夏光明,王 瑞,張麗娜,張建勛,代 煜
基于振動信號融合的手術(shù)機器人椎板磨削剩余厚度識別
夏光明1,王 瑞2,張麗娜1,張建勛1,代 煜1
(1. 南開大學人工智能學院,天津 300350;2. 天津醫(yī)科大學總醫(yī)院骨科,天津 300052)
椎板切除術(shù)是一種用于治療椎管狹窄癥的骨外科手術(shù),通過移除椎板來恢復椎管空間和解除脊髓壓迫.椎板磨削是椎板切除術(shù)中的核心環(huán)節(jié).在機器人磨薄椎板的過程中,磨鉆需要在接近脊髓的1~2mm左右的區(qū)域內(nèi)工作,存在較高手術(shù)風險.使用脊柱手術(shù)機器人磨削椎板的過程中的關(guān)鍵問題之一是如何在術(shù)中估計椎板的剩余厚度來決定是否停止磨削操作.為解決上述問題,本文首先分析了機器人對椎板的逐層磨削過程,通過建立椎板磨削振動模型,給出了根據(jù)磨鉆切入椎板過程中的振動信號來估計椎板剩余厚度的原理.然后搭建了脊柱手術(shù)機器人樣機,使用機器人按規(guī)劃軌跡逐層切入和磨薄豬脊骨的椎板,并使用振動傳感器和激光位移傳感器分別采集手術(shù)磨鉆切入椎板過程中磨鉆和椎板在切深方向上的振動信號.最后計算兩種振動信號中對應磨鉆旋轉(zhuǎn)頻率的諧波幅值和相對幅值來構(gòu)造特征向量和訓練神經(jīng)網(wǎng)絡,用于識別椎板剩余厚度.實驗結(jié)果表明,考慮相對幅值的椎板剩余厚度的識別成功率更高.磨削力擾動下,3mm、2mm和1mm的成功率分別為96.7%、96.9%和100%.92組實驗中,僅有1組3mm被識別為2mm,所有磨鉆切入2mm和1mm椎板的過程均被準確識別.所提方法有利于提升脊柱手術(shù)機器人自動椎板磨削過程的智能化程度和安全性.
脊柱手術(shù)機器人;椎板切除術(shù);椎板磨削;振動信號融合;神經(jīng)網(wǎng)絡;狀態(tài)識別
椎管狹窄癥是一種由脊柱的退行性改變引起的骨科疾病,其解剖特征主要為脊柱椎孔內(nèi)的椎管狹 窄[1].椎管的狹窄會壓迫患者的脊髓和周圍神經(jīng)根,進而使患者出現(xiàn)后背疼痛、麻木和神經(jīng)性跛行等癥 狀[1].椎板切除術(shù)是一種臨床上廣泛采用的用于治療椎管狹窄癥的骨外科手術(shù),主要是通過移除椎板來恢復椎管空間和解除脊髓壓迫[2].椎板切除術(shù)的核心環(huán)節(jié)中需要使用一種高速旋轉(zhuǎn)的刀具(醫(yī)生稱為磨鉆)來磨薄椎板[3].在磨薄椎板的過程中,磨鉆需要在接近脊髓的1~2mm左右的區(qū)域內(nèi)工作,存在較大的手術(shù)風險,迫使外科醫(yī)生要很精確地控制磨鉆[3].磨薄椎板過程對醫(yī)生的技能有相當多的要求,如理解手術(shù)磨鉆的力、振動和磨骨聲的反饋、保持高度的手眼協(xié)調(diào)等[3-6].
醫(yī)學成像技術(shù)(包括計算機斷層掃描、X光、磁共振成像和超聲)和定位導航技術(shù)促進了脊柱手術(shù)機器人在臨床上的應用[7-12].醫(yī)學成像技術(shù)為患者的解剖結(jié)構(gòu)提供模型,可用于提高手術(shù)動作的精度[9].帶有力反饋的機械臂可提高手術(shù)動作的穩(wěn)定性和安全性[10].上述技術(shù)產(chǎn)生了目前商用的導航定位型脊柱外科機器人,主要用于提高椎弓根的螺釘放置的精 度[9-12].同樣的,相比于醫(yī)生徒手操作,使用脊柱外科機器人進行椎板磨削在操作穩(wěn)定性上也具有優(yōu)勢.機器人能夠在長時間的手術(shù)過程中忽略疲勞,以高精度執(zhí)行重復性椎板磨削任務.此外,脊柱手術(shù)機器人還將有助于降低椎板切除手術(shù)的難度以及醫(yī)院培養(yǎng)骨科醫(yī)生的成本.
