一种基于时空相关性的心脏表面目标点运动预测方法
【技术领域】
[0001 ]本发明属于运动预测技术领域，更为具体地讲，设及一种基于时空相关性的屯、脏 表面目标点运动预测方法。
【背景技术】
[0002] 近年来，机器人技术越来越多的用于微创手术领域，用于减轻患者痛苦，降低手术 医生的工作强度，提高手术精度和降低手术难度。世界各地的研究机构都在积极开展机器 人辅助外科手术技术的研究。而很多先进的机器人辅助手术技术的临床应用，都需要建立 在对手术器官表面目标点的精准定位之上。
[0003] 在现有技术中，机器人辅助屯、脏外科手术中的"屯、跳同步"技术，手术中需要实时 跟踪屯、脏表面目标点的运动，并主动控制手术器械与其同步运动，从而为医生提供一个虚 拟稳定的操控环境，使得手术医生在进行切割或缝合等精准手术操控时，无需再手动的克 服快速屯、跳运动的干扰。为此，人们采用了不同的传感器系统对屯、脏表面目标点的运动进 行测量，如基于立体内窥镜的视觉测量系统、基于超声波探测器的测量系统和基于激光探 测器的测量系统等。
[0004] 然而，在实际临床应用中，想要实时、准确和稳定的测量和跟踪快速跳动的屯、脏表 面目标点的运动并不容易。手术器械的遮挡、器官表面软组织流血、电刀切割产生的烟雾等 手术过程中的各种动态干扰都可能中断测量系统对目标点的测量，使其暂时无法获得测量 值。为了弥补测量空白并在干扰消失后重启测量系统，就需要对目标点的运动进行精准的 预测。另外，从提高机械手臂控制精度的角度，也需要运动预测技术。由于机械手臂和手术 器械自身的质量和控制环节的时滞，要驱动和控制其与快速运动的屯、脏表面目标点同步运 动时，仅仅依靠常规的反馈控制无法实现，需要借助预测控制技术，提前预测目标点的运 动，给出相应的控制量。
[0005] 现有的运动预测方法，多从屯、跳运动的准周期性出发，基于目标点运动轨迹在时 间上的自相关性，利用最近的若干历史测量值通过建立预测模型，对当前或未来的目标点 进行预测。运类方法在进行长时间跨度的预测时，由于长时间未获得有效的测量值，随着时 间的推移，较早时刻获取的历史测量值与目标点当前位置之间的相关性急剧减弱，形成了 利用预测值的预测值的…预测值来进行预测的局面，预测误差会不断的累计和放大。另一 方面，屯、跳运动的频率和幅度等特性是随时间变化的，目标点历史测量值与当前的运动之 间的相关性也会随时间变化，因此，在长时间跨度的预测中，运种基于时间自相关性的预测 方法会引入较大的预测误差。
【发明内容】
[0006] 本发明的目的在于克服现有技术的不足，提供一种基于时空相关性的屯、脏表面目 标点运动预测方法，利用目标点与其周围辅助点在空间上的相关性，解决长时间跨度预测， 同时降低预测误差急剧增大的问题。
[0007]为实现上述发明目的，本发明一种基于时空相关性的屯、脏表面目标点运动预测方 法，其特征在于，包括W下步骤：
[000引（1)、建立并初始化线性预测模型GLM
[0009] (1.1 )、建立化Μ模型：利用屯、脏表面目标点P的N个历史测量值和Μ个辅助点建立L =Μ+化1阶的GLM模型，用方程表示为：
[0010] p{k) = (J(k-\}nik-\}
[00川其中，多佩为立维列向量，表示屯、脏表面目标点P在k时刻的S维空间坐标预测值； Q化-1)是3 X L维的模型设计矩阵，可表示为：
[0012]
[OOU] 它是由屯、脏表面目标点P在k时刻之前的N个历史ii量值:P化-N)，p化-N+1)，. . .，p 化-1)和Μ个辅助点在k-1时刻的测量值hi化-1)山化-1)，. . .，hM化-1)，W及一个元素全为1 的Ξ维列向量组成;W化-1)是k-1时刻的模型参数，是由L个权值系数组成的列向量；
[0014] (1.2)、初始化GLM模型:令k=l，将k=l之前的N个历史测量值和0时刻的Μ个辅助 点测量值都初始化为0向量，即：
[001 引 ρ(ι-ν)=ρ(2-Ν) =…=ρ(0)=0
[0016] hi(0)=h2(0) = ...=hM(0)=0
[0017] 并将0时刻的模型参数初始化为0向量，即w(0)=0,将方差矩阵初始化为V(0) = 1000 OIlxl，其中Ilxl表示L X L维的单位矩阵；
[0018] (2)、判断k时刻屯、脏表面目标点P是否测量成功，若测量系统提供测量值，则测量 成功，获得该时刻屯、脏表面目标点P的测量值P(k)，然后执行步骤(3);反之测量失败，则执 行步骤(4);
[0019] (3)、更新GLM模型参数
[0020] 基于迭代最小二乘滤波(RLS)原理，利用当前获取的屯、脏表面目标点P的测量值P 化），更新模型参数W化)及其方差矩阵Wk)，待更新完毕后，跳入步骤(5);
[0021] (4)、基于当前GLM模型获得屯、脏表面目标点P的预测值，具体如下：
