机器人手术操作骨磨削骨质智能感知预测方法装置及设备与流程

1.本技术属于深度学习智能识别技术领域，尤其涉及一种机器人手术操作骨磨削骨质智能感知预测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.目前，骨组织磨削骨质识别主要依据获取的时域信号或频域信号来进行骨组织磨削骨质识别。这种方式利用单一的信号无法准确地识别骨组织磨削骨质。
3.因此，如何更加准确地识别骨组织磨削骨质是本领域技术人员亟需解决的技术问题。


技术实现要素：

4.本技术实施例提供一种机器人手术操作骨磨削骨质智能感知预测方法、装置、电子设备及计算机可读存储介质，能够更加准确地识别骨组织磨削骨质。
5.第一方面，本技术实施例提供一种机器人手术操作骨磨削骨质智能感知预测方法，包括：
6.获取待识别骨组织磨削骨质情况下的电机的速度信号和力矩信号；
7.计算速度信号和力矩信号之间的互相关特征；
8.将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中，输出对应的骨组织磨削骨质识别结果。
9.可选的，在将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中之前，方法还包括：
10.分别采集空气、松质骨和皮质骨三种情况下的电机的速度信号和力矩信号；
11.对速度信号和力矩信号进行数据预处理；
12.针对每种情况，计算数据预处理后的速度信号和力矩信号之间的互相关特征；
13.基于数据预处理后的速度信号、力矩信号和互相关特征，生成数据集；
14.利用数据集对卷积神经网络进行模型训练，得到骨组织磨削骨质识别模型。
15.可选的，对速度信号和力矩信号进行数据预处理，包括：
16.对空气、松质骨和皮质骨三种情况下的电机的速度信号和力矩信号分别进行标注；
17.针对标注后的信号，依据相同时间间隔和采样频率截取制作一个样本数据。
18.可选的，针对每种情况，计算数据预处理后的速度信号和力矩信号之间的互相关特征，包括：
19.对样本数据进行去均值处理；
20.使用滑动窗口方法将去均值处理后的样本数据分割成为大小均匀的矩阵，计算每次取到的滑动窗口中速度信号和力矩信号之间的互相关特征。
21.可选的，使用滑动窗口方法将去均值处理后的样本数据分割成为大小均匀的矩
阵，计算每次取到的滑动窗口中速度信号和力矩信号之间的互相关特征，包括：
22.计算每一个矩阵中每一行的平均值；
23.基于每一个矩阵中每一行的平均值，计算速度信号和力矩信号之间的互相关特征。
24.可选的，卷积神经网络包括依次连接的五组网络结构、dropout层、flatten层、全连接层和softmax层，每组网络结构包括由卷积层、dropout层、池化层依次连接而成。
25.可选的，在模型训练过程中，设置dropout参数为0.5；
26.设置损失函数为多分类损失函数；
27.设置优化函数为sgd；
28.设置卷积层中使用线性整流relu激活函数；
29.设置全连接层神经元个数为512；
30.模型训练的最大轮数为1000轮，批量大小为32，初始学习率为0.001，利用adam优化函数更新权重。
31.第二方面，本技术实施例提供了一种骨组织磨削骨质识别装置，所述装置包括：
32.信号获取模块，用于获取待识别骨组织磨削骨质情况下的电机的速度信号和力矩信号；
33.互相关特征计算模块，用于计算速度信号和力矩信号之间的互相关特征；
34.结果输出模块，用于将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中，输出对应的骨组织磨削骨质识别结果。
35.第三方面，本技术实施例提供了一种电子设备，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
36.所述处理器执行所述计算机程序指令时实现如第一方面所述的机器人手术操作骨磨削骨质智能感知预测方法。
37.第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面所述的机器人手术操作骨磨削骨质智能感知预测方法。
38.本技术实施例的机器人手术操作骨磨削骨质智能感知预测方法、装置、电子设备及计算机可读存储介质，能够更加准确地识别骨组织磨削骨质。
39.该机器人手术操作骨磨削骨质智能感知预测方法，获取待识别骨组织磨削骨质情况下的电机的速度信号和力矩信号；计算速度信号和力矩信号之间的互相关特征；将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中，输出对应的骨组织磨削骨质识别结果。
40.可见，该方法计算速度信号和力矩信号之间的互相关特征，也即利用多种信号之间的互相关性来识别骨组织磨削骨质，相比于现有技术，能够更加准确地识别骨组织磨削骨质。
附图说明
41.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的
附图是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本技术一个实施例提供的机器人手术操作骨磨削骨质智能感知预测方法的流程示意图；
43.图2是本技术一个实施例提供的机器人手术操作骨磨削骨质智能感知预测方法的流程示意图；
44.图3是本技术一个实施例提供的三种情况下的信号特征图；
45.图4是本技术一个实施例提供的滑动窗口方法使用示意图；
46.图5是本技术一个实施例提供的1d-cnn神经网络结构示意图；
47.图6是本技术一个实施例提供的骨组织磨削骨质识别装置的结构示意图；
48.图7是本技术一个实施例提供的电子设备的结构示意图。
具体实施方式
49.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
50.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
51.目前，骨组织磨削骨质识别主要依据获取的时域信号或频域信号来进行骨组织磨削骨质识别。这种方式利用单一的信号无法准确地识别骨组织磨削骨质。
52.为了解决现有技术问题，本技术实施例提供了一种机器人手术操作骨磨削骨质智能感知预测方法、装置、设备及计算机可读存储介质。下面首先对本技术实施例所提供的机器人手术操作骨磨削骨质智能感知预测方法进行介绍。
53.图1示出了本技术一个实施例提供的机器人手术操作骨磨削骨质智能感知预测方法的流程示意图。如图1所示，该机器人手术操作骨磨削骨质智能感知预测方法，包括：
54.s101、获取待识别骨组织磨削骨质情况下的电机的速度信号和力矩信号；
55.s102、计算速度信号和力矩信号之间的互相关特征；
56.s103、将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中，输出对应的骨组织磨削骨质识别结果。
57.在一个实施例中，在将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中之前，方法还包括：
58.分别采集空气、松质骨和皮质骨三种情况下的电机的速度信号和力矩信号；
59.对速度信号和力矩信号进行数据预处理；
60.针对每种情况，计算数据预处理后的速度信号和力矩信号之间的互相关特征；
61.基于数据预处理后的速度信号、力矩信号和互相关特征，生成数据集；
62.利用数据集对卷积神经网络进行模型训练，得到骨组织磨削骨质识别模型。
63.具体的，如图2所示，先进行数据采集和数据预处理，然后计算互相关特征，生成数据集。利用数据集进行模型训练，用训练好的模型用于骨组织磨削骨质识别。
64.其中，采集信号数据包括分别采集空气、松质骨和皮质骨三种情况下的电机的速度信号和力矩信号。三种情况下的信号特征如图3所示。
65.其中，生成数据集包括：每一个样本原始信号数据个数为2000个数据，其计算的互相关特征为2000个，即最终一个样本数据的数据个数为4000个。
66.将样本数据按训练集：测试集：验证集＝7:1:2比例划分。
67.在一个实施例中，对速度信号和力矩信号进行数据预处理，包括：
68.对空气、松质骨和皮质骨三种情况下的电机的速度信号和力矩信号分别进行标注；
69.针对标注后的信号，依据相同时间间隔和采样频率截取制作一个样本数据。
70.具体的，数据预处理包括：将空气、松质骨和皮质骨三种情况下采集的数据进行标注，空气中采集的信号标签为0，松质骨下采集的信号标签为1，皮质骨下采集的信号标签为2。将信号数据每隔相同时间截取制作一个样本数据，这里时间可以定为2秒，数据采样频率500hz，即一个数据样本含有2000个数据。
71.在一个实施例中，针对每种情况，计算数据预处理后的速度信号和力矩信号之间的互相关特征，包括：
72.对样本数据进行去均值处理；
73.使用滑动窗口方法将去均值处理后的样本数据分割成为大小均匀的矩阵，计算每次取到的滑动窗口中速度信号和力矩信号之间的互相关特征。
74.具体的，本技术考虑到速度信号和力矩信号序列之间的特征关系，提出一种基于互相关性的特征提取方法。计算方法如下：
75.首先对样本数据矩阵去均值处理：
[0076][0077][0078]
其中，表示样本数据矩阵，表示样本数据矩阵中每一列的平均值，σi表示每一列数据的标准差。
[0079]
使用滑动窗口方法将新得到的h
i，j
矩阵分割成为大小均匀的矩阵，计算每次取到的滑动窗口中信号之间的互相关性。
[0080]
在一个实施例中，使用滑动窗口方法将去均值处理后的样本数据分割成为大小均匀的矩阵，计算每次取到的滑动窗口中速度信号和力矩信号之间的互相关特征，包括：
[0081]
计算每一个矩阵中每一行的平均值；
[0082]
基于每一个矩阵中每一行的平均值，计算速度信号和力矩信号之间的互相关特征。
[0083]
图4是本技术一个实施例提供的滑动窗口方法使用示意图，如图4所示，矩阵长度即样本序列长度为m，样本矩阵维度为2*m。选取滑动窗口大小l＝2*n+1，即为图中的灰色框，此时n为一个周期信号长度，对该信号数据进行分析，一个周期长度为100个数据左右，即此时设置n＝100，计算连续两个周期之间的互相关性特征。本技术计算连续两个数据点之间的特征信息，因此，令e＝1。灰色框表示信号中第i位置特征提取的范围，即计算周围相邻的2*n个数据之间的互相关性特征。
[0084]
计算每一个矩阵中每一行的平均值：
[0085][0086]
其中：j＝1,2，l表示滑动窗口大小。
[0087][0088]
其中，表示第m行数据和第n行数据之间的互相关性特征，m,n＝1,2,m≠n
[0089]
第i列信号的互相关特征用mi表示，即：
[0090]
mi＝(m
12
,m
21
)
[0091]
此时，每一列信号得到2个特征，每一个样本数据的互相关特征用m表示，即：
[0092]
m＝(m1,m2,...,mm)
[0093]
其中，m表示每一个样本的互相关特征，特征数量2*m个，这里m取值1000，m最终的互相关特征为2000个。
[0094]
在一个实施例中，卷积神经网络包括依次连接的五组网络结构、dropout层、flatten层、全连接层和softmax层，每组网络结构包括由卷积层、dropout层、池化层依次连接而成。
[0095]
在一个实施例中，在模型训练过程中，设置dropout参数为0.5；
[0096]
设置损失函数为多分类损失函数；
[0097]
设置优化函数为sgd；
[0098]
设置卷积层中使用线性整流relu激活函数；
[0099]
设置全连接层神经元个数为512；
[0100]
模型训练的最大轮数为1000轮，批量大小为32，初始学习率为0.001，利用adam优化函数更新权重。
[0101]
具体的，本技术设计一维cnn网络，提取不同情况下电机的信号特征。为了避免训练过程中出现过拟合，采用dropout技术，设置dropout参数为0.5。选用平均池化，损失函数为多分类损失函数，优化函数为sgd，卷积层中使用线性整流relu激活函数，全连接层神经元个数设置为512，最后通过softmax分类器进行分类。cnn网络的训练的最大轮数为1000轮，批量大小为32，初始学习率为0.001，利用adam优化函数更新权重。经过实验分析验证，
最终确定cnn网络结构及各卷积层参数如图5所示。将采集到的原始信号，即速度信号和力矩信号和计算的互相关特征，制作成一个数据样本，将数据转换成一维格式，输入到神经网络中训练。
[0102]
本技术使用互相关性算法计算速度信号和力矩信号之间的互相关性特征，并对cnn的结构进行针对性设计，使之可以更好的从信号数据中提取有效特征，提高模型分类的准确性，进而提高信号识别精度。
[0103]
图6是本技术一个实施例提供的骨组织磨削骨质识别装置的结构示意图，该骨组织磨削骨质识别装置，装置包括：
[0104]
信号获取模块601，用于获取待识别骨组织磨削骨质情况下的电机的速度信号和力矩信号；
[0105]
互相关特征计算模块602，用于计算速度信号和力矩信号之间的互相关特征；
[0106]
结果输出模块603，用于将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中，输出对应的骨组织磨削骨质识别结果。
[0107]
图7示出了本技术实施例提供的电子设备的结构示意图。
[0108]
电子设备可以包括处理器701以及存储有计算机程序指令的存储器702。
[0109]
具体地，上述处理器701可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0110]
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在电子设备的内部或外部。在特定实施例中，存储器702可以是非易失性固态存储器。
[0111]
在一个实施例中，存储器702可以是只读存储器(read only memory，rom)。在一个实施例中，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
[0112]
处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现上述实施例中的任意一种机器人手术操作骨磨削骨质智能感知预测方法。
[0113]
在一个示例中，电子设备还可包括通信接口703和总线710。其中，如图7所示，处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
[0114]
通信接口703，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。
[0115]
总线710包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线710可包括一个或多个总线。尽
管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0116]