然而在椎板切除術(shù)的椎板磨削任務中使用機器人同樣也會引起一些安全問題.在手術(shù)過程中普遍需要使用光學或磁性跟蹤系統(tǒng)跟蹤手術(shù)工具[9-12].脊柱外科機器人的跟蹤精度在很大程度上依賴于術(shù)前圖像的配準精度,與骨磨削所需精度(<0.5mm)相比通常是不足的,并且在手術(shù)過程中使用的標定標記可能發(fā)生輕微變化而進一步降低手術(shù)安全性[8].此外,脊柱-肌肉系統(tǒng)的易形變結(jié)構(gòu)使得磨鉆對椎板骨面按照術(shù)前規(guī)劃逐層磨削的設(shè)定深度和實際深度存在偏差,而磨鉆對骨面進行磨削的過程中,由于是局部解剖,手術(shù)視野比較狹窄,醫(yī)生無法直接觀察到椎板剩余厚度,進而造成骨切除不足或者過度切除[3].椎板周圍有許多重要的血管和神經(jīng),任何不正確的磨削都可能對患者造成不可修復的損傷[1-3].
為解決上述問題,研究者們嘗試基于各種術(shù)中的感知信號去減小骨磨削深度偏差以及檢測磨削的臨界狀態(tài).Al-Abdullah等[13]提出了一種基于磨削力的骨密度識別方法,用于機器人的磨骨過程中自動識別骨層的變化.Chen等[14]提出了基于正交切削分布法的皮質(zhì)骨銑削力模型并考慮機器人手臂剛度低的特點對模型進行了修正,來提升皮質(zhì)骨各向異性下銑刀在不同方向上對皮質(zhì)骨的磨削力的預測精度.Jiang等[15]提出了一種基于磨削力的球形銑刀骨磨削深度實時監(jiān)測方法,在0.8~1.6mm的磨削深度內(nèi)對牛股骨進行了實驗驗證,所提方法的磨削深度的監(jiān)測精度可達0.2mm.代煜等[16]和夏光明等[17-18]也提出了一種基于銑削振動和聲信號的球形銑刀磨削深度反饋控制方法.文獻[18]提出的方法可在椎板表面產(chǎn)生形變和位移時,在1.2mm的磨削深度內(nèi)以0.1mm的精度控制骨科機器人對椎板的磨削深度.上述研究為脊柱手術(shù)機器人對椎板的磨削操作提供了更好的精度,但仍不能完全保證手術(shù)的安全性.
針對磨削時椎板的剩余厚度估計問題,Zhen 等[19]提出了一種模糊力方法控制機器人的椎板磨削深度來避免過度的磨削負荷,并基于力信號計算能量信號和設(shè)定閾值來檢測3種手術(shù)狀態(tài)進而識別椎板的剩余厚度.Ho等[20]提出了基于骨去除能量密度信號的狀態(tài)檢測方法來降低檢測閾值的設(shè)定難度.此外,Dai等[21-23]提出基于骨磨削中的振動信號來監(jiān)測被切割的4種組織類型和診斷刀具是否被肌肉纏繞.事實上,上述基于單一信號的閾值檢測或者機器學習方法的魯棒性對于保證手術(shù)過程的絕對安全來說也仍是不足的.因為用于椎板磨削狀態(tài)識別的特征應獨立于正常磨削條件(如銑削力、轉(zhuǎn)速和磨削進給速度等的變化)并且僅對目標狀態(tài)敏感.
本文主要創(chuàng)新點包括:通過對磨鉆磨削椎板的動力學模型的分析證明相對幅值信號在機器人逐層磨削過程中僅對椎板剩余厚度敏感.同步采集磨鉆和椎板的振動信號并根據(jù)兩種振動信號中對應磨鉆旋轉(zhuǎn)頻率的諧波幅值獲得相對幅值.進一步構(gòu)造獨立于正常磨削條件的特征向量和訓練神經(jīng)網(wǎng)絡模型,實現(xiàn)機器人磨削過程中椎板剩余厚度的在線精準識別.
