CN110974425A - 对手术器械夹持力感知模型进行训练的方法 - Google Patents
对手术器械夹持力感知模型进行训练的方法 Download PDFInfo
- Publication number
- CN110974425A CN110974425A CN201911327800.3A CN201911327800A CN110974425A CN 110974425 A CN110974425 A CN 110974425A CN 201911327800 A CN201911327800 A CN 201911327800A CN 110974425 A CN110974425 A CN 110974425A
- Authority
- CN
- China
- Prior art keywords
- surgical instrument
- clamping force
- driving
- load
- training
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims abstract description 62
- 230000008447 perception Effects 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002324 minimally invasive surgery Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/30—Surgical robots
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/70—Manipulators specially adapted for use in surgery
- A61B34/76—Manipulators having means for providing feel, e.g. force or tactile feedback
Landscapes
- Health & Medical Sciences (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Robotics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Manipulator (AREA)
Abstract
对手术器械夹持力感知模型进行训练的方法,属于医疗机器人领域。解决了现有的微创手术机器人***存在夹持力感知精度低、使用不方便、适应性差的问题。本发明先采集同一类别的所有手术器械在空载状态下的空载运动样本集和在带载状态下的带载运动样本集，利用深度学习的方式对现有技术中的夹持力感知模型进行训练，获得训练完成的夹持力感知模型，本发明将器械将空载状态下的情况考虑进来，并结合带载状态的方式，对同一类别的所有器械进行训练，提高训练完成的夹持力感知模型的感知精度。本发明主要用于微创手术机器人手术器械夹持力感知。
Description
技术领域
本发明属于医疗机器人领域。
背景技术
微创手术机器人的出现减轻了患者与医生的负担。医生通过操作主手控制进入患者体内的手术器械进行手术。目前的微创手术机器人***主要依赖视觉反馈，大多不能为医生提供术中夹持力感知。夹持力的缺失使得手术临场感大大降低，增加了医生培训成本和术中误操作的可能性，甚至有可能危及患者生命，因此不能有效地满足微创手术直观性的需求。
现有感知手术器械夹持力的方案主要有以下几类：特殊设计夹持力传感器、设计钢丝绳拉力传感器以间接计算夹持力、基于动力学模型建模计算夹持力、基于学习算法获取夹持力。特殊设计的夹持力传感器由于成本高昂，占用空间大、影响高温消毒等缺点，仍处在研发阶段；利用钢丝绳拉力传感器间接计算夹持力，由于非线性绳轮传动***的建模准确性有限，夹持力感知精度有所降低，且仍存在成本高昂影响高温消毒的缺点；基于动力学模型建模不需要额外的硬件成本，不影响高温消毒，但由于动力学模型的非线性较强，难以准确建模，所以感知准确度较低；基于学习算法获取夹持力利用事先采集的驱动端传感器数据和末端夹持力数据让学习算法自主学习非线性的绳轮动力学模型，无需额外硬件成本，准确度比基于动力学建模的方法大大提高，但对于未经训练的手术器械和被夹物品准确度有所降低。总之，目前的方案都不满足夹持力感知低成本、高精度、使用方便、适应性强的需求。因此，以上问题亟需解决。
发明内容
本发明是为了解决现有的微创手术机器人***存在夹持力感知精度低、使用不方便、适应性差的问题，本发明提供了一种对手术器械夹持力感知模型进行训练的方法。
对手术器械夹持力感知模型进行训练的方法，该方法是基于驱动电机实现的，驱动电机用于分别对同一种类的N个手术器械进行驱动；N为大于5的整数；
该训练方法包括如下步骤：
步骤一、通过驱动电机对每个手术器械进行空载驱动，对所有手术器械在空载状态下，进行运动特征提取，构建空载运动样本集；
步骤二、通过驱动电机对每个手术器械进行带载驱动，使每个手术器械的抓手分别对M个待夹持物体进行按压，采集每个手术器械在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械的带载运动样本集；M为大于10的整数；
步骤三、将空载运动样本集和带载运动样本集作为夹持力感知模型的训练样本，对夹持力感知模型进行训练，且在训练时将每个手术器械在空载运动样本集中所对应的数据和在带载运动样本集中所对应的数据作为一组训练数据对夹持力感知模型进行训练，最终获得训练完成的夹持力感知模型，从而完成对夹持力感知模型的训练。
