考虑痛感的机器人静脉穿刺方法技术

本发明专利技术公开了考虑痛感的机器人静脉穿刺方法，本发明专利技术提出了两种模型，一种是基于面部表情的表情疼痛模型；另一种是基于皮肤的物理疼痛识别的皮肤疼痛模型，皮肤疼痛模型与应变能密度具有直接联系；通过有限元求解不同进针角度、进针速度及针头的穿刺力与应变能密度变化规律；利用问卷调查法确定两种模型对应权值，综合判断患者疼痛程度，针对不同人群制定不同控制策略，建立了一种考虑痛感的阻抗控制模型。该方法将视觉信号与生理信号进行整合，提高了疼痛评估的准确性，并针对不同的人群制定不同的进针策略，使其痛感最小，为后续机器人静脉穿刺过程智能化奠定了基础。人静脉穿刺过程智能化奠定了基础。人静脉穿刺过程智能化奠定了基础。

【技术实现步骤摘要】
考虑痛感的机器人静脉穿刺方法


[0001]本专利技术属于机器人静脉穿刺
，具体涉及考虑痛感的机器人静脉穿刺方法。

技术介绍

[0002]目前，临床静脉穿刺主要依赖熟练的医护人员进行操作，存在护士紧缺及工作量大的问题。同时，当面对肤色较黑、血管较深、纹身毛发的病人，尤其婴幼儿、老年人、肥胖患者及脱水病人，存在一次成功率低及针刺伤的风险，这会增加患者的痛感。
[0003]随着科室的细分，需要针对于不同手术领域研发专门的机器人。据研究，静脉穿刺机器人痛感低于人工穿刺，且由于其安全有效、创伤与并发症小，具有广泛的应用前景。
[0004]静脉穿刺是一种有创操作。对于丰富经验的医护人员，可根据不同患者静脉的特性，采取不同的进针策略。研究表明，全自动静脉穿刺机器人一般采用相同的进针策略，而疼痛在实践中被忽视，这会增加部分人群的痛感和患者的焦虑。在人机共存的环境下，在互动时特别需要考虑人的感官和情感感受，但现有全自动静脉穿刺机器人的控制中，无法自主识别疼痛并进行决策评估。因此，机器人嵌入人的主观体验至关重要。然而，目前对于疼痛的识别还比较单一，主要是以基于表情的不同网络模型来实现。而且，目前针对静脉穿刺疼痛并没有相关理论研究，主要采用随机对照试验获得不同进针角度、进针速度与疼痛之间的相关性。因此，需根据人的行为及生理状态变化，建立疼痛识别模型，并制定缓解疼痛策略，为后续机器人的控制提供指导，提升静脉穿刺机器人智能化程度，降低穿刺过程人的痛感，为静脉穿刺过程智能化奠定基础。

