利用径向基网络对机器人辅助手术中斜尖针偏转进行预测与分析

《IEEE Transactions on Automation Science and Engineering》：Prediction and Analysis of Bevel-Tip Needle Deflection using Radial Basis Network for Robot-Aided Procedures

微创手术中针尖偏移预测的RBF神经网络模型研究，采用Xavier初始化和三角形学习率调度器优化网络性能，通过分解针-组织相互作用力实现高精度预测（MAE=2.1±1.9mm），经t检验和ANOVA验证显著优于传统梁理论方法，为临床手术导航提供新方案。

　　

摘要：

本研究提出了一种与组织无关的神经网络方法，用于预测微创手术中的针头偏转情况。经皮干预的精确性在很大程度上取决于对针头偏转的准确估计。采用Xavier初始化的径向基函数网络（RBFN）来确保权重缩放的最优化，防止梯度消失或爆炸，并提高网络稳定性。此外，还使用了三角形学习率调度器来动态调整学习率，从而加快收敛速度并提升模型在不同插入深度下的泛化能力。RBFN的局部激活机制确保偏转预测主要受簇中心附近数据点的影响，有效捕捉了特定区域内的针头-组织相互作用动态。该模型将针头-组织相互作用表示为分布式力和锥尖处集中力的组合，后者是导致偏转的主要原因。通过十次实验（共90次插入）的验证，平均绝对误差为2.1 ± 1.9毫米。通过统计分析（双样本t检验、方差分析ANOVA）比较所提出的神经网络模型与基于传统梁理论的方法的实际测量结果，发现基于神经网络的方法预测的偏转值更接近真实值，因此可能更适合临床应用。