CN113951988B - 超声骨刀的磨削方法、装置及磨削系统 - Google Patents

Abstract

本发明公开了一种超声骨刀的磨削方法、装置及磨削系统，方法包括以下步骤：采集超声骨刀磨削椎板时在进给过程的X方向上产生的原始力信号，并对原始力信号进行小波降噪，得到目标力信号；识别目标力信号得到磨削力特征，并将磨削力特征输入至预设的骨质识别模型中，得到当前磨削层的骨质信息；根据骨质信息判断当前磨削层是否为椎板内层皮质骨，并在当前磨削层为椎板内层皮质骨时，控制超声骨刀停止磨削动作。该方法可以有效提升超声骨刀磨削的安全性及精准性，实时、精准、安全地完成椎板磨削任务。

Description

超声骨刀的磨削方法、装置及磨削系统

技术领域

本发明涉及医疗器械技术领域，特别涉及一种超声骨刀的磨削方法、装置及磨削系统。

背景技术

磨削系统通常包括超声骨刀和上位机，超声骨刀磨削椎板时反馈的力信号，通过六轴力传感器及采集卡传输至上位机，上位机可以根据力信号对超声骨刀进行控制。

然而，相关技术中往往过于依赖操作者的经验判断当前磨削层的骨质信息，一旦经验不足或者判断有误，往往无法准确判断磨削操作的终点，存在安全隐患，大大降低超声骨刀磨削的安全性及精准性。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种超声骨刀的磨削方法，可以有效提升超声骨刀磨削的安全性及精准性，实时、精准、安全地完成椎板磨削任务。

本发明的第二个目的在于提出一种超声骨刀的磨削装置。

本发明的第三个目的在于提出一种磨削系统。

为达到上述目的，本发明第一方面实施例提出了一种超声骨刀的磨削方法，包括以下步骤：采集超声骨刀磨削椎板时在进给过程的X方向上产生的原始力信号，并对所述原始力信号进行小波降噪，得到目标力信号；识别所述目标力信号得到磨削力特征，并将所述磨削力特征输入至预设的骨质识别模型中，得到当前磨削层的骨质信息；根据所述骨质信息判断当前磨削层是否为椎板内层皮质骨，并在所述当前磨削层为椎板内层皮质骨时，控制所述超声骨刀停止磨削动作。

本发明实施例的超声骨刀的磨削方法，通过力特征来判断椎板磨削过程中骨质层，可以准确判断判断磨削操作的终点，即磨削层为椎板内层皮质骨时停止磨削动作，避免磨削操作终点的误判，降低磨削风险，从而可以有效提升超声骨刀磨削的安全性及精准性，实时、精准、安全地完成椎板磨削任务。

另外，根据本发明上述实施例的超声骨刀的磨削方法还可以具有以下附加的技术特征：

进一步地，将所述磨削力特征输入至预设的骨质识别模型之前，还包括：采集训练阶段椎板磨削过程中的全部原始力信号，并对所述原始力信号进行小波降噪；从提取降噪后的信号中提取每层磨削层进给过程中的X方向上的磨削力信号，对每层磨削力信号对应磨削力的进行降序或升序排序；过滤小于第一阈值、且大于第二阈值的磨削力，计算剩余磨削力的平均磨削力，将所述平均磨削力作为该磨削层的磨削力特征，其中，所述第二阈值大于所述第一阈值；基于磨削力特征进行模型训练得到所述预设的骨质识别模型。

进一步地，所述对所述原始力信号进行小波降噪，得到目标力信号，包括：对所述原始力信号进行多层小波分解，得到混合信号；将所述混合信号中每一个元素的绝对值由大到小进行排序，并将各个元素的绝对值取平方，得到新元素序列；计算所述新元素序列中所有元素的风险特征，并由所有元素的风险特征生成风险曲线；根据所述风险曲线确定最小风险点对应的风险值，并将所述风险值代入阈值公式，计算所述滤波阈值；利用软阈值函数对所述混合信号中频率大于所述滤波阈值的信号进行噪声过滤，并对噪声过滤后的混合信号进行重构，得到频段在预设频率范围内的目标力信号。

进一步地，基于磨削力特征进行模型训练完成之后，还包括：采集训练阶段每层磨削层对应的磨削速度、磨削深度和超声刀功率；将每层磨削层对应的所述磨削力特征、所述磨削速度、所述磨削深度和所述超声刀功率进行归一化处理，根据归一化处理后的数据优化所述预设的骨质识别模型。

