CN113743007A - 基于智能温度感知的超声刀垫片保护方法及系统 - Google Patents
基于智能温度感知的超声刀垫片保护方法及系统 Download PDFInfo
- Publication number
- CN113743007A CN113743007A CN202111006069.1A CN202111006069A CN113743007A CN 113743007 A CN113743007 A CN 113743007A CN 202111006069 A CN202111006069 A CN 202111006069A CN 113743007 A CN113743007 A CN 113743007A
- Authority
- CN
- China
- Prior art keywords
- temperature
- ultrasonic
- real
- time
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005315 distribution function Methods 0.000 claims abstract description 28
- 238000005520 cutting process Methods 0.000 claims description 32
- 238000010008 shearing Methods 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 210000001519 tissue Anatomy 0.000 description 17
- 238000003062 neural network model Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000002844 melting Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000000078 claw Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 125000006850 spacer group Chemical group 0.000 description 2
- 239000004809 Teflon Substances 0.000 description 1
- 229920006362 Teflon® Polymers 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000001112 coagulating effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000023597 hemostasis Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B17/32—Surgical cutting instruments
- A61B17/320068—Surgical cutting instruments using mechanical vibrations, e.g. ultrasonic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明揭示了一种基于智能温度感知的超声刀垫片保护方法和系统。该系统包括发生器、换能器和超声刀头，发生器在工作时实时收集手术器械的反馈参数，然后通过温度分布函数模型根据这些反馈参数和器械特征参数预估手术部位的实时温度，与一个或多个温度阈值比较后，利用温度自适应算法控制目标温度进行超声刀垫片保护，精准可靠。
Description
技术领域
本发明涉及医疗器械领域，尤其涉及一种超声手术刀的控制方法及系统，特别为一种基于智能温度感知的超声刀垫片保护方法及系统、及设置有该系统的发生器、超声刀外科器械。
背景技术
软组织超声切割止血手术系统(简称超声刀系统)，是指将通过压电转换器(通过能量发生器将电能传递至压电转换器，由压电转换器将电能转换为机械能)获得的超声振动进一步放大，并由超声刀杆将放大后的超声振动用于对软组织的切割和凝闭的器械。临床用这种器械可在较低温度和较少出血的情况下实现病灶切除，并能确保最小的组织侧向热损伤。随着微创外科手术的普及，超声手术刀已经成为一种常规手术器械。
超声刀系统主要由发生器、换能器和超声刀杆组成，如图1所示，超声刀的换能器11和超声刀外壳12配接在一起，套管13位于超声刀外壳12的远端，位于最远端的超声刀杆14在套管13内部与换能器11耦接在一起，换能器11通过线缆15与发生器(未示出)连接。超声刀杆14与前爪16进行夹持剪切组织，所述垫片嵌设在该前爪16内部。发生器中超声频率的电流传导至换能器，换能器将电能转化为前后振动的机械能，通过超声刀杆的传递和放大使超声刀杆末端(又称超声刀头)以一定频率(例如55.6kHz)振动，摩擦产生的热量导致与刀尖接触的组织细胞内水汽化，蛋白质氢键断裂，细胞崩解重新融合，组织凝固后被切开。
