本發明涉及人機協同技術，尤其涉及面向微創手術的器械力反饋與人機協同操控方法及系統。
背景技術：
1、微創手術具有創傷小、恢復快、并發癥少等優點，已廣泛應用于臨床手術中。然而，在傳統微創手術過程中，由于手術器械與人體組織之間的直接接觸被手術器械桿所阻隔，術者無法直接感知手術器械與組織之間的相互作用力，這種觸覺反饋的缺失容易導致以下問題：
2、首先，術者在缺乏力反饋的情況下，難以準確判斷手術器械與組織之間的接觸狀態和作用力大小，容易造成手術操作過程中對組織的過度擠壓或牽拉，增加了組織損傷的風險。特別是在處理重要解剖結構時，過大的作用力可能導致嚴重的醫療事故。
3、其次，傳統微創手術器械的機械結構存在杠桿效應，使得術者在操作端施加的力與器械末端作用于組織的實際力之間存在顯著差異，這種力的失真進一步加劇了手術操作的不確定性，增加了手術難度。
4、此外，現有的微創手術器械普遍缺乏智能輔助功能。在遇到復雜或精細操作時，完全依賴術者的手工操作容易出現手抖動、位置偏差等問題，難以保證手術操作的精確性和穩定性。
5、現有技術中雖然提出了一些力反饋方案，但普遍存在以下不足：
6、一方面，現有力反饋系統往往采用固定的力反饋增益，無法根據不同手術階段的需求動態調節力反饋特性，限制了系統的適應性。同時，簡單的力反饋容易產生力反饋震蕩，影響系統穩定性。
7、另一方面，現有人機協同控制方案主要關注位置精度控制，對力的協同控制研究不足。在缺乏有效力控制策略的情況下，機器人輔助系統難以實現流暢自然的人機交互，也無法為術者提供精確的力反饋增強。
技術實現思路
1、本發明實施例提供面向微創手術的器械力反饋與人機協同操控方法及系統，能夠解決現有技術中的問題。
2、本發明實施例的第一方面，提供面向微創手術的器械力反饋與人機協同操控方法，包括：
3、通過設置于微創手術器械末端的力傳感器實時采集器械與人體組織接觸的三維力矩數據；將所述三維力矩數據輸入至預設的混合深度學習模型中，所述混合深度學習模型基于歷史手術數據訓練得到，用于識別當前手術操作的安全狀態；
4、根據所述安全狀態判斷是否觸發預警信號，當所述安全狀態指示當前手術操作存在風險時，生成所述預警信號；基于所述預警信號觸發主動約束機制，通過機器人輔助系統產生與醫生操作方向相反的力反饋，對醫生的操作進行實時糾正；
5、根據所述三維力矩數據的變化趨勢，計算出安全操作的力域范圍，當檢測到器械作用力超出所述力域范圍時，控制所述機器人輔助系統自動介入，實現手術器械的軌跡優化和作用力調節，確保手術操作的安全性和精確性。
6、通過設置于微創手術器械末端的力傳感器實時采集器械與人體組織接觸的三維力矩數據；將所述三維力矩數據輸入至預設的混合深度學習模型中，所述混合深度學習模型基于歷史手術數據訓練得到，用于識別當前手術操作的安全狀態包括：
7、在微創手術器械末端設置具有十字梁結構的六維力傳感器，所述六維力傳感器的十字梁結構表面布置二十四個應變片，所述二十四個應變片構成惠斯通電橋，所述六維力傳感器的直徑為十二毫米，高度為八毫米；通過所述二十四個應變片采集應變信號，將所述應變信號輸入至二十四位模數轉換器，所述二十四位模數轉換器的采樣頻率為一千赫茲；將所述二十四位模數轉換器輸出的應變數據輸入至卡爾曼濾波器進行降噪處理，獲得降噪后的應變數據；根據所述降噪后的應變數據與預設的剛度矩陣的乘積關系計算得到三維力矩數據；
8、將所述三維力矩數據輸入至混合深度學習模型，所述混合深度學習模型包括時序卷積網絡模塊和長短時記憶網絡模塊，其中所述時序卷積網絡模塊用于提取所述三維力矩數據的局部特征，所述長短時記憶網絡模塊用于捕獲所述三維力矩數據的時序特征；通過所述混合深度學習模型輸出手術安全狀態預測概率分布；