进一步地，将所述磨削力特征输入至预设的骨质识别模型，得到当前磨削层的骨质信息，包括：采集超声骨刀磨削椎板时的当前磨削速度、当前磨削深度和当前超声骨刀功率；将所述磨削力特征、所述当前磨削速度、所述当前磨削深度和所述当前超声骨刀功率输入至预设的骨质识别模型中，得到当前磨削层的骨质信息。

为达到上述目的，本发明第二方面实施例提出了一种超声骨刀的磨削装置，包括：降噪模块，用于采集超声骨刀磨削椎板时在进给过程的X方向上产生的原始力信号，并对所述原始力信号进行小波降噪，得到目标力信号；识别模块，用于识别所述目标力信号得到磨削力特征，并将所述磨削力特征输入至预设的骨质识别模型中，得到当前磨削层的骨质信息；控制模块，用于根据所述骨质信息判断当前磨削层是否为椎板内层皮质骨，并在所述当前磨削层为椎板内层皮质骨时，控制所述超声骨刀停止磨削动作。

本发明实施例的超声骨刀的磨削装置，通过力特征来判断椎板磨削过程中骨质层，可以准确判断判断磨削操作的终点，即磨削层为椎板内层皮质骨时停止磨削动作，避免磨削操作终点的误判，降低磨削风险，从而可以有效提升超声骨刀磨削的安全性及精准性，实时、精准、安全地完成椎板磨削任务。

另外，根据本发明上述实施例的超声骨刀的磨削装置还可以具有以下附加的技术特征：

进一步地，还包括：训练模块，用于将所述磨削力特征输入至预设的骨质识别模型之前，采集训练阶段椎板磨削过程中的全部原始力信号，并对所述原始力信号进行小波降噪；从提取降噪后的信号中提取每层磨削层进给过程中的X方向上的磨削力信号，对每层磨削力信号对应磨削力的进行降序或升序排序；过滤小于第一阈值、且大于第二阈值的磨削力，计算剩余磨削力的平均磨削力，将所述平均磨削力作为该磨削层的磨削力特征，其中，所述第二阈值大于所述第一阈值；基于磨削力特征进行模型训练得到所述预设的骨质识别模型；优化模块，用于模型训练完成之后，采集训练阶段每层磨削层对应的磨削速度、磨削深度和超声刀功率；将每层磨削层对应的所述磨削力特征、所述磨削速度、所述磨削深度和所述超声刀功率进行归一化处理，根据归一化处理后的数据优化所述预设的骨质识别模型。

进一步地，所述降噪模块包括：分解单元，用于对所述原始力信号进行多层小波分解，得到混合信号；排序单元，用于将所述混合信号中每一个元素的绝对值由大到小进行排序，并将各个元素的绝对值取平方，得到新元素序列；第一计算单元，用于计算所述新元素序列中所有元素的风险特征，并由所有元素的风险特征生成风险曲线；第二计算单元，用于根据所述风险曲线确定最小风险点对应的风险值，并将所述风险值代入阈值公式，计算所述滤波阈值；过滤单元，用于利用软阈值函数对所述混合信号中频率大于所述滤波阈值的信号进行噪声过滤；重构单元，用于对噪声过滤后的混合信号进行重构，得到频段在预设频率范围内的目标力信号。

进一步地，所述识别模块进一步用于采集超声骨刀磨削椎板时的当前磨削速度、当前磨削深度和当前超声骨刀功率；将所述磨削力特征、所述当前磨削速度、所述当前磨削深度和所述当前超声骨刀功率输入至预设的骨质识别模型中，得到当前磨削层的骨质信息。

为达到上述目的，本发明第三方面实施例提出了一种磨削系统，包括如上述实施例所述超声骨刀的磨削装置。本发明实施例的磨削系统，可以有效提升超声骨刀磨削的安全性及精准性，实时、精准、安全地完成椎板磨削任务。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的超声骨刀的磨削方法的流程图；

