基于TS-FVIM优化混合网络的超宽带手术定位

《ICT Express》：UWB surgical positioning using a TS-FVIM-optimized hybrid network

　　

传统的超宽带（UWB）定位在骨科手术中容易受到器械遮挡和组织反射引起的多径及非视距（NLOS）干扰的影响。本研究将改进的四向量智能元启发式（TS-FVIM）算法与卷积神经网络（CNN）-双向长短期记忆网络-注意力机制（Attention）模型相结合，以抑制UWB定位误差。该优化框架结合了Tent混沌映射、自适应惯性权重和模拟退火算法，以提高鲁棒性。结果表明，在仿真和实际实验中，均方根误差（RMSE）分别达到了1.55 cm和2.90 cm的厘米级精度，与传统方法相比提高了26.2%–75.0%，从而在临床环境下实现了骨科手术导航中稳定的实时跟踪。

在现代骨科及微创手术中，精确的术中导航对于确保手术成功率与患者安全至关重要。然而，现有的导航系统在复杂的手术环境中难以提供可靠、实时的定位。光学追踪和基于透视的导航系统虽然在受控环境下能提供亚毫米级的精度，但其严格依赖视距和基准标志物的要求构成了根本性的应用限制。C型臂透视及混合机器人平台虽被广泛采用，但不可避免地带来累积辐射暴露、频繁需要重新校准，且对软组织形变和患者移动极为敏感。电磁导航及机器人集成系统尽管在仿体研究中能达到亚毫米精度，但高昂的成本、复杂的操作流程以及易受电磁干扰的特性使其难以广泛普及。这些现有技术的局限性促使学术界亟需探索一种低成本、抗遮挡且无需标志物的替代方案。超宽带（UWB）传感技术具备厘米级的测距能力、良好的抗多径特性以及低辐射优势，但手术环境中的非视距（NLOS）误差、金属器械干扰及复杂的信号散射严重制约了其性能。此前的UWB解决方案在手术应用中均存在短板：惯性测量单元（IMU）辅助的手持系统无法应对手术区域的高动态和频繁遮挡；协作定位算法依赖密集的预校准网络，在拥挤的手术室中不切实际；而传统的卷积神经网络（CNN）与Transformer及双向长短期记忆网络混合的深度学习模型虽能抑制测距误差，但在多变的手术条件下缺乏实时的超参数自适应优化能力，难以保持稳定鲁棒的性能。

针对上述问题，研究人员提出并开展了一种结合TS-FVIM优化策略与混合神经网络模型的研究，旨在为复杂的骨科手术环境提供一种自适应且抗遮挡的定位解决方案。研究得出的结论表明，通过将智能优化算法与深度学习相融合，能够显著抑制UWB定位误差，在仿真和真实实验中均达到了厘米级的精度，相较于传统方法误差降低了26.2%至75.0%，实现了在严苛临床条件下稳定的实时术中导航。这一研究成果不仅验证了所提框架的高精度与强鲁棒性，为提升手术安全性提供了重要的技术支撑，而且其易于部署至边缘计算节点的特性展现了极高的临床转化价值。该研究成果已发表于学术期刊《ICT Express》。

为开展此项研究，研究人员主要采用了以下关键技术方法：首先构建了集成一维CNN、BiLSTM与注意力机制的混合网络架构，用于处理信道冲激响应（CIR）序列；同时设计了改进的智能元启发式算法TS-FVIM，通过Tent混沌映射、自适应惯性权重及模拟退火策略对网络超参数进行全局寻优。实验构建了基于DecaWave DW1000模块在多尺寸房间及动静态遮挡条件下的CIR数据集，并在模拟手术室中利用搭载UWB标签且六centered频率为fc=6.5GHz、带宽B=500MHz的机械臂轨迹进行动态评估，数据经由中值滤波等预处理后输入模型以最小化复合损失函数进行训练验证。

在实验分析的研究结果部分：
消融实验通过对比基础模型及引入不同机制的FVIM变体在基准函数上的收敛表现，证实了Tent混沌映射有效改善了种群初始化，自适应权重显著加快了收敛速度，而模拟退火策略使得模型在迭代约300次后能够跳出局部最优，三者共同增强了算法的寻优能力。

基准算法对比研究将TS-FVIM与麻雀搜索算法、粒子群优化、灰狼优化器及标准FVIM在基准函数上进行对比，结果显示在相同配置下，TS-FVIM从首次迭代起便取得了更低的适应度值，并在所有测试函数上展现出最快的收敛速率和最优的最终适应度，充分验证了其在高维空间中的优越优化能力。

特征提取与模型静态性能评估利用构建的CIR数据集对模型进行了量化评估，确定了双层CNN结构与8:2的训练测试数据划分能获得最佳的特征提取效果。评估表明，所提的TFCBA模型在RMSE和平均绝对误差（MAE）上较其他基准模型分别降低了26.2%–73.5%和26.3%–75.0%，获得了高达0.98的R²值。同时，其单样本推理时间仅为2.22 ms，且模型参数在多次独立寻优下保持极低的方差，证明了其在不牺牲在线推理效率的前提下具备高度的一致性与鲁棒性。

动态手术环境验证在模拟真实手术环境的动态实验中，TFCBA模型在包含设备遮挡、人员移动及多径传播的复杂场景下，依然实现了2.90 cm的RMSE、2.25 cm的MAE及0.94的R²值，相较于对比模型分别降低了36.3%–75.0%的RMSE和34.8%–75.7%的MAE。这确认了该定位系统在应对非视距干扰、多径效应及临床严苛操作要求时表现出的卓越容忍度与高定位精度。

在总结与讨论部分，本研究成功开发并验证了一种应用于骨科手术导航的UWB定位框架，通过将CNN-BiLSTM-Attention网络的特征提取与时间建模优势，与TS-FVIM算法的全局超参数寻优能力深度融合，克服了传统深度学习模型依赖人工调参且难以适应动态手术环境的缺陷。研究结论明确指出，该方法通过优化网络结构与学习变量，有效抑制了UWB测距误差，在空间配准与实时追踪上达到了厘米级精度。这不仅大幅提升了手术导航系统的安全性与准确性，还展示了向边缘端移植部署的良好潜力。未来的工作将聚焦于进一步提升该系统在更多样化环境中的泛化能力，并致力于降低整体应用成本，以推动其在临床手术中的广泛部署。