检索历史 清除

1.一种基于机器人导丝的磁控介入控制方法，其特征在于，包括以下步骤： 根据血管造影影像、机器人导丝，利用数字孪生平台上搭建出磁控介入孪生平台，其中，机器人导丝的结构包括：机器人导丝后端为未磁化部分，机器人导丝前端为磁化部分，并在所述磁化部分的前端装载有视觉传感器； 利用导丝转向角度的计算公式根据磁控介入孪生平台中血管走形数据确定出机器人导丝的转向角度，并同步计算出控制机器人导丝完成所述转向角度的磁控数据； 对磁控数据与血管走形数据间的映射关系利用神经网络封装至磁控介入孪生平台上，得到根据血管走形数据输出磁控数据的控制模型； 在控制模型的封装过程中添加自适应学习，对控制模型的性能进行自适应优化，使得控制模型输出的磁控数据达到对机器人导丝的最优化控制。 2.根据权利要求1所述的一种基于机器人导丝的磁控介入控制方法，其特征在于：所述磁控介入孪生平台的构建方法，包括： 将所述血管造影影像在数字孪生平台中三维重建为血管走形三维模型； 将所述机器人导丝在数字孪生平台中投影映射为机器人导丝三维模型； 建立机器人导丝前端搭载的视觉传感器与数字孪生平台中机器人导丝三维模型间的数据传输通道； 基于血管走形三维模型、机器人导丝三维模型、数据传输通道以及数字孪生平台，得到所述磁控介入孪生平台。 3.根据权利要求2所述的一种基于机器人导丝的磁控介入控制方法，其特征在于：所述磁控介入孪生平台中血管走形数据包括：血管走形三维模型中的血管走形数据，以及机器人导丝三维模型接收到的由机器人导丝前端搭载的视觉传感器获取的血管走形数据。 4.根据权利要求3所述的一种基于机器人导丝的磁控介入控制方法，其特征在于：所述磁控数据计算方法包括： 在血管走形数据中获取机器人导丝移动的起点坐标和终点坐标； 利用导丝转向角度的计算公式根据所述起点坐标和终点坐标，计算出机器人导丝的三维偏转角度，所述三维偏转角度为：；/>；式中，K_xoy为水平面方向上的转向角度，K_yoz为垂直面方向上的转向角度，x_start为起点坐标在x方向上的坐标值，y_start为起点坐标在y方向上的坐标值，x_end为终点坐标在x方向上的坐标值，y_end为终点坐标在y方向上的坐标值，x_xyz为机器人导丝偏转后前端在x方向上的坐标值，y_xyz为机器人导丝偏转后前端在y方向上的坐标值，z_xyz为机器人导丝偏转后前端在z方向上的坐标值； 根据所述三维偏转角度进行Euler-Bernoulli方程计算并积分，计算出控制机器人导丝由起点坐标到达终点坐标处的磁控数据，所述磁控数据包括磁控场强和磁控方向； 所述磁控场强为：；/>；式中，Bxoy为完成水平面方向上的转向角度的磁控场强，Byoz为完成c垂直面方向上的转向角度的磁控场强，A为机器人导丝的横截面积，I为机器人导丝的面积二阶矩，E是磁控机器人导丝的永磁体的杨氏模量，K_xoy为水平面方向上的转向角度，K_yoz为垂直面方向上的转向角度； 所述磁控方向为：P=(x_end-x_xyz,y_end-y_xyz,z_end-z_xyz)，式中，P为机器人导丝由起点坐标到达终点坐标处的磁控方向，x_end为终点坐标在x方向上的坐标值，y_end为终点坐标在y方向上的坐标值，z_end为终点坐标在z方向上的坐标值，x_xyz为机器人导丝偏转后前端在x方向上的坐标值，y_xyz为机器人导丝偏转后前端在y方向上的坐标值，z_xyz为机器人导丝偏转后前端在z方向上的坐标值；其中，x_xyz=x_start*cosK_xyz*cosK_zoy+y_start*cosK_xyz-z_start*sinK_xyz；y_xyz=y_start*cosK_yoz-x_start*sinK_xoy；z_xyz=z_start*cosK_xoy+x_start*cosK_yoz*sinK_xoy+y_start*sinK_xoy*sinK_yoz。 5.根据权利要求4所述的一种基于机器人导丝的磁控介入控制方法，其特征在于：所述控制模型构建方法包括： 将血管走形三维模型依预设长度进行血管分割得到多组局部血管，其中，局部血管的血管走形数据中起点坐标和终点坐标分别对应于局部血管相邻两个分割节点坐标； 将局部血管的血管走形数据作为第一神经网络的输入项，将根据局部血管的血管走形数据得到的所述磁控场强和磁控方向作为第一神经网络的输出项； 利用第一神经网络对第一神经网络的输入项和第一神经网络的输出项间的映射关系进行卷积学习，得到根据血管走形三维模型获得磁控数据的泛化模型； 将机器人导丝三维模型接收到的由机器人导丝前端搭载的视觉传感器获取的血管走形数据，作为第二神经网络的输入项，将机器人导丝三维模型接收到的由机器人导丝前端搭载的视觉传感器获取的血管走形数据得到的所述磁控场强和磁控方向作为第二神经网络的输出项，其中，视觉传感器获取的血管走形数据的起点坐标和终点坐标分别对应于视觉传感器的视野范围中最近端和最远端处血管的坐标； 利用第二神经网络对第二神经网络的输入项和第二神经网络的输出项间的映射关系进行卷积学习，得到根据视觉传感器获取的血管走形数据获得磁控数据的精细模型； 将所述泛化模型和精细模型进行组合，得到所述控制模型； 所述控制模型为：[Bxoy,Byoz,P]_goal=softmax([Bxoy,Byoz,P]₁,[Bxoy,Byoz,P]₂)； 式中，[Bxoy,Byoz,P]_goal为控制模型输出的所述磁控场强和磁控方向，[Bxoy,Byoz,P]₁为泛化模型输出的所述磁控场强和磁控方向，[Bxoy,Byoz,P]₂为精细模型输出的所述磁控场强和磁控方向；其中，[Bxoy,Byoz,P]₁=Model1(S_3d)； [Bxoy,Byoz,P]₂=Model2(S_sensor)；式中，Model1为第一神经网络，Model2为第二神经网络，S_3d为血管走形三维模型中局部血管的血管走形数据，S_sensor为视觉传感器获取的血管走形数据。 6.根据权利要求5所述的一种基于机器人导丝的磁控介入控制方法，其特征在于：所述控制模型的性能的自适应优化方法包括： 对泛化模型和精细模型添加自适应权重，实现对控制模型中泛化模型和精细模型的自适应优化； 所述泛化模型的自适应优化结果为：[Bxoy,Byoz,P]_1best=W1(k)*Model1(S_3d)； 所述精细模型的自适应优化结果为：[Bxoy,Byoz,P]_2best=W2(k)*Model1(S_sensor)； 所述控制模型的自适应优化结果为：[Bxoy,Byoz,P]_goalbest=softmax([Bxoy,Byoz,P]_1best,[Bxoy,Byoz,P]_2best)； 式中，[Bxoy,Byoz,P]_goalbest为优化后的控制模型输出的所述磁控场强和磁控方向，[Bxoy,Byoz,P]_1best为优化后的泛化模型输出的所述磁控场强和磁控方向，[Bxoy,Byoz,P]_2best为优化后的精细模型输出的所述磁控场强和磁控方向； W1(k)为泛化模型的自适应权重，W2(k)为精细模型的自适应权重。 7.根据权利要求6所述的一种基于机器人导丝的磁控介入控制方法，其特征在于：所述自适应权重的设定方法包括： 所述泛化模型的自适应权重为： ； 所述精细模型的自适应权重为： ； 式中，W1(k)为泛化模型的自适应权重，W2(k)为精细模型的自适应权重，x_em为介入目标在x方向上的坐标值，y_em为介入目标在y方向上的坐标值，z_em为介入目标在z方向上的坐标值，x_sm为介入入口在x方向上的坐标值，y_sm为介入入口在y方向上的坐标值，z_sm为介入入口在z方向上的坐标值，x_k为机器人导丝前端在x方向上的实时坐标值，y_k为机器人导丝前端在y方向上的实时坐标值，z_xyz为机器人导丝前端在z方向上的实时坐标值。 8.根据权利要求5所述的一种基于机器人导丝的磁控介入控制方法，其特征在于：所述第一神经网络和第二神经网络的网络结构相同。 9.一种基于机器人导丝的磁控介入控制方法，其特征在于，应用于权利要求1-8任一项所述的一种基于机器人导丝的磁控介入控制系统，系统包括： 平台搭建单元，用于根据血管造影影像、机器人导丝，搭建出磁控介入孪生平台，其中，机器人导丝的结构包括：机器人导丝后端为未磁化部分，机器人导丝前端为磁化部分，并在所述磁化部分的前端装载有视觉传感器； 数据预处理单元，用于利用导丝转向角度的计算公式根据磁控介入孪生平台中血管走形数据确定出机器人导丝的转向角度，并同步计算出控制机器人导丝完成所述转向角度的磁控数据； 模型封装单元，用于对磁控数据与血管走形数据间的映射关系利用神经网络封装至磁控介入孪生平台上，得到根据血管走形数据输出磁控数据的控制模型； 平台运行单元，用于利用磁控介入孪生平台在控制模型的封装过程中添加自适应学习，对控制模型的性能进行自适应优化，使得控制模型输出的磁控数据达到对机器人导丝的最优化控制。 10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-8任一项所述的方法。