CN103006328B - 血管介入手术机器人系统力反馈的模糊融合方法 - Google Patents

Abstract

本发明公开了一种血管介入手术机器人系统力反馈的模糊融合方法，属于医疗器械技术领域。包括选择模糊语言变量；构建隶属度函数，计算量化因子和比例因子；建立赋值表；制定融合规则表；模糊推理的步骤；本发明运用模糊控制，应用模糊变量间的逻辑关系很好的体现了两者非线性关系；根据医生切身的体会来定义语言变量，输入变量为碰撞的状态，输出为反馈力的大小，与医生现有的经验结合起来，使两者反应的实际关系更加真实。

Description

血管介入手术机器人系统力反馈的模糊融合方法

技术领域

本发明属于医疗器械技术领域，具体涉及一种用于血管介入手术机器人系统力反馈的模糊融合方法。

背景技术

近年来，血管介入手术以其微创伤、低风险、并发症少等优点得到了广泛的临床应用，被认为是当前最具有应用价值的临床医学专科之一。但是技巧性强、操作复杂、手术时间长、X射线的无端伤害等弊端，限制了血管介入手术的进一步发展推广，而机器人技术与血管介入技术的有机结合是解决上述问题的重要途径。目前应用于血管介入手术中的多为主从式机器人系统，分为放射室内和放射室外两部分，使用网络进行通信，放射室内的从端机构把持和进给导管，医生在放射室外通过主端控制导管运动。

在血管介入手术中，鉴于血管结构的复杂性和形状的多变性，为了保证手术的效率和安全性，医生需要全面的引导信息。在传统介入手术中，医生借助X射线、CT/MRI、DSA图像的位置引导和导管反馈力的接触引导，快速安全地进给导管到目标位置，尤其是在血管密集遮挡的地方，受制于图像设备的成像质量，会更加依赖于力觉引导，来及时掌握导管精细的介入状态。而使用主从式机器人系统进行手术，改由从端机构把持导管，医生会缺失力觉引导，不但影响手眼协调，更限制其操作经验的发挥，增加了手术的耗时和风险。

发明内容

为了解决现有技术中存在的问题，本发明提供一种在血管介入手术机器人系统中重构力反馈回路的方法，解决了采用现有技术造成的手术耗时多、风险大等问题，提高了血管介入手术机器人系统的效率和安全性。

在血管介入手术中，导管在人体内介入时会产生两种不同的力，分别来自血管壁对导管前端和侧壁的作用，都需要进行测量。产生的力经过导管反馈后是非常重要的引导信息，是医生操作经验的重要组成，尤其是在影像设备无法提供足够分辨率的图像用以支持医生进行精细碰撞判断的时候，导管的反馈力觉更是保证手术安全和效率的关键依靠，所以在主从式血管介入手术机器人系统中重新构建力反馈回路是非常必要的。

本发明提供一种用于血管介入手术机器人系统力反馈的模糊融合方法，所述的模糊融合方法可以为医生提供力觉反馈。所述的方法包括如下步骤：

第一步，选择模糊语言变量；

选择导管头部前端和侧壁与血管壁之间的“碰撞”作为输入语言变量，记为P_i，i=1,2，取值皆为{没有碰撞、轻微碰撞、较深碰撞、深度碰撞、严重碰撞}，对应的模糊集合表示为i=1,2，基本论域为光纤压力传感器和导电橡胶传感器的电压信号U_i=[0,5V]，i=1,2；输出语言变量为医生感觉到的“力”，记为F，取值为{很小、较小、较大、大、很大}，对应的模糊集合表示为基本论域为导管尾端的反馈力f＝[0,6N]；

第二步，构建隶属度函数，包括碰撞模糊集合隶属度函数和力模糊集合隶属度函数；

所述碰撞模糊集合隶属度函数，将导管与血管壁的碰撞状态分为没有碰撞、轻微碰撞、较深碰撞、深度碰撞和严重碰撞五种，记录对应两个传感器所返回的测量值，并与常用的隶属度函数进行比对后得到；