技术实现思路

[0005]本专利技术的目的在于提供考虑痛感的机器人静脉穿刺方法，针对不同类人群制定进针与穿刺策略，使患者在利用机器人穿刺中产生更小的痛感，有更好的穿刺体验。
[0006]本专利技术所采用的技术方案是：考虑痛感的机器人静脉穿刺方法，具体操作步骤如下：
[0007]步骤1：对UNBC数据集进行疼痛级别分类，然后对UNBC数据集进行预处理得到连续多个视频帧，将处理后的视频帧输入表情疼痛模型对模型进行训练与测试，得到最终的表情疼痛模型，所述表情疼痛模型是基于面部表情的卷积网络模型；
[0008]步骤2：根据穿刺过程中对应的皮肤生理信号判断疼痛程度，通过皮肤疼痛模型判断皮肤疼痛级别，采用随机森林分类算法进行人群分类，并用有限元求解应变能密度变化规律，进一步获得皮肤疼痛级别；
[0009]步骤3：针对不同静脉穿刺患者填写数据统计量表，根据数据统计量表的数值确定对应的表情疼痛模型或皮肤疼痛模型的权重；综合步骤1的表情疼痛模型与步骤2皮肤疼痛模型判断出穿刺患者的疼痛程度P；针对不同人制定进针不同的进针策略；将上述的进针策略输入控制系统保证痛感最小；
[0010]P＝a*P
face
+b*P
skin
[0011]式中：
[0012]P
face
‑‑
为表情疼痛等级；
[0013]P
skin
‑‑
皮肤物理疼痛等级；
[0014]a，b
‑‑
分别表示面部表情模型与皮肤疼痛模型对应权值，a,b∈[0,1]且a+b＝1。
[0015]本专利技术的特点还在于，
[0016]步骤1具体如下：
[0017]步骤1.1：利用PSPI对数据集进行划分，将疼痛程度划分为4类，针对此数据集，对逐帧图像进行图像处理，对上述图像进行预处理，预处理过程如下：
[0018]①
图像灰度变换，仅仅保留一个通道，提高循行效率；
[0019]②
直方图均衡化，增强图像对比度，方便后续边缘检测；
[0020]③
使用haarcascade_frontal
‑
face_default.xml分类器进行人脸检测；
[0021]④
图像裁剪与均值滤波：图像裁剪是保留患者正面，均值滤波是去除不具代表性的像素；
[0022]⑤
归一化与标准化，归一化是将图像像素转换为[0,1]之间，再经过标准化转换在[
‑
1,1]区间内；
[0023]步骤1.2：采用改进的VGG16网络结构生成表情疼痛模型，将处理后的视频帧输入表情疼痛模型进行训练与测试。
[0024]步骤1.1具体如下：
[0025]针对UNBC面部表情疼痛数据集，根据疼痛强度评分PSPI进行疼痛划分，对应的划分级别为4类；PSPI对应的值为1
‑
4定义为0级疼痛；5
‑
8定义为1 级疼痛；9
‑
12定义为2级别疼痛；>13定义为3级疼痛。
[0026]步骤1.2具体如下：
[0027]①
根据划分的疼痛级别进行分类，根据8:2进行训练集与测试集分类；
[0028]②
基于修改的VGG16网络结构，将其第二层全连接层数量更换为1000，疼痛输出个数更换为4；接下来训练表情疼痛模型，利用准确率与损失函数曲线，判断表情疼痛模型的收敛性；
[0029]③
利用测试集验证模型的分类精度，求解混淆矩阵，求解模型对应的分类精度准确率Accuracy，敏感性Sensitivity，特异性Specificity；准确率反映了模型总体的疼痛识别精度；敏感性反映表情疼痛模型在疼痛情况下检测疼痛的概率；特异性反映没有疼痛情况下检测到疼痛的概率；计算公式分别如下：
[0030][0031][0032][0033]其中，TN表示正确分类无疼痛图像的数量；TP表示正确分类的疼痛图像的数量；FN表示错误分类无疼痛图像的数量，FP表示错误分类疼痛图像的数量；
[0034]④
若测试集分类精度达到实验要求，则可根据患者面部表情的变化实时判断疼痛级别P
face
。
[0035]步骤2具体如下：
[0036]皮肤疼痛模型获得的疼痛计算公式如下所示：
[0037]P
skin
＝P
HMR
+P
PMR
[0038]其中，P
HMR
表示快痛，P
PMR
表示慢痛，
[0039]快痛P
HMR
计算公式如下：
[0040]P
HMR
＝G1T
HMR
[0041][0042][0043]其中，G1是快痛传递函数；SED
s
是皮肤层与脂肪层之间的应变能密度；θ
F
是皮肤感受器疼痛阈值；K1是快痛放大系数、T1是快痛阶段的时间常数。
[0044]慢痛P
PMR
计算公式如下：
[0045]P
PMR
＝T
PMR
e
‑
Ls
[0046][0047]S＝G2SED
d
[0048][0049]其中，e
‑...

【技术保护点】

【技术特征摘要】
1.考虑痛感的机器人静脉穿刺方法，其特征在于，具体操作步骤如下：步骤1：对UNBC数据集进行疼痛级别分类，然后对UNBC数据集进行预处理得到连续多个视频帧，将处理后的视频帧输入表情疼痛模型对模型进行训练与测试，得到最终的表情疼痛模型，所述表情疼痛模型是基于面部表情的卷积网络模型；步骤2：根据穿刺过程中对应的皮肤生理信号判断疼痛程度，通过皮肤疼痛模型判断皮肤疼痛级别，采用随机森林分类算法进行人群分类，并用有限元求解应变能密度变化规律，进一步获得皮肤疼痛级别；步骤3：针对不同静脉穿刺患者填写数据统计量表，根据数据统计量表的数值确定对应的表情疼痛模型或皮肤疼痛模型的权重；综合步骤1的表情疼痛模型与步骤2皮肤疼痛模型判断出穿刺患者的疼痛程度P；针对不同人制定进针不同的进针策略；将上述的进针策略输入控制系统保证痛感最小；P＝a*P
face
+b*P
skin
式中：P
face
‑‑
为表情疼痛等级；P
skin
‑‑
皮肤物理疼痛等级；a，b
‑‑
分别表示面部表情模型与皮肤疼痛模型对应权值，a,b∈[0,1]且a+b＝1。2.根据权利要求1所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤1具体如下：步骤1.1：利用PSPI对数据集进行划分，将疼痛程度划分为4类，针对此数据集，对逐帧图像进行图像处理，对上述图像进行预处理，预处理过程如下：
①
图像灰度变换，仅仅保留一个通道，提高循行效率；
②
直方图均衡化，增强图像对比度，方便后续边缘检测；
③
使用haarcascade_frontal
‑
face_default.xml分类器进行人脸检测；
④
图像裁剪与均值滤波：图像裁剪是保留患者正面，均值滤波是去除不具代表性的像素；
⑤
归一化与标准化，归一化是将图像像素转换为[0,1]之间，再经过标准化转换在[
‑
1,1]区间内；步骤1.2：采用改进的VGG16网络结构生成表情疼痛模型，将处理后的视频帧输入表情疼痛模型进行训练与测试。3.根据权利要求2所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤1.1具体如下：针对UNBC面部表情疼痛数据集，根据疼痛强度评分PSPI进行疼痛划分，对应的划分级别为4类；PSPI对应的值为1
‑
4定义为0级疼痛；5
‑
8定义为1级疼痛；9
‑
12定义为2级别疼痛；>13定义为3级疼痛。4.根据权利要求2所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤1.2具体如下：
①
根据划分的疼痛级别进行分类，根据8:2进行训练集与测试集分类；
②
基于修改的VGG16网络结构，将其第二层全连接层数量更换为1000，疼痛输出个数更换为4；接下来训练表情疼痛模型，利用准确率与损失函数曲线，判断表情疼痛模型的收敛
性；
③
利用测试集验证模型的分类精度，求解混淆矩阵，求解模型对应的分类精度准确率Accuracy，敏感性Sensitivity，特异性Specificity；准确率反映了模型总体的疼痛识别精度；敏感性反映表情疼痛模型在疼痛情况下检测疼痛的概率；特异性反映没有疼痛情况下检测到疼痛的概率；计算公式分别如下：检测到疼痛的概率；计算公式分别如下：检测到疼痛的概率；计算公式分别如下：其中，TN表示正确分类无疼痛图像的数量；TP表示正确分类的疼痛图像的数量；FN表示错误分类无疼痛图像的数量，FP表示错误分类疼痛图像的数量；
④
若测试集分类精度达到实验要求，则可根据患者面部表情的变化实时判断疼痛级别P
face
。5.根据权利要求2所述的考虑痛感的机器人静脉穿刺方法，其特征在于，步骤2具体如下：皮肤疼痛模型获得的疼痛计算公式如下所示：P
skin
＝P
HMR
+P
PMR
其中，P
HMR
表示快痛，P
PMR
表示慢痛，快痛P
HMR
计算公式如下：P
HMR
＝G1T
HMRHMR
其中，G1是快痛传递函数；SED
s
是皮肤层与脂肪层之间的应变能密度；θ
F
是皮肤感受器疼痛阈值；K1是快痛放大系数、T1是快痛阶段的时间常数；慢痛P
PMR
计算公式如下：P
PMR
＝T
PMR
e
‑
Ls
S＝G2SED
d
其中，e
‑
Ls
是为慢痛延迟时间；θ
PMR
是深层感受器...

【专利技术属性】
技术研发人员：傅卫平，王文辉，彭丽霞，高志强，李睿，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：