為方便理解,筆者借助脊柱模型給出了手術(shù)流程中涉及的脊柱椎體的解剖結(jié)構(gòu)和相應名稱,如圖1所示.后路椎板切除術(shù)的流程總結(jié)如下:首先,外科醫(yī)生從背部做垂直切口,分離脊柱兩側(cè)肌肉并使用牽引器牽開,來逐漸暴露脊柱.在暴露脊柱的過程中,棘突和下關(guān)節(jié)突最先暴露.醫(yī)生會使用骨鉗咬除棘突,并使用磨鉆磨除部分下關(guān)節(jié)突.在椎板完全暴露后,兩側(cè)椎板間的棘突已被完全咬除和磨削平整,此時棘突剩余部分和棘突兩側(cè)的椎板連接成為一體,整個骨面接近一個平整的矩形區(qū)域.然后,醫(yī)生將使用磨鉆逐層磨削該區(qū)域直至剩余的椎板平均厚度約為1mm.最后,醫(yī)生將使用骨鉗配合其他輔助工具掀開和咬除剩余椎板.
圖1 脊柱的結(jié)構(gòu)和名稱
磨鉆逐層磨削椎板過程中,尤其是椎板在被磨薄至剩余1mm厚度的臨界過程時,需要外科醫(yī)生相當精確地控制磨削動作.因為一旦磨鉆突破椎板的腹側(cè)皮質(zhì)骨,高速旋轉(zhuǎn)的刀刃很容易卷刮到脊髓和神經(jīng)根.這對患者來說是相當危險的,嚴重情況下可導致患者受損部位以下的運動運動能力喪失.脊柱手術(shù)的手術(shù)時間長,通常持續(xù)3h以上,因此外科醫(yī)生很難保持長時間注意力集中.這更增加了手術(shù)的潛在風險.為了降低傳統(tǒng)椎板切除術(shù)(即醫(yī)生手持磨鉆)的椎板磨薄過程中的潛在風險,本研究引入以下機器人輔助手術(shù)方案.醫(yī)生首先從背部暴露脊柱,使用咬骨鉗去除棘突并使用磨鉆進行一定打磨直至椎板表面接近于平整矩形區(qū)域.然后,脊柱外科機器人介入手術(shù)來逐層磨削椎板.脊柱外科機器人使用磨鉆逐層磨薄椎板的規(guī)劃軌跡如圖2所示,主要包括切入過程和磨削過程.當剩余的椎板厚度約為1mm時機器人停止磨削操作,轉(zhuǎn)為醫(yī)生介入,使用骨鉗等咬除剩余椎板,完成減壓手術(shù).
圖2 脊柱手術(shù)機器人的椎板逐層磨削軌跡
值得注意的是,后路椎板切除手術(shù)入路時,醫(yī)生無法直接觀察脊柱椎板的剩余厚度.本文的目標任務就是在脊柱手術(shù)機器人執(zhí)行切入過程時估計剩余的椎板厚度,從而在椎板剩余厚度接近1mm時停止磨削.接下來將通過分析機器人椎板磨削時的動力學模型給出椎板剩余厚度的估計原理.
首先建立脊柱-磨鉆在深度方向和銑削進給方向的動力學模型如圖3所示.圖2和圖3(a)給出了用于機器人輔助椎板切除術(shù)的逐層骨磨削手術(shù)軌跡.
步驟1:脊柱球頭磨鉆從目標椎板的中心表面切入至設(shè)定的標稱磨削深度c.
步驟2:在保持設(shè)定磨削深度的同時,磨鉆以給定的進給速度t沿椎板表面進給到椎板的另一端.
重復步驟1和2,以實現(xiàn)逐層的椎板磨削.對上述逐層磨削方式下的磨鉆和椎板進行動力學分析,如圖3(b)所示.除磨鉆自轉(zhuǎn)運動外,磨削過程主要包含兩個關(guān)鍵的運動:磨鉆切入骨面運動和磨鉆沿骨面進給運動.因此,定義一個坐標來標準化這兩個運動:原點在椎板周圍任意一點,軸指向深度方向以描述磨鉆切入骨面運動,軸指向磨鉆沿骨面進給方向,以上兩個軸根據(jù)右手法則定義軸,如圖4所示.在坐標中,圖3(b)的磨鉆和椎板的動力學方程可寫為
式中:cx()、cz()、bx()和bz()為位移;cx、cz、bx和bz為等效阻尼;cx、cz、bx和b為等效剛度;c和b為等效質(zhì)量;cx、cz、bx和bz為磨削力;下標c和b分別表示銑刀和骨頭;下標和表示其作用方向;為磨鉆旋轉(zhuǎn)頻率.
