CN104376223A - 适用于微创手术的人体组织模型参数在线辨识方法 - Google Patents

适用于微创手术的人体组织模型参数在线辨识方法 Download PDF

Info

Publication number
CN104376223A
CN104376223A CN201410686676.0A CN201410686676A CN104376223A CN 104376223 A CN104376223 A CN 104376223A CN 201410686676 A CN201410686676 A CN 201410686676A CN 104376223 A CN104376223 A CN 104376223A
Authority
CN
China
Prior art keywords
tissue
surgical instrument
model
parameter
linear
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410686676.0A
Other languages
English (en)
Inventor
李红兵
胡玥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201410686676.0A priority Critical patent/CN104376223A/zh
Publication of CN104376223A publication Critical patent/CN104376223A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Instructional Devices (AREA)

Abstract

本发明涉及一种适用于微创手术的人体组织模型参数在线辨识方法,包括以下步骤:步骤1:建立人体组织分析计算模型;步骤2:设计基于无力-力矩传感器的人体组织作用力检测模型,根据检测模块得到接触力信号;步骤3:依据步骤1所建立计算模型和步骤2得到的接触力信号,构建人体组织模型参数在线检测方法,计算获得人体组织参数。与现有技术相比,本发明具有识别精度高、结构简单、成本低、易于推广等优点。