图2为根据本发明实施例的超声骨刀磨削力信号频谱图；

图3为根据本发明实施例的X方向原始力信号与小波变换滤波后的信号时域图；

图4为根据本发明实施例的Y方向原始力信号与小波变换滤波后的信号时域图；

图5为根据本发明实施例的Z方向原始力信号与小波变换滤波后的信号时域图；

图6为根据本发明实施例的离体骨椎板磨削实验结果示例图；

图7为根据本发明实施例的单层磨削过程的原始力信号与小波滤波后的信号时域图；

图8为根据本发明实施例的磨削力数据的处理流程图；

图9为根据本发明实施例的磨削过程的BP神经网络结构示意图；

图10为根据本发明实施例的超声骨刀的磨削装置的方框示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的超声骨刀的磨削方法、装置及磨削系统，首先将参照附图描述根据本发明实施例提出的超声骨刀的磨削方法。

图1是本发明一个实施例的超声骨刀的磨削方法的流程图。

如图1所示，该超声骨刀的磨削方法包括以下步骤：

在步骤S101中，采集超声骨刀磨削椎板时在进给过程的X方向上产生的原始力信号，并对原始力信号进行小波降噪，得到目标力信号。

其中，本发明实施例选择进给过程的X方向磨削力作为力特征作为输入，可以更准确地表示出不同骨质的磨削力值信息。

需要说明的是，超声骨刀磨削椎板时反馈的力信号，通过六轴力传感器及采集卡传输至上位机。由于采集卡的采样频率达2kHz，而系统的力信号数据仅分布在0-100Hz，采集卡传输的原始力信号可能存在着诸多高频噪声，这些噪声的存在严重影响了后续应用神经网络模型的精度，因此对原始力信号进行滤波处理是非常必要的。

可以理解的是，小波变换往往能有效的提取出无用的噪声频段进行处理，且对有效信号时域特征影响很小，能够很好的保护信号尖峰和突变信号。因此，本发明实施例采用基于小波变换阈值处理的降噪方法对原始力信号进行降噪处理。对于离散的信号，需要使用离散小波变换(DWT)处理，如公式1：

ψ_j,k(t)＝2^-j/2ψ(2^-jt-k)j,k∈Z (1)，

式中，ψ(t)为小波函数，ψ_j,k(t)为离散小波函数组，j与k分别表示小波变换在频域和时域的局部化作用参数。

在本发明的一个实施例中，对原始力信号进行小波降噪，得到目标力信号，包括：对原始力信号进行多层小波分解，得到混合信号；将混合信号中每一个元素的绝对值由大到小进行排序，并将各个元素的绝对值取平方，得到新元素序列；计算新元素序列中所有元素的风险特征，并由所有元素的风险特征生成风险曲线；根据风险曲线确定最小风险点对应的风险值，并将风险值代入阈值公式，计算滤波阈值；利用软阈值函数对混合信号中频率大于滤波阈值的信号进行噪声过滤，并对噪声过滤后的混合信号进行重构，得到频段在预设频率范围内的目标力信号。

其中，预设频率范围可以为0-100Hz。

可以理解的是，与傅里叶变换的正弦基函数类似，小波变换也需要定义一个基函数对信号进行分解，分解后的信号会输出两部分：一种是频率较低的分量，称为近似分量，是需要保留的部分；另一种是高频分量，称为细节分量，是需要滤掉的部分。根据奈奎斯特采样定理，采样频率至少为信号频率的2倍，因此对原始信号需要多层小波分解才能过滤出有效频段。然后，选择阈值并对高频分量利用软阈值函数进行过滤。选用软阈值的原因是硬阈值函数去噪会导致信号出现局部抖动，而软阈值函数去噪会让信号更平滑。最后，将阈值处理后的小波进行重构，便能得到滤波后的纯净力信号。

具体而言，本发明实施例针对超声刀磨削椎板的力信号特点，建立了一种适用的小波变换降噪方法。系统小波变换的基函数采用Daubechies系列小波，简称“dbN”小波系，因其具有较好的正则性，即信号重构过程光滑。这些小波函数通常没有解析表达式，一般只用滤波器组表示，本发明实施例选用“db4”作为小波函数。

小波分解后阈值的选择基于公式2：

X_n＝f_n+e_n (2)，

式中，X_n为长度为N的混合信号，f_n和e_n分别表示所需的数据信号与高斯白噪声信号N(0,1)，因此可以通过混合信号来进行评估能够消除噪声在小波域的阈值。常用的阈值方法有多种，例如固定阈值估计、极值阈值估计、无偏似然估计以及启发式估计等，本发明实施例选择无偏风险阈值(SURE)作为阈值选择方法，即公式3-5：将信号X_n中的每一个元素取绝对值，再由大到小排序，然后将各个元素取平方，从而得到新的元素序列：

s(k)＝(sort(|X|))² (3)，

若取阈值为s(k)的第k个元素的平方根，则该阈值产生的风险为

根据所得到的风险曲线Risk(k)，记其最小风险点所对应的值为k_min，那么阈值定义为

确定了高斯白噪声在小波域的阈值后，需要使用软阈值函数对小波分解后的细节分量进行过滤。按照以上步骤确定各部分的参数后，通过不断调整小波分解的层数，对信号的频域特性进行分析。最终确定小波分解层数为5时，可以有效的将频段大致在0-100Hz以外的噪声滤净，如图2所示。

