CN115040726A - 考虑痛感的机器人静脉穿刺方法 - Google Patents

考虑痛感的机器人静脉穿刺方法 Download PDF

Info

Publication number
CN115040726A
CN115040726A CN202210707825.1A CN202210707825A CN115040726A CN 115040726 A CN115040726 A CN 115040726A CN 202210707825 A CN202210707825 A CN 202210707825A CN 115040726 A CN115040726 A CN 115040726A
Authority
CN
China
Prior art keywords
pain
model
skin
puncture
needle
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
CN202210707825.1A
Other languages
English (en)
Inventor
傅卫平
王文辉
彭丽霞
高志强
李睿
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202210707825.1A priority Critical patent/CN115040726A/zh
Publication of CN115040726A publication Critical patent/CN115040726A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/178—Syringes
    • A61M5/20—Automatic syringes, e.g. with automatically actuated piston rod, with automatic needle injection, filling automatically
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4824—Touch or pain perception evaluation
    • A61B5/4827—Touch or pain perception evaluation assessing touch sensitivity, e.g. for evaluation of pain threshold
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/178—Syringes
    • A61M5/31—Details
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/178—Syringes
    • A61M5/20—Automatic syringes, e.g. with automatically actuated piston rod, with automatic needle injection, filling automatically
    • A61M2005/2006—Having specific accessories
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/178—Syringes
    • A61M5/20—Automatic syringes, e.g. with automatically actuated piston rod, with automatic needle injection, filling automatically
    • A61M2005/206—With automatic needle insertion
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Hematology (AREA)
  • Anesthesiology (AREA)
  • Vascular Medicine (AREA)
  • Pain & Pain Management (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Biophysics (AREA)
  • Hospice & Palliative Care (AREA)
  • Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了考虑痛感的机器人静脉穿刺方法，本发明提出了两种模型，一种是基于面部表情的表情疼痛模型；另一种是基于皮肤的物理疼痛识别的皮肤疼痛模型，皮肤疼痛模型与应变能密度具有直接联系；通过有限元求解不同进针角度、进针速度及针头的穿刺力与应变能密度变化规律；利用问卷调查法确定两种模型对应权值，综合判断患者疼痛程度，针对不同人群制定不同控制策略，建立了一种考虑痛感的阻抗控制模型。该方法将视觉信号与生理信号进行整合，提高了疼痛评估的准确性，并针对不同的人群制定不同的进针策略，使其痛感最小，为后续机器人静脉穿刺过程智能化奠定了基础。

