[发明专利]一种脊柱手术智能呼吸预测方法

说明书

本发明提供一种脊柱手术智能呼吸预测方法，通过红外光学相机记录一定时间内的椎体起伏，利用PCA主成分分析法将六维运动进行化简，新化简的低维运动制作新数据库，该数据库用于网络的训练。训练过程依据VAE网络的ELBO进行训练，同时也通过这一过程完成LSTM的训练，通过将多个网络输出的多个并行值求得的平均值与滑动窗中的值进行低通滤波或卡尔曼滤波，滤除高频噪声，得到连续、低噪声的输出值。本发明预测收敛时间可控，具备患者的特异性，预测输出的噪声小，处理信息较为精简。

技术领域

本发明提供一种脊柱手术智能呼吸预测方法，属于生物医学工程领域。

背景技术

在实际临床手术中，由于存在患者呼吸作用等引起的椎间关节微动、椎体移位等导致的机器人定位偏差，是目前机器人辅助脊柱手术中出现定位不准、手术时间延长等问题的重要原因。另一方面，与人类的环境理解、交互方式不同，手术机器人系统工作在由医学图像和导航仪的引导下，无法对呼吸运动进行预测。在临床中机器人注册空间信息发生改变是常见的，因此呼吸运动预测这一核心技术是现有脊柱手术机器人系统临床应用中迫切需要解决的难题。

面向脊柱手术的呼吸运动预测方法取决于呼吸运动检测方法，通常呼吸运动的检测方法有：呼吸机气流量检测法、表皮粘贴式传感器检测法、X光检测法等，其中在脊柱手术中最为精准的一种椎体位置检测法是利用固定在脊突位置的光学跟踪架的检测方法。这种检测方法已经成功用于脊柱机器人手术，属于一种精准、实用的检测方法。

申请号：201910852550.9，提供一种基于时间序列分析的呼吸运动预测建模方法，属于生物医学工程领域。本发明分别基于自回归积分滑动平均ARIMA模型、基于STL分解和指数平滑ETS方法和基于神经网络自回归NNAR模型计算得到呼吸运动的预测结果，定义基于RMSE和信息熵的模型评价指标，可以选择出同时具有“小误差”和“高稳定性”特征的预测模型参数，提高了预测方法的科学性。与已有技术相比大大提高了呼吸运动预测的时间长度，将以往通常只有几百毫秒的短期预测模型，升级到可以预测未来数十秒内呼吸运动幅度的长期预测模型。但是该方法存在以下缺点：。

1.准确率低，在表皮粘贴的方式不能满足高精度要求；

2.应用场景不同，该专利面向放疗无法使用在脊柱上，本专利面向的是由呼吸运动产生的椎体运动，而并非是单纯的呼吸运动

3.网络较为复杂，实时性不能保证，本专利网络较为轻量化，适合集成于机器人；

4.该专利没有考虑病患之间的个体差异，而本专利临床上会根据每一个患者在术中现场训练模型，保有了一定的个性化

CN 113813005 A提供一种用于切除脊柱椎板的机器人，该机器人用于获取脊柱椎板的静态基准平面和人在进行呼吸运动时产生的脊柱动态偏移量。以静态基准平面为基准，结合脊柱偏移量可以确定基准椎板的动态基准平面。然后，根据动态基准平面和作用在操作器上的作用力共同确定出操作器的目标速度，最后该机械臂以目标速度运动从而带动操作器进行脊柱椎板的铣削。该机器人结合了用户的作用力和动态基准平面共同输出了操作器的目标速度，从而可以精准控制操作器在铣削时的切削余量。

该专利涉及到脊柱运动预测模型，但其缺点为：

1.作用不同，该专利涉及的脊柱偏移量采用了高斯逼近函数等方法进行了位置和时间的拟合，该过程可以得到呼吸运动变化趋势，但不能得到呼吸运动的运动模型。本专利利用神经网络进行了前一时刻(时间段)的位置与后一时刻(时间段)的位置的拟合，可以获得呼吸运动的运动模型。

2.精度不足够高，该脊柱回归方法利用R2来计算拟合程度，而且在拟合过程中仅仅选择了一个周期的呼吸运动。本专利采集1-3min的呼吸运动点，现场划分数据集、测试集、验证集，可以得到更普适、更精准的模型。

3.较为冗余，该专利中采集了所有方向的椎体运动，但是本专利中先采用降维法，得到了椎体运动主运动轴。进而对椎体运动进行回归，将多变量变为单变量，提升了预测效率。