本發(fā)明涉及醫(yī)療線材，尤其涉及一種基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)裝置及方法。

背景技術(shù)：

1、醫(yī)療線材的張力控制直接影響到操作的精準(zhǔn)性。傳統(tǒng)的張力調(diào)節(jié)方法主要依賴于經(jīng)驗和主觀判斷，難以適應(yīng)復(fù)雜多變的手術(shù)環(huán)境和個體化需求。然而，現(xiàn)有的張力調(diào)節(jié)技術(shù)往往忽視了線材與周圍組織的動態(tài)交互過程，無法有效應(yīng)對手術(shù)過程中的不確定性和非線性因素。

2、此外，醫(yī)療線材在使用過程中面臨著多源干擾和環(huán)境變化的挑戰(zhàn)，如組織變形、體液影響和電磁干擾等，這些因素會導(dǎo)致張力信號的不穩(wěn)定性和不可預(yù)測性。傳統(tǒng)的單一模型或固定參數(shù)的控制策略難以捕捉這些復(fù)雜的動態(tài)特性，從而影響了張力調(diào)節(jié)的準(zhǔn)確性和魯棒性。同時，不同類型的醫(yī)療線材和手術(shù)場景對張力控制有著各自獨特的要求，如何實現(xiàn)自適應(yīng)的張力調(diào)節(jié)策略成為了一個亟待解決的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)裝置及方法，本發(fā)明實現(xiàn)了更加智能、精準(zhǔn)和安全的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)。

2、第一方面，本發(fā)明提供了一種基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，所述基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法包括：

3、采集醫(yī)療線材的歷史張力數(shù)據(jù)和線材-環(huán)境界面阻抗譜數(shù)據(jù)；

4、將所述歷史張力數(shù)據(jù)輸入多尺度transformer神經(jīng)網(wǎng)絡(luò)進(jìn)行多尺度特征提取，得到多尺度特征表示；

5、對所述多尺度特征表示進(jìn)行跨通道多頭注意力分析和門控深度可分離卷積操作，得到目標(biāo)張力敏感特征；

6、根據(jù)所述目標(biāo)張力敏感特征構(gòu)建第一張力分布模型，并根據(jù)所述線材-環(huán)境界面阻抗譜數(shù)據(jù)構(gòu)建智能阻抗匹配模型；

7、獲取實時張力數(shù)據(jù)并輸入所述第一張力分布模型進(jìn)行張力調(diào)節(jié)，得到初始張力調(diào)節(jié)策略，并通過所述智能阻抗匹配模型進(jìn)行策略優(yōu)化，得到目標(biāo)張力調(diào)節(jié)策略；

8、執(zhí)行所述目標(biāo)張力調(diào)節(jié)策略并對所述第一張力分布模型進(jìn)行反饋更新，得到第二張力分布模型。

9、第二方面，本發(fā)明提供了一種基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)裝置，所述基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)裝置包括：

10、采集模塊，用于采集醫(yī)療線材的歷史張力數(shù)據(jù)和線材-環(huán)境界面阻抗譜數(shù)據(jù)；

11、提取模塊，用于將所述歷史張力數(shù)據(jù)輸入多尺度transformer神經(jīng)網(wǎng)絡(luò)進(jìn)行多尺度特征提取，得到多尺度特征表示；

12、分析模塊，用于對所述多尺度特征表示進(jìn)行跨通道多頭注意力分析和門控深度可分離卷積操作，得到目標(biāo)張力敏感特征；

13、構(gòu)建模塊，用于根據(jù)所述目標(biāo)張力敏感特征構(gòu)建第一張力分布模型，并根據(jù)所述線材-環(huán)境界面阻抗譜數(shù)據(jù)構(gòu)建智能阻抗匹配模型；

14、調(diào)節(jié)模塊，用于獲取實時張力數(shù)據(jù)并輸入所述第一張力分布模型進(jìn)行張力調(diào)節(jié)，得到初始張力調(diào)節(jié)策略，并通過所述智能阻抗匹配模型進(jìn)行策略優(yōu)化，得到目標(biāo)張力調(diào)節(jié)策略；

15、反饋模塊，用于執(zhí)行所述目標(biāo)張力調(diào)節(jié)策略并對所述第一張力分布模型進(jìn)行反饋更新，得到第二張力分布模型。

16、本發(fā)明第三方面提供了一種計算機設(shè)備，包括：存儲器和至少一個處理器，所述存儲器中存儲有指令；所述至少一個處理器調(diào)用所述存儲器中的所述指令，以使得所述計算機設(shè)備執(zhí)行上述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法。

17、本發(fā)明的第四方面提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有指令，當(dāng)其在計算機上運行時，使得計算機執(zhí)行上述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法。