Description

考虑痛感的机器人静脉穿刺方法
技术领域
本发明属于机器人静脉穿刺技术领域，具体涉及考虑痛感的机器人静脉穿刺方法。
背景技术
目前，临床静脉穿刺主要依赖熟练的医护人员进行操作，存在护士紧缺及工作量大的问题。同时，当面对肤色较黑、血管较深、纹身毛发的病人，尤其婴幼儿、老年人、肥胖患者及脱水病人，存在一次成功率低及针刺伤的风险，这会增加患者的痛感。
随着科室的细分，需要针对于不同手术领域研发专门的机器人。据研究，静脉穿刺机器人痛感低于人工穿刺，且由于其安全有效、创伤与并发症小，具有广泛的应用前景。
静脉穿刺是一种有创操作。对于丰富经验的医护人员，可根据不同患者静脉的特性，采取不同的进针策略。研究表明，全自动静脉穿刺机器人一般采用相同的进针策略，而疼痛在实践中被忽视，这会增加部分人群的痛感和患者的焦虑。在人机共存的环境下，在互动时特别需要考虑人的感官和情感感受，但现有全自动静脉穿刺机器人的控制中，无法自主识别疼痛并进行决策评估。因此，机器人嵌入人的主观体验至关重要。然而，目前对于疼痛的识别还比较单一，主要是以基于表情的不同网络模型来实现。而且，目前针对静脉穿刺疼痛并没有相关理论研究，主要采用随机对照试验获得不同进针角度、进针速度与疼痛之间的相关性。因此，需根据人的行为及生理状态变化，建立疼痛识别模型，并制定缓解疼痛策略，为后续机器人的控制提供指导，提升静脉穿刺机器人智能化程度，降低穿刺过程人的痛感，为静脉穿刺过程智能化奠定基础。
发明内容
本发明的目的在于提供考虑痛感的机器人静脉穿刺方法，针对不同类人群制定进针与穿刺策略，使患者在利用机器人穿刺中产生更小的痛感，有更好的穿刺体验。
本发明所采用的技术方案是：考虑痛感的机器人静脉穿刺方法，具体操作步骤如下：
步骤1：对UNBC数据集进行疼痛级别分类，然后对UNBC数据集进行预处理得到连续多个视频帧，将处理后的视频帧输入表情疼痛模型对模型进行训练与测试，得到最终的表情疼痛模型，所述表情疼痛模型是基于面部表情的卷积网络模型；
步骤2：根据穿刺过程中对应的皮肤生理信号判断疼痛程度，通过皮肤疼痛模型判断皮肤疼痛级别，采用随机森林分类算法进行人群分类，并用有限元求解应变能密度变化规律，进一步获得皮肤疼痛级别；
步骤3：针对不同静脉穿刺患者填写数据统计量表，根据数据统计量表的数值确定对应的表情疼痛模型或皮肤疼痛模型的权重；综合步骤1的表情疼痛模型与步骤2皮肤疼痛模型判断出穿刺患者的疼痛程度P；针对不同人制定进针不同的进针策略；将上述的进针策略输入控制系统保证痛感最小；
P＝a*Pface+b*Pskin
式中：
Pface--为表情疼痛等级；
Pskin--皮肤物理疼痛等级；
a，b--分别表示面部表情模型与皮肤疼痛模型对应权值，a,b∈[0,1]且a+b＝1。
本发明的特点还在于，
步骤1具体如下：
步骤1.1：利用PSPI对数据集进行划分，将疼痛程度划分为4类，针对此数据集，对逐帧图像进行图像处理，对上述图像进行预处理，预处理过程如下：
①图像灰度变换，仅仅保留一个通道，提高循行效率；
②直方图均衡化，增强图像对比度，方便后续边缘检测；
③使用haarcascade_frontal-face_default.xml分类器进行人脸检测；
④图像裁剪与均值滤波：图像裁剪是保留患者正面，均值滤波是去除不具代表性的像素；
⑤归一化与标准化，归一化是将图像像素转换为[0,1]之间，再经过标准化转换在[-1,1]区间内；
步骤1.2：采用改进的VGG16网络结构生成表情疼痛模型，将处理后的视频帧输入表情疼痛模型进行训练与测试。
步骤1.1具体如下：
针对UNBC面部表情疼痛数据集，根据疼痛强度评分PSPI进行疼痛划分，对应的划分级别为4类；PSPI对应的值为1-4定义为0级疼痛；5-8定义为1 级疼痛；9-12定义为2级别疼痛；>13定义为3级疼痛。
步骤1.2具体如下：
①根据划分的疼痛级别进行分类，根据8:2进行训练集与测试集分类；
②基于修改的VGG16网络结构，将其第二层全连接层数量更换为1000，疼痛输出个数更换为4；接下来训练表情疼痛模型，利用准确率与损失函数曲线，判断表情疼痛模型的收敛性；
③利用测试集验证模型的分类精度，求解混淆矩阵，求解模型对应的分类精度准确率Accuracy，敏感性Sensitivity，特异性Specificity；准确率反映了模型总体的疼痛识别精度；敏感性反映表情疼痛模型在疼痛情况下检测疼痛的概率；特异性反映没有疼痛情况下检测到疼痛的概率；计算公式分别如下：
Figure BDA0003704943990000031
Figure BDA0003704943990000041
Figure BDA0003704943990000042
其中，TN表示正确分类无疼痛图像的数量；TP表示正确分类的疼痛图像的数量；FN表示错误分类无疼痛图像的数量，FP表示错误分类疼痛图像的数量；
④若测试集分类精度达到实验要求，则可根据患者面部表情的变化实时判断疼痛级别Pface。
步骤2具体如下：
皮肤疼痛模型获得的疼痛计算公式如下所示：
Pskin＝PHMR+PPMR
其中，PHMR表示快痛，PPMR表示慢痛，