所述的力模糊集合隶属度函数，通过正常工作方式下施加反馈力的设备，按一定步长逐渐增加设备末端轴向的反馈力，并将反馈力分为很小、较小、较大、大、很大五类力值，与常用的隶属度函数比对后，构建出力模糊隶属度函数；

第三步，计算量化因子和比例因子；

取模糊集合和对应的量化论域为X=Y=Z={0,1,2,3,4,5,6,7,8,9,10,11,12,13}；则定义导管前端和侧壁的碰撞量化因子为：

$k_u=\frac{m}{u_{\max }}---\left(1\right)$

式中，u_max——基本论域中的电压最大值；m——量化等级；

将两路输入信号的基本论域代入式（1）中，得其中k_u1、k_u2分别为导管前端和侧壁的碰撞量化因子；

定义力的比例因子为：

$k_f=\frac{f_{\max }}{m}$ (3)

式中，f_max——反馈力的最大值；

将反馈力的基本论域代入式（3），得根据此比例因子，最终施加至力反馈设备的反馈力f应由式（4）解得：

f＝k_f·z^*      （4）

式中，z^*——去模糊化结果。

第四步，建立赋值表；

根据模糊集合的论域分别是X=Y=Z={0,1,2,3,4,5,6,7,8,9,10,11,12,13}，求得各语言变量取值在X、Y、Z论域上的离散隶属度取值；借助量化因子k_u和比例因子k_f的转换，分别建立语言变量P1、P2和F的离散赋值表；

第五步，制定融合规则表；

借助双输入——单输出的融合规则，将光纤压力传感器和导电橡胶传感器的两路模糊化结果融合为统一的模糊碰撞状态，再映射为操作经验中的力觉模糊集合；

该模糊融合规则表可以体现出以下考虑：

定义模糊融合规则表中的第3～7行和3～7列为P_ij，其中i=1,2,3,4,5；j=1,2,3,4,5：

a）P_1j＞P_j1，j=2,3,4,5；

b）P_ij＞P_ji，i=2,3,4,5；j=2,3,4,5；

c）P_ik≥P_ij，P_ki≥P_ji，i=1,2,3,4,5；j=1,2,3,4,5；k＝j+1,…,5；

第六步，模糊推理。

当实时采样的光纤电压传感器和导电橡胶传感器的测量值经模糊化后的输入为时，模糊融合的输出量根据模糊似然推理合成规则得：

式中，

T₂——将矩阵按行拉直成行向量；

的隶属度函数为：

由式（11）可见，模糊融合的输出仍然是一个基于论域Z的模糊集合，而要获得能够作用于力反馈设备的数值，则需要对模糊结果进行去模糊化处理，按式（12）计算：

$z^{*}=\frac{\underset{i=1}{\overset{14}{\mathrm{\Σ}}}\mathrm{z\μ}\left(z\right)}{\underset{i=1}{\overset{14}{\mathrm{\Σ}}}\mathrm{\μ}\left(z\right)}---\left(12\right)$

式中，

z——离散论域Z中的取值；μ(z)——由式（11）推理得的模糊集合中相应点的隶属度值；z^*——去模糊化结果。

最后，将z^*代入式（4）即可获得用于刷新力反馈设备的反馈力f。

本发明的优点在于：

(1)从选择方法方面来说，传统的线性处理方法已不能处理前端和侧壁的两路传感器反馈数据，本发明运用模糊控制，应用模糊变量间的逻辑关系很好的体现了两者非线性关系；

(2)从选择模糊语言变量来说，本发明是根据医生切身的体会来定义语言变量的，输入变量为碰撞的状态，输出为反馈力的大小，与医生现有的经验结合起来，使两者反应的实际关系更加真实；

