基于LSTM神经网络预测控制的磁激光内窥镜控制方法技术

本发明专利技术属于医疗机器人控制、非线性系统控制领域，具体涉及一种基于LSTM神经网络预测控制的磁激光内窥镜控制方法，旨在解决具有非线性、不确定环节和条件约束下的磁激光内窥镜最优控制问题。本发明专利技术的实现步骤包括：初始化控制序列；使用已完成训练的LSTM神经网络进行模型预测；实时采集磁激光内窥镜射出的激光点坐标，并将其与模型预测的结果合并运算实现反馈校正；反馈校正的输出与设定轨迹做差后输入滚动优化环节并计算出最优的控制量。本发明专利技术提高了磁激光内窥镜控制的鲁棒性和稳定性，解决了因磁激光内窥镜存在非线性、不确定环节造成的建模困难问题。建模困难问题。建模困难问题。

【技术实现步骤摘要】
基于LSTM神经网络预测控制的磁激光内窥镜控制方法


[0001]本专利技术属于医疗机器人控制、非线性系统控制领域，具体涉及一种基于LSTM神经网络预测控制的磁激光内窥镜控制方法。

技术介绍

[0002]激光微创手术是治疗咽喉癌症的一种优良的手术方法，其对器官损伤小、出血量少、手术精度高，特别适合诸如声带肿瘤切除等手术，能够减少患者康复时间。磁激光内窥镜是一种用于执行咽喉激光微创手术的新型装置，相较于传统的手术器械，其更加符合人体工程学，更加具有灵活性，能够降低手术的操作难度，能让患者在术中保持较为自然的姿态，有效避免因长时间僵持导致的肌肉和韧带损伤(Loris Fichera，“Bringing the light inside the body to perform better surgery，”Science Robotics，6，50，2021)。同时相较于其他类型的激光内窥镜，磁激光内窥镜使用磁场作为驱动机制，具备生物兼容性，对人体的影响小，并兼具足够的扫描速度，其驱动电流和电压都保证在人体安全范围内，有效消除了手术中的安全隐患。
[0003]然而，由于磁激光内窥镜电磁线圈产生的磁场在空间中的分布非线性程度较高，磁体在磁场中的受力分析复杂，磁激光内窥镜的部分环节参数未知且不易测量(如硬质光纤的弹性系数，磁性薄壳的磁矩等)，造成了磁激光内窥镜建模与控制的困难。现有的应对方案是使用参数未知的线性二阶微分方程作为模型描述磁激光内窥镜系统，再依据实验数据使用最小二乘法对线性二阶微分方程的未知参数进行参数辨识(Alperen Acemoglu，et al.，“Design and Control of a Magnetic Laser Scanner for Endoscopic Microsurgeries，IEEE/ASME Transactions on Mechatronics，24，2，2019)，最后结合完成辨识的模型实现逆模型的开环控制或者PID控制(Hamed Mohammadbagherpoor，et al.，“Closed
‑
Loop Control of a Magnetically Actuated Fiber
‑
Coupled Laser for Computer
‑
Assisted Laser Microsurgery，”ICAR，2019)。该类方法建模过程简单，易于实现，但其建立的模型不能很好的描述磁激光内窥镜的非线性特征，使用的控制方法也不能妥善地处理来自非线性环节的干扰，导致了磁激光内窥镜的扫描范围狭小，限制了磁激光内窥镜在实际临床中的应用。
[0004]神经网络具备较强的非线性拟合能力，使用过程简单，常被用于描述非线性系统。而LSTM神经网络是一种动态神经网络，能够处理长时间序列的建模问题，因此能够为兼具非线性环节和动态特性的系统建立模型。模型预测控制是一种闭环的有效最优控制方法，包含滚动优化、模型预测、反馈校正三个环节，它能够结合预测模型对非线性系统实现平稳、精确的最优控制，并且对预测模型存在的误差和失配情况具备较好的包容性。LSTM神经网络和模型预测相结合的控制方法适用于存在非线性环节和参数未知的系统。