快痛PHMR计算公式如下：
PHMR＝G1THMR
Figure BDA0003704943990000043
Figure BDA0003704943990000044
其中，G1是快痛传递函数；SEDs是皮肤层与脂肪层之间的应变能密度；θF是皮肤感受器疼痛阈值；K1是快痛放大系数、T1是快痛阶段的时间常数。
慢痛PPMR计算公式如下：
PPMR＝TPMRe-Ls
Figure BDA0003704943990000045
S＝G2SEDd
Figure BDA0003704943990000046
其中，e-Ls是为慢痛延迟时间；θPMR是深层感受器(PMR)疼痛阈值，S是皮肤电活动信号，G2是慢痛传递函数；K2是慢痛放大系数；T2是慢痛阶段的时间常数；SEDd是血管层破裂过程中的应变能密度；R2是系统阻尼系数。
皮肤疼痛模型输出的疼痛程度Pskin水平为1-10：将1-2取为0级疼痛，3-5 取为1级疼痛，6-8取为2级别疼痛；9-10取为3级疼痛。
步骤1.1所述的PSPI计算具体如下：
PSPI＝AU4+max(AU6,AU7)+max(AU9,AU10)+AU43
其中，AU4表示下眉毛，AU6表示抬脸颊，AU7表示眼部拉紧，AU9表示皱鼻子，AU 10表示上唇上翘和AU43表示闭眼；
AU43的强度定义方式如下，睁眼时强度为0，闭眼时强度为1；
除AU43外，其余每个动作单位AU都由经过FACS认证的编码员按照强度维度A-E编码，若观察受试者无疼痛则对应的数值为0，分为6个等级，对应疼痛程度逐渐增加，且动作是逐帧编码的，评分规则依据李克特式6分量表完成；序数强度用字母而不是数字权重表示，即A＝1，B＝2，C＝3，D＝4，E＝5，计算时取以最高强度为准。
步骤3数据统计量表有性格测试判断与心理测试询问相关词汇，最终统计结果分别对应表情疼痛模型的权值a与皮肤疼痛模型的权值b。
步骤3的进针策略具体如下：
①在穿刺前，针对不同人群的进针方式：
幼儿受试者，采用采血针型号为23G，采用的进针角度为10°～20°，速度进针为1.5mm/s，且保证穿刺过程保持力稳定；
针对血管较粗，即血管直径d≥2.5mm的受试者，采血针型号为22G，进针角度为30°，进针速度为2.5mm/s；
针对静脉无明显特征区别的受试者，即无慢性疾病且不肥胖的人群，采血针型号为22G，采用进针角度为25°，穿刺速度为2.5mm/s，保证穿刺过程不存在太大的变化；
针对存在慢性疾病的青年人群，采用的进针角度为20°～27°，进针速度为 2.5mm/s；
针对存在慢性疾病且肥胖的青年人群，采用的进针角度为25°～35°，进针速度为2.75mm/s～3mm/s；
针对青年肥胖人群，采用的进针角度为30°～40°，进针速度为2.5mm/s；
针对存在慢性疾病且肥胖的老年人群，采用的进针角度为25°～30°，进针速度为2.5mm/s～2.75mm/s；
针对存在慢性疾病的老年人群，采用的进针角度为20°～25°，保持静脉穿刺过程穿刺力稳定，由于疾病影响导致的血管硬化，脆性大、弹性小，易刺破；
针对肥胖老年人群，采用的进针角度为25°～35°,进针速度为3mm/s，此类人群虽肥胖，但是由于皮肤含水量的减少，脂肪层相比青年人较少，此处增加速度主要是为了减少静脉滚动而导致穿刺失败的风险。
②在穿刺过程中，根据步骤不同级别疼痛，相关策略如下：
进针速度相比进针角度对应变能密度的影响程度更大，因此为保证进针过程安全性与可靠性，减少5°～8°进针角度，针对不同疼痛级别，分别增大穿刺速度如下：
针对0级别疼痛：穿刺速度增加至2.5～3.375mm/s；
针对1级别疼痛：穿刺速度增加至3.375～4.25mm/s；
针对2级别疼痛：穿刺速度增加至4.25～5.125mm/s；
针对3级别疼痛：穿刺速度增加至5.125～6mm/s。
步骤3的进针控制策略具体如下：
①在末端执行器的动作过程中，通过多维力传感器采集末端执行器的穿刺力信号，利用信号采集卡与放大器完成PC机数据的实时获取，将其数值输入到阻抗控制模型完成环境感知
②通过近红外视觉系统，获得目标血管穿刺点，多轴运动控制卡进行直线轨迹规划，利用运动学反解求解各个坐标轴的运动量，并向对应轴的驱动器发送运动控制指令，使得对应的驱动器控制其电机带动末端执行器的动作。
③伺服电机通过各自装设的编码器将电机当前的位置反馈给多轴运动控制卡，多轴运动控制卡结合调整后的位姿进行运动控制；
④完成静脉穿刺机器人末端位姿求解，控制机器人到达皮肤上表面；将求解的位姿输入阻抗控制系统，可最大程度缓解疼痛。
本发明的特点还在于提供了机器人与患者疼痛之间的连接关系，减少了患者静脉穿刺中的痛感，增加了患者的幸福感与满足感。
本发明的有益效果是目前静脉穿刺机器人尚无针对不同人群的进针策略与疼痛识别研究，主要采用医护人员的主观判断；本发明可让机器人自主完成疼痛的识别与缓解操作，减轻患者痛感，可以实时的将患者状态反馈给医护人员。