一般来讲，超声刀工作时通过前爪和刀杆前端的刀尖部分夹持、剪切组织，待组织剪断后前爪的垫片和刀尖会直接接触，由于快速的热效应，刀尖部分可能在短时间内形成300℃以上(例如380℃～600℃)的局部高温区域，而特氟龙制成的垫片的熔点大概在350℃左右，如果不加温度控制，会导致垫片熔化，加速磨损，会大大降低超声刀头的性能和使用寿命。
发明内容
本发明为了解决上述技术问题，提供了一种基于智能温度感知的超声刀垫片保护方法及系统、及设置有该系统的发生器、超声刀外科器械。
为解决以上技术问题，本发明的技术方案为：
一种基于智能温度感知的超声刀垫片保护方法，包括如下步骤，
S1、根据温度分布函数模型预估超声刀杆实时温度Test；
S2、判断剪切是否结束；
S3、比较所述超声刀杆实时温度Test与极限温度阈值的大小；
S4、根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率。
优选的，所述温度分布函数模型为神经网络算法模型，包括前馈神经网络、记忆神经网络、注意力神经网络的一种或多种算法模型组合，模型训练方法为监督学习、半监督学习、无监督学习和强化学习的一种或多种组合。
优选的，所述模型训练方法具体为从训练集中提取输入特征，输入至所述神经网络算法模型中计算每个神经元的中间值和梯度值，模型的损失函数可以为均方误差MSE或者平均绝对误差MAE，并利用梯度下降法进行权重更新，重复以上过程直到模型达到预定的停止条件，达到停止条件后停止训练并保存模型。
优选的，所述温度分布函数模型由层和相应的神经元及权重构成，权重参数和应用程序保存在发生器内存中，内存为Flash、EEPROM或者其他非易失存储设备，应用程序在处理器中运行，所述处理器或为存在于所述发生器中的ARM、DSP、FPGA、CPU、GPU或者ASIC芯片，或为通过网络连接的远程服务器。
优选的，所述步骤S1中，“根据温度分布函数模型预估超声刀杆实时温度”具体包括，向所述温度分布函数模型输入特征参数，所述特征参数包括工作反馈参数，物理结构特征参数，环境参数的一种或多种组合。
优选的，所述工作反馈参数包括实时电压U、实时电流I、功率P、阻抗R、实时谐振频率f的一种或几种参数；所述物理结构特征参数包括超声刀刀杆材料、刀杆长度的一种或几种参数；所述环境参数包括环境温度、环境湿度的一种或几种参数。
优选的，所述步骤S1中，还包括将超声刀杆实时温度Test与剪切温度阈值T1相比较的步骤，当所述超声刀杆实时温度Test小于所述剪切温度阈值T1时，保持施加到超声刀换能器的功率水平不变以控制超声刀电流稳定输出第一电流，所述剪切温度阈值T1为100℃～250℃之内，所述剪切温度阈值T1对应一个正常组织切割的安全温度范围。T1为一个小于垫片熔点的温度阈值，正常组织切割过程温度应低于这个温度阈值。
优选的，所述步骤S2中，“判断剪切是否结束”具体包括，
S21、向所述温度分布函数模型输入相应输入特征，输出至少包括实时剪切结束概率值或实时状态类别的模型输出结果；
S22、将所述模型输出结果与剪切结束阈值进行比较；
S23、根据比较结果，判断超声刀是否已经达到组织剪切结束点。
优选的，所述输入特征包括工作反馈参数，物理结构特征参数，环境参数的一种或多种组合，所述工作反馈参数包括实时电压U、实时电流I、功率P、阻抗R、实时谐振频率f的一种或几种参数；所述物理结构特征参数包括超声刀刀杆材料、刀杆长度的一种或几种参数；所述环境参数包括环境温度、环境湿度的一种或几种参数。
优选的，所述步骤S2中，当判断剪切未结束时，调整施加到超声刀换能器的功率水平以控制超声刀电流稳定输出第二电流继续进行组织剪切过程，所述第二电流低于所述第一电流。
当判断剪切结束时，产生提示信号，所述提示信号包括但不限于声音或画面等方式，同时降低施加到超声刀换能器的功率水平，当确认剪切仍未停止，则继续步骤S3。
所述步骤S4中，所述“根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率”具体为：
若所述超声刀杆实时温度Test低于极限温度阈值T2，则按照第一温度自适应算法控制超声刀杆温度，所述第一温度自适应算法为调整输出功率水平使刀杆目标温度值保持当前温度值或按照预定温度变化速率升温；
若所述超声刀杆实时温度Test高于极限温度阈值T2，则按照第二温度自适应算法控制超声刀杆温度，所述第二温度自适应算法为调整输出功率水平使刀杆目标温度值按照预定温度变化速率降低到目标温度值。
所述极限温度阈值为250℃～400℃之内。
本发明还揭示了一种基于智能温度感知的超声刀垫片保护方法，包括，
实时温度预估单元，用于根据温度分布函数模型预估超声刀杆实时温度Test；
判断单元，用于判断剪切是否结束；
比较单元，用于比较所述超声刀杆实时温度Test与极限温度阈值的大小；
处理单元，用于根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率。
本发明还揭示一种基于智能温度感知的超声刀垫片保护控制的发生器，包括
控制电路，所述控制电路耦接到存储器，所述控制电路被配置为能够：
