Toward Task Autonomy in Robotic Cardiac Ablation: Learning-Based Kinematic Control of Soft Tendon-Driven Catheters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The goal of this study was to propose and validate a control framework with level-2 autonomy (task autonomy) for the control of flexible ablation catheters. To this end, a kinematic model for the flexible portion of typical ablation catheters was developed and a 40-mm-long spring-loaded flexible catheter was fabricated. The feasible space of the catheter was obtained experimentally. Furthermore, a robotic catheter intervention system was prototyped for controlling the length of the catheter tendons. The proposed control framework used a support vector machine classifier to determine the tendons to be driven, and a fully connected neural network regressor to determine the length of the tendons. The classifier and regressors were trained with the data from the feasible space. The control system was implemented in parallel at user-interface and firmware and exhibited a 0.4-s lag in following the input. The validation studies were four trajectory tracking and four target reaching experiments. The system was capable of tracking trajectories with an error of 0.49 ± 0.32 and 0.62 ± 0.36 mm in slow and fast trajectories, respectively. Also, it exhibited submillimeter accuracy in reaching three preplanned targets and ruling out one nonfeasible target autonomously. The results showed improved accuracy and repeatability of the position control compared with the recent literature. The proposed learning-based approach could be used in enabling task autonomy for catheter-based ablation therapies.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle