一种基于动态穴位识别方法的新型智能物理治疗机器人

《Frontiers in Neurorobotics》：A novel intelligent physiotherapy robot based on dynamic acupoint recognition method

自主穴位定位与物理治疗机器人路径规划方法研究。摘要：提出两阶段深度学习模型结合RTMDet目标检测与RTMPose关键点预测，利用CSPNeXt多尺度特征提取和SimCC子像素分类框架，实现背部穴位高精度定位（平均像素误差4.45，实际误差5.78mm，召回率90.17%），支持30FPS实时检测并完成物理治疗路径规划。

　　在当前老龄化社会加速发展以及公众健康意识不断提升的背景下，传统中医的理疗方式因其天然的调理身体功能特性，正逐渐受到更多关注。中医理疗通过刺激特定的穴位来触发局部和全身的感官机制与生物反应，其在缓解各类疼痛、促进血液循环、改善身体舒适度以及心理放松等方面展现出显著的治疗效果。然而，传统理疗服务存在费用高、服务质量参差不齐以及专业理疗师短缺等问题，难以满足日益增长的健康需求。因此，集人工智能、机器人技术和中医理论于一体的理疗机器人，成为解决这一问题的新方向和重要突破。多个国家和地区已经陆续推出相关政策，为这一领域的发展提供了有力的财政支持和资源保障，有效推动了理疗机器人在临床康复、家庭护理等场景中的应用。

目前，市场上已存在多种理疗机器人产品，其功能涵盖了推拿、艾灸、耳部按摩等传统中医理疗方法。随着技术的进步，这些设备的智能化水平也在不断提高，逐渐向个性化和精准化的方向发展。在理疗机器人中，穴位识别是实现精准治疗的关键组成部分。然而，由于人体背部缺乏明显的外部标志物，皮肤纹理相对平滑，并且个体差异较大，使得理疗机器人在背部穴位识别方面仍面临巨大挑战。因此，如何提升理疗机器人在背部穴位识别的准确性，成为其进一步发展的重要课题。

本文提出了一种结合高精度和动态性能的穴位识别方法，该方法采用双阶段的识别架构，即目标区域检测和关键点检测的组合，以提高理疗机器人的识别效率和精准度。首先，利用轻量级的RTMDet网络对图像进行处理，提取出有效的背部区域。随后，基于该区域进行穴位坐标推断，从而减少因无效信息导致的推理消耗。此外，采用基于SimCC框架的RTMPose网络，将穴位坐标回归问题转化为X轴和Y轴的子像素块子区域分类问题，显著提高了检测速度和准确性。同时，通过CSPNeXt的多层特征融合机制，增强了模型的特征提取能力。最终，基于所识别的穴位坐标，我们独立规划了理疗机器人的任务路径，使机器人能够自动执行理疗任务。

实验结果表明，该方法在人体数据集上达到了90.17%的召回率，检测误差约为5.78毫米。同时，系统能够准确识别不同的背部姿势，并在4070Ti GPU上实现了30帧每秒的推理速度。此外，我们还进行了多个穴位的连续理疗任务测试，以验证系统的实际应用能力。实验结果展示了该方法在提升理疗机器人自主穴位识别的准确性和可靠性方面的显著优势，以及其在实际应用中的广阔前景。

在这一过程中，我们提出了一个间接的数据标注方法，首先由中医专家进行手动标注，然后使用标注软件进行软件标注，最后通过算法去除图像中的手动标记，以系统性地提高标注的一致性和训练数据的质量。这种方法不仅提升了数据标注的准确性，还有效减少了数据处理的复杂性。在数据采集阶段，我们通过三种不同类型的深度相机获取多分辨率图像，并在不同角度下捕捉志愿者的背部姿势。为了提升数据集的多样性，我们采用了单图数据增强方法，包括随机缩放、随机裁剪和随机水平翻转等操作，从而提高模型的泛化能力和识别鲁棒性。

在模型设计方面，我们构建了一个基于RTMDet和RTMPose的双阶段网络模型。其中，RTMDet用于检测整个图像中的背部区域，输出一个包围框。该包围框作为感兴趣区域（ROI）信息输入RTMPose网络，以指导后续的关键点预测。整个图像仍然作为RTMPose的输入，但通过包围框的约束，可以有效减少背景噪声和无关信息的干扰，使模型的计算资源集中在关键区域，从而显著提高预测精度。RTMPose网络通过SimCC框架，将坐标预测转化为子像素分类任务，并结合KL散度损失函数优化定位精度。这一方法在保证推理速度的同时，也提升了模型的识别能力。

为了评估模型的性能，我们定义了多个评价指标，包括单张图像的平均像素误差（AP E acupoint）、实际检测误差（APD E acupoint）、检测样本对应的平均识别像素误差（mAP E acupoint）和实际检测误差（mAPD E acupoint）。这些指标用于衡量穴位识别的准确性。在实验过程中，我们通过对比专家标注的区域与模型预测的区域之间的空间关系，来量化模型预测误差。例如，如果预测的区域与标注的区域有重叠，则视为有效识别，否则视为错误识别。通过这种方式，我们计算了模型在单张图像上的识别准确率。

在数据集构建和处理方面，我们首先通过手动标注获取穴位位置，然后使用深度相机和颜色相机进行图像采集。为了提高图像处理的效率，我们采用了图像像素坐标与深度图像坐标之间的分辨率转换方法，即将颜色图像坐标与深度图像坐标进行匹配。通过这种方式，我们能够将模型预测的像素坐标转换为实际的物理坐标，从而实现更精准的理疗任务规划。此外，我们还设计了人机交互界面，使用户能够通过界面设置理疗穴位、技术、力度和时间等参数。系统通过这些参数进行任务规划，使机器人能够精准到达目标穴位并执行相应的理疗动作。

为了进一步提升模型的性能，我们改进了传统的Criminisi图像修复算法。通过引入基于椭圆模型的匹配机制，我们限制了匹配搜索区域，以在合理范围内寻找局部最优解。这种改进不仅缩短了匹配时间，还减少了由于匹配错误导致的像素纹理变化问题。我们通过计算两种算法处理图像后的PSNR（峰值信噪比）和SSIM（结构相似性指数）来评估图像修复质量。结果显示，改进后的算法在图像修复的自然度和过渡平滑性方面优于传统算法，特别是在处理复杂场景时表现更为稳定。

在实验结果方面，我们进行了多项测试，包括穴位识别的准确性测试和实时性测试。测试表明，该模型在实际应用中表现出较高的识别精度，检测误差约为5.78毫米，且在不同体态和光照条件下仍能保持较高的识别准确率。同时，该系统能够以30帧每秒的速度进行实时检测，满足了理疗场景对实时性的要求。此外，我们还进行了理疗任务轨迹规划的实验，通过双阶段的识别模型，我们能够精准定位穴位，并规划机器人执行理疗任务的路径，确保其能够高效、准确地完成任务。

综上所述，本文提出了一种高效的双阶段穴位识别方法，通过结合目标区域检测和关键点检测，提高了理疗机器人的识别精度和推理速度。同时，我们还改进了图像修复算法，使其在复杂场景中表现更为稳健。通过实验验证，该方法在多个指标上均取得了优异的成绩，包括检测精度、推理速度和轨迹规划的准确性。此外，我们还设计了人机交互界面，使用户能够方便地设置和控制理疗任务。这些成果不仅为理疗机器人在精准穴位识别方面提供了有效解决方案，也为未来理疗机器人在更多应用场景中的推广和应用奠定了基础。