根据温度分布函数模型预估超声刀杆实时温度Test；
判断剪切是否结束；
比较所述超声刀杆实时温度Test与极限温度阈值的大小；
根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率。
本发明还揭示了一种基于智能温度感知的超声刀垫片保护控制的超声刀外科器械，包括
超声机电系统，所述超声机电系统包括经由超声波导联接到超声刀的超声换能器；以及
发生器，所述发生器被配置为向所述超声换能器供应功率，其中所述发生器包括控制电路，所述控制电路被配置为能够：
根据温度分布函数模型预估超声刀杆实时温度Test；
判断剪切是否结束；
比较所述超声刀杆实时温度Test与极限温度阈值的大小；
根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率。
本发明的有益效果主要体现在：超声刀杆工作时刀杆实际温度为沿着刀杆的一维空间分布，其上温度分布由超声刀杆实时工作反馈参数、物理结构特征参数以及周围环境参数集合决定，每个温度分布对应于温度分布函数的一个解，利用机器学习算法可以逼近该函数；超声刀杆工作时根据其实时谐振频率、电压、电流、阻抗、功率及外形和环境等特征参数，输入机器学习算法模型就可以估计出超声刀刀杆的实时温度分布，进而根据估计的温度进行功率控制，准确有效。将实时特征参数集输入至少一种机器学习算法模型可以进行超声刀刀杆包括刀尖温度估计；然后与一个或多个温度阈值比较后，利用温度自适应算法控制目标温度进行超声刀垫片保护，有效可靠。
附图说明
图1是现有技术中超声刀的结构配置示意图；
图2是本发明基于温度分布函数模型预估超声刀杆实时温度的流程图；
图3是本发明基于智能温度感知的超声刀垫片保护方法的流程示意图；
图4是本发明基于智能温度感知的超声刀垫片保护方法的自适应能量控制算法的优选实施例的流程图；
图5是本发明基于智能温度感知的超声刀垫片保护方法的自适应能量控制算法的优选实施例的温度变化曲线图；
图6是实施本发明超声刀垫片保护方法后的对比测试图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限于本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
超声刀系统在工作过程中利用锁相算法改变换能器的工作频率使换能器工作在最大工作效率状态，也就是谐振状态。在谐振状态下，声波在超声刀刀杆上传播必须满足驻波条件，假设超声刀刀杆长度为L，声波波长为λ，声速为v，谐振频率为f，则在谐振状态下必须满足以下工作条件：
其中n为正整数。
假设声波周期为τ，则满足以下公式：
可以得到：
实际工作中热量沿着超声刀刀杆的设置方向扩散，因此在超声刀刀杆不同位置温度可能不同，不同位置温度t表示为：
t＝T(l)(4)
T(l)为刀杆上的一个位置温度分布函数，l的范围为0～L，超声刀杆刀尖一侧顶点位置为坐标原点。
温度可以影响刀杆的杨氏模量，最终影响声波速度，刀杆上不同位置的声速v可以表示为温度的函数：
v(l)＝V(T(l))(5)
公式(1)可以表示为：
公式(6)可以表示为：
公式(7)为一个积分方程，对于确定时间点，f为确定的谐振频率，温度T(l)受电压、电流、功率、阻抗、刀杆形状、环境参数等参数影响。在n、f和L确定的情况下积分方程的温度分布函数T(l)可能有无穷多个解，对于不同的刀杆，会有更多种不同的温度分布。
鉴于此，本发明揭示了一种机器学习算法模型，具体为神经网络算法模型，人工神经网络算法模型是一种受人脑神经系统启发而构造的数学模型，与生物神经元类似，由多个节点(人工神经元)互相连接而成，可以用来对数据之间的复杂关系进行建模。不同节点之间的连接被赋予不同的权重，每个权重代表一个节点对另外一个节点的影响大小。每个节点代表一种特定函数，来自其他节点的信息经过其相应的权重综合计算，输入到一个激活函数中并得到一个新的活性值。激活函数用来引入非线性元素，增加神经网络的表达能力，常用的激活函数有Sigmoid，Tanh，ReLU等。
从系统观点来看，人工神经元是由大量神经元通过极其丰富和完善的连接而构成的自适应非线性动态系统。目前最常用的神经网络学习算法为反向传播算法，优化方法为梯度下降算法。理论上，一个两层的神经网络就可以逼近任意的函数，增加网络层数可以让神经网络在相同的神经元数量下具有更强的表示能力。目前比较常用的神经网络模型有前馈神经网络模型、记忆神经网络模型及注意力神经网络模型等：多层感知机(MultilayerPerceptron，MLP)和卷积神经网络(Convolutional Neural Network,CNN)为前馈神经网络模型；循环神经网络(Recurrent Neural Network，RNN)为记忆神经网络模型，常用的RNN模型包括门控神经单元(Gate Recurrent Unit，GRU)和长短期记忆神经网络(Long Short-Term Memory,LSTM)；注意力神经网络模型包括Transformer等。
记忆神经网络模型在前馈神经网络基础上增加了记忆能力，常用来处理时序数据，常用的记忆神经网络包括RNN、GRU、LSTM等。GRU和LSTM具有长期的记忆能力，能够处理长时间序列。