优选的是，步骤一中，通过驱动电机对每个手术器械进行空载驱动，对所有手术器械在空载状态下，进行运动特征提取，构建空载运动样本集的具体过程为:
步骤一一、通过驱动电机对每个手术器械进行空载驱动，获得每个手术器械在空载驱动的条件下的驱动电机的电流、角位置和角速度；
步骤一二、利用所有手术器械在空载驱动的条件下的驱动电机的电流、角位置和角速度，对特征提取器进行训练，获得训练完成的特征提取器；
步骤一三、利用训练完成的特征提取器对所有手术器械在空载驱动的条件下的驱动电机的电流、角位置和角速度进行特征提取，获得每个手术器械在空载驱动的条件下的运动特征，将所有手术器械在空载驱动的条件下的运动特征作为空载运动样本集，从而完成对空载运动样本集的构建。
优选的是，步骤二中，通过驱动电机对每个手术器械进行带载驱动，使每个手术器械的抓手分别对M个待夹持物体进行按压，采集每个手术器械在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械的带载运动样本集的具体过程为：
步骤二一、通过驱动电机对每个手术器械进行带载驱动，使该手术器械的抓手对每个待夹持物体进行按压，并采集在对每个操作物体进行按压情况下所对应的手术器械带载运动状态下的驱动电机的电流、角位置、角速度和该待夹持物体的压力，获得每个手术器械在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力；
步骤二二、将所有手术器械在带载运动状态下的驱动电机的电流、角位置、角速度和所对应的待夹持物体的压力作为所有手术器械的带载运动样本集，从而完成对所有手术器械的带载运动样本集的构建。
优选的是，M个待夹持物体的尺寸和弹性各不相同。
本发明带来的有益效果是，本发明解决了现有微创手术机器人***夹持力感知方案成本高、精度差、使用不便、适应性差的缺点，本发明可以在低硬件成本下实现高精度夹持力感知，并且使用方便不影响高温消毒，无需对每把手术器械单独训练，对不同被夹物品适应性强。具体地说，本发明通过学习算法提取特征，利用离线采集的数据学习动力学模型，避免了建模误差，能够提高夹持力感知精度。使用本发明训练的任意一种夹持力感知模型，在实际使用时仅需获取电机电流、驱动电机角位置和驱动电机角速度即可感知夹持力，没有额外的硬件成本，不影响高温消毒。
本发明为了保证夹持力感知模型对不同器械的高适应性，引入“参数辨识”的思想，利用学习算法自主提取器械的运动特征。此外，训练集中包含尺寸、弹性等物理参数各不相同的物品，能够引导学习算法学习所期望的动力学模型，在提高夹持力感知精度的同时也能保证对不同夹持物品的高适应性。
说明书附图
图1为驱动电机、待手术器械、待夹持物体和力传感器的相对位置关系图；其中，附图标记2表示待夹持物体、附图标记3表示力传感器。
图2为本发明所述的对手术器械夹持力感知模型进行训练的方法的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
参见图1说明本实施方式，本实施方式所述的对手术器械夹持力感知模型进行训练的方法，该方法是基于驱动电机实现的，驱动电机用于分别对同一种类的N个手术器械1进行驱动；N为大于5的整数；
该训练方法包括如下步骤：
步骤一、通过驱动电机对每个手术器械1进行空载驱动，对所有手术器械1在空载状态下，进行运动特征提取，构建空载运动样本集；
步骤二、通过驱动电机对每个手术器械1进行带载驱动，使每个手术器械1的抓手1-1分别对M个待夹持物体进行按压，采集每个手术器械1在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械1的带载运动样本集；M为大于10的整数；
步骤三、将空载运动样本集和带载运动样本集作为夹持力感知模型的训练样本，对夹持力感知模型进行训练，且在训练时将每个手术器械1在空载运动样本集中所对应的数据和在带载运动样本集中所对应的数据作为一组训练数据对夹持力感知模型进行训练，最终获得训练完成的夹持力感知模型，从而完成对夹持力感知模型的训练。
本实施方式，训练过程中通过驱动电机对每个手术器械1进行带载驱动时，待测物2设置在力传感器3的上方，通过力传感器3对手术器械1的抓手1-1施加在待测物2上的力进行采集。
本实施方式中，夹持力感知模型为获得感知力的模型，该模型为现有技术。
本发明先采集同一类别的所有手术器械1在空载状态下的空载运动样本集和在带载状态下的带载运动样本集，利用深度学习的方式对现有技术中的夹持力感知模型进行训练，获得训练完成的夹持力感知模型，本发明将器械将空载状态下的情况考虑进来，并结合带载状态的方式，对同一类别的所有器械进行训练，提高训练完成的夹持力感知模型的感知精度。
具体应用时，利用训练完成的夹持力感知模型接收待手术器械在实际操作过程中驱动电机的电流、角位置和角速度，训练完成的夹持力感知模型即可直接输出感知力，可高精度的感知器械对待测物进行操作时的作用力。
进一步的，步骤一中，通过驱动电机对每个手术器械1进行空载驱动，对所有手术器械1在空载状态下，进行运动特征提取，构建空载运动样本集的具体过程为:
步骤一一、通过驱动电机对每个手术器械1进行空载驱动，获得每个手术器械1在空载驱动的条件下的驱动电机的电流、角位置和角速度；
步骤一二、利用所有手术器械1在空载驱动的条件下的驱动电机的电流、角位置和角速度，对特征提取器进行训练，获得训练完成的特征提取器；