Description

适用于微创手术的人体组织模型参数在线辨识方法
技术领域
本发明涉及一种人体组织模型参数在线辨识方法,尤其是涉及一种适用于微创手术的人体组织模型参数在线辨识方法。
背景技术
微创外科手术机器人系统可以显著的提高外科医生提高手术操作的灵活性。此类的微创手术过程通常是采用将细长的腹腔镜和微创手术器具通过在患者体表微小切口而进入患者病灶区。在此过程中,利用灵巧的手术器具来对患者病灶组织进行切割、缝合等操作,这种灵巧的手术器具方便了内窥镜手术操作过程。这种手术操作器械可以有效的降低患者的手术风险并缩短手术操作时间。
为了准确实现微创手术器械对患者病灶进行切割、缝合等操作,手术器械末端要连续地或者间断地与患者组织进行接触。机器人在与环境接触时能够对外部作用力产生自然的顺应,称为机器人具有柔顺性,相应的控制器称为柔顺性控制器。在机器人微创手术应用过程中,实现手术器具末端和患者病灶组织的接触动力学参数模型的实时、在线估计,对于设计基于参考模型的微创手术机器人柔顺性控制器至关重要。当前,最常用的人体器官组织建模方法有两种,一种称为Kelvin-Voigt模型,另一种称为Hunt-Crossley模型。Kelvin-Voigt模型是一种线性模型,它将人体器官组织变形量与受到的作用力建模为线性弹簧和线性阻尼并联而组成的线性关系。而人体组织在实际手术操作中表现为变形量与作用力的一种非线性关系。为了弥补上述Kelvin-Voigt线性模型的缺陷,Hunt和Crossley提出了一种称为Hunt-Crossley非线性人体组织模型。这种模型在原来的线性模型基础上加入了对人体组织在变形过程中的能量损失的计算。不管是线性的Kelvin-Voigt模型还是包含非线性量的Hunt-Crossley模型,在手术机器人的柔顺性控制器的设计过程中,都需要对上述人体组织模型的参数进行有效的辨识。
当前,对这种人体组织模型的参数辨识方法主要由以下几种:递归最小二乘法及其加权指数递归最小二乘法、间接自适应辨识方法、基于模型的自适应辨识方法和卡尔曼滤波辨识法等。其中递归最小二乘法因其具有计算简单、响应速度快等优点而得到最广泛的应用。在所有上述组织模型辨识方法实施过程中,参数辨识器都需要精确的获取人体组织和手术器具末端的位移量、速度量以及作用在人体组织上的作用力大小。位移量和速度量较为容易获取,位移量一般可直接通过安装在手术器具关节上的高精度编码器而直接获取,而速度量则可通过对编码器输出的位移量进行微分操作即可获得。如果通过微分操作而获取的速度量有较强的噪声,还可以将速度量施加一个低通滤波器后即可满足要求。
在人体组织参数辨识器中,必须要获取的第三个量就是人体组织与手术器具的接触力。当前,仅有一种方法来实现对上述接触力信息的获取。该方法就是直接利用力-力矩传感器实现对人体组织与手术器具的接触力进行检测。现有的接触力检测方法一般采用将力-力矩传感器安装在手术器具的末端进行检测,或者采用将力-力矩传感器放置在人体组织下面来进行作用力检测。然而,这种直接利用力-力矩传感器对人体组织接触力进行检测的方法在实际的微创手术过程中实现起来非常困难。直接利用力-力矩传感器进行力检测在微创手术实现上的难点主要在于力-力矩传感器的尺寸、价格、可消毒性等方面。微创手术器具的尺寸一般较小,手术器具的圆周直径一般小于10mm,当前,在商业上还没有如此小的力-力矩传感器在出售。此外,即使以后随着技术的不断进步,有相应的力-力矩传感器出售,但是制造如此精巧的小型传感器需要在机构和电路的实现上花费较多,这必然会增加微创手术器具的成本,这些手术器具的成本最终会增加患者的手术费用。另外,内含电子元器件的力-力矩传感器能否经受住医院常用的高温高压消毒也是一个必须要考虑的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别精度高、结构简单、成本低、易于推广的适用于微创手术的人体组织模型参数在线辨识方法。
本发明的目的可以通过以下技术方案来实现:
一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,包括以下步骤:
步骤1:建立人体组织分析计算模型;
步骤2:设计基于无力-力矩传感器的人体组织作用力检测模型,根据检测模块得到接触力信号;
步骤3:依据步骤1所建立计算模型和步骤2得到的接触力信号,构建人体组织模型参数在线检测方法,计算获得人体组织参数。
所述的建立人体组织分析计算模型为线性Kelvin-Voigt模型或者非线性Hunt-Crossley模型。
所述的线性Kelvin-Voigt模型具体为:
该模型将人体组织类比为由理想的粘弹性材料组成的弹性体,具体的动力学特性由线性弹簧和线性阻尼通过并联方式而组成的机械结构表示,如果有作用力F作用于此类线性人体组织上,那么人体组织模型用公式(1)表示:
F ( t ) = Kx ( t ) + B x &CenterDot; ( t ) , x &GreaterEqual; 0 0 , x < 0 - - - ( 1 )
其中,x(t)为手术器具挤压人体组织的位移量,为手术器具挤压人体组织的速度,x为造成人体组织变形量;而K和B分别为组织器官的弹性系数和粘性系数;F(t)为手术器具施加于人体组织上的作用力。
所述的非线性Hunt-Crossley模型具体为:
如果采用非线性Hunt-Crossley模型来对人体组织进行建模,所得到的人体组织模型公式(2)表示:
F ( t ) = k x m ( t ) + b x m ( t ) x &CenterDot; ( t ) , x &GreaterEqual; 0 0 , x < 0 - - - ( 2 )
其中,指数m为一个实数,用于精确表示随着人体组织挤压面的增大而导致的人体组织刚度变化量;为手术器具挤压人体组织的速度,x为造成人体组织变形量;k为非线性弹性系数;b为非线性粘性系数;F(t)为手术器具施加于人体组织上的作用力。
所述的人体组织变形量x通过安装在手术器具执行机构末端的位置传感器获得,手术器具挤压人体组织的速度通过对上述变形量x的微分来获取。
所述的基于无力-力矩传感器的人体组织作用力检测模型具体为:
根据手术器具末端施加于人体组织上的作用力在数值上与人体组织施加于手术器具末端的作用力相等可得到手术器具末端的作用力平衡方程为:
F con = J m &theta; &CenterDot; &CenterDot; + F dis - - - ( 3 )
其中,Fcon为手术器具控制器的输入值;手术器具末端关节的惯量为Jm为手术器具末端加速度值;Fdis为手术器具所受到的扰动作用力之和,该作用力具体分解为下式:
Fdis=F+Fint+f+G   (4)
上式中F为需要估计的人体组织施加于手术器具上的作用力;Fint为手术器具关节内部干涉作用力,其相对于其他项来说非常小可忽略;f为手术器具关节摩擦力;G为手术器具重力项;将上述两式合并可得外部作用力公式:
F = F con - J m &theta; &CenterDot; &CenterDot; - f - G - - - ( 5 )
其中,惯量Jm通过计算获取;摩擦力项f通过手术器具关节的任意角速度运动获取;重力项G通过等速运动获取;手术器具末端关节的加速度值通过对编码器获得的关节位置信号的二次微分获得。
所述的步骤3所采用的模型参数在线检测方法为基于递归最小二乘法的检测方法。
所述的基于递归最小二乘法的检测方法具体为:
当步骤3所采用的模型参数在线检测方法为递归最小二乘法时,人体组织模型参数辨识的更新方程如下:
e ( n ) = y ( n ) - &theta; ^ T ( n - 1 ) &Phi; ( n ) - - - ( 6 )
L ( n ) = P ( n - 1 ) &Phi; ( n ) &lambda; + &Phi; T ( n ) P ( n - 1 ) &Phi; ( n ) - - - ( 7 )
&theta; ^ ( n ) = &theta; ^ ( n - 1 ) + L ( n ) e ( n ) - - - ( 8 )
P ( n ) = 1 &lambda; [ P ( n - 1 ) - L ( n ) &Phi; T ( n ) P ( n - 1 ) ] - - - ( 9 )
其中n为离散域内的时间位,为未知的需要被辨识的人体组织模型参数量;为通过测量获得的手术器械关节位移量和关节速度量;y(n)为通过步骤2)中外力观测器获得的接触力F;