本发明温度分布函数模型可以基于机器学习算法模型包括神经网络算法模型中的一种或者多种算法模型组合。输入特征包括工作反馈参数，物理结构特征参数，环境参数的一种或多种组合。所述工作反馈参数包括但不限于实时电压U、实时电流I、功率P、阻抗R、实时谐振频率f；所述物理结构特征参数包括但不限于超声刀杆材料、长度；所述环境参数包括但不限于环境温度、环境湿度。
输入特征越完备，神经网络模型的逼近能力越强。本发明模型中，电压U和电流I由发生器实时采样得到，实时功率P和阻抗R可以由以下公式计算得到：
P＝U×I(15)
实时频率f由以下公式计算得到：
f＝k×(θ-θ0)(17)
其中，k由实时电压U和电流I的一个函数关系确定：
k＝K(U,I)(18)
θ为实时电压电流相位差，计算公式为：
θ＝θU-θI(19)
电压相位θU和电流相位θI由发生器实时采样得到，θ0为一个常数。
电压电流传感器采样频率可以为实际信号频率的64倍或者128倍等，输出电压U、输出电流I，谐振频率f、频率一阶导数df、阻抗R和相位θ、功率P等参数由采样值经过FFT等数学运算得到。超声刀刀杆材料、长度等物理结构特征参数可以保存在超声刀或者发生器的存储芯片中，发生器直接读取相应的存储芯片可以得到这些特征参数；环境参数可以通过传感器进行实时测量得到。这些参数可组成实时超声刀特征参数集X。
本发明模型训练方法可以为监督学习、半监督学习、无监督学习和强化学习等方式。监督学习需要采集模型的所有输入特征信息以及训练标签，可以以一定的时间间隔采集，时间间隔可以为1ms或者10ms，并测量实时温度作为监督训练标签，实时剪切温度点可以采用嵌入或者外部的温度传感器或者红外测温仪来测量得到，采集大量标记数据得到作为训练数据集S。
模型监督学习实现的一种神经网络模型训练过程可以为：从训练数据集S中取输入特征，并输入神经网络模型计算每个神经元的中间值和梯度值，模型的损失函数可以为均方误差MSE或者平均绝对误差MAE，并利用梯度下降法进行权重更新，重复以上过程直到模型达到预定的停止条件，比如预测精度达到目标值或者损失不再减小，达到停止条件后停止训练并保存模型，这个模型即可以表示所有目标超声刀工作时刀杆包括刀尖上的温度分布的函数。
训练好的模型由各个层和相应的神经元及权重构成，权重参数和应用算法程序保存在发生器内存中，内存可以为Flash、EEPROM或者其他非易失存储设备中，应用程序在处理器中运行，处理器可以为存在于发生器中的ARM、DSP、FPGA、CPU、GPU或者ASIC芯片，也可以为通过网络连接的远程服务器。
本发明温度分布函数模型预估温度方法如图2所示，将实时超声刀特征参数集X输入模型，模型根据输入的特征集合可以找到最可能的刀杆温度分布，温度Test可以由在该温度分布中得到，Test即为预估的超声刀杆实时温度，该温度可以为刀尖任意一点温度值，或者刀尖特定区域的最大值、最小值、平均值，也可以为以上任意组合的一个温度集合。
如图3所示，本发明基于智能温度感知的超声刀垫片保护方法，是基于估计的实时温度调节实时功率水平从而实现对垫片温度的控制，降低垫片损耗，达到保护垫片的目的，功率调整方式可以通过调整输出电流、输出电压等方式来实现。该方法包括如下步骤：
S1、根据温度分布函数模型预估超声刀杆实时温度Test；
S2、判断剪切是否结束；
S3、比较所述超声刀杆实时温度Test与极限温度阈值的大小；
S4、根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率。
本发明实现垫片保护的温度自适应算法的优选实施例的控制过程如图4所示。
首先，向所述温度分布函数模型输入上述特征参数，温度分布函数模型预估超声刀杆实时温度Test；将超声刀杆实时温度Test与剪切温度阈值T1相比较；当所述超声刀杆实时温度Test小于所述剪切温度阈值T1时，保持施加到超声刀换能器的功率水平不变以控制超声刀电流稳定输出第一电流，所述剪切温度阈值T1为100℃～250℃之内，所述剪切温度阈值T1对应一个正常组织切割的安全温度范围。本发明中，剪切温度阈值T1为一个小于垫片熔点的温度阈值，正常组织切割过程温度应低于这个温度阈值。
当所述超声刀杆实时温度Test大于所述剪切温度阈值T1时，则继续步骤S2，判断剪切是否结束。
本发明中，“判断剪切是否结束”具体包括，
S21、向所述温度分布函数模型输入相应输入特征，输出至少包括实时剪切结束概率值或实时状态类别的模型输出结果；
S22、将所述模型输出结果与剪切结束阈值进行比较；
S23、根据比较结果，判断超声刀是否已经达到组织剪切结束点。
所述输入特征包括工作反馈参数，物理结构特征参数，环境参数的一种或多种组合，所述工作反馈参数包括实时电压U、实时电流I、功率P、阻抗R、实时谐振频率f的一种或几种参数；所述物理结构特征参数包括超声刀刀杆材料、刀杆长度的一种或几种参数；所述环境参数包括环境温度、环境湿度的一种或几种参数。
本发明中，所述剪切结束阈值可以为根据不同剪切状态相对应的类别数值集，例如将开始剪切阶段定为类别0，剪切分离阶段定为类别1，剪切结束阶段定为类别2，步骤S21中的模型输出结果为所述类别数值集中的其中一个类别数值。例如当模型输出的数值为2时，则说明该时间已经达到剪切结束阶段，则降低超声刀控制电流并产生结束剪切提示。