(3)从选择论域的等级来说，本发明将变量论域都定为14级。定义的论域的级数少了，会导致失真，定义的级数多了，会导致计算量非常大，算法实时性下降。

附图说明

图1为常用的隶属度函数；

图2为“碰撞”模糊集合的隶属度函数；

图3为“力”模糊集合的隶属度函数；

图4为主从式血管介入手术机器人系统结构示意图；

图5为前端碰撞数据曲线；

图6为逐级加载侧壁力得到的力反馈仿真结果；

图7为血管模型实验碰撞数据；

图8为血管模型实验的模糊融合结果。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

本发明提供一种用于血管介入手术机器人系统力反馈的模糊融合方法，所述的模糊融合方法中，选用光纤压力传感器对导管前端的碰撞力进行测量；，通过在导管侧壁包覆导电橡胶传感器，利用导电橡胶压阻效应对导管侧壁与血管壁的相互作用进行测量。所述的光纤压力传感器通过信号处理器将压力信号转化为模拟电压信号，同时，导电橡胶传感器通过电桥电路将电阻信号也转换为模拟电压信号，两者都以0~5V的电压值输出。主端计算机应用多线程技术访问A/D采集卡，读取两路模拟电压信号，进行数据模糊融合，并将最终的融合力值施加到主端设备上，实现人机力觉交互。

鉴于导管的柔性特征，导管前端所受的力经过传递后，只能给医生提供轴向的一维力觉信息，因此需要对测量到的两路力信号进行融合处理。但是考虑到目前血管介入手术已得到广泛的开展，医生已经形成了成熟普遍的操作力觉经验，所以主从式机器人系统的力反馈必须遵循这些稳定的操作经验，进行继承和吸收。在医生的操作经验中，一个重要的组成部分就是经验力觉与介入状态之间关联对应的既定关系，即医生对导管反馈的力并没有具体的数值概念，只是有一些很小、较大、很大的模糊划分，并以此来判断导管与血管壁轻微碰撞、较深碰撞、严重碰撞的介入状态，具体描述如下：

a）如果手感觉到很大的导管反馈力，则导管与血管壁发生了严重碰撞；

b）如果手感觉到大的导管反馈力，则导管与血管壁发生了深度碰撞；

c）如果手感觉到较大的导管反馈力，则导管与血管壁发生了较深碰撞；

d）如果手感觉到较小的导管反馈力，则导管与血管壁只是轻微碰撞；

e）如果手感觉到很小的导管反作用力，则导管与血管壁没有发生碰撞。

为了将医生用自然语言描述的介入力觉经验转化为计算机能够接受的算法语言所描述的融合算法，本发明提出依据模糊推理理论进行数据融合。模糊推理利用模糊集合理论，可以很好地处理模糊不明确的信息，用语言变量代替数学变量或两者结合应用，用模糊条件语句来建立变量间的函数关系，用模糊算法来刻画复杂的求解。通过模糊推理模型，本发明将两种传感器的测量信号量化为模糊碰撞状态，参照一定的规则融合为统一的碰撞状态，然后根据医生经验，推理输出医生熟悉的力感觉。

现有技术中的模糊控制算法主要包括：(1)定义语言变量、模糊子集和控制规则表；(2)由基本论域转变为模糊集合论域；(3)模糊关系矩阵运算；(4)模糊推理合成，求解控制输出模糊子集；(5)进行逆模糊判决，得到精确控制量。

参照模糊控制器的一般算法，在本发明的力觉融合模型中，将导管前端和侧壁安装的光纤压力传感器和导电橡胶传感器的测量信号量化为模糊碰撞状态，按规则融合为统一的碰撞状态，参照医生默认的头端碰撞状态与导管尾端反馈力的既定关系，推理输出符合其操作经验的一维力感觉，从而实现测量力和反馈力的融合映射。下面介绍具体实现的方法及步骤：