本发明根据人的面部表情变化，基于改进VGG16网络模型结构进行疼痛分类，利用训练集训练网络模型，测试集获得模型分类精度。针对皮肤生理模型，通过研究皮肤疼痛产生的机理，利用门控理论搭建物理疼痛模型，结合有限元求解模型参数，改变进针角度与速度，求解应变能密度并与随机对照试验结果进行对照，获得影响疼痛的因素有进针角度、进针速度、针头型号及穿刺力稳定性；由于疼痛阈值的差异性，针对不同人群分别建模与仿真分析，求解应变能密度。通过不同人群参数分析，制定专门的进针策略，并将其输入机器人的阻抗控制系统，完成静脉穿刺操作。
附图说明
图1是本发明皮肤疼痛模型的结构示意图；
图2是本发明静脉穿刺位姿示意图的结构示意图；
图3是本发明考虑痛感的静脉穿刺机器人阻抗控制模型示意图；
图4是本发明静脉穿刺实验穿刺力变化规律图；
图5是本发明静脉穿刺仿真不同速度对应的穿刺力变化规律图；
图6是本发明静脉穿刺仿真不同速度对应的应变能密度变化规律图；
图7是本发明静脉穿刺仿真不同角度对应的穿刺力变化规律图；
图8是本发明静脉穿刺仿真不同角度对应的应变能密度变化规律图；
图9是本发明静脉穿刺仿真不同针头规格对应的穿刺力变化规律图；
图10是本发明静脉穿刺仿真不同针头规格对应的应变能密度变化规律图。
具体实施方式
为了使本发明的目的、技术方案更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。
本发明的考虑痛感的机器人静脉穿刺方法，具体操作步骤如下：
步骤1：对UNBC数据集进行疼痛级别分类，然后对UNBC数据集进行预处理得到连续多个视频帧，将处理后的视频帧输入表情疼痛模型对模型进行训练与测试，得到最终的表情疼痛模型，所述表情疼痛模型是基于面部表情的卷积网络模型；
步骤2：根据穿刺过程中对应的皮肤生理信号判断疼痛程度，通过皮肤疼痛模型判断皮肤疼痛级别，采用随机森林分类算法进行人群分类，并用有限元求解应变能密度变化规律，进一步获得皮肤疼痛级别；
步骤3：针对不同静脉穿刺患者填写数据统计量表，根据数据统计量表的结果确定对应的表情疼痛模型或皮肤疼痛模型的权重；综合步骤1的表情疼痛模型与步骤2皮肤疼痛模型判断出穿刺患者的疼痛程度P；针对不同人制定进针不同的进针策略；将上述的进针策略输入控制系统保证痛感最小；
P＝a*Pface+b*Pskin
式中：
Pface--为表情疼痛等级；
Pskin--皮肤物理疼痛等级；
a，b--分别表示面部表情模型与皮肤疼痛模型对应权值，a,b∈[0,1]且a+b＝1。
步骤3的数据统计量表是基于层次分析法确定面部表情与皮肤模型权重，分析影响两种模型的主因素，比如：性格测试、心理测试、工作生活环境等因素，构建数据统计量表。此量表的构建主要依赖于：性格分析量表、美国著名卡特尔编制的16种人格因素测验、情感-动机量表(AFF)：情感动机词汇属性作为各自潜在维度的比率量表、评价视觉模拟评分量表(VAS)、McGill疼痛问卷表；最终统计数据表结果，构造成对比较矩阵，确定表情疼痛模型的权值a与皮肤疼痛模型的权值b，并利用一致性检验判断权值的准确性。
步骤1具体如下：
步骤1.1：利用PSPI对数据集进行划分，根据疼痛强度评分PSPI进行疼痛划分，对应的划分级别为4类；疼痛程度PSPI是基于FACS编码方式进行编码， PSPI共有16个级别，将PSPI值为1-4定义为0级疼痛；5-8定义为1级疼痛； 9-12定义为2级别疼痛；>13定义为3级疼痛；
PSPI计算具体如下：
PSPI＝AU4+max(AU6,AU7)+max(AU9,AU10)+AU43
其中，AU4表示下眉毛，AU6表示抬脸颊，AU7表示眼部拉紧，AU9表示皱鼻子，AU10表示上唇上翘和AU43表示闭眼；
由上式可知PSPI得分为AU4、AU6或AU7(以强度最高为准)、AU9或AU10 (以强度最高为准)和AU43的总和。AU43的强度定义方式如下，睁眼时强度为0，闭眼时强度为1；除AU43外，每个动作单位AU都由经过FACS认证的编码员按照强度维度A-E编码，若观察受试者无疼痛则对应的数值为0，强度分为6 个等级，对应疼痛程度逐渐增加，且动作是逐帧编码的，一般评分规则依据李克特式6分量表完成；在FACS术语中，序数强度用字母而不是数字权重表示，即A＝1，B＝2，C＝3，D＝4，E＝5，所有编码都由FACS编码审查员进行复核。
针对此数据集，对逐帧图像进行图像处理，对上述图像进行预处理，预处理过程如下：
①图像灰度变换，仅仅保留一个通道，提高循行效率；
②直方图均衡化，增强图像对比度，方便后续边缘检测；
③使用haarcascade_frontal-face_default.xml分类器进行人脸检测；
④图像裁剪与均值滤波：图像裁剪是保留患者正面，均值滤波是去除不具代表性的像素；
⑤归一化与标准化，归一化是将图像像素转换为[0,1]之间，再经过标准化转换在[-1,1]区间内；
步骤1.2：采用改进的VGG16网络结构生成表情疼痛模型，将处理后的视频帧输入表情疼痛模型进行训练与测试。
步骤1.2具体如下：
①根据划分的疼痛级别进行分类，根据8:2进行训练集与测试集分类；
②基于修改的VGG16网络结构，将其第二层全连接层数量更换为1000，疼痛输出个数更换为4；接下来训练表情疼痛模型，利用准确率与损失函数曲线，判断表情疼痛模型的收敛性；