或者，本发明中，所述阈值也可以为一个位于0-1内的小数值，例如可以设置为固定值0.9或0.95等，神经网络模型输出的概率值符合均匀分布或正态分布等概率分布，步骤S22中将神经网络模型输出的实时剪切结束概率值与该阈值进行比较，当实时剪切结束概率值大于该阈值则可以判定为剪切结束。
鉴于此，实现的方式有很多，本发明揭示的其中一种实现的方法：预先设置的第一结束概率阈值P1和第二结束概率阈值P2。当模型预测的结束概率值P低于阈值P1则按照第一控制算法K1控制输出，K1可以为保持恒定电流输出；当结束概率值P在阈值P1和P2之间则按第二控制算法K2控制输出，K2可以为保持恒定功率输出；当结束概率值P高于阈值P2则按照第三控制算法K3控制输出，K3可以为在100ms内将电流降低至原先的10％。
所述步骤S2中，当判断剪切未结束时，调整施加到超声刀换能器的功率水平以控制超声刀电流稳定输出第二电流继续进行组织剪切过程，所述第二电流低于所述第一电流。因为当组织温度高于剪切温度阈值T1且判断未达到切断状态时，正常情况下组织可能已经部分切断或者接近完全切断状态，刀尖已经开始部分磨损垫片，所以为了防止温升过快保护垫片应该适当降低电流来维持切割过程。本发明中，剪切温度阈值T1可以为100℃～250℃以内的合适温度阈值。
所述步骤S2中，当判断剪切结束时，会有持续声音或画面等方式提示用户达到剪切结束状态可以松开激活按钮，同时降低施加到超声刀换能器的功率水平，来适当降低电流来进行保护，但是防止剪切结束状态误判，所以电流一般不会大幅度下降，一般会在当前基础上降低10％～20％左右。
当确认剪切状态仍未停止时，则继续步骤S3，比较所述超声刀杆实时温度Test与极限温度阈值T2的大小。极限温度阈值T2可以为250℃～400℃内的合适温度阈值。
若所述超声刀杆实时温度Test低于极限温度阈值T2，则按照第一温度自适应算法控制超声刀杆温度，所述第一温度自适应算法为调整输出功率水平使刀杆目标温度值保持当前温度值或按照预定温度变化速率升温，完成组织剪切过程；
若所述超声刀杆实时温度Test高于极限温度阈值T2，则按照第二温度自适应算法控制超声刀杆温度，所述第二温度自适应算法为调整输出功率水平使刀杆目标温度值按照预定温度变化速率降低到目标温度值，在完成组织剪切过程中尽可能保护超声刀垫片。
超声刀垫片保护方法不限于以上实现方式，在以上控制框架内适当改变控制过程也可以达到相似的控制效果。例如仅设置一个温度阈值，或者设置多个温度阈值进行自适应调整。
如图5所示的本发明基于智能温度感知的超声刀垫片保护方法的自适应能量控制算法的优选实施例的温度变化曲线图，实时温度值使用红外测温仪测得。剪切7s左右时温度值达到300℃，此时根据第二温度自适应算法调整电流将温度降低到250℃左右，然后根据第一温度自适应算法控制电流维持温度在250℃左右，直到结束剪切。
基于已经实现的垫片保护方法进行了两组垫片保护效果对比测试，同一组测试中使用本发明垫片保护方法和不使用本发明垫片保护方法分别剪切至垫片完全磨穿，并统计垫片总的有效剪切时间，两组测试中以两种不同方式磨损垫片，得到的结果如图6所示。可以看到在两种不同测试方式下使用本发明垫片保护方法均可以将垫片寿命提高到原来的至少3倍以上。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (16)
1.一种基于智能温度感知的超声刀垫片保护方法，其特征在于，包括如下步骤，
S1、根据温度分布函数模型预估超声刀杆实时温度Test；
S2、判断剪切是否结束；
S3、比较所述超声刀杆实时温度Test与极限温度阈值的大小；
S4、根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率。
2.根据权利要求1所述的方法，其特征在于，所述温度分布函数模型为神经网络算法模型，包括前馈神经网络、记忆神经网络、注意力神经网络的一种或多种算法模型组合，模型训练方法为监督学习、半监督学习、无监督学习和强化学习的一种或多种组合。
3.根据权利要求2所述的方法，其特征在于，所述模型训练方法具体为从训练集中提取输入特征，输入至所述神经网络算法模型中计算每个神经元的中间值和梯度值，模型的损失函数可以为均方误差MSE或者平均绝对误差MAE，并利用梯度下降法进行权重更新，重复以上过程直到模型达到预定的停止条件，达到停止条件后停止训练并保存模型。
4.根据权利要求1所述的方法，其特征在于，所述温度分布函数模型由层和相应的神经元及权重构成，权重参数和应用程序保存在发生器内存中，内存为Flash、EEPROM或者其他非易失存储设备，应用程序在处理器中运行，所述处理器或为存在于所述发生器中的ARM、DSP、FPGA、CPU、GPU或者ASIC芯片，或为通过网络连接的远程服务器。
5.根据权利要求1至4任一所述的方法，其特征在于，所述步骤S1中，“根据温度分布函数模型预估超声刀杆实时温度”具体包括，向所述温度分布函数模型输入特征参数，所述特征参数包括工作反馈参数，物理结构特征参数，环境参数的一种或多种组合。