以一组磨削过程的X方向(垂直方向)、Y方向(水平方向)和Z方向(垂直进给方向)的力信号进行采集与滤波为例，可以得的小波变换滤波前后的信号的时域图，如图3、图4和图5所示，其中，灰色波形为原始力数据，黑色波形为滤波后数据，通过对比灰色和黑色的信号波形可以看出，滤波后的信号特性被完整的保留了下来，而混合在原始信号中的噪声信号则被滤掉，因此，本发明实施例的信号处理方法可以有效将频段大致在0-100Hz以外的噪声滤净，提升信号的纯净程度，提高后续超声骨刀的控制精度。

在步骤S102中，识别目标力信号得到磨削力特征，并将磨削力特征输入至预设的骨质识别模型中，得到当前磨削层的骨质信息。

可以理解的是，本发明实施例在识别得到磨削力特征之后，可以将其作为输入，利用预设的骨质识别模型输出骨质信息，从而快速准确的识别当前磨削层的骨质信息。

需要说明的是，本发明实施例是基于以下发现和认知通过力特征来判断椎板磨削过程中骨质层，具体如下：

超声刀磨削椎板的X方向力值时域图可以看出，如图3所示，该方向力受磨削深度影响较小，其峰值的变化趋势能够明显反映出不同骨质的力特征：

1)在0s-9.8s时，磨削力值相对较大，根据脊柱椎板的结构及磨削过程可以推断出，在该时间段内的磨削区域处于外层皮质骨部分；

2)在9.8s-13.5s和27.7s-31.7s时，磨削力值处于较大值和较小值的过渡区域，这代表超声刀钻头处于外层皮质骨与松质骨的交界处，因此呈现出过渡性质的力特征。

3)在13.5s-27.7s时，磨削力值相对较小，可推断出在该时间段磨削的区域处于松质骨部分；

4)在31.7s-40s时，磨削力值再次变为较大值，表明此时磨削的区域处于内层皮质骨部分。

根据制定的磨削策略，每层磨削的深度为0.5mm，因此在内层皮质骨磨削达两层后停止磨削。为了佐证此判断过程，本发明在进行了离体脊柱骨的磨削实验，并在完成后通过肉眼观察和CT图像证实该策略下可以实现椎板内层皮质骨剩下很薄的一层，达到椎板磨削要求如图6所示。

超声刀磨削椎板的Y方向力值时域图表明，如图4所示，该方向的力明显受到磨削深度的影响，整体力的峰值呈逐层上升的趋势，不同骨质间无明显特征差异。而Z方向力值时域图无明显特征，无法用作骨质识别。这是因为超声刀横向振动磨削的特性总体较小。

本发明将图3中X方向的单层磨削力信号(圆圈部分)进行放大显示，放大后的图如图7所示，可以分辨出下沉-进给-回磨的全过程：1)0s-1.1s出现的波峰表示下沉过程的磨削力；2)1.1s-2.45s出现的最高波峰表示进给过程的磨削力；3)2.45s-3.6s出现的最低波峰表示回磨过程的磨削力。为了更准确地表示出不同骨质的磨削力值信息不同，本发明在神经网络输入时选择进给过程的X方向磨削力作为力特征输入。

从上述分析结论可知，通过力特征来判断椎板磨削过程中骨质层的方法具备可行性，只需验证此规律的普适性并将其转化为数学模型应用于实际磨操作中。因此，在进行椎板磨削分层特征分析之后，本发明实施例基于BP神经网络的多模态切换控制建立预设的骨质识别模型，由于不同骨质对应的磨削力变化情况属于一种规律性模型，用一般的数学公式很难直接定义，需要通过对大量实验数据的训练与验证才能得到这种模型，因此，在诸多算法模型中，本发明实施例选择神经网络模型。