③利用测试集验证模型的分类精度，求解混淆矩阵，求解模型对应的分类精度准确率Accuracy，敏感性Sensitivity，特异性Specificity；准确率反映了模型总体的疼痛识别精度；敏感性反映表情疼痛模型在疼痛情况下检测疼痛的概率；特异性反映没有疼痛情况下检测到疼痛的概率；计算公式分别如下：
Figure BDA0003704943990000101
Figure BDA0003704943990000102
Figure BDA0003704943990000103
其中，TN表示正确分类无疼痛图像的数量；TP表示正确分类的疼痛图像的数量；FN表示错误分类无疼痛图像的数量，FP表示错误分类疼痛图像的数量；
④若测试集分类精度达到实验要求，则可根据患者面部表情的变化实时判断疼痛级别Pface。
步骤2具体如下：
皮肤疼痛模型(如图1所示)获得的疼痛计算公式如下所示：
Pskin＝PHMR+PPMR
其中，PHMR表示快痛，PPMR表示慢痛，
快痛PHMR计算公式如下：
PHMR＝G1THMR
Figure BDA0003704943990000104
Figure BDA0003704943990000111
其中，G1是快痛传递函数；SEDs是皮肤层与脂肪层之间的应变能密度；θF是皮肤感受器疼痛阈值；K1是快痛放大系数、T1是快痛阶段的时间常数。
慢痛PPMR计算公式如下：
PPMR＝TPMRe-Ls
Figure BDA0003704943990000112
S＝G2SEDd
Figure BDA0003704943990000113
其中，e-Ls是为慢痛延迟时间；θPMR是深层感受器(PMR)疼痛阈值，S是皮肤电活动信号，G2是慢痛传递函数；K2是慢痛放大系数；T2是慢痛阶段的时间常数；SEDd是血管层破裂过程中的应变能密度；R2是系统阻尼系数。
皮肤疼痛模型输出的疼痛程度Pskin水平为1-10：将1-2取为0级疼痛，3-5 取为1级疼痛，6-8取为2级别疼痛；9-10取为3级疼痛。
步骤3的进针策略具体如下：
①在穿刺前，针对不同人群的进针方式：
幼儿受试者，采用采血针型号为23G，采用的进针角度为10°～20°，速度进针为1.5mm/s，且保证穿刺过程保持力稳定；
针对血管较粗，即血管直径d≥2.5mm的受试者，采血针型号为22G，进针角度为30°，进针速度为2.5mm/s；
针对静脉无明显特征区别的受试者，即无慢性疾病且不肥胖的人群，采血针型号为22G，采用进针角度为25°，穿刺速度为2.5mm/s，保证穿刺过程不存在太大的变化；
针对存在慢性疾病的青年人群，采用的进针角度为20°～27°，进针速度为 2.5mm/s；
针对存在慢性疾病且肥胖的青年人群，采用的进针角度为25°～35°，进针速度为2.75mm/s～3mm/s；
针对青年肥胖人群，采用的进针角度为30°～40°，进针速度为2.5mm/s；
针对存在慢性疾病且肥胖的老年人群，采用的进针角度为25°～30°，进针速度为2.5mm/s～2.75mm/s；
针对存在慢性疾病的老年人群，采用的进针角度为20°～25°，保持静脉穿刺过程穿刺力稳定，由于疾病影响导致的血管硬化，脆性大、弹性小，易刺破；
针对肥胖老年人群，采用的进针角度为25°～35°,进针速度为3mm/s，此类人群虽肥胖，但是由于皮肤含水量的减少，脂肪层相比青年人较少，此处增加速度主要是为了减少静脉滚动而导致穿刺失败的风险。
②在穿刺过程中，根据步骤不同级别疼痛，相关策略如下：
通过附图可以发现，进针速度相比进针角度对应变能密度的影响程度更大，因此为保证进针过程安全性与可靠性，减少5°～8°进针角度，针对不同疼痛级别，分别增大穿刺速度如下：
针对0级别疼痛：穿刺速度增加至2.5～3.375mm/s；
针对1级别疼痛：穿刺速度增加至3.375～4.25mm/s；
针对2级别疼痛：穿刺速度增加至4.25～5.125mm/s；
针对3级别疼痛：穿刺速度增加至5.125～6mm/s。
步骤3的进针控制策略具体如下：
①在末端执行器的动作过程中，通过多维力传感器采集末端执行器的穿刺力信号，利用信号采集卡与放大器完成PC机数据的实时获取，将其数值输入到阻抗控制模型完成环境感知
②通过近红外视觉系统，获得目标血管穿刺点，多轴运动控制卡进行直线轨迹规划，利用运动学反解求解各个坐标轴的运动量，并向对应轴的驱动器发送运动控制指令，使得对应的驱动器控制其电机带动末端执行器的动作。
③伺服电机通过各自装设的编码器将电机当前的位置反馈给多轴运动控制卡，多轴运动控制卡结合调整后的位姿进行运动控制；
④完成静脉穿刺机器人末端位姿求解，控制机器人到达皮肤上表面；将求解的位姿输入阻抗控制系统，可最大程度缓解疼痛。
实施例1
本发明的考虑痛感的机器人静脉穿刺方法，实验过程如下：
第一步：
①基于UNBC面部表情疼痛数据集，将其按照疼痛程度PSPI划分为4个等级，获得划分结果，将其进行图像预处理，每个疼痛等级按照8：2划分测试集与训练集；
