手术手势的弱监督识别

从手术机器人记录的运动学轨迹包含有关手术手势的信息，并可能编码关于外科医生技能水平的线索。将这些轨迹自动分割为有意义的动作单元有助于开发用于手术技能评估的新指标，并简化手术自动化。最先进的动作识别方法依赖于大型数据集的手动标注，这耗时且易出错。已开发无监督方法来克服这些限制。然而，它们通常依赖于繁琐的参数调优，且性能不如监督方法，特别是在如手术轨迹等高变异性数据上。因此，弱监督的潜力在于改进无监督学习，同时避免大型数据集的手动标注。在本文中，我们至少使用一次专家演示及其真值标注来为基于 GMM 的手势识别算法生成合适的初始化。我们在真实手术演示上表明，该算法显著优于标准的任务无关初始化方法。我们还展示了如何通过重新定义动作和优化输入来进一步提高识别精度。