AI-Powered Robust Interaction Force Control of a Cardiac Ultrasound Robotic System
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
This article introduces a novel intelligent robust interaction force control method for a cardiac ultrasound robotic system (CURS), exploiting dual control loops and artificial intelligence (AI)-driven image feedback to enhance both image quality and patient safety during cardiac examinations. Unlike existing systems that use a constant interaction force, the proposed method adjusts the force based on ultrasound image feedback, which is critical for adapting to different cardiac views. The system employs an internal control loop, where the force feedback generates control commands (low-level controller), and an external control loop, where the feedback is processed through a convolutional neural network (CNN), named ultrasound-cardiac-feature-net (UCF-Net), determines the optimal force values (high-level controller). An adaptive filtered quasi-sliding mode controller (AFQSMC) manages both interaction force and probe’s position within a hybrid position/force control context, ensuring robustness against uncertainties and disturbances. Experimental evaluations on a cardiac phantom navigating main cardiac views demonstrate the superiority of the proposed approach over traditional constant force control. Moreover, AFQSMC achieves significant improvements in interaction force control, with enhancements ranging from 21.87% to 68.25% over traditional FQSMC, sliding mode control (SMC), and proportional-integral (PI) controllers, across quantitative metrics such as root mean square (RMS), standard deviation (STD), and Max, confirming its potential for improving cardiac examination performance.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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