第一步，选择模糊语言变量。一个语言变量可定义为一个五元体（N,U,T(N),G，M），其中各元素的含义如下：

N——语言变量名称的集合，如年龄、身高、体重等；

U——论域，即语言变量的数值范围；

T(N)——语言变量的语言值的集合，其中每个都是论域U上的模糊集合；

G——语法规则，研究了原子单词构成合成单词后词义的变化；

M——语义规则，用于给出模糊集合的隶属度函数。

根据医生的经验描述，本发明选择导管头部前端和侧壁与血管壁之间的“碰撞”作为输入语言变量，记为P_i，i=1,2，取值皆为{没有碰撞、轻微碰撞、较深碰撞、深度碰撞、严重碰撞}，对应的模糊集合表示为i=1,2，基本论域为光纤压力传感器和导电橡胶传感器的电压信号U_i=[0,5V]，i=1,2，该范围是由光纤压力传感器和导电橡胶传感器的量程决定的，其中i=1对应导管前端的光纤压力传感器，i=2对应侧壁的导电橡胶传感器，输出语言变量为医生感觉到的“力”，记为F，取值为{很小、较小、较大、大、很大}，对应的模糊集合表示为基本论域为传统手术中导管尾端的反馈力f＝[0,6N]，该范围是通过实测医生受力感觉决定的。

第二步，标定隶属度函数。目前常用的隶属度函数有Z型、S型和∏型函数，如图1所示。

在标定“碰撞”模糊集合的隶属度函数时，分别让专家医生操作集成有光纤压力传感器和导电橡胶传感器的导管在可视的实验环境中进行介入操作，当医生确定导管与血管壁没有碰撞、发生了轻微碰撞、较深碰撞、深度碰撞和严重碰撞的时候，及时地记录此时两个传感器所返回的测量值，并与常用的隶属度函数进行比对后，构建出如下图2所示的梯形“碰撞”模糊集合隶属度函数曲线。

在确定“力”模糊集合的隶属度函数时，让专家医生按正常工作方式把持一种可以施加反馈力的设备，同时按一定步长逐渐增加设备末端轴向的反馈力，及时地记录专家医生在感觉到很小、较小、较大、大、很大状态时的力值，与常用的隶属度函数比对后，构建出如图3所示的“力”模糊隶属度函数。

第三步，计算量化因子和比例因子。对于模糊推理，需要将连续的基本论域U1、U2和f分别离散化为n个区间，以构成“碰撞”模糊集合和“力”模糊集合的论域，一般对于对称的论域，表示为{-n,-n+1,…,0,…,n-1,n}，常取n=3或6等，而对于非对称的论域也可用{0,1,…m}，相应的m=7或13。定义的论域的级数少了，会导致失真，定义的级数多了，会导致计算量非常大，算法实时性下降。考虑到力觉融合的特殊应用，此处取模糊集合和对应的量化论域为X=Y=Z={0,1,2,3,4,5,6,7,8,9,10,11,12,13}。

确定了量化论域后，则定义导管前端和侧壁的碰撞量化因子为：

$k_u=\frac{m}{u_{\max }}---\left(1\right)$

式中，

k_u——量化因子；

u_max——基本论域中的电压最大值；

m——量化等级。

将两路输入信号的基本论域代入式（1）中，得其中k_u1、k_u2分别为导管前端和侧壁的碰撞量化因子。根据此量化因子，任何输入的光纤压力传感器和导电橡胶传感器电压信号值都可以通过式（2）转化为量化论域上的某一个元素值。

$\left\{\begin{array}{c}x=\mathrm{round}(k_{u1}\·u_1)\\ y=\mathrm{round}(k_{u2}\·u_2)\end{array}\right.---\left(2\right)$

式中，

x——前端量化取值，x∈X；

y——侧壁量化取值，y∈Y；

round——四舍五入取整，平衡手术安全和效率；

u₁——光纤电压传感器电压值，u₁∈U₁；

u₂——导电橡胶传感器电压值，u₂∈U₂。

经过模糊推理得到的只是“力”模糊集合的隶属度，且定义在离散的量化论域上，最终需要转化到连续的基本论域上，则定义力的比例因子为：

$k_f=\frac{f_{\max }}{m}---\left(3\right)$

式中，

k_f——比例因子；

f_max——反馈力的最大值；

m——量化等级。

将反馈力的基本论域代入式(3)，得根据此比例因子，最终施加至力反馈设备的反馈力f应由式(4)解得。

f=k_f·z^*     (4)

