引言
全髋关节置换术（THA）是重建严重受损髋关节的主要手术 [1]。髋臼组件的植入位置，特别是前倾角和髋外展角，直接影响关节的接触区域、载荷方向和应力分布 [1], [2], [3], [4], [5]。当植入物方向偏离适当范围时，可能发生接触点位移、局部应力集中和边缘加载，从而增加术后脱位、植入物磨损和松动的风险 [6]。因此，准确获取术中关节接触力的大小、位置和方向对于评估髋臼组件匹配和优化植入物定位至关重要。各种传感技术，包括压阻式、机械式、磁式和光纤式方法，都用于接触应力测量 [7], [8], [9], [10], [11], [12], [13]。其中，基于法布里-珀罗腔或光纤光栅（FBG）的光纤传感器因其紧凑的尺寸、高灵敏度和抗电磁干扰能力而备受关注 [14], [15], [16], [17], [18], [19], [20], [21]。然而，传感元件的数量通常有限，这限制了测量精度、响应速度和空间传感密度，难以同时表征复杂的接触状态 [19]。目前THA中的术中评估仍主要依赖外科医生的经验和主观判断 [7]。因此，一种可集成到髋臼试模中并提供实时多维接触信息的微型传感器非常必要。
当多模光纤受到压力、弯曲、应变或温度变化时，其内部模式耦合和干涉状态发生改变，在远端产生高度灵敏的散斑图案 [21], [22], [23], [24], [25], [26], [27], [28], [29], [30]。与传统的单点传感器相比，散斑图案包含丰富的空间强度和模式干涉信息，使紧凑的光纤结构能够感知多个参数，包括力、位置、方向、温度和变形。它们还具有微型化、低成本、抗电磁干扰以及易于芯片级或器件级集成等优点 [21], [22], [23], [24], [25], [26], [27], [28], [29], [30]。然而，散斑图案对多种外部因素敏感，不同扰动引起的特征容易耦合。在THA应用中，系统不仅需要测量力的大小，还必须识别载荷位置和方向，同时减少术中温度变化的影响。因此，温度不敏感的矢量力感知仍具挑战性。
深度学习提供了一种有效的复杂散斑图案解码方法。通过从散斑图案中提取强度分布、空间相关性和模式干涉变化，神经网络在散斑特征和外部载荷状态之间建立非线性映射，从而实现对力的大小、载荷位置和方向的联合识别 [31], [32]。然而，传统方法主要依赖数据驱动的训练，缺乏与光纤响应机制和不同载荷状态之间内在关系相关的物理引导。因此，它们对训练数据集的大小、环境变化和未见条件较为敏感。近年来，物理先验越来越多地被引入散斑感知中，通过提取基本响应状态、低维特征或具有物理意义的变化模式来引导网络趋向与载荷相关的信息 [33]。结合物理先验和深度学习可以提高矢量力感知的精度、温度鲁棒性和泛化能力。
本研究提出并实验验证了一种用于THA的具有矢量力感知能力的三光纤束嵌入式髋臼试模。通过将三根紧密排列的多模光纤嵌入3D打印结构，试模将载荷引起的局部弯曲和应变差异转化为可辨识的三通道散斑特征，从而同时编码力的大小、载荷区域和力方向。为降低对大规模训练数据集的依赖，从有限数量的校准样本进一步构建了基本响应矩阵。该矩阵在不同载荷状态和散斑响应之间建立初始映射，并作为物理先验帮助CNN缩小候选识别空间。结合双卷积核和通道注意力机制，所提出的BDC-CNN有效地从散斑图案中提取多光纤差分特征。实验结果表明，在九个体载荷区域、1–5 N载荷和多个载荷方向下，髋臼试模准确预测了力的大小、载荷位置和力方向。此外，温度扰动实验和不同探针的测试表明，三光纤差分结构具有良好的共模干扰抑制和泛化能力。该方法为THA术中实时、多参数、高稳定性的接触力感知提供了一种可行的解决方案，并为智能髋臼试模设计和术中生物力学决策支持提供了新的技术途径。