圖3 逐層磨削過程中磨鉆和椎板的動力學分析
Fig.3 Dynamics analysis of cutter and lamina during layer-by-layer milling
因為需要在磨鉆切入骨面過程中識別椎板的剩余厚度,所以這里只需單獨分析高速旋轉(zhuǎn)磨鉆切入椎板的過程.式(1)在磨鉆切入椎板的過程中等效于諧波激勵下有阻尼系統(tǒng)強迫振動.力學模型如圖4(a)所示,受力分析如圖4(b)所示.
磨鉆切入過程中的椎板運動方程為
定義脊柱-肌肉系統(tǒng)的固有頻率n為
脊柱-肌肉系統(tǒng)的黏性阻尼系數(shù)為
磨削力頻率與脊柱-肌肉系統(tǒng)的比值為
圖4 磨鉆切入椎板過程中的系統(tǒng)模型和受力分析
根據(jù)式(2)~式(4),式(1)椎板運動方程改寫為
式(5)中的椎板強迫振動的位移信號bz()為
考慮到外激勵頻率遠高于脊柱-肌肉系統(tǒng)的固有頻率,由式(7)可進一步得到
同理,磨鉆的振動信號()為
定義相對幅值為
椎板被逐層磨削變薄后,其等效質(zhì)量b將隨之減小,而磨鉆的旋轉(zhuǎn)頻率和手術(shù)機器人手臂的等效質(zhì)量為固定值.因此,相對幅值信號在機器人逐層磨削過程中幾乎不受磨削力、磨鉆進給速度等擾動的影響,而只對椎板剩余厚度敏感.
進行動物椎板切除的離體實驗來模擬脊柱手術(shù)機器人介入椎板切除術(shù)時的手術(shù)過程,實驗前需對動物椎板進行一定預處理,如圖5所示.首先,從6個月大的小型豬(體重介于24~30kg,2頭雌性,2頭雄性)中獲得4個新鮮的胸椎標本.然后,由骨科醫(yī)生仔細解剖以除去棘突和所有非必要的軟組織,保留小關(guān)節(jié)囊和韌帶結(jié)構(gòu),并通過平口鉗將標本固定在手術(shù)實驗臺上.最后,醫(yī)生對T4節(jié)段的椎骨進行磨削預處理,直至椎板的平均剩余厚度約為3mm,用于之后的機器人逐層切入和磨薄實驗.
圖5 新鮮豬胸椎及其預處理
面向椎板切除手術(shù)的脊柱手術(shù)機器人樣機如圖6所示.該樣機包括一個3-DOF的PPP正交結(jié)構(gòu)(、和軸)的機器人手臂和一個2-DOF的雙彎轉(zhuǎn)結(jié)構(gòu)(軸和軸)的機器人手腕構(gòu)成.在機器人手腕的軸末端安裝有一個手術(shù)磨鉆.手術(shù)磨鉆的球形末端的空間位置由機器人手臂控制.離體磨骨實驗過程中,和軸控制磨鉆的進給運動,軸控制磨骨深度.手術(shù)磨鉆的空間姿態(tài)由機器人手腕控制,來調(diào)整磨鉆和骨面之間的磨削傾角.使用平口鉗將預處理制備的豬脊柱骨固定在實驗臺上,并使用水平儀校正實驗臺.
圖6 脊柱手術(shù)機器人樣機
基于第2節(jié)振動信號融合的椎板剩余厚度識別原理可知,本研究需采集磨鉆在切入椎板過程中磨鉆在機器人軸方向的振動信號和椎板在軸方向的位移信號.如圖5所示,在磨鉆安裝側(cè)面貼裝一個3方向的振動傳感器,并在機器人手臂側(cè)方固定一個高精度激光位移傳感器.激光位移傳感器距離椎板表面約80mm,激光點垂直對準椎板表面,用于采集椎板在磨削深度方向上的振動信號.磨削傾角設(shè)定為45°,并采用文獻[18]中的改進快速傅里葉(FFT)方法準確提取磨鉆的旋轉(zhuǎn)頻率對應的諧波幅值.
圖7 磨鉆和椎板的振動信號的采集方法
信號采集和分析參數(shù)如表1所示.實驗結(jié)果中以一次椎板切入過程的傳感器采集到的2種振動信號為例子,進一步來說明信號處理和特征提取過程.
表1 信號采樣和處理參數(shù)設(shè)置
圖8為一個誤差反向傳播(backpropagation,BP)的神經(jīng)網(wǎng)絡分類器(artificial neural network,ANN),用于學習振動信號(手術(shù)磨鉆的振動幅值、椎板的振動幅值以及相對振動幅值)和椎板剩余厚度L之間的關(guān)系.如果有足夠數(shù)量的隱含層和隱含層節(jié)點,BP神經(jīng)網(wǎng)絡將能夠在全局逼近任意的一個非線性的映射關(guān)系,同時兼顧不錯的泛化能力.所用BP神經(jīng)網(wǎng)絡包含有一個輸入層、一個隱含層和一個輸出層.考慮相對幅值時,其輸入節(jié)點數(shù)為3,隱藏節(jié)點數(shù)為11,輸出節(jié)點數(shù)為1.輸入輸出層節(jié)點數(shù)分別由輸入輸出的變量數(shù)決定.隱藏層節(jié)點數(shù)則是根據(jù)訓練結(jié)果和經(jīng)驗確定.基于機器人椎板磨削實驗采集的兩種振動信號構(gòu)建樣本,并按照6∶2∶2劃分訓練集、驗證集和測試集后進行神經(jīng)網(wǎng)絡分類器的訓練、驗證以及測試.訓練時,連接權(quán)值w和w初始值在[-1,1]間隨機取值,最終訓練指標為交叉熵.
圖8 BP神經(jīng)網(wǎng)絡模型
在4個椎體的椎板平均剩余厚度為3mm、2mm和1mm時,使用機器人分別進行了多次磨鉆切入椎板的實驗.表2對4個椎體樣本的不同椎板狀態(tài)下的磨鉆切入的重復實驗次數(shù)進行了統(tǒng)計.切入時,磨鉆在磨削深度方向(機器人軸方向)的進給速度為0.1mm/s.根據(jù)骨科手術(shù)實際情況,磨鉆的轉(zhuǎn)速設(shè)置為30000r/min,停止切入時的磨削深度為1mm.磨鉆切入椎板的過程中,使用振動傳感器和激光位移傳感器分別記錄磨鉆和椎板在磨削深度方向上的振動信號.椎體1的剩余椎板厚度為3mm時的一次磨鉆切入椎板的過程中傳感器采集到的磨鉆和椎板的振動信號分別如圖9和圖10所示.
表2 磨鉆切入椎板實驗
使用快速傅里葉對兩種振動信號進行頻譜分析,如圖11和12所示,并根據(jù)式(8)和(9)將磨鉆的加速度信號轉(zhuǎn)化為位移信號.其中,圖11(a)為磨鉆的加速度信號的FFT幅值譜,圖11(b)和圖12分別為磨鉆和椎板的位移信號的FFT幅值譜.使用FFT分別提取兩種振動信號在信號穩(wěn)定階段(本文實驗為5~10s)時磨鉆旋轉(zhuǎn)頻率對應的諧波幅值,并根據(jù)式(12)計算相對幅值.椎體1的平均剩余椎板厚度為3mm、2mm和1mm時的提取結(jié)果如圖13所示.其中,圖13(a)和圖13(b)分別為磨鉆和椎板的振動位移信號1~3次諧波幅值和,圖13(c)為相對幅值.
圖9 磨鉆的振動信號
圖10 椎板的振動信號
圖11 磨鉆的加速度和位移信號的頻譜
圖12 椎板的位移信號的頻譜
圖13 不同椎板剩余厚度時的振動信號諧波幅值
振動信號的幅值主要與磨削力和等效質(zhì)量有關(guān).磨鉆振動信號幅值的變化主要來自于磨削力的擾動,盡管實驗保持了同樣的磨削參數(shù)對不同剩余厚度的椎板進行磨削,不同部位的骨密度差異仍會引起磨削力擾動,如圖13(a)所示.椎板振動信號幅值的變化來自于椎板銑薄過程中其等效質(zhì)量的減小,同時也受磨削力擾動的影響,如圖13(b)所示.這意味著直接使用椎板振動信號幅值大小判斷椎板剩余厚度可能受磨削力擾動而產(chǎn)生誤判.從圖13(a)和(b)中可以看出,磨削力的擾動在磨鉆振動信號幅值和椎板振動信號幅值上的影響是一致的,因此通過兩者的比值來消除磨削力擾動的影響,得到圖13(c).從圖13(c)中可以看出,當磨削力的擾動被盡可能消除后,相對幅值隨著椎板剩余厚度的減小而增大.磨鉆的等效質(zhì)量是固定的,即磨鉆和椎板的相對幅值主要與椎板的等效質(zhì)量相關(guān),因此相對幅值可作為識別椎板剩余厚度的關(guān)鍵特征.