②利用训练集训练面部表情疼痛识别模型，直到精确率逐渐增加稳定趋向于100％，交叉熵损失函数逐渐降低趋向于0，说明面部表情疼痛模型收敛。保存训练好的模型，并用测试集验证模型的分类精度。一般此模型总体分类精度大于90％以上，敏感性大于85％，特异性100％的情况下，有较好的疼痛级别分类效果；
③为验证②中的面部表情疼痛识别模型的准确性，进行实际静脉穿刺实验；因此招募了15名健康被试者(年龄均在22～35岁之间)。所有受试者均没有神经系统疾病史，且未经历过相关面部表情实验。实验前，将实验流程与实验注意事项均准确告知每名受试者，且每个被试者都签署了一份书面知情同意书；
④利用PC端机器人运动控制界面，以2.5mm/s速度匀速进针；并利用相机实时采集受试者面部表情变化，将视频帧输入②中的模型，PC端会实时反馈受试者当前的疼痛级别，此处输出的级别为Pface，为后续机器人自主决策做铺垫；
⑤将②中模型实时输出结果与健康受试者静脉穿刺结束后的主观反馈对照，验证了此模型的准确性；通过实验得出结论，此模型能够较准确且实时的反馈患者静脉穿刺中的疼痛。
第二步：
①根据静脉穿刺过程中疼痛产生的机理，依据疼痛门控理论基本原理，搭建了基于皮肤物理疼痛识别模型。此模型于应变能密度SED具有直接关系，针对SED参数的求解，采用有限元方法进行求解；
②针对①中的皮肤疼痛模型，在有限元软件中搭建静脉穿刺模型，添加载荷和约束，并完成模型网格划分，在分析步中勾选需要求解的参数，完成有限元前处理操作；
③针对②中的模型进行仿真分析，在后处理界面中进行参数求解分析；针对穿刺力求解，在后处理界面通过勾选对应场变量输出，获得整个穿刺过程穿刺力的变化规律；针对SED参数的求解，通过选取皮肤层下表面，利用后处理求解对应的皮肤层与脂肪层之间的SED的变化规律；通过选择血管表面，利用后处理求解破裂过程中SED的变化规律。通过上述方法可求解出对应快痛与慢痛对应参数；
④利用人体仿生硅胶模型，完成机器人静脉穿刺实验，利用三维力传感获取穿刺过程实时力数据，获得静脉穿刺过程穿刺力的变化规律，详见附图4，为后续仿真穿刺分析结果提供支撑；
⑤利用控制变量法，分别更改②中模型的进针角度，进针速度及针头规格，验证穿刺力及SED的变化规律，结果如附图所示；随着穿刺角度、进针速度及针头规格的增加，整体穿刺力减小，应变能密度降低。且进针角度从20°增加至 30°，对应的穿刺力峰值减小了0.07N，应变能密度峰值减少了0.24mJ/mm3，30°增加到45°，穿刺力峰值减少了0.063N，应变能密度峰值减少了0.05mJ/mm3，详见附图5与附图6；穿刺速度从2.5mm/s增加至4mm/s，穿刺力峰值减少了 0.05N，应变能密度峰值减少了0.18mJ/mm3，穿刺速度从4mm/s增加至6mm/s，穿刺力峰值减少了0.01N，应变能密度峰值减少了0.19mJ/mm3，详见附图7与附图8；通过对比发现，调整进针速度的总体应变能密度变化量高于调整进针角度。穿刺针头规格从22G更改为23G，整体穿刺力与应变能密度都减少，且变化较明显，穿刺力峰值减少了0.15N，应变能密度峰值减少了0.335mJ/mm3，详见附图9与附图10，表明针头规格的增加会明显减少疼痛，因此，针对婴幼儿患者多采用高规格型号针头；
⑥通过获取穿刺过程中不同区域的应变能密度变化，并将其输入①中的皮肤疼痛模型，可获得穿刺过程中患者的疼痛级别Pskin；但由于不同人群针对①中皮肤模型的疼痛阈值存在差异，故采用随机森林算法完成不同人群分类，将影响血管特性的作为分类标准，本次使用年龄、慢性疾病、肥胖进行分类，共将人群分为8类，求解随机森林算法分类混淆矩阵，获得此算法的分类精度，此处认为当分类精度高于98％，则认为分类精度较好。
第三步：
①针对实施例1中招募的15名静脉穿刺受试者，静脉穿刺前先要求其填写数据统计量表，通过数据统计量表可对受试者性格、情感、疼痛忍耐力、表情变化情况等做出综合判断。采用层次分析法构建目标层、准则层与方案层，且准则层对比因素不超过9个，最终通过一致性检验排除指标之间的矛盾现象。若通过一致性检验，则证明利用层次分析法确定基于面部表情权值a与皮肤模型权值b是合理的。
②目前现有静脉穿刺机器人未考虑疼痛，因此机器人在相机坐标系下的位姿比较固定，一般在相机坐标系下机器人位姿，详见附图2；通过矩阵的转换关系可获得机器人末端在相机坐标系下的位姿矩阵。以上针对不同人群的策略，可将其转换为对应的机器人末端矩阵与期望力关系；
③将②中计算的矩阵与期望力输入考虑痛感的阻抗控制模型，针对阻抗控制模型，在静脉穿刺之前，针对不同人群有不同策略，输入对应的位姿与速度，机器人外力依靠机器人末端安装力传感器采集实际接触力，与期望力一起输入阻抗模型，求解出位置的修正量，通过机器人逆解求得各关节变化参数，然后将修正量与实际位置共同输入位置内环，实现机器人末端位置跟踪与力稳定。若在穿刺过程中，若通过面部表情与皮肤模型综合判断存在疼痛，则根据不同疼痛等级的策略修改对应进针参数，进而缓解疼痛，详见附图3；可实现机器人针对不同人群，完成进针策略的决策与穿刺过程疼痛的缓解，减少人们对机器人静脉穿刺的恐惧感；
④招募不同特征的人群，设置随机对照试验，验证采用与未采用本文策略机器人穿刺患者的舒适性，细化修正本文的控制策略。