在本发明的一个实施例中，将磨削力特征输入至预设的骨质识别模型之前，还包括：采集训练阶段椎板磨削过程中的全部原始力信号，并对原始力信号进行小波降噪；从提取降噪后的信号中提取每层磨削层进给过程中的X方向上的磨削力信号，对每层磨削力信号对应磨削力的进行降序或升序排序；过滤小于第一阈值、且大于第二阈值的磨削力，计算剩余磨削力的平均磨削力，将平均磨削力作为该磨削层的磨削力特征；基于磨削力特征进行模型训练得到预设的骨质识别模型。

其中，第二阈值大于第一阈值，且第一阈值和第二阈值均可以根据实际训练的需求具体设置，不做具体限定。

可以理解的是，在超声刀磨削椎板的过程中，单层磨削操作可以采集到大量磨削力数据，同时这些力信号的影响因素众多，如：磨削速度、磨削深度、超声刀功率等。如果将力数据与影响因素全部输入神经网络中进行训练，会极大增加计算量，提高骨质识别难度。因此本发明实施例的系统提取每层磨削力的特征值，将其作为神经网络输入元的建模方法不但可以简化训练模型，更能达到预期的骨质识别效果。

具体而言，如图8所示，系统在采集到椎板磨削过程中的全部力信号后，首先对信号进行小波变换降噪，其次提取出单层进给过程中的X方向上的力信号，对这些数据进行快速排序。然后滤掉小于第一阈值、且大于第二阈值的数据，比如前后各20％的数据，目的是去除磨削过程中由系统外干扰而产生的力信号波动，如超声刀头触碰棘突、传感器采集产生极大极小值、术者磨削过程中误触等。最后，计算剩余力数据的平均值作为该层力信号的特征值。

在本发明的一个实施例中，基于磨削力特征进行模型训练完成之后，还包括：采集训练阶段每层磨削层对应的磨削速度、磨削深度和超声刀功率；将每层磨削层对应的磨削力特征、磨削速度、磨削深度和超声刀功率进行归一化处理，根据归一化处理后的数据优化预设的骨质识别模型。

可以理解的是，本发明实施例不仅可以直接利用磨削力的特征值训练得到骨质识别模型直接进行骨质信息的识别，还可以在此基础上进一步优化，从而提高骨质识别模型的识别精度。

具体而言，本发明实施例可以将单层力信号特征值、磨削速度、磨削深度和超声刀功率作为骨质识别模型的输入数据，由于输入的四维数据相互独立，彼此间可能会出现数量级的差异，需要对各维数据进行归一化处理。数据归一化方法主要有两种：最大最小法与平均数方差法，比如可以采用最大最小法，见公式6：

式中，x_min为数据序列的最小值；x_max为数据序列的最大值。

基于以上处理后的数据，本发明实施例建立了一种BP神经网络模型，即预设的骨质识别模型，将超声刀磨削的力值信息与各影响因素作为输入，骨质信息作为输出。神经网络模型分为三层：输入层、隐含层和输出层。在实验过程中发现，活体动物脊柱的椎板外层皮质骨与松质骨间界限往往不明显，这是由于椎板外层皮质骨表面并非平面导致，其靠近棘突的内侧较外侧高，同时靠近上、下椎体的关节突侧较中间高，且不同椎体的外层皮质骨表面差异较大，无明显规律。由于本发明实施例的目的是实现实时、精准、安全地椎板磨削任务，其重点在于判断磨削操作的终点，即磨削层为椎板内层皮质骨；因此将神经网络模型输出层设置有一个输出元，输入层有四个输入元，隐含层的选择见公式7：

式中，h为隐含层层数，m为输入层层数，n为输出层层数，a为1～10之间的任意值。根据模型最小化的思路，确定隐含层有三个神经元，并最终构建出神经网络的算法模型。

在本发明的一个实施例中，将磨削力特征输入至预设的骨质识别模型，得到当前磨削层的骨质信息，包括：采集超声骨刀磨削椎板时的当前磨削速度、当前磨削深度和当前超声骨刀功率；将磨削力特征、当前磨削速度、当前磨削深度和当前超声骨刀功率输入至预设的骨质识别模型中，得到当前磨削层的骨质信息。

具体而言，如图9所示，模型中X₁～X₄为神经网络模型的输入元，分别对应磨削力特征值、磨削速度、磨削深度和超声刀功率，H₁～H₃为隐含层的中间值，Y为输出值。根据模型识别目的为判断当前磨削层是否为椎板内层皮质骨，将输出值设置为0和1。Vv_1h～v_4h为输入层到隐含层的权值，w₁₁～w₃₁为隐藏层到输出层的权值。