另外，结合上述实施例中的机器人手术操作骨磨削骨质智能感知预测方法，本技术实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种机器人手术操作骨磨削骨质智能感知预测方法。
[0117]
需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
[0118]
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0119]
还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0120]
上面参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0121]
以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。

技术特征：
1.一种机器人手术操作骨磨削骨质智能感知预测方法，其特征在于，包括：获取待识别骨组织磨削骨质情况下的电机的速度信号和力矩信号；计算速度信号和力矩信号之间的互相关特征；将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中，输出对应的骨组织磨削骨质识别结果。2.根据权利要求1所述的机器人手术操作骨磨削骨质智能感知预测方法，其特征在于，在将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中之前，方法还包括：分别采集空气、松质骨和皮质骨三种情况下的电机的速度信号和力矩信号；对速度信号和力矩信号进行数据预处理；针对每种情况，计算数据预处理后的速度信号和力矩信号之间的互相关特征；基于数据预处理后的速度信号、力矩信号和互相关特征，生成数据集；利用数据集对卷积神经网络进行模型训练，得到骨组织磨削骨质识别模型。3.根据权利要求2所述的机器人手术操作骨磨削骨质智能感知预测方法，其特征在于，对速度信号和力矩信号进行数据预处理，包括：对空气、松质骨和皮质骨三种情况下的电机的速度信号和力矩信号分别进行标注；针对标注后的信号，依据相同时间间隔和采样频率截取制作一个样本数据。4.根据权利要求3所述的机器人手术操作骨磨削骨质智能感知预测方法，其特征在于，针对每种情况，计算数据预处理后的速度信号和力矩信号之间的互相关特征，包括：对样本数据进行去均值处理；使用滑动窗口方法将去均值处理后的样本数据分割成为大小均匀的矩阵，计算每次取到的滑动窗口中速度信号和力矩信号之间的互相关特征。5.根据权利要求4所述的机器人手术操作骨磨削骨质智能感知预测方法，其特征在于，使用滑动窗口方法将去均值处理后的样本数据分割成为大小均匀的矩阵，计算每次取到的滑动窗口中速度信号和力矩信号之间的互相关特征，包括：计算每一个矩阵中每一行的平均值；基于每一个矩阵中每一行的平均值，计算速度信号和力矩信号之间的互相关特征。6.根据权利要求5所述的机器人手术操作骨磨削骨质智能感知预测方法，其特征在于，卷积神经网络包括依次连接的五组网络结构、dropout层、flatten层、全连接层和softmax层，每组网络结构包括由卷积层、dropout层、池化层依次连接而成。7.根据权利要求6所述的机器人手术操作骨磨削骨质智能感知预测方法，其特征在于，在模型训练过程中，设置dropout参数为0.5；设置损失函数为多分类损失函数；设置优化函数为sgd；设置卷积层中使用线性整流relu激活函数；设置全连接层神经元个数为512；模型训练的最大轮数为1000轮，批量大小为32，初始学习率为0.001，利用adam优化函数更新权重。8.一种骨组织磨削骨质识别装置，其特征在于，所述装置包括：
信号获取模块，用于获取待识别骨组织磨削骨质情况下的电机的速度信号和力矩信号；互相关特征计算模块，用于计算速度信号和力矩信号之间的互相关特征；结果输出模块，用于将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中，输出对应的骨组织磨削骨质识别结果。9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的机器人手术操作骨磨削骨质智能感知预测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的机器人手术操作骨磨削骨质智能感知预测方法。

技术总结
本申请提供了一种机器人手术操作骨磨削骨质智能感知预测方法、装置、电子设备及计算机可读存储介质。该机器人手术操作骨磨削骨质智能感知预测方法，包括：获取待识别骨组织磨削骨质情况下的电机的速度信号和力矩信号；计算速度信号和力矩信号之间的互相关特征；将速度信号、力矩信号和互相关特征输入预设的骨组织磨削骨质识别模型中，输出对应的骨组织磨削骨质识别结果。根据本申请实施例，能够更加准确地识别骨组织磨削骨质。确地识别骨组织磨削骨质。确地识别骨组织磨削骨质。


技术研发人员：张逸凌
受保护的技术使用者：张逸凌
技术研发日：2023.05.12
技术公布日：2023/8/14