Claims (9)

1.考虑痛感的机器人静脉穿刺方法，其特征在于，具体操作步骤如下：
步骤1：对UNBC数据集进行疼痛级别分类，然后对UNBC数据集进行预处理得到连续多个视频帧，将处理后的视频帧输入表情疼痛模型对模型进行训练与测试，得到最终的表情疼痛模型，所述表情疼痛模型是基于面部表情的卷积网络模型；
步骤2：根据穿刺过程中对应的皮肤生理信号判断疼痛程度，通过皮肤疼痛模型判断皮肤疼痛级别，采用随机森林分类算法进行人群分类，并用有限元求解应变能密度变化规律，进一步获得皮肤疼痛级别；
步骤3：针对不同静脉穿刺患者填写数据统计量表，根据数据统计量表的数值确定对应的表情疼痛模型或皮肤疼痛模型的权重；综合步骤1的表情疼痛模型与步骤2皮肤疼痛模型判断出穿刺患者的疼痛程度P；针对不同人制定进针不同的进针策略；将上述的进针策略输入控制系统保证痛感最小；
P＝a*Pface+b*Pskin
式中：
Pface--为表情疼痛等级；
Pskin--皮肤物理疼痛等级；
a，b--分别表示面部表情模型与皮肤疼痛模型对应权值，a,b∈[0,1]且a+b＝1。
2.根据权利要求1所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤1具体如下：
步骤1.1：利用PSPI对数据集进行划分，将疼痛程度划分为4类，针对此数据集，对逐帧图像进行图像处理，对上述图像进行预处理，预处理过程如下：
①图像灰度变换，仅仅保留一个通道，提高循行效率；
②直方图均衡化，增强图像对比度，方便后续边缘检测；
③使用haarcascade_frontal-face_default.xml分类器进行人脸检测；
④图像裁剪与均值滤波：图像裁剪是保留患者正面，均值滤波是去除不具代表性的像素；
⑤归一化与标准化，归一化是将图像像素转换为[0,1]之间，再经过标准化转换在[-1,1]区间内；
步骤1.2：采用改进的VGG16网络结构生成表情疼痛模型，将处理后的视频帧输入表情疼痛模型进行训练与测试。
3.根据权利要求2所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤1.1具体如下：
针对UNBC面部表情疼痛数据集，根据疼痛强度评分PSPI进行疼痛划分，对应的划分级别为4类；PSPI对应的值为1-4定义为0级疼痛；5-8定义为1级疼痛；9-12定义为2级别疼痛；>13定义为3级疼痛。
4.根据权利要求2所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤1.2具体如下：
①根据划分的疼痛级别进行分类，根据8:2进行训练集与测试集分类；
②基于修改的VGG16网络结构，将其第二层全连接层数量更换为1000，疼痛输出个数更换为4；接下来训练表情疼痛模型，利用准确率与损失函数曲线，判断表情疼痛模型的收敛性；
③利用测试集验证模型的分类精度，求解混淆矩阵，求解模型对应的分类精度准确率Accuracy，敏感性Sensitivity，特异性Specificity；准确率反映了模型总体的疼痛识别精度；敏感性反映表情疼痛模型在疼痛情况下检测疼痛的概率；特异性反映没有疼痛情况下检测到疼痛的概率；计算公式分别如下：
Figure FDA0003704943980000021
Figure FDA0003704943980000022
Figure FDA0003704943980000023
其中，TN表示正确分类无疼痛图像的数量；TP表示正确分类的疼痛图像的数量；FN表示错误分类无疼痛图像的数量，FP表示错误分类疼痛图像的数量；
④若测试集分类精度达到实验要求，则可根据患者面部表情的变化实时判断疼痛级别Pface。
5.根据权利要求2所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤2具体如下：
皮肤疼痛模型获得的疼痛计算公式如下所示：
Pskin＝PHMR+PPMR
其中，PHMR表示快痛，PPMR表示慢痛，
快痛PHMR计算公式如下：
PHMR＝G1THMR
Figure FDA0003704943980000031
Figure FDA0003704943980000032
其中，G1是快痛传递函数；SEDs是皮肤层与脂肪层之间的应变能密度；θF是皮肤感受器疼痛阈值；K1是快痛放大系数、T1是快痛阶段的时间常数；
慢痛PPMR计算公式如下：
PPMR＝TPMRe-Ls
Figure FDA0003704943980000033
S＝G2SEDd
Figure FDA0003704943980000034
其中，e-Ls是为慢痛延迟时间；θPMR是深层感受器(PMR)疼痛阈值，S是皮肤电活动信号，G2是慢痛传递函数；K2是慢痛放大系数；T2是慢痛阶段的时间常数；SEDd是血管层破裂过程中的应变能密度；R2是系统阻尼系数；
皮肤疼痛模型输出的疼痛程度Pskin水平为1-10：将1-2取为0级疼痛，3-5取为1级疼痛，6-8取为2级别疼痛；9-10取为3级疼痛。
6.根据权利要求3所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤1.1所述的PSPI计算具体如下：
PSPI＝AU4+max(AU6,AU7)+max(AU9,AU10)+AU43
其中，AU4表示下眉毛，AU6表示抬脸颊，AU7表示眼部拉紧，AU9表示皱鼻子，AU10表示上唇上翘和AU43表示闭眼；
AU43的强度定义方式如下，睁眼时强度为0，闭眼时强度为1；
除AU43外，其余每个动作单位AU都由经过FACS认证的编码员按照强度维度A-E编码，若观察受试者无疼痛则对应的数值为0，分为6个等级，对应疼痛程度逐渐增加，且动作是逐帧编码的，评分规则依据李克特式6分量表完成；序数强度用字母而不是数字权重表示，即A＝1，B＝2，C＝3，D＝4，E＝5，计算时取以最高强度为准。
7.根据权利要求1所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤3所述数据统计量表有性格测试判断与心理测试询问相关词汇，最终统计结果分别对应表情疼痛模型的权值a与皮肤疼痛模型的权值b。
8.根据权利要求1所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤3的进针策略具体如下：
①在穿刺前，针对不同人群的进针方式：
幼儿受试者，采用采血针型号为23G，采用的进针角度为10°～20°，速度进针为1.5mm/s，且保证穿刺过程保持力稳定；
针对血管较粗，即血管直径d≥2.5mm的受试者，采血针型号为22G，进针角度为30°，进针速度为2.5mm/s；
针对静脉无明显特征区别的受试者，即无慢性疾病且不肥胖的人群，采血针型号为22G，采用进针角度为25°，穿刺速度为2.5mm/s，保证穿刺过程不存在太大的变化；
针对存在慢性疾病的青年人群，采用的进针角度为20°～27°，进针速度为2.5mm/s；
针对存在慢性疾病且肥胖的青年人群，采用的进针角度为25°～35°，进针速度为2.75mm/s～3mm/s；
针对青年肥胖人群，采用的进针角度为30°～40°，进针速度为2.5mm/s；
针对存在慢性疾病且肥胖的老年人群，采用的进针角度为25°～30°，进针速度为2.5mm/s～2.75mm/s；
针对存在慢性疾病的老年人群，采用的进针角度为20°～25°，保持静脉穿刺过程穿刺力稳定，由于疾病影响导致的血管硬化，脆性大、弹性小，易刺破；
针对肥胖老年人群，采用的进针角度为25°～35°,进针速度为3mm/s，此类人群虽肥胖，但是由于皮肤含水量的减少，脂肪层相比青年人较少，此处增加速度主要是为了减少静脉滚动而导致穿刺失败的风险；
②在穿刺过程中，根据步骤不同级别疼痛，相关策略如下：
进针速度相比进针角度对应变能密度的影响程度更大，因此为保证进针过程安全性与可靠性，减少5°～8°进针角度，针对不同疼痛级别，分别增大穿刺速度如下：
针对0级别疼痛：穿刺速度增加至2.5～3.375mm/s；
针对1级别疼痛：穿刺速度增加至3.375～4.25mm/s；
针对2级别疼痛：穿刺速度增加至4.25～5.125mm/s；
针对3级别疼痛：穿刺速度增加至5.125～6mm/s。
9.根据权利要求8所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤3的进针控制策略具体如下：
①在末端执行器的动作过程中，通过多维力传感器采集末端执行器的穿刺力信号，利用信号采集卡与放大器完成PC机数据的实时获取，将其数值输入到阻抗控制模型完成环境感知
②通过近红外视觉系统，获得目标血管穿刺点，多轴运动控制卡进行直线轨迹规划，利用运动学反解求解各个坐标轴的运动量，并向对应轴的驱动器发送运动控制指令，使得对应的驱动器控制其电机带动末端执行器的动作；
③伺服电机通过各自装设的编码器将电机当前的位置反馈给多轴运动控制卡，多轴运动控制卡结合调整后的位姿进行运动控制；
④完成静脉穿刺机器人末端位姿求解，控制机器人到达皮肤上表面；将求解的位姿输入阻抗控制系统，可最大程度缓解疼痛。
CN202210707825.1A 2022-06-21 2022-06-21 考虑痛感的机器人静脉穿刺方法 Pending CN115040726A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210707825.1A CN115040726A (zh) 2022-06-21 2022-06-21 考虑痛感的机器人静脉穿刺方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210707825.1A CN115040726A (zh) 2022-06-21 2022-06-21 考虑痛感的机器人静脉穿刺方法

