摘要
在机器人辅助微创手术中，精确的抓取力反馈是实现精细操作和减少组织损伤的关键因素。然而，由于工作空间受限和频繁的视觉遮挡，通过集成传感器或图像信号获取力反馈仍然具有挑战性。为获取单孔手术机器人的抓取力反馈，本研究提出了一种结合双向长短期记忆改进Transformer（BiLSTM-iTransformer）与时序特征的两阶段力估计框架。首先，将预测任务分解为接触状态分类和抓取力回归，有效降低了非接触状态下的误分类率。随后，引入动态过渡窗口和多阶差分以进一步提升预测性能。此外，改进的Transformer融入了动态相对位置编码机制、膨胀卷积层和可学习缩放因子，同时集成BiLSTM以增强时序建模能力。该框架在已知和未知材料数据集上进行了验证。结果证实了其在分类和回归任务中的稳健性能。该方法在两个数据集上的分类准确率分别达到93.83%和91.63%。在回归任务中，其均方根误差为0.64，优于对比模型。本研究提供了一种可行的无传感器力反馈方案，为提高手术安全性和精度提供了潜在价值。
图形摘要
本研究提出了一种新颖的两阶段BiLSTM-iTransformer框架，用于单孔手术机器人的无传感器抓取力估计。通过将任务解耦为接触状态分类和力回归，并结合动态过渡窗口和差分特征增强，模型能够准确捕捉复杂的时序动态。在多种材料上进行验证，该模型实现了优异的分类准确率和最小的回归误差，为提高手术安全性和操作精度提供了高度可靠的解决方案。
利益冲突
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所报告的工作。
数据可用性声明
数据将应通讯作者的要求提供。
同行评审
为保持透明，与本文相关的同行评审文件可在以下链接获取：https://doi.org/10.1111/nyas.70396。