BP神经网络的一次前向过程为：

式中，a_j为隐含层阈值，b为输出层阈值，σ为神经元激活函数，本发明实施例选用sigmoid函数：

进行一次前向过程后，计算单次过程产生的误差，本发明实施例选用选用均方差函数作为损失函数，计算误差：

得到误差后，将误差值反馈至神经网络中，进行权值修正，即为BP神经网络的反向传播过程：

权值更新

阈值更新

式中，η为神经网络的学习速率。随着BP神经网络的前向过程和反向传播反复迭代计算，v和w随之不断改变直到满足最佳条件。

神经网络的传播过程中，需要引入激活函数使模型能适应非线性映射。在神经网络层数较少时，选用sigmoid函数作为激活函数是系统的最优选择，因其具有良好的导数性质，并可以将无穷大的信号映射到(0,1)，十分适合解决本发明实施例中的分类问题。此外，可以设置神经网络的收敛误差为10^-4，学习速率为0.001。

在神经网络模型中引入测试集数据时，输出层输出的值不一定为整数的0或1，需要设置一种分段函数将区间[0,0.5]与区间(0.5,1]的输出值令为0或1，见公式14：

在步骤S103中，根据骨质信息判断当前磨削层是否为椎板内层皮质骨，并在当前磨削层为椎板内层皮质骨时，控制超声骨刀停止磨削动作。

可以理解的是，本发明实施例可以快速准确的判断磨削操作的终点，即磨削层为椎板内层皮质骨，从而实现实时、精准、安全地椎板磨削任务。

根据本发明实施例提出的超声骨刀的磨削方法，通过力特征来判断椎板磨削过程中骨质层，可以准确判断判断磨削操作的终点，即磨削层为椎板内层皮质骨时停止磨削动作，避免磨削操作终点的误判，降低磨削风险，从而可以有效提升超声骨刀磨削的安全性及精准性，实时、精准、安全地完成椎板磨削任务。

其次参照附图描述根据本发明实施例提出的超声骨刀的磨削装置。

图10是本发明一个实施例的超声骨刀的磨削装置的方框示意图。

如图10所示，该超声骨刀的磨削装置10包括：降噪模块100、识别模块200和控制模块300。

其中，降噪模块100用于采集超声骨刀磨削椎板时在进给过程的X方向上产生的原始力信号，并对原始力信号进行小波降噪，得到目标力信号；识别模块200用于识别目标力信号得到磨削力特征，并将磨削力特征输入至预设的骨质识别模型中，得到当前磨削层的骨质信息；控制模块300用于根据骨质信息判断当前磨削层是否为椎板内层皮质骨，并在当前磨削层为椎板内层皮质骨时，控制超声骨刀停止磨削动作。

进一步地，本发明实施例的装置10还包括：训练模块。训练模块用于将磨削力特征输入至预设的骨质识别模型之前，采集训练阶段椎板磨削过程中的全部原始力信号，并对原始力信号进行小波降噪；从提取降噪后的信号中提取每层磨削层进给过程中的X方向上的磨削力信号，对每层磨削力信号对应磨削力的进行降序或升序排序；过滤小于第一阈值、且大于第二阈值的磨削力，计算剩余磨削力的平均磨削力，将平均磨削力作为该磨削层的磨削力特征，其中，第二阈值大于第一阈值；基于磨削力特征进行模型训练得到预设的骨质识别模型；

进一步地，本发明实施例的装置10还包括：优化模块。其中，优化模块用于模型训练完成之后，采集训练阶段每层磨削层对应的磨削速度、磨削深度和超声刀功率；将每层磨削层对应的磨削力特征、磨削速度、磨削深度和超声刀功率进行归一化处理，根据归一化处理后的数据优化预设的骨质识别模型。

进一步地，降噪模块100包括：分解单元、排序单元、第一计算单元、第二计算单元、过滤单元和重构单元。其中，分解单元，用于对原始力信号进行多层小波分解，得到混合信号；排序单元，用于将混合信号中每一个元素的绝对值由大到小进行排序，并将各个元素的绝对值取平方，得到新元素序列；第一计算单元，用于计算新元素序列中所有元素的风险特征，并由所有元素的风险特征生成风险曲线；第二计算单元，用于根据风险曲线确定最小风险点对应的风险值，并将风险值代入阈值公式，计算滤波阈值；过滤单元，用于利用软阈值函数对混合信号中频率大于滤波阈值的信号进行噪声过滤；重构单元，用于对噪声过滤后的混合信号进行重构，得到频段在预设频率范围内的目标力信号。

