[发明专利]基于深度学习的手术器械夹持力感知方法

权利要求书

1.基于深度学习的手术器械夹持力感知方法，其特征在于：其具体方法如下：

步骤一、使用从微创手术机器人系统上采集的电机位置θ、电机速度电机速度符号电机速度绝对值电机电流I、电机电流符号sgn(I)、电机电流绝对值abs(I_t)构建输入数据矩阵M；

步骤二、将数据输入矩阵M输入卷积网络层，将其卷积网络层的输出结果输入注意力机制模块，进一步将其注意力机制模块的输出结果输入平均池化层，再将其平均池化层的输出结果输入全局平均池化层；

步骤三、将输入数据矩阵M中的电机电流、电机电流符号、电机电流绝对值与全局平均池化层的输出结果进行数据拼接，再将拼接结果输入多层感知器，其输出结果为手术器械夹持力。

2.根据权利要求1所述的基于深度学习的手术器械夹持力感知方法，其特征在于：所述的步骤一中数据矩阵其中sgn(·)表示取符号运算，abs(·)表示取绝对值运算，下角标t表示当前采样周期的数据，t-1表示前一个采样周期的数据。

3.根据权利要求1所述的基于深度学习的手术器械夹持力感知方法，其特征在于：所述的步骤二中的卷积网络层的卷积核大小为3×3，卷积核的个数为128，卷积步长为1，激活函数为ReLu。

4.根据权利要求3所述的基于深度学习的手术器械夹持力感知方法，其特征在于：所述的步骤二中注意力模块的共享多层感知器的隐层神经元个数为16，空间注意力模块的卷积核大小为3×7。

5.根据权利要求4所述的基于深度学习的手术器械夹持力感知方法，其特征在于：所述的步骤二中的平均池化层的过滤器大小为2×2，步长为2。

6.根据权利要求1所述的基于深度学习的手术器械夹持力感知方法，其特征在于：所述的步骤三中的多层感知器由一个输入层、一个输出层和一个隐含层组成，输入层神经元个数为128+N，输出层神经元个数为1，隐含层神经元个数为128，输入层和隐含层的激活函数为Sigmoid，输出层没有激活函数。