面向恒壓腹腔鏡手術的云控制過程模型

樂 濤，陳慶奎，黃 陳

（1上海理工大學 光電信息與計算機工程學院，上海 200093；2上海市第一人民醫(yī)院，上海 201620）

0 引 言

隨著國民經(jīng)濟的飛速發(fā)展，醫(yī)療環(huán)境逐步改善，腹腔鏡也成為了一種比較常見的外科手術。自1991年以來，國內(nèi)腹腔鏡手術的應用越來越廣泛，尤其是膽囊切除手術在腹腔鏡手術中占比很高，所以對腹腔鏡手術環(huán)境的改進顯得尤為重要。傳統(tǒng)的腹腔鏡手術是在腹部的不同部位切開2～4個小切口，通過這些小切口插入攝像頭和各種特殊的手術器械，使醫(yī)生通過攝像頭拍攝的影像，配合各種手術器械在體外完成手術。為了使醫(yī)生在手術過程中能清楚地觀察到患病的部位，需要在腹部的一個切口處充入CO，使腹腔能夠膨脹。腹腔鏡手術經(jīng)過30多年的發(fā)展，仍是主流的微創(chuàng)手術，既為醫(yī)生提供了手術操作的便利，也為病人提高了手術的安全性。

通常，在手術過程中，為了能夠清晰地看見手術部位，需要醫(yī)生手控增壓，將腹內(nèi)壓控制在12～15 mmHg之間。所謂的增壓就是往腹腔中充入CO。在增壓的過程中，由于病人體質(zhì)不同，增壓的時間有所不同。如果充入的CO濃度過大，會使病人體內(nèi)產(chǎn)生碳酸，導致病人手術后產(chǎn)生酸痛。但由于醫(yī)生的醫(yī)術水平不同，不能夠達到統(tǒng)一的增壓標準。所以需要使用大數(shù)據(jù)技術來改善手術過程。為了完成這項工作，可以在手術器械上安裝壓力傳感器裝置，實時監(jiān)控腹腔的壓力值，同時在充氣管道上增加一個自動控制閥門，能夠自動調(diào)節(jié)氣體的充入量，保證腹腔的壓力處于一個使病人舒適的狀態(tài)。這樣即能夠使醫(yī)生在手術過程中有一個清晰的畫面，又能保證氣壓的穩(wěn)定，從而減少病人的痛苦。但是，單獨增加這些裝置是不能形成手術過程中的自動控制，故需要使用云控制模型，真正實現(xiàn)自動控制。云控制模型的建立需要收集腹腔鏡手術的過程數(shù)據(jù)，并對其數(shù)據(jù)進行聚類，形成標準化的手術過程；再按照手術過程事件，對標準化的手術過程切割成標準化過程片段，形成事件與過程片段的對應關系。手術過程事件是手術過程中醫(yī)生進行的手術操作，例如：快速增壓、保持平穩(wěn)和快速減壓等事件。具體手術過程事件定義以及描述見表1。所謂過程片段就是為保證腹腔的壓強穩(wěn)定，手術過程中對不同類型的病人進行腹腔增壓的時長或減壓的時長數(shù)據(jù)，這些片段可以通過函數(shù)進行擬合得來。目前的腹腔鏡手術是通過醫(yī)生手動控制充氣開關，進行CO的充入用來保持腹腔的膨脹。為了將醫(yī)生手動調(diào)節(jié)過程轉換為自動化調(diào)節(jié)的過程，實現(xiàn)腹腔壓強的恒定，本文提出面向恒壓腹腔鏡手術的云控制過程模型。該模型針對已有的腹腔鏡手術過程數(shù)據(jù)使用K-means算法，根據(jù)病人屬性進行聚類，再利用DTW和Apriori算法篩選出強相關的手術腹壓變換過程，形成個相似的手術腹壓變換過程；對個手術腹壓變換過程中，維持腹腔壓強恒定的控制閥門開度函數(shù)調(diào)用記錄進行規(guī)范化處理，將手術腹壓變換過程按照手術過程事件，分解為若干個標準化的過程控制段；對手術過程中使腹腔壓強發(fā)生變化的操作定義為過程事件集合，使用過程事件集合與標準化的過程控制段集合的笛卡兒積，形成事件-過程控制段鍵值對集合；在新的手術過程中捕獲過程事件，利用過程事件查詢鍵值對集合，利用查詢得到的過程控制段控制手術過程。該模型利用機器學習的方法，優(yōu)化事件-過程控制段鍵值對集合。