进一步地，识别模块200进一步用于采集超声骨刀磨削椎板时的当前磨削速度、当前磨削深度和当前超声骨刀功率；将磨削力特征、当前磨削速度、当前磨削深度和当前超声骨刀功率输入至预设的骨质识别模型中，得到当前磨削层的骨质信息。

需要说明的是，前述对超声骨刀的磨削方法实施例的解释说明也适用于该实施例的超声骨刀的磨削装置，此处不再赘述。

根据本发明实施例提出的超声骨刀的磨削装置，通过力特征来判断椎板磨削过程中骨质层，可以准确判断判断磨削操作的终点，即磨削层为椎板内层皮质骨时停止磨削动作，避免磨削操作终点的误判，降低磨削风险，从而可以有效提升超声骨刀磨削的安全性及精准性，实时、精准、安全地完成椎板磨削任务。

为达到上述目的，本发明第三方面实施例提出了一种磨削系统，包括如上述实施例超声骨刀的磨削装置。本发明实施例的磨削系统，可以有效提升超声骨刀磨削的安全性及精准性，实时、精准、安全地完成椎板磨削任务。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种超声骨刀的磨削装置，其特征在于，包括：

降噪模块，用于采集超声骨刀磨削椎板时在进给过程的X方向上产生的原始力信号，并对所述原始力信号进行小波降噪，得到目标力信号；

识别模块，用于识别所述目标力信号得到磨削力特征，并将所述磨削力特征输入至预设的骨质识别模型中，得到当前磨削层的骨质信息；以及

控制模块，用于根据所述骨质信息判断当前磨削层是否为椎板内层皮质骨，并在所述当前磨削层为椎板内层皮质骨时，控制所述超声骨刀停止磨削动作；

训练模块，用于将所述磨削力特征输入至预设的骨质识别模型之前，采集训练阶段椎板磨削过程中的全部原始力信号，并对所述原始力信号进行小波降噪；从提取降噪后的信号中提取每层磨削层进给过程中的X方向上的磨削力信号，对每层磨削力信号对应磨削力的进行降序或升序排序；过滤小于第一阈值、且大于第二阈值的磨削力，计算剩余磨削力的平均磨削力，将所述平均磨削力作为该磨削层的磨削力特征，其中，所述第二阈值大于所述第一阈值；基于磨削力特征进行模型训练得到所述预设的骨质识别模型。

2.根据权利要求1所述的装置，其特征在于，还包括：

优化模块，用于模型训练完成之后，采集训练阶段每层磨削层对应的磨削速度、磨削深度和超声刀功率；将每层磨削层对应的所述磨削力特征、所述磨削速度、所述磨削深度和所述超声刀功率进行归一化处理，根据归一化处理后的数据优化所述预设的骨质识别模型。

3.根据权利要求1或2所述的装置，其特征在于，所述降噪模块包括：

分解单元，用于对所述原始力信号进行多层小波分解，得到混合信号；

排序单元，用于将所述混合信号中每一个元素的绝对值由大到小进行排序，并将各个元素的绝对值取平方，得到新元素序列；

第一计算单元，用于计算所述新元素序列中所有元素的风险特征，并由所有元素的风险特征生成风险曲线；

第二计算单元，用于根据所述风险曲线确定最小风险点对应的风险值，并将所述风险值代入阈值公式，计算滤波阈值；

过滤单元，用于利用软阈值函数对所述混合信号中频率大于所述滤波阈值的信号进行噪声过滤；

重构单元，用于对噪声过滤后的混合信号进行重构，得到频段在预设频率范围内的目标力信号。

4.根据权利要求2所述的装置，其特征在于，所述识别模块进一步用于采集超声骨刀磨削椎板时的当前磨削速度、当前磨削深度和当前超声骨刀功率；将所述磨削力特征、所述当前磨削速度、所述当前磨削深度和所述当前超声骨刀功率输入至预设的骨质识别模型中，得到当前磨削层的骨质信息。

5.一种磨削系统，其特征在于，包括如权利要求1-4任意一项所述的超声骨刀的磨削装置。