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

本发明专利技术公开了一种基于时空相关性的心脏表面目标点运动预测方法，利用心脏表面目标点运动轨迹的时间自相关性，以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。

【技术实现步骤摘要】

本专利技术属于运动预测
，更为具体地讲，涉及一种基于时空相关性的心脏表面目标点运动预测方法。
技术介绍
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。在现有技术中，机器人辅助心脏外科手术中的“心跳同步”技术，手术中需要实时跟踪心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心跳运动的干扰。为此，人们采用了不同的传感器系统对心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。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心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心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。现有的运动预测方法，多从心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。这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，心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，这种基于时间自相关性的预测方法会引入较大的预测误差。
技术实现思路
本专利技术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心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。为实现上述专利技术目的，本专利技术一种基于时空相关性的心脏表面目标点运动预测方法，其特征在于，包括以下步骤：(1)、建立并初始化线性预测模型GLM(1.1)、建立GLM模型：利用心脏表面目标点p的N个历史测量值和M个辅助点建立L＝M+N+1阶的GLM模型，用方程表示为：p^(k)=Q(k-1)w(k-1)]]>其中，为三维列向量，表示心脏表面目标点p在k时刻的三维空间坐标预测值；Q(k-1)是3×L维的模型设计矩阵，可表示为：它是由心脏表面目标点p在k时刻之前的N个历史测量值：p(k-N),p(k-N+1),...,p(k-1)和M个辅助点在k-1时刻的测量值h1(k-1),h2(k-1),...,hM(k-1)，以及一个元素全为1的三维列向量组成；w(k-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；(1.2)、初始化GLM模型：令k＝1，将k＝1之前的N个历史测量值和0时刻的M个辅助点测量值都初始化为0向量，即：p(1-N)＝p(2-N)＝…＝p(0)＝0h1(0)＝h2(0)＝…＝hM(0)＝0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)＝10000IL×L，其中IL×L表示L×L维的单位矩阵；(2)、判断k时刻心脏表面目标点p是否测量成功，若测量系统提供测量值，则测量成功，获得该时刻心脏表面目标点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)；(3)、更新GLM模型参数基于迭代最小二乘滤波(RLS)原理，利用当前获取的心脏表面目标点p的测量值p(k)，更新模型参数w(k)及其方差矩阵V(k)，待更新完毕后，跳入步骤(5)；(4)、基于当前GLM模型获得心脏表面目标点p的预测值，具体如下：p^(k)=Q(k-1)w(k-1)]]>用预测值代替测量值，即令然后执行步骤(5)；(5)、更新GLM模型设计矩阵利用当前时刻的心脏表面目标点p的测量值p(k)和M个辅助点的测量值h1(k-1),h2(k-1),...,hM(k-1)更新模型设计矩阵，得到(6)、当前时刻值k加1，即：k＝k+1，再返回步骤(2)，进入下一时刻k+1的处理流程。本专利技术的专利技术目的是这样实现的：本专利技术基于时空相关性的心脏表面目标点运动预测方法，利用心脏表面目标点运动轨迹的时间自相关性，以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。同时，本专利技术基于时空相关性的心脏表面目标点运动预测方法还具有以下有益效果：(1)、本专利技术充分利用心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。这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。本专利技术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，而这种物理联系几乎不随时间变化；因而可以获得更准确的预测结果。(2)、本专利技术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，可以满足手术过程中对心脏表面目标点的实时跟踪和预测。附图说明图1是本专利技术基于时空相关性的心脏表面目标点运动预测方法流程图；图2是本专利技术实施例中心脏表面目标点和辅助点的位置示意图；图3是本专利技术实施例中心脏表面目标点测量失败时的运动预测结果示意图。具体实施方本文档来自技高网...

【技术保护点】
一种基于时空相关性的心脏表面目标点运动预测方法，其特征在于，包括以下步骤：(1)、建立并初始化线性预测模型GLM(1.1)、建立GLM模型：利用心脏表面目标点p的N个历史测量值和M个辅助点建立L＝M+N+1阶的GLM模型，用方程表示为：p^(k)=Q(k-1)w(k-1)]]>其中，为三维列向量，表示心脏表面目标点p在k时刻的三维空间坐标预测值；Q(k‑1)是3×L维的模型设计矩阵，可表示为：它是由心脏表面目标点p在k时刻之前的N个历史测量值：p(k‑N),p(k‑N+1),...,p(k‑1)和M个辅助点点在k‑1时刻的测量值h1(k‑1),h2(k‑1),...,hM(k‑1)，以及一个元素全为1的三维列向量组成；w(k‑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；(1.2)、初始化GLM模型：令k＝1，将k＝1之前的N个历史测量值和0时刻的M个辅助点测量值都初始化为0向量，即：p(1‑N)＝p(2‑N)＝…＝p(0)＝0h1(0)＝h2(0)＝…＝hM(0)＝0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)＝10000IL×L，其中IL×L表示L×L维的单位矩阵；(2)、判断k时刻心脏表面目标点p是否测量成功，若测量系统提供测量值，则测量成功，获得该时刻心脏表面目标点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)；(3)、更新GLM模型参数基于迭代最小二乘滤波(RLS)原理，利用当前获取的心脏表面目标点p的测量值p(k)，更新模型参数w(k)及其方差矩阵V(k)，待更新完毕后，跳入步骤(5)；(4)、基于当前GLM模型获得心脏表面目标点p的预测值，具体如下：p^(k)=Q(k-1)w(k-1)]]>用预测值代替测量值，即令p(k)＝p(k)，然后执行步骤(5)；(5)、更新GLM模型设计矩阵利用当前时刻的心脏表面目标点p的测量值p(k)和M个辅助点的测量值h1(k‑1),h2(k‑1),...,hM(k‑1)更新模型设计矩阵，得到(6)、当前时刻值k加1，即：k＝k+1，再返回步骤(2)，进入下一时刻k+1的处理流程。...

【技术特征摘要】
1.一种基于时空相关性的心脏表面目标点运动预测方法，其特征在于，包
括以下步骤：
(1)、建立并初始化线性预测模型GLM
(1.1)、建立GLM模型：利用心脏表面目标点p的N个历史测量值和M个
辅助点建立L＝M+N+1阶的GLM模型，用方程表示为：
p^(k)=Q(k-1)w(k-1)]]>其中，为三维列向量，表示心脏表面目标点p在k时刻的三维空间坐标
预测值；Q(k-1)是3×L维的模型设计矩阵，可表示为：
它是由心脏表面目标点p在k时刻之前的N个历史测量值：
p(k-N),p(k-N+1),...,p(k-1)和M个辅助点点在k-1时刻的测量值
h1(k-1),h2(k-1),...,hM(k-1)，以及一个元素全为1的三维列向量组成；w(k-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；
(1.2)、初始化GLM模型：令k＝1，将k＝1之前的N个历史测量值和0时刻
的M个辅助点测量值都初始化为0向量，即：
p(1-N)＝p(2-N)＝…＝p(0)＝0
h1(0)＝h2(0)＝…＝hM(0)＝0
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)＝10000IL×L，其中IL×L表示L×L维的单位矩阵；
(2)、判断k时刻心脏表面目标点p是否测量成功，若测量系统提供测量值，
则测量成功，获得该时刻心脏表面目标点p的测量值p(k)，然后执行步骤(3)；
反之测量失败，则执...

【专利技术属性】
技术研发人员：杨波，郑文锋，刘珊，谢建军，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51