18、本發(fā)明提供的技術(shù)方案中，通過多尺度transformer神經(jīng)網(wǎng)絡(luò)對歷史張力數(shù)據(jù)進(jìn)行多尺度特征提取，能夠捕捉不同時間尺度上的張力變化模式，提高了特征表示的全面性和魯棒性。對多尺度特征表示進(jìn)行跨通道多頭注意力分析，有助于捕捉不同特征通道之間的相互關(guān)系，增強了模型對復(fù)雜張力模式的理解能力。采用門控深度可分離卷積操作，在保持模型表達(dá)能力的同時減少了參數(shù)量，提高了計算效率和模型的泛化能力。構(gòu)建智能阻抗匹配模型，能夠動態(tài)適應(yīng)線材-環(huán)境界面的變化，優(yōu)化張力調(diào)節(jié)策略，提高了系統(tǒng)對環(huán)境變化的適應(yīng)性。通過執(zhí)行目標(biāo)張力調(diào)節(jié)策略并進(jìn)行反饋更新，實現(xiàn)了張力分布模型的動態(tài)優(yōu)化，引入分?jǐn)?shù)階微積分運算和分?jǐn)?shù)階傳遞函數(shù)，更準(zhǔn)確地描述了復(fù)雜的阻抗特性，提高了阻抗匹配的精度。對初始張力調(diào)節(jié)策略進(jìn)行多目標(biāo)優(yōu)化，兼顧了張力控制的多個性能指標(biāo)，實現(xiàn)了更加全面和平衡的調(diào)節(jié)效果。采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)進(jìn)行參數(shù)調(diào)整，結(jié)合了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和模糊邏輯的解釋性，提高了模型的可解釋性和可靠性。通過條件變分推斷生成第二張力分布模型，能夠更好地捕捉張力分布的不確定性，本發(fā)明實現(xiàn)更加智能、精準(zhǔn)和安全的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)。

技術(shù)特征：

1.一種基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，其特征在于，所述采集醫(yī)療線材的歷史張力數(shù)據(jù)和線材-環(huán)境界面阻抗譜數(shù)據(jù)，包括：

3.根據(jù)權(quán)利要求1所述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，其特征在于，所述將所述歷史張力數(shù)據(jù)輸入多尺度transformer神經(jīng)網(wǎng)絡(luò)進(jìn)行多尺度特征提取，得到多尺度特征表示，包括：

4.根據(jù)權(quán)利要求3所述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，其特征在于，所述將所述單尺度transformer塊的輸出輸入所述多尺度transformer神經(jīng)網(wǎng)絡(luò)中的跨尺度融合模塊，通過自適應(yīng)池化和卷積操作，得到不同尺度特征的統(tǒng)一表示，包括：

5.根據(jù)權(quán)利要求1所述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，其特征在于，所述對所述多尺度特征表示進(jìn)行跨通道多頭注意力分析和門控深度可分離卷積操作，得到目標(biāo)張力敏感特征，包括：

6.根據(jù)權(quán)利要求5所述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，其特征在于，所述對所述多尺度特征表示進(jìn)行通道分組操作，通過均勻劃分得到多個特征子集，并對所述多個特征子集進(jìn)行跨通道線性投影，通過三個獨立的全連接層分別得到查詢、鍵和值矩陣，包括：

7.根據(jù)權(quán)利要求1所述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，其特征在于，所述根據(jù)所述目標(biāo)張力敏感特征構(gòu)建第一張力分布模型，并根據(jù)所述線材-環(huán)境界面阻抗譜數(shù)據(jù)構(gòu)建智能阻抗匹配模型，包括：

8.根據(jù)權(quán)利要求7所述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，其特征在于，所述獲取實時張力數(shù)據(jù)并輸入所述第一張力分布模型進(jìn)行張力調(diào)節(jié)，得到初始張力調(diào)節(jié)策略，并通過所述智能阻抗匹配模型進(jìn)行策略優(yōu)化，得到目標(biāo)張力調(diào)節(jié)策略，包括：

9.根據(jù)權(quán)利要求1所述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，其特征在于，所述執(zhí)行所述目標(biāo)張力調(diào)節(jié)策略并對所述第一張力分布模型進(jìn)行反饋更新，得到第二張力分布模型，包括：

10.一種基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)裝置，其特征在于，用于執(zhí)行如權(quán)利要求1-9中任一項所述的基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)方法，所述裝置包括：

技術(shù)總結(jié)
本發(fā)明涉及醫(yī)療線材技術(shù)領(lǐng)域，公開了一種基于人工智能的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)裝置及方法，該方法包括：采集醫(yī)療線材的歷史張力數(shù)據(jù)和線材?環(huán)境界面阻抗譜數(shù)據(jù)；進(jìn)行多尺度特征提取，得到多尺度特征表示；進(jìn)行跨通道多頭注意力分析和門控深度可分離卷積操作，得到目標(biāo)張力敏感特征；構(gòu)建第一張力分布模型和智能阻抗匹配模型；獲取實時張力數(shù)據(jù)并輸入第一張力分布模型進(jìn)行張力調(diào)節(jié)，得到初始張力調(diào)節(jié)策略，并通過智能阻抗匹配模型進(jìn)行策略優(yōu)化，得到目標(biāo)張力調(diào)節(jié)策略；執(zhí)行目標(biāo)張力調(diào)節(jié)策略并進(jìn)行反饋更新，得到第二張力分布模型，本發(fā)明實現(xiàn)更加智能、精準(zhǔn)和安全的醫(yī)療線材張力自適應(yīng)調(diào)節(jié)。

技術(shù)研發(fā)人員：楊金武,王小春,劉明亞
受保護(hù)的技術(shù)使用者：廣東金瑞龍電子有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21