Miniaturized Optical Force Sensor for Minimally Invasive Surgery With Learning-Based Nonlinear Calibration
Notice bibliographique
Résumé
A simple and miniaturized optical tactile sensor for integrating with robotic and manual minimally invasive surgery graspers is proposed in this study. For better miniaturization, the sensing principle of constant-bending-radius light intensity modulation was replaced with a variable-bending-radius modulation principle, and the pertinent theoretical formulation was derived. Afterward, a finite element model of the sensor was optimized using response surface optimization technique. The optimized sensor design was 14.0 mm long, 1.8 mm wide and 4 mm high. Next, the sensor was prototyped using SLA 3D printing technique. Also, the sensor was calibrated using a rate-dependent learning-based support-vector-regression algorithm. Calibration was 96% linear with a goodness-of-fit of 93% and mean absolute error of 0.085±0.096 N. Furthermore, the sensor was tested under cyclic triangular compression with a 3 sec pause between loading and unloading as well as manual grasping. Mean absolute error of 0.12±0.08 N, the minimum force of 0.14 N, and repeatability of 0.07 N showed the acceptable performance of the proposed sensor for surgical applications. Moreover, the sensor showed the capability of working under combined dynamic and static loading conditions with low hysteresis, i.e., 0.057 N/cycle.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».