訓練第5節(jié)的神經(jīng)網(wǎng)絡分類器進行狀態(tài)識別,驗證所提方案的效果,取特征、和分別為磨鉆位移信號的1~3次諧波幅值的和、椎板位移信號的1~3次諧波幅值的和以及根據(jù)式(12)計算的相對幅值.本文構(gòu)建特征向量分別為[]和[],其中[]作為對比實驗,驗證加入相對幅值對椎板剩余厚度識別的影響.特征向量為[]時的訓練過程中的交叉熵曲線如圖14所示,在8次迭代訓練時表現(xiàn)出非過擬合時的最佳,此時的驗證集最優(yōu)交叉熵為0.064266.在圖15(a)、(b)、(c)和(d)中分別展示了訓練、驗證、測試和全部數(shù)據(jù)集中的神經(jīng)網(wǎng)絡模型識別椎板剩余厚度的混淆矩陣.實驗結(jié)果表明,所提方法對92組椎板切入過程的剩余厚度進行分類,有4組3mm被識別為2mm,1組2mm被識別為3mm,所有1mm椎板均被準確識別.3mm、2mm和1mm厚度的椎板的識別成功率分別為86.7%、88.2%和100.0%.
圖14 不考慮相對幅值時的神經(jīng)網(wǎng)絡的訓練曲線
圖15 不考慮相對幅值時的混淆矩陣
考慮相對振動幅值,特征向量為[]時的訓練過程中的交叉熵曲線如圖16所示,在8次迭代訓練時表現(xiàn)出非過擬合時的最佳,此時的驗證集最優(yōu)交叉熵為0.043285.在圖17(a)、(b)、(c)和(d)中分別展示了訓練、驗證、測試和全部數(shù)據(jù)集中的神經(jīng)網(wǎng)絡模型識別椎板剩余厚度的混淆矩陣.實驗結(jié)果表明,所提方法對92組椎板切入過程的剩余厚度進行分類,僅有1組3mm被識別為2mm,所有磨鉆切入1mm和2mm椎板的過程均被準確識別.3mm、2mm和1mm厚度的椎板的識別成功率分別為96.7%、96.9%和100.0%.考慮相對幅值構(gòu)建特征向量時的識別效果非常好.
對比加入相對幅值構(gòu)建特征向量前后的混淆矩陣圖15和圖17可知,未加入相對振動幅值構(gòu)建特征向量時,神經(jīng)網(wǎng)絡易受磨削力擾動而產(chǎn)生識別錯誤.椎板內(nèi)層皮質(zhì)骨表面是不規(guī)則的,機器人難以直接通過逐層磨削的方式使得整層椎板的剩余厚度達到0.5mm以下的同時保證銑薄過程中不發(fā)生穿透.
圖16 考慮相對幅值時的神經(jīng)網(wǎng)絡的訓練曲線
圖17 考慮相對幅值時的混淆矩陣
因此,機器人的規(guī)劃骨磨削軌跡一般是首先通過逐層磨削的方式使其平均厚度減薄至1mm左右后停止逐層磨削,再使用單沖程的磨削切入將椎板逐點切斷.在使用單沖程磨削切入方式逐點切斷椎板時則是對突破狀態(tài)進行檢測來減小突破量,相關(guān)研究已給出突破狀態(tài)的識別方法[4, 6, 20].
面對未知和非結(jié)構(gòu)化的手術(shù)環(huán)境,脊柱手術(shù)機器人必須通過任何可能的方法感知手術(shù)場中的有用信息,才能安全地進行手術(shù).受醫(yī)生利用手部觸覺感知骨磨削狀態(tài)啟發(fā),提出了一種振動信號融合的椎板剩余厚度感知方法.對椎板的振動信號和磨鉆的加速度信號進行了特征分析和提取,利用神經(jīng)網(wǎng)絡融合手術(shù)磨鉆和椎板的振動信號來識別椎板剩余厚度,并可將識別結(jié)果作為反饋信號來控制手術(shù)機器人.實驗結(jié)果表明所提方法能夠正確識別椎板的剩余厚度.應用該方法的脊柱手術(shù)機器人能夠自動識別椎板的剩余厚度和停止銑削操作,從而提高機器人執(zhí)行椎板磨削任務的安全性.
[1] Nagoshi N,Tsuji O,Okada E,et al. Clinical indica-tors of surgical outcomes after cervical single open-door laminoplasty assessed by the Japanese Orthopaedic Asso-ciation Cervical Myelopathy Evaluation Question-naire[J]. Spinal Cord,2019,57(1):644-651.
[2] Butler R D,Halter R J. Gauging electrical properties of bone with a bioimpedance-sensing drill[J]. Physiological Measurement,2019,40(1):1-10.
[3] Dai Y,Xue Y,Zhang J X. Bio-inspired integration of auditory and haptic perception in bone milling sur-gery[J]. IEEE/ASME Transactions on Mechatronics,2018,23(2):614-623.
[4] 代 煜,雪 原,張建勛. 基于聲信號處理的骨銑削狀態(tài)監(jiān)測[J]. 振動與沖擊,2015,34(22):19-23.
Dai Yu,Xue Yuan,Zhang Jianxun. Bone milling con-dition monitoring based on sound signal processing[J]. Journal of Vibration and Shock,2015,34(22):19-23(in Chinese).
[5] Zakeri V,Hodgson A J. Automatic identification of hard and soft bone tissues by analyzing drilling sounds[J]. IEEE/ACM Transactions on Audio Speech and Language Processing,2019,27(2):404-414.
[6] Torun Y,Ozturk A. A new breakthrough detection method for bone drilling in robotic orthopedic surgery with closed-loop control approach[J]. Annals of Bio-medical Engineering,2020,48(4):1218-1229.
[7] 張建勛,葛錦濤,代 煜,等. 一種用于超聲圖像序列分割的水平集演化方法[J]. 天津大學學報(自然科學與工程技術(shù)版),2019,52(6):568-575.
Zhang Jianxun,Ge Jintao,Dai Yu,et al. A level set evolution method for ultrasound image sequence segmen-tation[J]. Journal of Tianjin University(Science and Technology),2019,52(6):568-575(in Chinese).
[8] Sun Y,Jiang Z,Qi X,et al. Robot-assisted decom-pressive laminectomy planning based on 3D medical image[J]. IEEE Access,2018,6:22557-22569.
[9] Huang J,Li Y,Huang L. Spine surgical robotics:Review of the current application and disadvantages for future perspectives[J]. Journal of Robotic Surgery,2020,14(1):11-16.
[10] Ryan A B,Janabi-Sharifi F. Medical robots:Current systems and research directions[J]. Journal of Robotics,2012(1):1-14.
[11] 韓曉光,劉亞軍,范明星. 骨科手術(shù)機器人技術(shù)發(fā)展及臨床應用[J]. 科技導報,2017,35(10):19-25.
Han Xiaoguang,Liu Yajun,F(xiàn)an Mingxing,et al. Development and clinical application of the orthopaedic surgical robot[J]. Science & Technology Review,2017,35(10):19-25(in Chinese).
[12] Lefranc M,J P. Evaluation of the ROSA? spine robot for minimally invasive surgical procedures[J]. Expert Review of Medical Devices,2016,13(10):899-906.
[13] Al-Abdullah K I,Lim C P,Najdovski Z,et al. A model-based bone milling state identification method via force sensing for a robotic surgical system[J]. The Inter-national Journal of Medical Robotics and Computer Assisted Surgery,2019,15(3):e1989.
[14] Chen Q S,Dai L,Liu Y,et al. A cortical bone milling force model based on orthogonal cutting distribution method[J]. Advances in Manufacturing,2020,8(2):204-215.
[15] Jiang Z,Qi X,Sun Y,et al. Cutting depth monitoring based on milling force for robot-assisted laminectomy [J]. IEEE Transactions on Automation Science and Engineering,2020,17(1):2-14.
[16] 代 煜,賈 賓,張建勛,等. 基于振動反饋的銑削機器人運動控制[J]. 天津大學學報(自然科學與工程技術(shù)版),2020,53(10):1093-1100.
Dai Yu,Jia Bin,Zhang Jianxun,et al. Motion control of milling robot based on vibration feedback[J]. Journal of Tianjin University(Science and Technology),2020,53(10):1093-1100(in Chinese).