9、基于所述手術安全狀態預測概率分布建立安全狀態評估體系，所述安全狀態評估體系包括：根據不同人體組織的力學特性設定作用力安全閾值，計算所述三維力矩數據的時域導數特征得到操作軌跡突變風險指標，基于所述三維力矩數據的時間積分建立組織損傷累積模型；根據預設權重系數將所述作用力安全閾值、所述操作軌跡突變風險指標以及所述組織損傷累積模型的輸出結果進行加權計算，得到手術安全狀態綜合評分，并根據所述手術安全狀態綜合評分判斷當前手術操作的安全狀態。
10、計算所述三維力矩數據的時域導數特征得到操作軌跡突變風險指標，基于所述三維力矩數據的時間積分建立組織損傷累積模型包括：
11、采用中心差分法對所述三維力矩數據進行處理，計算所述三維力矩數據在x方向、y方向、z方向上的一階導數和二階導數，構建包含所述一階導數和所述二階導數的六維特征向量；基于所述六維特征向量計算特征均值向量和協方差矩陣，將所述六維特征向量與所述特征均值向量的差值乘以所述協方差矩陣的逆矩陣，再與所述差值的轉置相乘并開平方，得到馬氏距離；
12、采用滑動窗口對所述馬氏距離進行動態分析，計算所述滑動窗口內馬氏距離的均值和標準差，將所述均值與所述標準差乘以預設的靈敏度系數的和作為動態閾值，將所述馬氏距離與所述動態閾值的比值作為瞬時風險度；
13、對所述三維力矩數據建立分段非線性損傷函數，所述分段非線性損傷函數包括安全區間、過渡區間和危險區間，其中所述過渡區間采用冪函數形式，所述危險區間采用指數函數形式；將所述三維力矩數據的絕對值分別與對應方向的所述分段非線性損傷函數和方向權重系數相乘，對乘積結果進行時間積分得到累積損傷度，將所述累積損傷度與預設的臨界損傷閾值的比值作為累積風險度；
14、將所述瞬時風險度與第一權重系數相乘，將所述累積風險度與第二權重系數相乘，對乘積結果求和得到總體風險度；根據預設的多級風險閾值將所述總體風險度劃分為安全操作區間、力度控制區間、速度控制區間和緊急制動區間，實現對手術操作安全狀態的實時評估與分級預警。
15、基于所述預警信號觸發主動約束機制，通過機器人輔助系統產生與醫生操作方向相反的力反饋，對醫生的操作進行實時糾正包括：
16、采集手術操作的實時風險度信號，根據所述實時風險度信號建立分段響應函數，當所述實時風險度信號小于安全閾值時響應值為零，當所述實時風險度信號大于安全閾值且小于預警閾值時采用二次函數計算響應值，當所述實時風險度信號大于預警閾值時采用指數函數計算響應值；將所述響應值與操作力矩的乘積取反得到基礎約束力矩；
17、構建自適應增益因子，將基礎增益值與所述響應值的時間積分乘以積分增益系數的和作為所述自適應增益因子；將所述自適應增益因子與所述基礎約束力矩相乘得到最終約束力矩；
18、建立三維方向感知矩陣，針對x方向、y方向、z方向分別計算方向系數，所述方向系數通過操作力矩的符號與操作力矩絕對值的負指數計算得到；將所述方向感知矩陣與所述最終約束力矩相乘得到方向修正的力反饋。
19、所述方法還包括：
20、采集微創手術器械的操作速度、操作加速度與力反饋信號，將所述操作速度、所述操作加速度與所述力反饋信號按照x方向、y方向、z方向分別構建三維操作特征矩陣；將所述三維操作特征矩陣與預設特征權重系數矩陣進行加權求和得到融合特征值；
21、獲取實時預警響應值，將基礎阻尼系數與所述預警響應值和所述操作速度絕對值的乘積之和作為第一阻尼項，將所述預警響應值與所述操作加速度絕對值的時間積分作為第二阻尼項，將所述第一阻尼項與所述第二阻尼項相加得到動態阻尼系數；
22、根據所述動態阻尼系數與操作速度的乘積構建阻尼控制分量，根據所述預警響應值、所述融合特征值的絕對值與位置跟蹤誤差指數衰減項的乘積更新自適應增益因子，將所述自適應增益因子與所述融合特征值的乘積與雙曲正切函數復合構建非線性控制分量，將所述阻尼控制分量與所述非線性控制分量相加得到輸出力；