步骤一三、利用训练完成的特征提取器对所有手术器械1在空载驱动的条件下的驱动电机的电流、角位置和角速度进行特征提取，获得每个手术器械1在空载驱动的条件下的运动特征，将所有手术器械1在空载驱动的条件下的运动特征作为空载运动样本集，从而完成对空载运动样本集的构建。
更进一步的，步骤二中，通过驱动电机对每个手术器械1进行带载驱动，使每个手术器械1的抓手1-1分别对M个待夹持物体进行按压，采集每个手术器械1在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械1的带载运动样本集的具体过程为：
步骤二一、通过驱动电机对每个手术器械1进行带载驱动，使该手术器械1的抓手1-1对每个待夹持物体进行按压，并采集在对每个操作物体进行按压情况下所对应的手术器械1带载运动状态下的驱动电机的电流、角位置、角速度和该待夹持物体的压力，获得每个手术器械1在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力；
步骤二二、将所有手术器械1在带载运动状态下的驱动电机的电流、角位置、角速度和所对应的待夹持物体的压力作为所有手术器械1的带载运动样本集，从而完成对所有手术器械1的带载运动样本集的构建。
本优选实施方式中，步骤二一获得的是每个手术器械1在带载运动状态下的M组驱动电机的电流、M组驱动电机的角位置、M组驱动电机的角速度和M组待夹持物体的压力。每个待夹持物体对应一组数据。
更进一步的，M个待夹持物体的尺寸和弹性各不相同。
本优选实施方式中，正是因为待夹持物体的多样性才能保证，对不同操作物体的高适应性。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其它的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例。
Claims (4)
1.对手术器械夹持力感知模型进行训练的方法，该方法是基于驱动电机实现的，驱动电机用于分别对同一种类的N个手术器械(1)进行驱动；N为大于5的整数；
其特征在于，该训练方法包括如下步骤：
步骤一、通过驱动电机对每个手术器械(1)进行空载驱动，对所有手术器械(1)在空载状态下，进行运动特征提取，构建空载运动样本集；
步骤二、通过驱动电机对每个手术器械(1)进行带载驱动，使每个手术器械(1)的抓手(1-1)分别对M个待夹持物体进行按压，采集每个手术器械(1)在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械(1)的带载运动样本集；M为大于10的整数；
步骤三、将空载运动样本集和带载运动样本集作为夹持力感知模型的训练样本，对夹持力感知模型进行训练，且在训练时将每个手术器械(1)在空载运动样本集中所对应的数据和在带载运动样本集中所对应的数据作为一组训练数据对夹持力感知模型进行训练，最终获得训练完成的夹持力感知模型，从而完成对夹持力感知模型的训练。
2.根据权利要求1所述的对手术器械夹持力感知模型进行训练的方法，其特征在于，步骤一中，通过驱动电机对每个手术器械(1)进行空载驱动，对所有手术器械(1)在空载状态下，进行运动特征提取，构建空载运动样本集的具体过程为:
步骤一一、通过驱动电机对每个手术器械(1)进行空载驱动，获得每个手术器械(1)在空载驱动的条件下的驱动电机的电流、角位置和角速度；
步骤一二、利用所有手术器械(1)在空载驱动的条件下的驱动电机的电流、角位置和角速度，对特征提取器进行训练，获得训练完成的特征提取器；
步骤一三、利用训练完成的特征提取器对所有手术器械(1)在空载驱动的条件下的驱动电机的电流、角位置和角速度进行特征提取，获得每个手术器械(1)在空载驱动的条件下的运动特征，将所有手术器械(1)在空载驱动的条件下的运动特征作为空载运动样本集，从而完成对空载运动样本集的构建。
3.根据权利要求1或2所述的对手术器械夹持力感知模型进行训练的方法对手术器械夹持力感知模型进行训练的方法，其特征在于，步骤二中，通过驱动电机对每个手术器械(1)进行带载驱动，使每个手术器械(1)的抓手(1-1)分别对M个待夹持物体进行按压，采集每个手术器械(1)在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力，从而获得所有手术器械(1)的带载运动样本集的具体过程为：
步骤二一、通过驱动电机对每个手术器械(1)进行带载驱动，使该手术器械(1)的抓手(1-1)对每个待夹持物体进行按压，并采集在对每个操作物体进行按压情况下所对应的手术器械(1)带载运动状态下的驱动电机的电流、角位置、角速度和该待夹持物体的压力，获得每个手术器械(1)在带载运动状态下的M组驱动电机的电流、角位置、角速度和M组待夹持物体的压力；
步骤二二、将所有手术器械(1)在带载运动状态下的驱动电机的电流、角位置、角速度和所对应的待夹持物体的压力作为所有手术器械(1)的带载运动样本集，从而完成对所有手术器械(1)的带载运动样本集的构建。
4.根据权利要求1所述的对手术器械夹持力感知模型进行训练的方法对手术器械夹持力感知模型进行训练的方法，其特征在于，M个待夹持物体的尺寸和弹性各不相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911327800.3A CN110974425B (zh) | 2019-12-20 | 2019-12-20 | 对手术器械夹持力感知模型进行训练的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911327800.3A CN110974425B (zh) | 2019-12-20 | 2019-12-20 | 对手术器械夹持力感知模型进行训练的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110974425A true CN110974425A (zh) | 2020-04-10 |