6.根据权利要求5所述的方法，其特征在于，所述工作反馈参数包括实时电压U、实时电流I、功率P、阻抗R、实时谐振频率f的一种或几种参数；所述物理结构特征参数包括超声刀刀杆材料、刀杆长度的一种或几种参数；所述环境参数包括环境温度、环境湿度的一种或几种参数。
7.根据权利要求1所述的方法，其特征在于，所述步骤S1中，还包括将超声刀杆实时温度Test与剪切温度阈值T1相比较的步骤，当所述超声刀杆实时温度Test小于所述剪切温度阈值T1时，保持施加到超声刀换能器的功率水平不变以控制超声刀电流稳定输出第一电流，所述剪切温度阈值T1为100℃~250℃之内，所述剪切温度阈值T1对应一个正常组织切割的安全温度范围。
8.根据权利要求7所述的方法，其特征在于，所述步骤S2中，“判断剪切是否结束”具体包括，
S21、向所述温度分布函数模型输入相应输入特征，输出至少包括实时剪切结束概率值或实时状态类别的模型输出结果；
S22、将所述模型输出结果与剪切结束阈值进行比较；
S23、根据比较结果，判断超声刀是否已经达到组织剪切结束点。
9.根据权利要求8所述的方法，其特征在于，所述输入特征包括工作反馈参数，物理结构特征参数，环境参数的一种或多种组合，所述工作反馈参数包括实时电压U、实时电流I、功率P、阻抗R、实时谐振频率f的一种或几种参数；所述物理结构特征参数包括超声刀刀杆材料、刀杆长度的一种或几种参数；所述环境参数包括环境温度、环境湿度的一种或几种参数。
10.根据权利要求9所述的方法，其特征在于，所述步骤S2中，当判断剪切未结束时，调整施加到超声刀换能器的功率水平以控制超声刀电流稳定输出第二电流继续进行组织剪切过程，所述第二电流低于所述第一电流。
11.根据权利要求10所述的方法，其特征在于，所述步骤S2中，当判断剪切结束时，产生提示信号，所述提示信号包括声音或画面，同时降低施加到超声刀换能器的功率水平，当确认剪切仍未停止，则继续步骤S3。
12.根据权利要求11所述的方法，其特征在于，所述步骤S4中，所述“根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率”具体为：
若所述超声刀杆实时温度Test低于极限温度阈值T2，则按照第一温度自适应算法控制超声刀杆温度，所述第一温度自适应算法为调整输出功率水平使刀杆目标温度值保持当前温度值或按照预定温度变化速率升温；
若所述超声刀杆实时温度Test高于极限温度阈值T2，则按照第二温度自适应算法控制超声刀杆温度，所述第二温度自适应算法为调整输出功率水平使刀杆目标温度值按照预定温度变化速率降低到目标温度值。
13.根据权利要求12所述的方法，其特征在于，所述极限温度阈值T2为250℃~400℃之内。
14.一种基于智能温度感知的超声刀垫片保护方法，其特征在于，包括，
实时温度预估单元，用于根据温度分布函数模型预估超声刀杆实时温度Test；
判断单元，用于判断剪切是否结束；
比较单元，用于比较所述超声刀杆实时温度Test与极限温度阈值的大小；
处理单元，用于根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率。
15.一种基于智能温度感知的超声刀垫片保护控制的发生器，其特征在于，包括
控制电路，所述控制电路耦接到存储器，所述控制电路被配置为能够：
根据温度分布函数模型预估超声刀杆实时温度Test；
判断剪切是否结束；
比较所述超声刀杆实时温度Test与极限温度阈值的大小；
根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率。
16.一种基于智能温度感知的超声刀垫片保护控制的超声刀外科器械，其特征在于，包括
超声机电系统，所述超声机电系统包括经由超声波导联接到超声刀的超声换能器；以及
发生器，所述发生器被配置为向所述超声换能器供应功率，其中所述发生器包括控制电路，所述控制电路被配置为能够：
根据温度分布函数模型预估超声刀杆实时温度Test；
判断剪切是否结束；
比较所述超声刀杆实时温度Test与极限温度阈值的大小；
根据比较结果，调节施加到超声刀换能器的功率水平以控制超声刀电流输出，进而控制超声刀杆温度变化速率。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111006069.1A CN113743007A (zh) | 2021-08-30 | 2021-08-30 | 基于智能温度感知的超声刀垫片保护方法及系统 |
| PCT/CN2022/087011 WO2023029496A1 (zh) | 2021-08-30 | 2022-04-15 | 基于智能温度感知的超声刀垫片保护方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111006069.1A CN113743007A (zh) | 2021-08-30 | 2021-08-30 | 基于智能温度感知的超声刀垫片保护方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113743007A true CN113743007A (zh) | 2021-12-03 |
