Next-Generation Tactile Sensing and Machine Learning Integration for Robot-Assisted Minimally Invasive Surgery
Notice bibliographique
Résumé
Tactile feedback in robot-assisted minimally invasive surgery (RAMIS) is crucial for surgeons when palpating subsurface tumors and other organ structures. The research presented here is a new approach for tactile sensation generation that aims to provide deformation and texture detection in RAMIS. The proposed solution comprises three phases: feature extraction, recognition and feedback. The feature extraction process is based on data acquisition from two micro-electromechanical systems (MEMS) sensors and a force-sensitive resistor (FSR) sensor attached to an EndoWrist thoracic grasper instrument compatible with the da Vinci Surgical System. The acquired data is processed using digital signal processing methods and utilized in the recognition phase. The recognition segment receives the features as inputs for training and testing two advanced machine learning algorithms. The first algorithm is a Reflex Fuzzy Min-Max Neural Network (RFMN); the other is a Time Series Classification - Learning Shapelets (TSC-LS) method. The machine learning algorithms aim to accurately recognize and classify physiological structures with different softness and roughness into a corresponding deformation or texture label. Lastly, a means of mechanically giving the labeled data as feedback to the surgeon via a visual-tactile display and a wearable device located on the surgeon's forearm is accomplished to mimic palpation feedback during RAMIS.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».