| CN110974425B CN110974425B (zh) | 2020-10-30 |
Family
ID=70073647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911327800.3A Active CN110974425B (zh) | 2019-12-20 | 2019-12-20 | 对手术器械夹持力感知模型进行训练的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110974425B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308026A (zh) * | 2020-11-23 | 2021-02-02 | 哈尔滨工业大学 | 基于深度学习的手术器械夹持力感知方法 |
| CN112545652A (zh) * | 2020-12-02 | 2021-03-26 | 哈尔滨工业大学 | 一种微创手术机器人柔性丝传动手术器械高精度控制方法 |
| CN113925612A (zh) * | 2021-12-17 | 2022-01-14 | 极限人工智能有限公司 | 器械控制方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102207997A (zh) * | 2011-06-07 | 2011-10-05 | 哈尔滨工业大学 | 基于力反馈的机器人微创手术仿真*** |
| CN106056135A (zh) * | 2016-05-20 | 2016-10-26 | 北京九艺同兴科技有限公司 | 一种基于压缩感知的人体动作分类方法 |
| CN106938470A (zh) * | 2017-03-22 | 2017-07-11 | 华中科技大学 | 一种机器人力控示教模仿学习的装置及方法 |
| US20190228533A1 (en) * | 2018-01-25 | 2019-07-25 | Ctrl-Labs Corporation | Real-time smoothing of handstate representation model estimates |
| CN110170994A (zh) * | 2019-04-29 | 2019-08-27 | 清华大学 | 一种用于机械手抓取任务的触觉伺服控制方法 |
| CN110188794A (zh) * | 2019-04-23 | 2019-08-30 | 深圳大学 | 一种深度学习模型的训练方法、装置、设备及存储介质 |
-
2019
- 2019-12-20 CN CN201911327800.3A patent/CN110974425B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102207997A (zh) * | 2011-06-07 | 2011-10-05 | 哈尔滨工业大学 | 基于力反馈的机器人微创手术仿真*** |
| CN106056135A (zh) * | 2016-05-20 | 2016-10-26 | 北京九艺同兴科技有限公司 | 一种基于压缩感知的人体动作分类方法 |
| CN106938470A (zh) * | 2017-03-22 | 2017-07-11 | 华中科技大学 | 一种机器人力控示教模仿学习的装置及方法 |
| US20190228533A1 (en) * | 2018-01-25 | 2019-07-25 | Ctrl-Labs Corporation | Real-time smoothing of handstate representation model estimates |
| CN110188794A (zh) * | 2019-04-23 | 2019-08-30 | 深圳大学 | 一种深度学习模型的训练方法、装置、设备及存储介质 |
| CN110170994A (zh) * | 2019-04-29 | 2019-08-27 | 清华大学 | 一种用于机械手抓取任务的触觉伺服控制方法 |
Non-Patent Citations (6)
| Title |
|---|
| 于凌涛、王文杰: "基于***阻力变化的手术微器械夹持力检测", 《机器人》 * |
| 付宜利、潘博: "微创外科手术机器人技术研究进展", 《哈尔滨工业大学学报》 * |
| 夏壮: "基于深度学习的物体检测和抓取技术研究", 《哈尔滨工业大学工学硕士学位论文》 * |
| 薛飞、崔玉国、梁冬泰、邱磊: "压电微夹钳钳指位移与夹持力的自感知研究", 《压电与声光》 * |
| 黄佳清: "手术机器人的夹持力检测及其反馈控制研究", 《哈尔滨工业大学工学硕士学位论文》 * |
| 黄继伟: "遥操作机器人***及其夹持器抓取算法研究", 《东南大学硕士学位论文》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308026A (zh) * | 2020-11-23 | 2021-02-02 | 哈尔滨工业大学 | 基于深度学习的手术器械夹持力感知方法 |