式中，

z^*——去模糊化结果。

第四步，建立赋值表。鉴于模糊推理是在模糊集合的基础上进行的，而本文模糊集合的论域分别是X=Y=Z={O，1，2，3，4，5，6，7，8，9，10，11，12，13}，所以要进一步求得各语言变量取值在X、Y、Z论域上的离散隶属度取值。借助量化因子k_u和比例因子k_f的转换，根据图3和图4的隶属度函数，分别建立了语言变量P1、P2和F的离散赋值表，如表1、表2所示。

表l输 入语言变量Pi的赋值表(i＝1，2，分别代表导管前端和侧壁)

表2 输出语言变量F的赋值表

借助赋值表即完成了由用自然语言描述的经验向计算机数值运算的转换。而光纤压力传感器和导电橡胶传感器的电压信号u₁、u₂代入式（2）后得到x、y，通过查询表1，找到x、y具有最大隶属度的模糊集合，即为模糊化结果。

第五步，制定融合规则表。本发明适用双输入——单输出的融合规则。由医生a）~e）条操作经验可见，医生在导管尾端没有具体地区分导管前端和侧壁各自的碰撞状态，而是判断整体的碰撞状态。所以本发明借助双输入——单输出的融合规则，将光纤压力传感器和导电橡胶传感器的两路模糊化结果融合为统一的模糊碰撞状态，再映射为操作经验中的力觉模糊集合：如果前端发生较深碰撞且侧壁发生较深碰撞，则导管与血管壁发生深度碰撞，此时应该反馈大的力，表示为：

if P₁=JP and P₂=JP then P=SP,F=D

总结所有的融合规则如表3所示，模糊映射如表4所示。

表3 模糊融合规则表

表4 模糊碰撞集合与模糊力集合的映射

P	MP	QP	JP	SP	YP
						F	HX	JX	JD	D	HD

该模糊融合规则表可以体现出以下考虑：

定义表3中的第3～7行和3～7列为P_ij，其中i=1,2,3,4,5；j=1,2,3,4,5。

a）P_1j＞P_j1 （j=2,3,4,5）

为提高血管介入机器人系统的操作效率，当导管前端和侧壁只有一方与血管发生作用时，导管前端的接触信息对反馈力的影响更大；

b）P_ij＞P_ji（i=2,3,4,5；j=2,3,4,5）

在导管前端和侧壁都与血管发生作用后，控制两者具有相同的融合比重；

c）P_ik≥P_ij，P_ki≥P_ji（i=1,2,3,4,5；j=1,2,3,4,5；k＝j+1,…,5）

无论融合双方的接触状态如何，随着导管与血管接触状态的深入，反馈力值必定随之增大，以保证主从操作的安全。其中，当相互作用深入到一定程度后，某些融合规则会判定导管整体与血管的碰撞状态严重于前端和侧壁此时各自的状态，而按更深一级的接触状态进行反馈力输出。

由此可见，IF—THEN规则的设计更加直观灵活，不仅直接集成了医生既定的反馈力觉与介入状态的一一对应关系，保证了反馈力觉与医生经验的一致性，更可以根据介入状态实时调整两路输入不同的融合比重。

第六步，模糊推理。基于已知的前提条件得到相应结论的过程即为推理。不同于传统的二值推理，模糊推理处理的都是模糊性前提，不能保证与已知的前提条件严格一致，只是相近，故不能得到与已知前提条件一致的明确结论，只能运用一定推理规则，推出一个新的近似的模糊判断，即为模糊似然推理，是一种近似推理方法。具体推理规则一般定义为：

大前提：若则

小前提：如今

结论：B₁=A₁οR_A→B

上述结论作为规则，即式（5）：

B₁=A₁οR_A→B  （5）

式中，

B₁——模糊集合；

ο——合成运算；

R_A→B——模糊关系矩阵；

对于模糊关系矩阵R_A→B，Zadeh、Mamdani、Lukasiewicz等都提出了自己的推理理论，但是最常用的是Mamdani推理法。设模糊集合分别为论域X和Y上的模糊集合，它们的隶属度函数分别为和则模糊关系矩阵R_A→B的隶属度函数表示为：

$\tilde{A}\→\tilde{B}=\tilde{A}\×\tilde{B}$

R_A→B(x,y)＝[A(x)∧B(y)]       （6）

式中，

∧——取小运算；

则对于本文的具体语句“if P₁=A_i and P₂=B_j then F=C_k”，应用Mamdani推理法，其模糊关系矩阵为：

式中，

T₁——将矩阵按行拉直成列向量；

i=0～5，j=0～5,k=0～5。

如表3所示，每一条融合规则就是一条模糊条件语句，都会产生一个模糊关系矩阵R_i，i=1,…,25，则可以将所有的25条融合关系利用“或”关系组合在一起，构成描述整个模型融合规则的模糊关系矩阵：

$R=R_1\∪R_2\·\·\·\∪R_{25}=\underset{i=1}{\overset{25}{\∪}}{R}_i---\left(8\right)$

模糊关系矩阵的隶属度函数为：

式中，

∨——取大运算；

上述代表P₁、P₂模糊子集（即{MP、QP、JP、SP、YP}其中的一个），C代表的模糊子集（即{HX、JX、JD、D、HD}其中的一个）和分别是和C的隶属度函数（在表一和表二中根据语言变量查找对应的隶属度函数），R_i为模糊关系矩阵，可由式(7)得到，表3的每一条融合规则就是一条模糊条件语句，都会产生一个模糊关系矩阵R_i，i=1,…,25，则可以将所有的25条融合关系利用“或”关系组合在一起，构成描述整个模型融合规则的模糊关系矩阵R，其对应的隶属度函数表示为

在求得整个模型的模糊关系后，当实时采样的光纤电压传感器和导电橡胶传感器的测量值经模糊化后的输入为时，模糊融合的输出量根据式（5）的推理合成规则可得：

式中，

T₂——将矩阵按行拉直成行向量。

的隶属度函数为：

由式（11）可见，模糊融合的输出仍然是一个基于论域Z的模糊集合，而要获得能够作用于力反馈设备的数值，则需要对模糊结果进行去模糊化处理，本文按式（12）计算。

$z^{*}=\frac{\underset{i=1}{\overset{14}{\mathrm{\Σ}}}\mathrm{z\μ}\left(z\right)}{\underset{i=1}{\overset{14}{\mathrm{\Σ}}}\mathrm{\μ}\left(z\right)}---\left(12\right)$

式中，

z——离散论域Z中的取值；

μ(z)——由式（11）推理得的模糊集合中相应点的隶属度值；

z^*——去模糊化结果。

最后，将z^*代入式（4）即可获得用于刷新力反馈设备的反馈力f。

在实际应用中，虽然实时采样的光纤压力传感器和导电橡胶传感器测量值都可以经过以上模糊推理过程求得相应的反馈力，但是考虑到测量值都要量化至X、Y论域进行处理，而X、Y论域是离散的，所以若针对所有的（x,y）组合离线计算出相应的反馈力f，便可涵盖任何可能的反馈力推理结果，进而形成查询表，这样实时采样值经过量化后直接查表便可以得到相应的反馈力，无需复杂的模糊推理运算，降低了资源占用，保证了运算效率。

本文根据式（1）~（12）和相应的模糊设定，在MATLAB中编写相应的模糊融合程序，计算出了如表5所示的离线模糊融合力觉查询表。

表5 模糊融合力觉查询表

主从式血管介入手术机器人系统如图4所示，由医生控制主控端机器人，然后通过电机控制卡实现主端对从端的控制。通过对从端机器人导管的前端和侧壁两路采集的数据进行模糊融合，从而在模糊融合力觉查询表找到相对应的值反馈给主端机器人，之后主端机器人将该力反馈给医生。医生根据其经验判断导管与血管的接触状态，判断接下来对主端机器人的操作方式。