[002^ 身脚。续皮-你-巧
[0023] 用预测值代替测量值，即令的幻=#脚，然后执行步骤(5);
[0024] (5)、更新GLM模型设计矩阵
[0025] 利用当前时刻的屯、脏表面目标点P的测量值P化)和Μ个辅助点的测量值hi化-l)，h2 化-1)，. . .，hM化-1)更新模型设计矩阵，得到
[0026]
[0027] (6)、当前时刻值k加1，即：k = k+l，再返回步骤(2)，进入下一时刻k+1的处理流程。
[002引本发明的发明目的是运样实现的：
[0029] 本发明基于时空相关性的屯、脏表面目标点运动预测方法，利用屯、脏表面目标点运 动轨迹的时间自相关性，W及与周围辅助点之间的空间相关性，建立预测目标点的线性模 型GLM，再基于当前GLM模型下获得预测值，从而解决了长时间跨度预测时，由于时间自相关 性减弱导致的预测误差急剧增大的问题。
[0030] 同时，本发明基于时空相关性的屯、脏表面目标点运动预测方法还具有W下有益效 果：
[0031] (1)、本发明充分利用屯、脏表面目标点与其周围辅助点之间的空间相关性，提高预 测精度和鲁棒性。现有技术只考虑目标点运动在时间上的自相关性，利用目标点的历史测 量值预测未来运动。运类方法在进行长时间连续多步的预测时，预测误差会随时间推移急 剧增大。本发明方法不仅利用目标点在时间上的自相关性，还利用了目标点和周围辅助点 的运动在空间上存在的相关性进行预测，因而在进行长时间大跨度的预测时，仍能保持极 高的预测精度。另一方面，由于目标点与辅助点之间存在天然的物理联系，而运种物理联系 几乎不随时间变化;因而可W获得更准确的预测结果。
[0032] (2)、本发明方法利用了简单的一般线性模型(GLM)对上述时空相关性进行建模， 所设计的递归流程，在测量系统成功获取测量值时，能够实时在线的更新模型参数，确保预 测模型的准确，运算的复杂度低，实时性好，可W满足手术过程中对屯、脏表面目标点的实时 跟踪和预测。
【附图说明】
[0033] 图1是本发明基于时空相关性的屯、脏表面目标点运动预测方法流程图；
[0034] 图2是本发明实施例中屯、脏表面目标点和辅助点的位置示意图；
[0035] 图3是本发明实施例中屯、脏表面目标点测量失败时的运动预测结果示意图。
【具体实施方式】
[0036] 下面结合附图对本发明的【具体实施方式】进行描述，W便本领域的技术人员更好地 理解本发明。需要特别提醒注意的是，在W下的描述中，当已知功能和设计的详细描述也许 会淡化本发明的主要内容时，运些描述在运里将被忽略。
[0037] 实施例
[0038] 本发明是利用屯、脏表面目标点运动的时间自相关性和与周围辅助点的空间相关 性，预测目标点未来的运动，预测的结果可用于当测量系统测量失败时，对目标点位置做出 准确估计，或用对手术机器人机械臂的预测控制。
[0039] 具体的说是通过在目标点测量值与其历史测量值W及辅助点测量值之间建立GLM 模型的方式实现。测量系统同时对目标点和若干个辅助点进行测量，外科手术中，目标点由 医生根据病人病情确定，其位置无法随意选择;而辅助点则可根据需要，选择具有明显特征 (容易被测量)且不易被手术中的动态因素影响的自然特征点或放置了人工测量标识物的 点。当无法获取目标点测量值时，仍可利用辅助点的最新测量值，对目标点进行准确预测， 解决现有方法在长时间预测时误差急剧增大的问题。
[0040] 在本实施例中，测量目标点运动的测量系统可W是基于立体内窥镜的视觉测量系 统、基于超声波探测的测量系统或基于激光和视觉的测量系统等。无论何种测量系统，在其 能对目标点进行直接测量时，本发明所述的方法会在每个测量采样时刻，利用最新获取的 目标点和辅助点测量值在线的更新GLM模型的参数和设计矩阵，确保GLM模型可W准确描述 目标点与其历史测量值w及辅助点测量值之间时空相关性；当测量系统无法获取测量值 时，则通过GLM模型预测目标点的位置，弥补测量系统的测量空白。因此，对于任何测量系统 因任何原因（如手术器械遮挡目标点、外部噪声干扰等)短时无法获取目标点位置时，都可 采用本方法进行预测，获得精确的目标点位置预测值。
[0041 ]下面结合附图和实施例对本发明作进一步说明。
[0042] 图1是本发明基于时空相关性的屯、脏表面目标点运动预测方法流程图。
[0043] 在本实施例中，利用本发明所述的方法对目标点近4个时刻的历史测量值和周围3 个辅助点，建立8阶GLM模型进行预测。
[0044] 下面结合图1所示的流程图，对预测的过程进行详细说明，具体包括如下步骤：
[0045] S1、建立并初始化GLM预测模型化= 1)，包括如下两个子步骤：
[0046] S1.1、建立化Μ模型：利用屯、脏表面目标点P的4个历史测量值和3个辅助点，建立8 阶GLM