| CN112308026B (zh) * | 2020-11-23 | 2022-10-14 | 哈尔滨工业大学 | 基于深度学习的手术器械夹持力感知方法 |
| CN112545652A (zh) * | 2020-12-02 | 2021-03-26 | 哈尔滨工业大学 | 一种微创手术机器人柔性丝传动手术器械高精度控制方法 |
| CN112545652B (zh) * | 2020-12-02 | 2022-07-19 | 哈尔滨工业大学 | 微创手术机器人柔性丝传动手术器械高精度离线控制方法 |
| CN113925612A (zh) * | 2021-12-17 | 2022-01-14 | 极限人工智能有限公司 | 器械控制方法及*** |
| CN113925612B (zh) * | 2021-12-17 | 2022-03-15 | 极限人工智能有限公司 | 器械控制方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110974425B (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110974425B (zh) | 对手术器械夹持力感知模型进行训练的方法 | |
| US11666331B2 (en) | Systems for detecting proximity of surgical end effector to cancerous tissue | |
| CN103079491B (zh) | 机械手***的控制装置、机械手***以及机械手***的控制方法 | |
| CN109115380B (zh) | 用于微创医疗器械的三维力传感器 | |
| CN112826458B (zh) | 脉诊***和脉诊方法 | |
| CN108786015A (zh) | 一种穿戴式手指功能主动康复训练*** | |
| IL170338A (en) | Automated method for discriminating the cardiac beat | |
| CN104856707A (zh) | 基于机器视觉的压力传感数据手套及其抓握过程判断方法 | |
| CN203758766U (zh) | 心肺复苏机检测装置 | |
| JP2021074243A (ja) | 使用器具推定装置及び方法並びに手術補助ロボット | |
| Wu et al. | Robot force estimation with learned intraoperative correction | |
| CN109602415B (zh) | 基于机器学习的心电设备导联倒置识别方法 | |
| CN112308026B (zh) | 基于深度学习的手术器械夹持力感知方法 | |
| CN102813507A (zh) | 一种测量人体稳定状态血压值的装置及方法 | |
| Guo et al. | Performance evaluation of the novel grasper for a robotic catheter navigation system | |
| CN201239143Y (zh) | 实验动物生理信号监测仪 | |
| KR100504217B1 (ko) | 근전도 신호를 이용한 인간-기계 인터페이스 장치 및 방법 | |
| CN104545882A (zh) | 心电图测量装置和合成心电图生成方法 | |
| CN111276023A (zh) | 心电导联的模拟识别方法及心电图的模拟识别装置 | |
| CN203609515U (zh) | 一种载有力传感装置的手术机器人从手夹持手 | |
| CN112603262B (zh) | 人体状态辨识方法、***及介质 | |
| Kim et al. | Asynchronous classification of error-related potentials in human-robot interaction | |
| CN203195702U (zh) | 一种连续可变化应力测试*** | |
| CN113893038B (zh) | 一种设备安装的检测方法、装置、手术机器人及存储介质 | |
| CN115153849A (zh) | 基于腹腔镜手术机器人一次性器械的力反馈感知装置及腹腔镜手术机器人 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240617 Address after: 311119, 1st Floor, Building 1, and 1-4 Floors, Building 2, No. 39 Science and Technology Avenue, Yuhang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Weijing medical robot Co.,Ltd. Country or region after: China Address before: 150001 No. 92 West straight street, Nangang District, Heilongjiang, Harbin Patentee before: HARBIN INSTITUTE OF TECHNOLOGY Country or region before: China |