Publications (1)

Publication Number Publication Date
CN115040726A true CN115040726A (zh) 2022-09-13

Family

ID=83163280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210707825.1A Pending CN115040726A (zh) 2022-06-21 2022-06-21 考虑痛感的机器人静脉穿刺方法

Country Status (1)

Country Link
CN (1) CN115040726A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117653042A (zh) * 2024-01-31 2024-03-08 中船凌久高科(武汉)有限公司 基于多模态的被看护人员疼痛级别判定方法及测试装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117653042A (zh) * 2024-01-31 2024-03-08 中船凌久高科(武汉)有限公司 基于多模态的被看护人员疼痛级别判定方法及测试装置
CN117653042B (zh) * 2024-01-31 2024-04-26 中船凌久高科(武汉)有限公司 基于多模态的被看护人员疼痛级别判定方法及测试装置

Similar Documents

Publication Publication Date Title
CN111816309B (zh) 基于深度强化学习的康复训练处方自适应推荐方法及系统
CN109965862B (zh) 一种无袖带式长时连续血压无创监测模型的构建方法
Khezri et al. Reliable emotion recognition system based on dynamic adaptive fusion of forehead biopotentials and physiological signals
CN111657926B (zh) 一种基于多导联信息融合的心律失常分类方法
CN113288183B (zh) 一种基于面颈部表面肌电的无声语音识别方法
EP3783619A1 (en) Human body health assessment method and system based on sleep big data
CN104382595A (zh) 基于肌电信号与虚拟现实交互技术的上肢康复系统及方法
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
CN106037764B (zh) 一种压力管理方法及系统
CN115040726A (zh) 考虑痛感的机器人静脉穿刺方法
CN111317446B (zh) 基于人体肌肉表面电信号的睡眠结构自动分析方法
CN114693170A (zh) 一种基于多源参数融合的飞行员跳伞训练心理评估方法
CN114305418B (zh) 一种用于抑郁状态智能评估的数据采集系统及方法
Sree et al. EMG controlled bionic robotic arm using artificial intelligence and machine learning
CN114299068A (zh) 基于皮肤图像评估银屑病严重程度的智能决策系统
CN115024725A (zh) 融合心理状态多参数检测的肿瘤治疗辅助决策系统
CN117133404B (zh) 一种针对胸廓出口综合征的智能化康复护理装置
CN111916179A (zh) 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法
Li et al. Multi-view fusion network-based gesture recognition using sEMG data
Rai et al. Coordinated movement for prosthesis reference trajectory generation: Temporal factors and attention
CN116312951A (zh) 一种基于多模态耦合分析的运动功能评估方法及其系统
Zhao et al. Design of fatigue grade classification system based on human lower limb surface emg signal
CN110680285A (zh) 一种基于神经网络的麻醉程度监测装置
CN115633961A (zh) 基于动态加权决策融合恐高情绪识别模型构建方法与系统
Hemthanon et al. Examination of time-domain features of EHG data for preterm-term birth classification

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