模糊融合仿真：利用MATLAB软件，编写模糊融合程序，输入实验获得的传感器测量数据，经过量化、整定、模糊化、模糊推理和反模糊化处理后得到相应的仿真结果。考虑到在实际的介入中，导管前端或侧壁与血管的碰撞是随机发生的，在时间上并没有固定的联系，所以为了充分验证模糊融合方法的效果，在仿真中导管前端一路输入采用光纤传感器实测数据，如图5所示，而侧壁一路则直接为{0,1,2,3,4,5,6,7,8,9,10,11,12,13}中某一量化值，所得到的融合结果如图6所示。如图6所示，两路信号融合后，通过模糊融合方法判定导管与血管的整体作用状态，以局部平滑的反馈力进行表征，虽然仍然存在阶梯跳变，但在高采样频率下进行线性融合的结果，力反馈效果已得到明显的改善。

针对仿真输入，图6曲线反映了融合规则的有效性。如第1~5条曲线所示，当侧壁处于没有碰撞和轻微碰撞的接触状态时，随着导管前端连续历经5种接触状态，模型以5个不同的特征力值对接触状态进行了反馈，使得操作者在局部平滑的力觉下准确掌握介入状态，并依靠反馈力值的阶梯跳变，获得更加明确的状态变化提醒，保证手术的效率。对第6~14条曲线，侧壁处于较深碰撞及以上的接触状态，曲线显示融合模型不但对导管整体与血管壁的接触状态进行了平滑的力觉表征和明确的状态间跳变提醒，更关键的是在融合后的同一个接触状态内，模型也反馈了不同的表征力值。由双输入——单输出模型的特点，输入侧壁导电橡胶传感器的实测数据所获得的仿真曲线与图6的趋势一致，仅是由于融合规则表的不对称性，在数值上有所差别，这将在下面的实验中有所说明。

借助主从式机器人系统，医生通过力觉交互设备控制集成有微型力传感器的导管在血管模型中运动，当进入一个分支时所测得的接触数据如图7所示。图7数据显示了一种常见的介入方法，在血管分支处利用导管自身的弹性，弹进靶血管：在血管分支处，导管前端先与分支管壁发生缓慢碰撞；随着医生的推进，导管发生弹性变形，使接触方向发生改变；之后导管前端突然弹进分支血管，而导管侧壁与分支管壁发生碰撞；最后导管完全进入目标血管。上述两路数据经过模糊融合处理后，输出的反馈力如图8所示。图8所示结果与图6一致，以局部平滑的反馈力对血管的介入状态进行表征。医生根据操作经验和反馈力所得出的导管介入状态与其通过观察得到的结论是吻合的，系统提供的力觉引导信息是准确的，保证了系统的安全性；依靠局部平滑的反馈力和阶梯跳变，系统提供的力觉引导信息是明确的，保证了系统的操作性和效率。而且图中曲线显示，在侧壁发生碰撞时，即使输入相同的电压值，反馈力仍小于前端碰撞的力值，体现出两者不同的融合比重。另外，虽然图中两条传感器数据曲线存在一定的波动，但是反馈力与数据曲线的整体趋势保持了一致，并没有出现表征状态的错乱，也证明了所使用的模糊融合模型具有很好的鲁棒性。

以上对本发明仿真实验进行了描述，该描述没有局限性，附图中所示的也只是本发明某种状态下的实验方法，仿真实验并不局限于此。所以，如果本领域的技术人员或研究工作者受其启示，在不脱离本发明创造的宗旨的情况下，采用其他类似方法或者实验，或者只是改变反馈力的数量（前端侧壁）、增加或减少语言变量碰撞和力的等级数量（本发明14级），不经创造性的设计出与该技术方案相似的理论及方法，均应属于本发明的保护范围。

Claims (4)

1.血管介入手术机器人系统力反馈的模糊融合方法，其特征在于： 

第一步，选择模糊语言变量； 

选择导管头部前端和侧壁与血管壁之间的“碰撞”作为输入语言变量，记为P_i，i＝1,2，取值皆为{没有碰撞、轻微碰撞、较深碰撞、深度碰撞、严重碰撞}，对应的模糊集合表示为 i＝1,2，基本论域为光纤压力传感器和导电橡胶传感器的电压信号U_i＝[0,5V]，i＝1,2；输出语言变量为医生感觉到的“力”，记为F，取值为{很小、较小、较大、大、很大}，对应的模糊集合表示为基本论域为导管尾端的反馈力f＝[0,6N]； 