技术实现思路

[0005]针对现有技术存在的上述问题，结合LSTM神经网络和模型预测的优点，本专利技术提
供一种基于LSTM神经网络预测控制的磁激光内窥镜控制方法，该方法使用LSTM神经网络构建磁激光内窥镜的预测模型，联合模型预测控制方法实现对磁激光内窥镜更加稳定、鲁棒性更强、更大扫描范围的控制。
[0006]为了达到以上目标，本专利技术所述磁激光内窥镜，包括：外壳、硬质光纤、电磁线圈、聚焦镜头和微型摄像头。
[0007]所述外壳为圆柱形，包括四个安装槽和一个微型摄像头插槽；所述安装槽为圆柱形，位于所述磁激光内窥镜的末端，正对的两个安装槽的轴线重合，相邻的两个安装槽轴线垂直，四个安装槽的轴线都位于同一平面，这样布局利于所述电磁线圈所产生的磁场在空间中相互对称。所述微型摄像头插槽为圆柱形，并镶嵌于所述外壳的壁中，其开口位于所述磁激光内窥镜的末端，其轴线与外壳的轴线平行。
[0008]所述硬质光纤用于传导激光，同时能够支撑所述聚焦镜头，并具备足够的弹性和回复性，保证在没有磁场或撤去磁场的情况下所述聚焦镜头的能够回复到所述外壳内部的中轴线上。
[0009]所述电磁线圈为圆柱形，包含磁芯，能够刚好镶嵌于所述安装槽内，它们的轴线分别与所述安装槽的轴线一一对应重合，所述磁芯用于增加线圈产生磁场的强度，提升所述磁激光内窥镜的扫描能力。
[0010]所述聚焦镜头包括磁性薄壳和聚焦透镜，所述磁性薄壳用于连接所述聚焦透镜和所述硬质光纤，并且加大所述聚焦镜头在磁场中的受力，所述聚焦透镜用于聚拢激光，防止激光过度发散。
[0011]所述微型摄像头用于实时采集激光点位置，安放于所述微型摄像头插槽中，并保证能够有能够覆盖所述磁激光内窥镜扫描范围的视野。
[0012]本专利技术基于LSTM神经网络预测控制的磁激光内窥镜控制方法，包括以下步骤。
[0013]步骤0，使用所述LSTM神经网络进行预测控制前，需以采自所述磁激光内窥镜的训练样本对LSTM神经网络进行训练，所述训练样本的输入数据集B由连续变化的磁感应强度信号组成，输出数据集Y为对应输入数据集的磁激光内窥镜的激光点投射位置坐标。
[0014]在一些优选的实施方式中，所述LSTM神经网络的训练算法为Adam算法，所述LSTM神经网络的结构为：输入层—隐藏层—隐藏层—输出层，所述结构所对应每一层的LSTM神经元个数为：2—36—20—2。
[0015]步骤1，当对所述磁激光内窥镜的控制开始时，首先初始化控制量序列U＝[U(1),U(2),U(3)......U(i)]，其中i为控制时域长度，并通过所述微型摄像头获取所述磁激光内窥镜射出的激光点的当前位置坐标O。
[0016]步骤2，将控制量序列U按顺序依次送入到训练好的LSTM神经网络预测模型中进行运算，以获得对应所述磁激光内窥镜输出激光点位置坐标的预测序列Om＝[Om(1),Om(2),Om(3)......Om(k)]，其中k为预测时域长度。
[0017]步骤3，将预测序列Om和位置坐标O一同输入反馈校正环节，通过反馈校正环节中的运算得到校正后的反馈量序列Op＝[Op(1),Op(2),Op(3)......Op(k)]。
[0018]步骤4，当前t时刻，将从期望轨迹中提取的参考位置坐标序列Or＝[Or(t),Or(t+1)......Or(t+k)]依次与校正后的反馈量序列Op做比较运算，将运算后的结果送入滚动优化环节进行一次滚动优化，得到优化后的控制量序列U'，所述的期望轨迹写为[Or(1),Or
(2),Or(3)......Or(n)]，为所有激光点参考位置坐标序列的集合，并且n＞k。
[0019]步骤5，将优化一次后的控制量序列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LSTM神经网络预测控制的磁激光内窥镜控制方法，所述磁激光内窥镜，包括：外壳、硬质光纤、电磁线圈、聚焦镜头和微型摄像头；所述外壳为圆柱形，包括四个安装槽和一个微型摄像头插槽；所述安装槽为圆柱形，位于所述磁激光内窥镜的末端，正对的两个安装槽的轴线重合，相邻的两个安装槽轴线垂直，四个安装槽的轴线都位于同一平面；所述微型摄像头插槽为圆柱形，并镶嵌于所述外壳的壁中，其开口位于所述磁激光内窥镜的末端，其轴线与外壳的轴线平行；所述硬质光纤用于传导激光，同时能够支撑所述聚焦镜头，并具备足够的弹性；所述电磁线圈为圆柱形并包含磁芯，放置于所述安装槽内，它们的轴线分别与所述安装槽的轴线一一对应重合；所述聚焦镜头包括磁性薄壳和聚焦透镜，聚焦镜头静止时位于所述外壳内部的中轴线处；所述微型摄像头用于实时采集激光点位置，安放于所述微型摄像头插槽中；其特征在于，包含以下步骤：步骤1，当对所述磁激光内窥镜的控制开始时，首先初始化控制量序列U＝[U(1),U(2),U(3)......U(i)]，其中i为控制时域长度，并通过所述微型摄像头获取所述磁激光内窥镜射出的激光点的位置坐标O；步骤2，将控制量序列U按顺序依次送入到训练好的LSTM神经网络预测模型中进行运算，以获得对应所述磁激光内窥镜输出激光点位置坐标的预测序列Om＝[Om(1),Om(2),Om(3)......Om(k)]，其中k为预测时域长度；步骤3，将预测序列Om和位置坐标O一同输入反馈校正环节，通过反馈校正环节中的运算得到校正后的反馈量序列Op＝[Op(1),Op(2),Op(3)......Op(k)]；步骤4，将当前t时刻的激光点参考位置坐标序列Or＝[Or(t),Or(t+1)......Or(t+k...

【专利技术属性】
技术研发人员：张琦，张锡维，李晓，李育铭，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：