e(n)为依据参数辨识精度要求而预先设置的误差值;L(n)为自适应增益量,为协方差矩阵,λ为遗忘因子;
结合公式(5)至(9)即可计算出人体组织模型参数,实现人体组织模型参数在无力-力矩传感器条件下的在线辨识。
对于线性模型,需要辨识的人体组织模型参数为线性弹性系数K和线性粘性参数B,而对于非线性模型,需要辨识的人体组织模型参数为非线性弹性系数k、非线性粘性系数b和指数项m。
与现有技术相比,本发明具有以下优点:
1)识别精度高,利用外力观测器方法获得手术器具与人体组织的作用力,免去了使用力-力矩传感器而带来的高温消毒、小型化、强噪声问题;
2)结构简单,减少了参数辨识中所使用的传感器的数量,使得微创手术器具结构更为简单,轻便、易于操作;
3)成本低,降低了手术器具制造费用,间接地为患者节省了手术费用;
4)易于推广,本发明所需要的测量信息少,大多数手术器具都可以满足此要求,计算方法简单、准确,易于向其他手术器械推广。
附图说明
图1为本发明中常用手术器具关节动力学简图;
图2为本发明设计的手术器具末端外力观测器简图;
图3为本发明的基于无力-力矩传感器的人体组织模型参数辨识框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
适用于微创手术的人体组织模型参数在线辨识方法,所述方法包括以下步骤:
步骤1:建立人体组织分析计算模型;
步骤2:设计基于无力-力矩传感器的人体组织作用力检测方法;
步骤3:依据步骤1所建立模型,构建模型参数在线检测方法,计算获得人体组织参数;
所述步骤1中,依据微创手术器具柔顺性控制器的设计实际需要,建立人体组织线性Kelvin-Voigt模型或者非线性Hunt-Crossley模型。线性Kelvin-Voigt模型是描述人体组织机械阻抗的最简单方式。该模型将人体组织类比为由理想的粘弹性材料组成的弹性体,具体的动力学特性由线性弹簧和线性阻尼通过并联方式而组成的机械结构表示。如果有作用力F作用于此类线性人体组织上,那么人体组织模型可以用下式表示:
F ( t ) = Kx ( t ) + B x &CenterDot; ( t ) , x &GreaterEqual; 0 0 , x < 0 - - - ( 1 )
其中,为手术器具挤压人体组织的速度;而K和B分别为组织器官的弹性系数和粘性系数;F(t)为手术器具施加于人体组织上的作用力。
如果采用非线性Hunt-Crossley模型来对人体组织进行建模,所得到的人体组织模型可用下式表示:
F ( t ) = k x m ( t ) + b x m ( t ) x &CenterDot; ( t ) , x &GreaterEqual; 0 0 , x < 0 - - - ( 2 )
其中,指数m为一个实数,通常因考虑所接触的人体组织接触面的形状而选为单位量;事实上,在实际微创手术操作中,随着手术器具不断挤压人体组织,造成人体组织变形量x不断增大,指数项m可用于精确表示随着人体组织挤压面的增大而导致的人体组织刚度变化量;k为非线性弹性系数;b为非线性粘性系数;F(t)同样为手术器具施加于人体组织上的作用力。
所述步骤2包括以下步骤:
在完成步骤1中的人体组织模型建立之后,就需要对人体组织参数进行在线辨识。对于线性模型,需要辨识的参数为刚度参数K和粘性参数B,而对于非线性模型,需要辨识的参数为非线性弹性系数k、非线性粘性系数b和指数项m。
在上述模型参数辨识过程中,不管是采用哪种模型来建立人体组织,都需要已知模型中的三个量才能够对模型参数进行辨识。这三个量分别为:人体组织变形量x、手术器具挤压人体组织的速度量和人体组织所承受的挤压作用力大小F。其中位置量x可以通过安装在手术器具执行机构末端的位置传感器,如编码器等位置传感器来直接获取,而速度量可以直接通过对上述速度量的微分来获取。由于在本发明背景技术部分已对微创手术中直接使用力-力矩传感器的诸多不利因素进行了分析,本发明设计了一种基于外力观测器的接触力估计方法,并将此估计方法所获取的挤压作用力F应用于人体模型参数辨识过程。
依据作用力与反作用力的关系,手术器具末端施加于人体组织上的作用力在数值上与人体组织施加于手术器具末端的作用力相等,而力的方向相反,由此,可得到手术器具末端的作用力平衡方程为:
F con = J m &theta; &CenterDot; &CenterDot; + F dis - - - ( 3 )
其中,Fcon为手术器具控制器的输入值;手术器具末端关节的惯量为Jm为手术器具末端加速度值;Fdis称为手术器具所受到的扰动作用力之和,该作用力具体分解为下式:
Fdis=F+Fint+f+G   (4)
上式中F为需要估计的人体组织施加于手术器具上的作用力;Fint为手术器具关节内部干涉作用力;f为手术器具关节摩擦力;G为手术器具重力项。那么依据上式可以得到手术器具末端关节的作用力如图1所示。
(3)式中的手术器具内部干涉力Fint相对于其他项来说非常小,可以忽略;惯量Jm可以通过计算获取;而摩擦力项f容易通过手术器具关节的任意角速度运动获取;重力项G则可以通过等速运动获取;手术器具末端关节的加速度值可以通过对编码器获得的关节位置信号的二次微分获得。至此,在(3)式中未知项仅有外部作用力F。最终,外部作用力可以用下式计算获得:
F = F con - J m &theta; &CenterDot; &CenterDot; - f - G - - - ( 5 )
上式用框图表示为图2所示。
所述步骤3包括以下步骤:
在完成步骤2的分析之后,在不使用力-力矩传感器的条件下,利用外力观测器就可以获得人体组织模型的参数辨识过程中所需要的接触力信息。至此,在对人体组织参数在线辨识过程中所需要的位置信号、速度信号、接触力信号全部都可以获得,从而可以依据这已知的三个信号来设计参数在线辨识方法。
通常,如果一个系统可以由常值参数已知函数通过线性组合而构成,即:Φ(t)TΘ=y(t),那么中含有的参数称为是可辨识的。其中,Φ(t)=[φ1(t),φ2(t),...,φm(t)]为已知的时间的函数向量,Θ=[θ1(t),...,θm(t)]为需要辨识的未知参数,y(t)为已知的时间标量函数。当采用最小二乘法,人体组织模型参数辨识的更新方程如下:
e ( n ) = y ( n ) - &theta; ^ T ( n - 1 ) &Phi; ( n ) - - - ( 6 )
L ( n ) = P ( n - 1 ) &Phi; ( n ) &lambda; + &Phi; T ( n ) P ( n - 1 ) &Phi; ( n ) - - - ( 7 )
&theta; ^ ( n ) = &theta; ^ ( n - 1 ) + L ( n ) e ( n ) - - - ( 8 )
P ( n ) = 1 &lambda; [ P ( n - 1 ) - L ( n ) &Phi; T ( n ) P ( n - 1 ) ] - - - ( 9 )
其中n为离散域内的时间位,为未知的需要被辨识的参数,在此处为人体组织模型参数量,如组织的弹性系数K和粘性系数B或非线性弹性系数k为和非线性粘性系数b;为已知的输入量,在此处为可通过测量获得的手术器械关节位移量和关节速度量;y(n)为期望的输出量,在此处为通过步骤2中外力观测器获得的接触力信息。e(n)为依据参数辨识精度要求而预先设置的误差值。L(n)为自适应增益量,为协方差矩阵,λ为遗忘因子。
结合式(5)-(9)即可计算出人体组织模型参数,实现人体组织模型参数在无力-力矩传感器条件下的在线辨识。手术器具与人体组织接触作用以及接触力估计和人体组织参数辨识总图如图3所示。
具体实施例:下面以人体组织的线性Kelvin-Voigt模型为例说明在不使用力-力矩传感器条件下的模型参数在线辨识过程。人体组织模型用(1)式表示:
F ( t ) = Kx ( t ) + B x &CenterDot; ( t ) , x &GreaterEqual; 0 0 , x < 0 - - - ( 1 )
其中,为手术器具挤压人体组织的速度;而K和B分别为组织器官的弹性系数和粘性系数;F(t)为手术器具施加于人体组织上的作用力。
在步骤3中选用最常用的递归最小二乘法为例来说明参数辨识过程。由于选择了线性Kelvin-Voigt模型,那么参数辨识方程中,未知参数向量
递归已知变量未知参数的辨识过程通过如下递归过程得出:
其中yk为人体组织作用于手术器具上的作用力,在递归计算的每一个循环中,通过步骤2中的外力观测器计算获取接触力信息,最终输出参数辨识结果。