第二步，构建隶属度函数，包括碰撞模糊集合隶属度函数和力模糊集合隶属度函数； 

第三步，计算量化因子和比例因子； 

取模糊集合和对应的量化论域为X＝Y＝Z＝{0,1,2,3,4,5,6,7,8,9,10,11,12,13}；则定义导管前端和侧壁的碰撞量化因子为： 

式中，u_max——基本论域中的电压最大值；m——量化等级； 

将两路输入信号的基本论域代入式(1)中，得其中k_u1、k_u2分别为导管前端和侧壁的碰撞量化因子； 

定义力的比例因子为： 

式中，f_max——反馈力的最大值； 

将反馈力的基本论域代入式(3)，得根据此比例因子，最终施加至力反馈设备的反馈力f应由式(4)解得： 

f＝k_f·z^*   (4) 

式中，z^*——去模糊化结果； 

第四步，建立赋值表； 

根据模糊集合的论域分别是X＝Y＝Z＝{0,1,2,3,4,5,6,7,8,9,10,11,12,13}，求得各语言变量取值在X、Y、Z论域上的离散隶属度取值；借助量化因子k_u和比例因子k_f的转换，分别建立语言变量P1、P2和F的离散赋值表； 

第五步，制定融合规则表； 

借助双输入——单输出的融合规则，将光纤压力传感器和导电橡胶传感器的两路模糊化结果融合为统一的模糊碰撞状态，再映射为操作经验中的力觉模糊集合； 

第六步，模糊推理，得到真实的反馈力f。

2.根据权利要求1所述的血管介入手术机器人系统力反馈的模糊融合方法，其特征在于： 

所述碰撞模糊集合隶属度函数，将导管与血管壁的碰撞状态分为没有碰撞、轻微碰撞、较深碰撞、深度碰撞和严重碰撞五种，记录对应两个传感器所返回的测量值，并与常用的隶属度函数进行比对后得到； 

所述的力模糊集合隶属度函数，通过正常工作方式下施加反馈力的设备，按一定步长逐渐增加设备末端轴向的反馈力，并将反馈力分为很小、较小、较大、大、很大五类力值，与常用的隶属度函数比对后，构建出力模糊隶属度函数。 

3.根据权利要求1所述的血管介入手术机器人系统力反馈的模糊融合方法，其特征在于：定义模糊融合规则表中的第3～7行和3～7列为P_ij，其中i＝1,2,3,4,5；j＝1,2,3,4,5，则有： 

a)P_1j＞P_j1，j＝2,3,4,5； 

b)P_ij＞P_ji，i＝2,3,4,5；j＝2,3,4,5； 

c)P_ik≥P_ij，P_ki≥P_ji，i＝1,2,3,4,5；j＝1,2,3,4,5；k＝j+1,…,5。 

4.根据权利要求1所述的血管介入手术机器人系统力反馈的模糊融合方法，其特征在于：所述的模糊推理，具体为： 

当实时采样的光纤电压传感器和导电橡胶传感器的测量值经模糊化后的输入为时，模糊融合的输出量根据模糊似然推理合成规则得： 

式中，T₂——将矩阵按行拉直成行向量； 

的隶属度函数为： 

其中为将所有的25条融合关系利用“或”关系组合在一起，构成描述整个模型融合规则的模糊关系矩阵，模糊关系矩阵对应的隶属度函数表示为

由式(11)可见，模糊融合的输出仍然是一个基于论域Z的模糊集合，而要获得能够作用于力反馈设备的数值，则需要对模糊结果进行去模糊化处理，按式(12)计算： 

式中，z—离散论域Z中的取值；μ(z)—由式(11)推理得的模糊集合中相应点的隶属度值； z^*—去模糊化结果； 

最后，将z^*代入式(4)即获得用于刷新力反馈设备的反馈力f。