RMIS 训练中的自动化手术技能评估

目的：基础 RMIS 训练中的人工反馈会耗费专家外科医生日程中的大量时间，且易带主观性。虽然基于 VR 的训练任务可生成自动化评分报告，但对于在 RMIS 训练中执行基础手术任务的外科医生，尚无生成自动反馈的机制。本文中，我们探索使用不同整体特征进行仅基于机器人运动学数据的自动化技能评估，并提出一种加权特征融合技术以提升分数预测性能。方法：我们在公开可用的 JIGSAWS 数据集上实验，评估来自机器人运动学数据的四类整体特征——序列运动纹理（SMT）、离散傅里叶变换（DFT）、离散余弦变换（DCT）和近似熵（ApEn）。这些特征随后用于技能分类与精确技能分数预测。除单独使用这些特征外，我们也以所提加权组合技术评估性能。结果：我们的结果表明，这些整体特征在 JIGSAWS 数据集上的技能分类优于所有先前基于 HMM 的最优方法。此外，我们提出的特征融合策略显著提升了技能分数预测性能，平均 Spearman 相关系数最高达 0.61。结论：从机器人运动学数据捕获全局信息的整体特征可成功用于评估 da Vinci 机器人上基础手术任务的外科医生技能。采用所提框架有望实现 RMIS 训练中的实时分数反馈。