表1 手術過程事件的定義及描述Tab.1 Definition and description of surgical procedures

1 相關工作

與傳統(tǒng)的開腹手術相比，腹腔鏡手術是外科手術最偉大的進展之一，具有恢復時間短、術后疼痛更輕、并發(fā)癥更少的優(yōu)點。腹腔鏡手術從手輔式腹腔鏡 手 術（hand-assisted laparoscopic surgrey，HALS），到單孔腹腔鏡手術，再到機器人輔助腹腔鏡手術，逐步走向智能化。從手術的發(fā)展可以觀察到醫(yī)療器械與互聯(lián)網(wǎng)技術相輔相成。文獻［10］描述了運用針鏡器械進行微創(chuàng)手術，雖然減少了手術切口面積，但增加了手術時長。蘇萌萌等人將機器人與腹腔鏡行胃癌根治術后，患者恢復情況進行對照研究，得出機器人系統(tǒng)行胃癌根治術的患者創(chuàng)傷更小、恢復較快的結論。

大數(shù)據(jù)、云計算和人工智能等技術改變著傳統(tǒng)的醫(yī)療方式。醫(yī)療領域的研究人員利用深度學習和機器學習進行病情的輔助診斷。如：文獻［12］利用人工智能搭建的輔助系統(tǒng)，用來進行新冠肺炎（2019-nCov）疑似病例的篩選，增加了診斷的準確性，提升了醫(yī)生的治療效率。文獻［13］將人工智能用于對糖尿病患者不寧腿綜合（RLS）征預測，進行早防御早治療。文獻［14］提出計算機視覺技術以及應用對手術輔助機器人LoA進行了改進。文獻［15］提出利用基于DTW距離度量的層次聚類算法，對大規(guī)模的時間序列數(shù)據(jù)進行聚類，即能夠取得較好的聚類效果，又能降低聚類的計算量。文獻［16］設計實現(xiàn)改進的基于布爾映射矩陣的Apriori算法，并將其應用于醫(yī)院診療數(shù)據(jù)的挖掘分析。

因此，通過計算機技術實現(xiàn)智能輔助腹腔手術有著非常重要的研究意義。未來人工智能才是單孔腹腔鏡技術的發(fā)展方向。因此在腹腔鏡手術過程中提出了一個新的方案：在腹腔鏡手術過程中實現(xiàn)腹腔壓強保持恒定。本文利用其它團隊在手術過程中收集到的數(shù)據(jù)以及對前端控制進行深入探討研究的基礎，利用手術過程中的數(shù)據(jù)分類技術，將機器學習、云計算以及優(yōu)化理論與手術過程結合，提出一種手術過程中面向恒壓腹腔鏡手術的云控制過程模型，使得在對不同的病人進行腹腔鏡手術時，病人腹腔壓強通過閥門的自動調(diào)節(jié)保持恒定。

2 云控制模型

恒壓腹腔鏡手術包含前端和云平臺控制兩個部分。前端的主要功能是進行數(shù)據(jù)的收集，其中包括：醫(yī)生手動控制閥門的產(chǎn)生事件E、閥門開度數(shù)據(jù)對應的關系，以及傳感器探測腹腔壓強的變化等，將以上數(shù)據(jù)通過樹莓派與后端進行通信，并且將數(shù)據(jù)存儲到云平臺。后端的云控制平臺利用前端收集的數(shù)據(jù)構造云控制模型。云控制平臺與樹莓派進行交互，以達到自動控制閥門開度的目的，實現(xiàn)對前端的控制。一個云控制平臺可以和多個前端進行連接，從而能夠同時操作多臺手術。恒壓腹腔鏡手術系統(tǒng)如圖1所示。

圖1 恒壓腹腔鏡手術系統(tǒng)圖Fig.1 System of constant pressure laparoscopic surgery

腹腔鏡手術云控制過程如下：首先利用病人基礎信息數(shù)據(jù)集，根據(jù)病人的病情和病人生理信息對其使用K-means算法進行分類，再從歷史腹腔鏡手術閥門開度控制過程（以下簡稱為手術過程）數(shù)據(jù)集中選出對應于病人分類的手術過程。使用動態(tài)時間扭曲（Dynamic Time Warping，DTW）算法，對手術過程數(shù)據(jù)進行相似度計算，篩選出相似度較高的手術過程；再通過Apriori算法，對手術過程事件曲線段進行相關性計算，進一步篩選出高度相關的手術過程集合。將篩選出的手術過程集合按照手術事件進行切割，將切割后的過程段進行函數(shù)擬合，形成標準的過程手術片段，并且將該類數(shù)據(jù)集中事件和標準過程手術片段的對應關系，形成事件-過程控制段鍵值對集合。該集合的作用是：

（1）用來表示該類病人手術過程的過程事件組合。對于一臺新手術，根據(jù)病人信息，先確定病人所屬類別，從集合中篩選出過程事件組合，將過程事件組合反饋給控制系統(tǒng)，從而實現(xiàn)閥門的自動控制，即為新的手術控制過程初始化模塊。

（2）對傳感器獲取腹腔壓強的實時數(shù)據(jù)和目標壓強數(shù)據(jù)進行比較，根據(jù)比較值進行事件的確定，再根據(jù)事件從集合中選擇對應標準的過程控制段，從而進行閥門的自動控制。醫(yī)生也可以手動選擇事件來控制閥門，這就是動態(tài)調(diào)整過程模塊。

通過系統(tǒng)反饋和醫(yī)生手動過程生成的過程數(shù)據(jù)，形成實時手術過程數(shù)據(jù)集。手術完成后，將手術數(shù)據(jù)更新至對應類別的手術過程數(shù)據(jù)集中，進而用于之后的手術過程模型的訓練與更新。整體模型框架如圖2所示，其中包含歷史過程聚類、過程標準化、動態(tài)調(diào)整過程、新的手術控制過程初始化以及過程更新五個主要部分。

圖2 云控制過程模型圖Fig.2 Process model of cloud control

2.1 相關定義

腹腔壓強（）是指人體腹腔壓力。在腹腔手術過程中需要給人體腹腔充入CO氣體用來穩(wěn)定氣壓，從而使醫(yī)生能夠穩(wěn)定地進行手術。

簡稱事件。在手術過程中引起腹腔壓強變化所產(chǎn)生的事件，腹腔壓強變換由閥門開度的變化引起。

事件描述參見表1，每一個事件E包含的屬性見表2。

表2 手術過程事件的屬性Tab.2 Properties of surgical procedure events

醫(yī)生在腹腔鏡手術過程中，會進行一系列的手術操作，造成腹腔壓強的波動。

簡稱手術過程。為了維持腹腔壓強的恒定，就需要調(diào)節(jié)閥門。閥門在手術過程中開度的變化過程，即為手術控制過程。

由手術過程事件引起閥門開度的變化，一臺手術過程由一系列的事件組合而來，將手術按照事件進行切割，形成過程控制段。

在恒壓手術過程中，將閥門開度變化按照事件進行切割，將切割后的片段再經(jīng)過函數(shù)擬合形成過程控制段，得到事件過程控制段的集合。

DTW算法和Apriori算法篩選過后的相似手術腹壓變化過程，經(jīng)過事件進行切割后，產(chǎn)生多組過程控制段，將多組過程控制段進行函數(shù)擬合，形成標準的控制過程段。標準的過程控制段用閥門控制函數(shù)（）表示。其中，表示事件，表示閥門開度。

給定一標準控制過程段集合｛，，…，f｝，為維持人體腹腔壓強的穩(wěn)定，需要通過控制充入人體CO氣體的量。

定義9 閥門開度（） 閥門開度的大小影響充氣的速度，從而影響手術過程中腹腔的穩(wěn)定。

2.2 歷史過程聚類

K-means聚類算法是機器學習中的無監(jiān)督學習的一種聚類算法。根據(jù)病人基礎信息數(shù)據(jù)集中的數(shù)據(jù)，對手術有影響的屬性進行one-hot編碼、歸一化處理、以及數(shù)據(jù)加權操作。選取的屬性及描述見表3。

表3 手術影響的屬性Tab.3 Properties of surgical effects

基于病人的生理信息，利用K-means算法進行聚類，形成類病人。對各類病人根據(jù)其ID編號，從云平臺中歷史過程數(shù)據(jù)集的Hbase數(shù)據(jù)庫中，篩選對應恒壓腹腔手術的腹腔壓強變化（）、手術過程事件（）、閥門開度（）信息。根據(jù)病人的分類和篩選，實現(xiàn)歷史過程的聚類。每臺腹腔鏡手術過程數(shù)據(jù)表示及對應關系如圖3所示。

圖3 腹腔鏡手術過程數(shù)據(jù)表示及對應關系Fig.3 Representation and correspondence of laparoscopic surgical procedures data

2.3 過程標準化

過程標準化的目的，是將經(jīng)過K-means分類的類病人腹腔手術變化過程進行標準化。為了實現(xiàn)手術過程標準化，需要進行如下步驟：

將分類后的手術數(shù)據(jù)，利用DTW算法和Apriori算法進行相似性判斷，篩選出具有強相關性的、能代表這一類病人規(guī)律的手術過程。

利用對應的手術過程事件切割，得到過程手術片段。

每類病人的腹腔手術變化過程數(shù)據(jù)包含了腹壓變化值（）、閥門開度值（）以及對應的事件（）。為了描述這一類病人的腹腔鏡手術過程數(shù)據(jù)，以每一次的手術過程為一個單元。記錄的是該類手術的，對此可表示為：

記錄的是該類手術的，得到的數(shù)學公式為：

其中，表示手術的臺數(shù)（≥1）。對其可以抽象理解為一個二維數(shù)組。因為手術事件長短不同，所以對應的每臺手術的記錄數(shù)據(jù)長度也不同。

動態(tài)時間扭曲（Dynamic Time Warping，DTW）算法，是目前關于曲線相似計算法中，判斷相似效果比較好的算法。DTW是通過動態(tài)調(diào)整，將時間序列數(shù)據(jù)進行延伸或縮短后，再計算2個時間序列的相似性。若從WV＝｛，，…，V｝選取一個時間序列數(shù)據(jù)V為標準，其中1≤≤；再從WV選取一個時間序列數(shù)據(jù)V，其中≠and 1≤≤；V與V的相 似 性 記 為。利用DTW算 法，遍 歷WV，計算每條序列與其它所有序列之間的相似度，得到相似度矩陣，如式（3）所示：

其中，第條時間序列相似度集合定義為DV＝｛，，…，｝。

定義篩選相似度的閾值，數(shù)學定義公式如下：

遍歷DV，得到相似度小于h的時間序列集合，用下標表示DVH＝｛：1，2…，｝，其中≤。

根據(jù)以上規(guī)則計算，則可以得到一個（，）的集合。其中，是當前標準時間序列的下標，是相似度小于h的集合DVH。

經(jīng)過DTW算法處理，得到相似的集合，再通過Apriori算法進一步挖掘多組時間序列之間的相關性。把的進行合并得到一個符合相似度要求的二維數(shù)組，表示形式為：

在中需要找出一個或多個支持度最大（）的集合，并將這些進行合并，得到一個新的集合。的產(chǎn)生，需要通過改進的Apriori得到。為了保證數(shù)據(jù)的相關性、充足性，需要通過設置最小支持度（50），以及的最小長度和最大長度進行數(shù)據(jù)的過濾。其中，05*，。的子集滿足以下條件：

