稀疏手术运动学的循环与脉冲建模

机器人辅助微创手术正在改善外科医生表现与患者预后。这一创新也将原本主观的操作转变为可精确测量的运动序列。越来越多研究使用机器学习分析从手术机器人捕获的视频与运动学数据。在这些研究中，模型通常在代表性手术任务的基准数据集上训练以评估外科医生技能水平。尽管已表明新手与专家可被准确分类，但尚不清楚机器学习能否将高度熟练的外科医生彼此区分，尤其在没有视频数据的情况下。本研究探索仅使用运动学数据预测相似技能水平外科医生的可能性。我们聚焦于一个由模拟训练设备上的手术练习创建的新数据集。设计了一种简单高效的编码方案来编码运动学序列，使其适于边缘学习。我们报告仅基于运动特征即可识别在模拟练习中获得近乎满分的外科手术研究员。此外，我们的模型可转换为脉冲神经网络，在 Nengo 仿真框架上训练与推断且不损失精度。总体而言，本研究表明从稀疏运动特征构建神经形态模型可能是一种潜在有用策略，用于在机器人系统上部署芯片以识别外科医生与手势，从而在手术与训练期间提供自适应辅助，并带来额外的延迟与隐私优势。