Claims (9)

1.一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,包括以下步骤:
步骤1:建立人体组织分析计算模型;
步骤2:设计基于无力-力矩传感器的人体组织作用力检测模型,根据检测模块得到接触力信号;
步骤3:依据步骤1所建立计算模型和步骤2得到的接触力信号,构建人体组织模型参数在线检测方法,计算获得人体组织参数。
2.根据权利要求1所述的一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,所述的建立人体组织分析计算模型为线性Kelvin-Voigt模型或者非线性Hunt-Crossley模型。
3.根据权利要求2所述的一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,所述的线性Kelvin-Voigt模型具体为:
该模型将人体组织类比为由理想的粘弹性材料组成的弹性体,具体的动力学特性由线性弹簧和线性阻尼通过并联方式而组成的机械结构表示,如果有作用力F作用于此类线性人体组织上,那么人体组织模型用公式(1)表示:
F ( t ) = Kx ( t ) + B x &CenterDot; ( t ) , x &GreaterEqual; 0 0 , x < 0 - - - ( 1 )
其中,x(t)为手术器具挤压人体组织的位移量,为手术器具挤压人体组织的速度;而K和B分别为组织器官的线性弹性系数和线性粘性系数;F(t)为手术器具施加于人体组织上的作用力。
4.根据权利要求2所述的一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,所述的非线性Hunt-Crossley模型具体为:
如果采用非线性Hunt-Crossley模型来对人体组织进行建模,所得到的人体组织模型公式(2)表示:
F ( t ) = kx m ( t ) + bx m ( t ) x &CenterDot; ( t ) , x &GreaterEqual; 0 0 , x < 0 - - - ( 2 )
其中,指数m为一个实数,用于精确表示随着人体组织挤压面的增大而导致的人体组织刚度变化量;为手术器具挤压人体组织的速度,x(t)为造成人体组织变形量;k为非线性弹性系数;b为非线性粘性系数;F(t)为手术器具施加于人体组织上的作用力。
5.根据权利要求3或4所述的一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,所述的人体组织变形量x通过安装在手术器具执行机构末端的位置传感器获得,手术器具挤压人体组织的速度通过对上述变形量x的微分来获取。
6.根据权利要求1所述的一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,所述的基于无力-力矩传感器的人体组织作用力检测模型具体为:
根据手术器具末端施加于人体组织上的作用力在数值上与人体组织施加于手术器具末端的作用力相等可得到手术器具末端的作用力平衡方程为:
F con = J m &theta; &CenterDot; &CenterDot; + F dis - - - ( 3 )
其中,Fcon为手术器具控制器的输入值;手术器具末端关节的惯量为Jm为手术器具末端加速度值;Fdis为手术器具所受到的扰动作用力之和,该作用力具体分解为下式:
Fdis=F+Fint+f+G     (4)
上式中F为需要估计的人体组织施加于手术器具上的作用力;Fint为手术器具关节内部干涉作用力,其相对于其他项来说非常小可忽略;f为手术器具关节摩擦力;G为手术器具重力项;将上述两式合并可得外部作用力公式:
F = F con - J m &theta; &CenterDot; &CenterDot; - f - G - - - ( 5 )
其中,惯量Jm通过计算获取;摩擦力项f通过手术器具关节的任意角速度运动获取;重力项G通过等速运动获取;手术器具末端关节的加速度值通过对编码器获得的关节位置信号的二次微分获得。
7.根据权利要求6所述的一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,所述的步骤3所采用的模型参数在线检测方法为基于递归最小二乘法的检测方法。
8.根据权利要求7所述的一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,所述的基于递归最小二乘法的检测方法具体为:
当步骤3所采用的模型参数在线检测方法为递归最小二乘法时,人体组织模型参数辨识的更新方程如下:
e ( n ) = y ( n ) - &theta; ^ T ( n - 1 ) &Phi; ( n ) - - - ( 6 )
L ( n ) = P ( n - 1 ) &Phi; ( n ) &lambda; + &Phi; T ( n ) P ( n - 1 ) &Phi; ( n ) - - - ( 7 )
&theta; ^ ( n ) = &theta; ^ ( n - 1 ) + L ( n ) e ( n ) - - - ( 8 )
P ( n ) = 1 &lambda; [ P ( n - 1 ) - L ( n ) &Phi; T ( n ) P ( n - 1 ) ] - - - ( 9 )
其中n为离散域内的时间位,为未知的需要被辨识的人体组织模型参数量;为通过测量获得的手术器械关节位移量和关节速度量;y(n)为通过步骤2)中外力观测器获得的接触力F;
e(n)为依据参数辨识精度要求而预先设置的误差值;L(n)为自适应增益量,为协方差矩阵,λ为遗忘因子;
结合公式(5)至(9)即可计算出人体组织模型参数,实现人体组织模型参数在无力-力矩传感器条件下的在线辨识。
9.根据权利要求8所述的一种适用于微创手术的人体组织模型参数在线辨识方法,其特征在于,对于线性模型,需要辨识的人体组织模型参数为线性弹性系数K和线性粘性参数B,而对于非线性模型,需要辨识的人体组织模型参数为非线性弹性系数k、非线性粘性系数b和指数项m。
CN201410686676.0A 2014-11-25 2014-11-25 适用于微创手术的人体组织模型参数在线辨识方法 Pending CN104376223A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410686676.0A CN104376223A (zh) 2014-11-25 2014-11-25 适用于微创手术的人体组织模型参数在线辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410686676.0A CN104376223A (zh) 2014-11-25 2014-11-25 适用于微创手术的人体组织模型参数在线辨识方法