[17] 夏光明,代 煜,張建勛,等. 一種基于聲信號的手術(shù)機器人骨切削深度控制方法[J]. 機器人,2021,43(1):101-111.
Xia Guangming,Dai Yu,Zhang Jianxun,et al. A method of bone cutting depth control for surgical robot based on acoustic signals[J]. Robot,2021,43(1):101-111(in Chinese).
[18] 夏光明,代 煜,張建勛. 基于聲信號的骨科機器人椎板銑削深度控制[J]. 儀器儀表學報,2021,43(1):101-111.
Xia Guangming,Dai Yu,Zhang Jianxun. Milling depth control of lamina for orthopedic robot based on acoustic signals[J]. Chinese Journal of Scientific Instrument,2021,43(1):101-111(in Chinese).
[19] Zhen D,Haiyang J,Ying H,et al. Fuzzy force control and state detection in vertebral lamina milling[J]. Mechatronics,2016,35(1):1-10.
[20] Ho D,Li T,Meng M. Bone drilling breakthrough detection via energy-based signal[C]// 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Honolulu,USA,2018:1809-1812.
[21] Dai Y,Zhang J X,Xue Y. Use of wavelet energy for spinal cord vibration analysis during spinal surgery[J]. International Journal of Medical Robotics and Computer Assisted Surgery,2013,9(4):433-440.
[22] Dai Y,Xue Y,Zhang J X. Bioinspired integration of auditory and haptic perception in bone milling surgery[J]. IEEE/ASME Transactions on Mechatronics,2018,23(2):614-623.
[23] Dai Y,Xue Y,Zhang J. Human-inspired haptic percep-tion and control in robot-assisted milling surgery[J]. IEEE Transactions on Haptics,2021,14(2):359-370.
Recognition of Remaining Thickness of Lamina Milling via a Surgical Robot Based on Vibration Signal Fusion
Xia Guangming1,Wang Rui2,Zhang Lina1,Zhang Jianxun1,Dai Yu1
(1. College of Artificial Intelligence,Nankai University,Tianjin 300350,China;2. Department of Orthopaedics Surgery,Tianjin Medical University General Hospital,Tianjin 300052,China)
Laminectomy is a bone surgery that removes the lamina to restore spinal canal space and relieve spinal cord compression in patients with spinal stenosis. The critical operation of laminectomy is lamina milling. The milling tool must work in an area of approximately 1—2 mm close to the spinal cord when thinning the lamina with a robot,posing a higher surgical risk. A critical issue in milling the lamina using a spinal surgical robot is determining how to estimate the remaining thickness of the lamina intraoperatively to decide whether to stop the milling operation. To address the aforementioned issues,the lamina layer-by-layer milling process implemented by the robot is first exam-ined,and it is demonstrated that the remaining thickness of the lamina can be estimated using vibration signals gener-ated when the cutter mills into the lamina by establishing the lamina-milling vibration model. Thereafter,a prototype of the spinal surgical robot was built,which was used to cut and thin the laminas of the porcine spine layer-by-layer according to the planned trajectory. Vibration and laser displacement sensors were used to collect the vibration signals of the cutter and lamina in the cutting depth direction during the process of the cutter milling into the lamina. Finally,the harmonic and the relative amplitudes of these two vibration signals,corresponding to the rotation frequency of the cutter,were calculated to construct the feature vector and train the neural network to identify the remaining thickness of the lamina. The experimental results show that the recognition success rate of the remaining thickness of the lamina considering the relative amplitude is the highest,with success rates for 3,2,and 1mm being 96.7%,96.9%,and 100%,respectively. In 92 groups of experiments,only one group of 3 mm was identified as 2 mm,and all the proc-esses of the cutter cutting into 2 and 1 mm lamina were correctly identified. The proposed method is beneficial for improving the intelligence and the safety of the automatic lamina milling operation of the spinal surgical robot.
spinal surgical robot;laminectomy;lamina milling;vibration signal fusion;neural network;state recognition
TP242.3
A
0493-2137(2022)10-1016-10
10.11784/tdxbz202105061
2021-05-30;
2021-07-19.
夏光明(1996— ),男,博士研究生,xiaguangming@mail.nankai.edu.cn.
代 煜,daiyu@nankai.edu.cn.
國家自然科學基金資助項目(61773223,U1913207).
the National Natural Science Foundation of China(No. 61773223,No. U1913207).
(責任編輯:王曉燕)