（1）子集長度的范圍≤≤。

（2）≤SU＝BSU。這里，SU表示在長度的情況下，第個支持度最大的子集。

通過Apriori算法，進一步從中篩選出代表這一類病人的閥門開度的過程，將篩選后的記為，WVB＝｛V，V，…，V｝。其中，是篩選之后的序列大小，1≤≤。并且從事件數(shù)據(jù)集中篩選出對應的事件WEB＝｛E，E，…，E｝。利用篩選出的WEB，將WVB根據(jù)事件進行切割分段，形成過程手術片段。在WEB和WVB中取一臺手術過程中閥門變換的數(shù)據(jù)V和對應的事件E進行事件切割。綜上過程具體如圖4所示。

圖4 單臺手術切割形成手術過程片段Fig.4 A fragment of the surgical process formed by a single surgical cut

2.4 動態(tài)調(diào)整過程

在手術過程中，醫(yī)生可以手動控制閥門，形成醫(yī)生手動過程事件，這些手動過程事件會通過云平臺進行記錄。因為傳感器感知腹腔壓強變換的靈敏度要比醫(yī)生感知迅速，所以還需對閥門控制進行智能動態(tài)調(diào)整。通過對歷史手術過程數(shù)據(jù)進行過程標準化后，當腹腔壓強發(fā)生變化時，傳感器在系統(tǒng)前端會產(chǎn)生傳感器事件、也就是手術過程事件E，此時前端將要執(zhí)行的事件，通過Tcp網(wǎng)絡協(xié)議發(fā)送到后端，后端在事件-過程控制段鍵值對集合中選擇對應的過程控制段返回給前端，前端根據(jù)收到的過程，控制段控制閥門。整個手術過程中，通過控制閥門的開度來保持腹腔壓強的恒定，閥門的調(diào)節(jié)是通過醫(yī)生手動產(chǎn)生的事件和傳感器產(chǎn)生事件通過后端自動控制的2種方式來完成。

2.5 新的手術控制過程初始化

經(jīng)過聚類、過程標準化后，每一類病人都有著對應的事件序列集WE。按下標統(tǒng)計WE中每個下標出現(xiàn)次數(shù)最多的事件，形成初始化事件序列：

根據(jù)事件序列，從事件-過程控制段鍵值對集合中選出對應的過程控制段，這些標準過程控制段對應著閥門開度隨事件變化的函數(shù)f（），將這些過程控制段中的函數(shù)進行組合，得到初始化的標準控制過程段集合｛，，…，f｝。

當需要進行一臺新手術時，通過病人的病理信息獲得病人類別，進而從事件過程控制段鍵值對集合中獲得這一類病人的事件序列，得到初始化的標準控制過程段集合。將集合傳給前端，前端根據(jù)后端返回的集合控制閥門，從而對手術控制過程進行了初始化。

2.6 過程更新

新的恒壓腹腔鏡手術會產(chǎn)生新的手術過程數(shù)據(jù)以及對應事件，當完成一臺手術后，該臺手術的數(shù)據(jù)就會保存在云平臺中，云平臺中的數(shù)據(jù)會更新至手術過程數(shù)據(jù)集中，手術過程數(shù)據(jù)集會利用過程標準化模塊來更新事件-過程控制段鍵值對集合。過程更新中，會不斷地用到每次新增的手術過程更新事件-過程控制段鍵值對集合，形成標準的手術過程片段，這是一個學習的過程。過程更新會提高模型的可適用性及靈活性。

3 實驗與分析

3.1 實驗數(shù)據(jù)集

實驗數(shù)據(jù)由2部分組成。一是由上海人民醫(yī)院提供的病人基礎信息（見表3），二是對仿真實驗手術過程中（如：腹腔壓強變化、閥門開度變化以及事件E等）收集到的有效數(shù)據(jù)。

3.2 實驗評價指標

本實驗的主要目的是利用云平臺中存儲的數(shù)據(jù)，通過聚類、事件切割以及函數(shù)擬合，形成標準化的手術過程片段，使手術過程中傳感器感受到腹腔壓強變換，閥門能夠迅速做出響應，從而使病人腹腔處于一個舒適的狀態(tài)。為了評價云控制過程模型的穩(wěn)定性，需要用到的評價內(nèi)容擬展開分述如下。