Family
ID=78733905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111006069.1A Pending CN113743007A (zh) | 2021-08-30 | 2021-08-30 | 基于智能温度感知的超声刀垫片保护方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113743007A (zh) |
| WO (1) | WO2023029496A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114305648A (zh) * | 2022-03-16 | 2022-04-12 | 珠海维尔康生物科技有限公司 | 一种超声刀软组织凝血切割系统 |
| WO2023029496A1 (zh) * | 2021-08-30 | 2023-03-09 | 以诺康医疗科技（苏州）有限公司 | 基于智能温度感知的超声刀垫片保护方法及系统 |
| WO2023029495A1 (zh) * | 2021-08-30 | 2023-03-09 | 以诺康医疗科技（苏州）有限公司 | 基于智能温度感知的超声刀血管自适应剪切方法及系统 |
| WO2023029494A1 (zh) * | 2021-08-30 | 2023-03-09 | 以诺康医疗科技（苏州）有限公司 | 基于温度分布函数模型的超声刀杆温度控制方法及系统 |
| WO2023029497A1 (zh) * | 2021-08-30 | 2023-03-09 | 以诺康医疗科技（苏州）有限公司 | 一种基于剪切结束判断模型的超声刀控制方法和系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116359642B (zh) * | 2023-03-10 | 2024-01-23 | 湖南金烽信息科技有限公司 | 一种变压器运行状态5g智能监测系统与方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3536261A1 (en) * | 2018-03-08 | 2019-09-11 | Ethicon LLC | Adaptive advanced tissue treatment pad saver mode |
| CN111836591A (zh) * | 2018-03-08 | 2020-10-27 | 爱惜康有限责任公司 | 自适应高级组织治疗垫保护模式 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11446052B2 (en) * | 2017-12-28 | 2022-09-20 | Cilag Gmbh International | Variation of radio frequency and ultrasonic power level in cooperation with varying clamp arm pressure to achieve predefined heat flux or power applied to tissue |
| US11056244B2 (en) * | 2017-12-28 | 2021-07-06 | Cilag Gmbh International | Automated data scaling, alignment, and organizing based on predefined parameters within surgical networks |
| CN111933268B (zh) * | 2020-07-15 | 2023-12-26 | 深圳市爱博医疗机器人有限公司 | 一种用于血管介入手术机器人系统的时滞误差预测控制方法 |
| CN113274096B (zh) * | 2020-11-03 | 2023-01-24 | 以诺康医疗科技（苏州）有限公司 | 一种用于结束组织剪切的超声刀自适应控制方法及系统 |
| CN113743007A (zh) * | 2021-08-30 | 2021-12-03 | 以诺康医疗科技（苏州）有限公司 | 基于智能温度感知的超声刀垫片保护方法及系统 |
-
2021
- 2021-08-30 CN CN202111006069.1A patent/CN113743007A/zh active Pending
-
2022
- 2022-04-15 WO PCT/CN2022/087011 patent/WO2023029496A1/zh unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3536261A1 (en) * | 2018-03-08 | 2019-09-11 | Ethicon LLC | Adaptive advanced tissue treatment pad saver mode |
