多感官融合技术在机器人辅助颈椎椎板切除术中识别高速磨钻铣削状态的应用研究

本研究创新性地将触觉振动与听觉感知融合，构建18维特征向量，通过长短期记忆网络（LSTM）模型实现高速磨钻在颈椎椎板切除术中7种铣削状态（包括皮质骨/松质骨0.5/1.0/1.5 mm铣削深度及空转/穿透状态）的精准识别，准确率达99.32%，为脊柱手术机器人提供了仿生多模态感知新范式。

　　

引言

颈椎退行性疾病是老年人群常见的脊柱病变，其手术治疗中颈椎椎板切除术是关键术式。高速磨钻作为核心手术器械，在30,000–80,000 rpm高速运转下存在穿透骨组织的风险，可能导致硬膜撕裂、神经损伤或椎动脉损伤等严重并发症。当前脊柱手术机器人（如ROSA和Mazor X）主要专注于椎弓根螺钉植入导航，而在高速磨钻的精准控制方面仍存在技术挑战。经验丰富的外科医生能够通过触觉振动和听觉反馈准确判断铣削状态，这种多感官整合机制能显著提升感知准确性。本研究受此启发，旨在开发基于触觉与听觉感知的多感官融合框架，通过深度学习模型实现铣削状态的精准识别。

方法

实验标本与设备

采用绵羊颈椎标本作为人体离体标本的替代模型。实验系统由动力模块和信号采集模块组成：动力部分采用定制步进电机（转速30,000 rpm），配备4 mm直径金刚砂磨钻；信号采集部分采用单轴加速度计（PCB Piezoelectric）采集振动信号，自由场麦克风（ICS-52000）采集声压信号，通过动态信号分析仪（USB-4431）记录数据。采样频率设置为100 kHz，每0.1秒（10,000数据点）进行实时分析。

手术任务分析与实验设计

实验模拟颈椎椎板切除术操作流程，磨钻以45°角、0.5 mm/s速度进行铣削，设置7种铣削状态：皮质骨（CTB）和松质骨（CCB）分别铣削0.5、1.0、1.5 mm深度，以及空转和完全穿透（PT）状态。通过建立铣削过程的动力学模型，推导出振动信号与声压信号与骨密度（ρ）和铣削深度（d_m）的数学关系，为特征提取提供理论依据。

信号处理与特征提取

采用快速傅里叶变换（FFT）对振动和声压信号进行频域分析，提取前9次谐波分量（基波500 Hz对应30,000 rpm转速），构建9维振动特征向量和9维声压特征向量，融合形成18维多感知空间向量。

深度学习模型构建

采用长短期记忆网络（LSTM）处理序列数据，通过分层参数优化策略确定最优网络结构（单层12记忆单元）。对比支持向量机（SVM）、K近邻（KNN）、朴素贝叶斯（NB）、线性判别分析（LDA）和决策树（DT）等传统机器学习算法。训练集占比80%，验证集20%，训练周期100次，使用Adam优化器和交叉熵损失函数。

结果

LSTM网络性能

优化后的LSTM模型（单层12单元）在验证集上达到99.32%的准确率。混淆矩阵显示主要误分类发生在相邻铣削深度之间（如0.5 mm CCB误分为1.0 mm CCB占0.5%）。精确召回曲线显示所有类别的曲线下面积（AUC）接近100%，表明模型具有完美的类别区分能力。

对比实验结果

传统机器学习算法中，决策树（DT）准确率94.24%，朴素贝叶斯（NB）97.80%，线性判别分析（LDA）97.58%，而支持向量机（SVM）和K近邻（KNN）准确率均低于80%。LSTM模型在准确性和稳定性方面显著优于所有对比算法。

讨论

脊柱手术机器人发展现状

当前脊柱手术机器人主要局限于导航功能，缺乏对铣削过程的实时监控能力。现有研究多基于力传感器信号识别骨密度，但力传感器易受噪声干扰且易损坏。振动和声压传感器具有成本低、安装灵活、耐用性高等优势，更适用于手术环境。

多感知融合的技术优势

基于神经科学中外侧下丘脑皮质（LCIC）介导的多感官增强机制，融合振动和声压信号显著提升了状态识别精度。LSTM模型能够捕捉铣削过程的时序特征，实现0.1秒时间分辨率的实时识别，为机器人自主控制提供了技术基础。

研究局限与展望

当前研究基于6800组数据训练，未来需要更大规模数据集验证模型泛化能力。尽管已达到0.5 mm分辨率，仍需进一步提升精度以满足临床安全需求。后续可探索少样本学习（如元学习）策略适应个体解剖差异。

结论

本研究构建的生物启发式多感知融合框架，通过LSTM模型实现了高速磨钻铣削状态的精准识别，为脊柱手术机器人提供了可靠的感知手段。该技术框架具有良好的扩展性，可应用于其他需要高速磨钻的外科领域。