23、建立包含等效質量矩陣、所述動態阻尼系數與自適應剛度矩陣的阻抗控制方程，基于人手操作力與所述輸出力的合力驅動實現機器人輔助系統的運動控制；將所述融合特征值與等效質量矩陣的二次型與自適應增益誤差的平方和構建lyapunov函數，根據所述lyapunov函數的導數建立穩定性約束，實現系統穩定性與手術安全性的協調控制，其中所述位置跟蹤誤差通過末端實際位置與期望位置的差值計算得到，所述自適應增益誤差通過所述自適應增益因子與理想增益值的差值計算得到。
24、根據所述三維力矩數據的變化趨勢，計算出安全操作的力域范圍，當檢測到器械作用力超出所述力域范圍時，控制所述機器人輔助系統自動介入，實現手術器械的軌跡優化和作用力調節包括：
25、將所述三維力矩數據按照x方向、y方向、z方向構建力矩特征向量，對所述力矩特征向量進行時間微分運算得到力矩變化率，對所述力矩變化率進行時間微分運算得到力矩加速度，所述力矩特征向量、所述力矩變化率與所述力矩加速度構成力矩特征參數集；
26、基于所述力矩特征參數集構建自適應力域橢球模型，將各方向初始半軸長度與對應方向力矩變化率絕對值的時間積分之和作為當前時刻各方向半軸長度，根據x方向力矩與x方向半軸長度的比值平方、y方向力矩與y方向半軸長度的比值平方、z方向力矩與z方向半軸長度的比值平方之和與預設變化率閾值的差值計算得到力域違背度；
27、將所述力域違背度與第一目標權重值的乘積、所述力矩變化率的模值與第二目標權重值的乘積、所述力矩加速度的模值與第三目標權重值的乘積相加得到風險評估指標，基于所述風險評估指標的模值、實際軌跡與期望軌跡的偏差模值、實際軌跡導數的模值構建軌跡優化目標函數；
28、計算所述軌跡優化目標函數的梯度并取負值得到軌跡修正量，將所述軌跡修正量與實際軌跡相加得到優化后軌跡，將所述優化后軌跡作為手術器械的實時運動軌跡。
29、本發明實施例的第二方面，提供面向微創手術的器械力反饋與人機協同操控系統，包括：
30、第一單元，用于通過設置于微創手術器械末端的力傳感器實時采集器械與人體組織接觸的三維力矩數據；將所述三維力矩數據輸入至預設的混合深度學習模型中，所述混合深度學習模型基于歷史手術數據訓練得到，用于識別當前手術操作的安全狀態；
31、第二單元，用于根據所述安全狀態判斷是否觸發預警信號，當所述安全狀態指示當前手術操作存在風險時，生成所述預警信號；基于所述預警信號觸發主動約束機制，通過機器人輔助系統產生與醫生操作方向相反的力反饋，對醫生的操作進行實時糾正；
32、第三單元，用于根據所述三維力矩數據的變化趨勢，計算出安全操作的力域范圍，當檢測到器械作用力超出所述力域范圍時，控制所述機器人輔助系統自動介入，實現手術器械的軌跡優化和作用力調節，確保手術操作的安全性和精確性。
33、本發明實施例的第三方面
34、提供一種電子設備，包括：
35、處理器；
36、用于存儲處理器可執行指令的存儲器；
37、其中，所述處理器被配置為調用所述存儲器存儲的指令，以執行前述所述的方法。
38、本發明實施例的第四方面，
39、提供一種計算機可讀存儲介質，其上存儲有計算機程序指令，所述計算機程序指令被處理器執行時實現前述所述的方法。
40、本技術的有益效果如下：
41、本發明通過在微創手術器械末端設置力傳感器實時采集三維力矩數據，并結合混合深度學習模型進行安全狀態識別，能夠及時發現潛在的手術風險，提高手術安全性。
42、本發明基于預警信號觸發主動約束機制，通過機器人輔助系統產生反向力反饋，可以實時糾正醫生的不當操作，有效避免因操作失誤造成的組織損傷，提升手術的精準性。
43、本發明通過計算安全操作的力域范圍并實現機器人輔助系統的自動介入，可以優化手術器械的運動軌跡和作用力大小，在保證手術安全的同時提高手術效率，實現人機協同的智能化手術操作。