| CN111836591A (zh) * | 2018-03-08 | 2020-10-27 | 爱惜康有限责任公司 | 自适应高级组织治疗垫保护模式 |
| CN111836592A (zh) * | 2018-03-08 | 2020-10-27 | 爱惜康有限责任公司 | 具有温度控制的超声密封算法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023029496A1 (zh) * | 2021-08-30 | 2023-03-09 | 以诺康医疗科技（苏州）有限公司 | 基于智能温度感知的超声刀垫片保护方法及系统 |
| WO2023029495A1 (zh) * | 2021-08-30 | 2023-03-09 | 以诺康医疗科技（苏州）有限公司 | 基于智能温度感知的超声刀血管自适应剪切方法及系统 |
| WO2023029494A1 (zh) * | 2021-08-30 | 2023-03-09 | 以诺康医疗科技（苏州）有限公司 | 基于温度分布函数模型的超声刀杆温度控制方法及系统 |
| WO2023029497A1 (zh) * | 2021-08-30 | 2023-03-09 | 以诺康医疗科技（苏州）有限公司 | 一种基于剪切结束判断模型的超声刀控制方法和系统 |
| CN114305648A (zh) * | 2022-03-16 | 2022-04-12 | 珠海维尔康生物科技有限公司 | 一种超声刀软组织凝血切割系统 |
| CN114305648B (zh) * | 2022-03-16 | 2022-06-07 | 珠海维尔康生物科技有限公司 | 一种超声刀软组织凝血切割系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023029496A1 (zh) | 2023-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113743007A (zh) | 基于智能温度感知的超声刀垫片保护方法及系统 | |
| CN113729864B (zh) | 基于智能温度感知的超声刀血管自适应剪切方法及系统 | |
| CN113722994B (zh) | 基于温度分布函数模型的超声刀杆温度控制方法及系统 | |
| CN113712630B (zh) | 一种基于剪切结束判断模型的控制方法和系统 | |
| EP2992847B1 (en) | Ultrasonic treatment system | |
| US9788851B2 (en) | Surgical instrument with tissue density sensing | |
| US10729458B2 (en) | Ultrasonic surgical instruments | |
| AU784004B2 (en) | Output displacement control using phase margin in an ultrasonic surgical hand piece | |
| JP6001225B1 (ja) | エネルギー処置装置 | |
| CN104349733A (zh) | 用于超声外科器械的开关布置 | |
| CN104363843A (zh) | 用于超声外科器械的可旋转电连接件 | |
| US20210100606A1 (en) | Systems and methods for controlling delivery of electrosurgical energy | |
| NL2032409A (en) | Method and system for artificial intelligence-based radiofrequency ablation parameter optimization and information synthesis | |
| US20230015369A1 (en) | System and method for controlling an ultrasonic surgical system | |
| EP3412228B1 (en) | Systems and algorithms for digital control of ultrasonic devices | |
| CN113274097B (zh) | 用于结束组织剪切的超声刀自适应控制方法及系统 | |
| CN116585627B (zh) | 超声刀杆温度控制方法、系统、发生器及超声医疗器械 | |
| CN118034397A (zh) | 腔镜手术钳头用温度反馈控制方法 | |
| CN117796881A (zh) | 一种超声骨刀的控制方法及组织自适应的超声骨刀装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |