隐藏层神经元数量、隐藏层数量、ANN 类型和输入维度。为找到最佳模型 (f^*)，实现了具有反向传播学习策略的前馈神经网络（F - NN）和级联前馈神经网络（C - NN），同时构建了单层（SNN）和多层（MNN）的神