Publications (1)

Publication Number Publication Date
CN104376223A true CN104376223A (zh) 2015-02-25

Family

ID=52555127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410686676.0A Pending CN104376223A (zh) 2014-11-25 2014-11-25 适用于微创手术的人体组织模型参数在线辨识方法

Country Status (1)

Country Link
CN (1) CN104376223A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110074866A (zh) * 2019-05-07 2019-08-02 广东工业大学 一种软组织手术机器人的控制方法、装置及设备
CN111473899A (zh) * 2020-05-07 2020-07-31 无锡智动力机器人有限公司 基于双扩展卡尔曼滤波估计串联粘弹性作动器力矩的方法
CN112873214A (zh) * 2021-03-18 2021-06-01 中国工程物理研究院机械制造工艺研究所 一种基于加速度信息的机器人状态实时监控系统及方法
WO2023074333A1 (ja) * 2021-10-29 2023-05-04 慶應義塾 情報提示システム、情報提示装置、情報提示方法及びプログラム

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104116547A (zh) * 2014-07-25 2014-10-29 上海交通大学 用于微创手术机器人的低摩擦小惯量手术器械

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104116547A (zh) * 2014-07-25 2014-10-29 上海交通大学 用于微创手术机器人的低摩擦小惯量手术器械

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AMIR HADDADI ET AL.: "Real-Time Identification of Hunt–Crossley Dynamic Models of Contact Environments", 《IEEE TRANSACTIONS ON ROBOTICS》 *
吴昊: "基于扰动观测器的力检测技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
琚海 等: "康复训练患肢动力学模型参数辨识算法的研究", 《工业仪表与自动化装置》 *
赵新刚 等: "机器人辅助针穿刺技术", 《科学通报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110074866A (zh) * 2019-05-07 2019-08-02 广东工业大学 一种软组织手术机器人的控制方法、装置及设备
CN110074866B (zh) * 2019-05-07 2022-02-15 广东工业大学 一种软组织手术机器人的控制方法、装置及设备
CN111473899A (zh) * 2020-05-07 2020-07-31 无锡智动力机器人有限公司 基于双扩展卡尔曼滤波估计串联粘弹性作动器力矩的方法
CN111473899B (zh) * 2020-05-07 2022-04-01 无锡智动力机器人有限公司 基于双扩展卡尔曼滤波估计串联粘弹性作动器力矩的方法
CN112873214A (zh) * 2021-03-18 2021-06-01 中国工程物理研究院机械制造工艺研究所 一种基于加速度信息的机器人状态实时监控系统及方法
CN112873214B (zh) * 2021-03-18 2024-02-23 中国工程物理研究院机械制造工艺研究所 一种基于加速度信息的机器人状态实时监控系统及方法
WO2023074333A1 (ja) * 2021-10-29 2023-05-04 慶應義塾 情報提示システム、情報提示装置、情報提示方法及びプログラム

Similar Documents

Publication Publication Date Title
Galloway et al. Fiber optic shape sensing for soft robotics
Bonomo et al. A tactile sensor for biomedical applications based on IPMCs
US8347738B2 (en) Sensors and control for an interventional catheter
CN105982735B (zh) 提高主从式远程遥操作手术系统透明性和稳定性的方法
Konstantinova et al. Palpation force modulation strategies to identify hard regions in soft tissue organs
Bandari et al. Miniaturized optical force sensor for minimally invasive surgery with learning-based nonlinear calibration
Li et al. Gaussian process regression for sensorless grip force estimation of cable-driven elongated surgical instruments
Liu et al. Finger contact sensing and the application in dexterous hand manipulation
Dargahi An endoscopic and robotic tooth-like compliance and roughness tactile sensor
Li et al. Distributed curvature sensing and shape reconstruction for soft manipulators with irregular cross sections based on parallel dual-FBG arrays
CN104376223A (zh) 适用于微创手术的人体组织模型参数在线辨识方法
US20190388165A1 (en) Operation system, surgical system, control device, distortion generating body, surgical instrument, and external force detecting system
Bechet et al. Electrohydraulic transmission system for minimally invasive robotics
Ly et al. Grasper having tactile sensing function using acoustic reflection for laparoscopic surgery
Xiao et al. Design, characterization and optimization of multi-directional bending pneumatic artificial muscles
Sadati et al. Stiffness imaging with a continuum appendage: Real-time shape and tip force estimation from base load readings
Gan et al. Development of a Fiber Bragg Grating-Based Force Sensor for Minimally Invasive Surgery–Case Study of Ex-Vivo Tissue Palpation
Brett et al. A technique for measuring contact force distribution in minimally invasive surgical procedures
Aloi et al. Estimating forces along continuum robots
Wang et al. A survey on force sensing techniques in robot-assisted minimally invasive surgery
Lee et al. Preliminary design of multi-axial contact force sensor for minimally invasive robotic surgery grasper
Mack et al. Interactive force-sensing feedback system for remote robotic laparoscopic surgery
Tavakoli et al. Bilateral control of a teleoperator for soft tissue palpation: Design and experiments
Wang et al. Design of a modular 3-D force sensor with fiber Bragg gratings for continuum surgical robot
CN109925069A (zh) 三维位姿检测装置及方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Inventor after: Lei Huaming

Inventor after: Li Hongbing

Inventor after: Hu Yue

Inventor before: Li Hongbing

Inventor before: Hu Yue

COR Change of bibliographic data
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20150225