由于病人聚類的效果會影響后期整體數(shù)據(jù)的準確性，故需要對K-means算法分類使用Calinski-Harabaz Index評分進行評估，用到的公式可寫為：

其中，、分別表示樣本數(shù)量和類別數(shù)量；B、W分別表示類別之間的協(xié)方差矩陣和類別內(nèi)的協(xié)方差矩陣；是矩陣的跡。

由公式（6）可以推斷，類別之間的協(xié)方差越大，類別內(nèi)的協(xié)方差越小，的值就越高，對應分類的效果就越好。

形成標準化的函數(shù)，需要對手術片段進行函數(shù)擬合，采用均方根誤差（）對函數(shù)擬合的效果進行評價，用到的公式可寫為：

建立云控制模型的主要目的是維持腹腔壓強的恒定，對云控制模型的評價需要圍繞整個手術過程進行。因此，本文提出如下2個評價指標：

（1）時間節(jié)省率（）。是達到腹腔恒定所用的時間。分別定義醫(yī)生手動調(diào)控閥門達到腹腔恒定所用的時間，以及通過過程控制段達到腹腔恒定所用的時間。研究推得的數(shù)學公式具體如下：

（2）穩(wěn)定率（）。是手術過程中，腹腔恒定所占時間的比例。分別定義整個腹腔鏡手術時間為、腹腔恒定時間為。研究推得的數(shù)學公式具體如下：

3.3 實驗結果及分析

云控制模型由5個模塊組成，每個模塊對應一個實驗。實驗一是通過K-means算法對歷史病人聚類；實驗二是將聚類后的數(shù)據(jù)通過DTW算法和Apriori算法找出相似度較高的恒壓手術過程集，按照事件切割過程集，形成事件-過程控制段鍵值對集合；實驗三是根據(jù)實驗二結果對閥門進行自動化控制；實驗四是對新的腹腔鏡手術過程進行初始化；實驗五是利用新的恒壓手術過程數(shù)據(jù)對實驗二的結果進行更新。對此可做重點論述如下。

選取1 000個腹腔鏡手術病人的基礎信息進行K-means聚類。圖5給出了聚類的評分圖，當22時，最大、即聚類效果最好。

圖5 聚類得分圖Fig.5 Cluster score

選取實驗一中一個病人類別，從仿真的歷史過程數(shù)據(jù)集中篩選出對應的數(shù)據(jù)進行實驗。實驗結果如圖6所示。閥門開度的范圍在0～100之間，仿真腹腔壓強在0～1 030 MPa。分析可知，圖6（a）中包含了15臺腹腔鏡手術閥門開度的變化；圖6（b）經(jīng)過曲線相似性判斷，篩選了11臺強相關的手術過程；圖6（c）利用事件切割后形成了37組過程手術片段。表4展示了9組手術過程片段與事件的對應關系，以及擬合函數(shù)及其效果。表4中，表示當前事件觸發(fā)前的閥門開度。

表4 事件-過程控制段對應關系及擬合效果Tab.4 The event-process control segment correspondence and the fitting results

圖6 過程標準化模塊Fig.6 The module of process standardization

通過事件-過程控制段鍵值對集合自動控制和手動控制閥門開度的效果如圖7所示。從圖7中可以看到，自動控制在18 s時達到最佳腹腔壓強恒定值，而手動需要22 s才能達到，并且中間經(jīng)過3次波動才趨于恒定。結果表明，自動控制不但能夠提前維持腹腔壓強的恒定，而且不需經(jīng)過波動。

圖7 云平臺控制與手動控制效果圖Fig.7 The effects comparison of cloud platform control and manual control

圖8展示了實驗二中病人類別對應初始化閥門開度的變化。初始化的閥門開度變化與實驗二經(jīng)過相似性判斷篩選出的相似過程數(shù)據(jù)集相比不僅更加平滑，而且有很高的相似度。采用DTW運算，初始化的相似度值小于對應數(shù)據(jù)集的相似度平均值，即初始化滿足該類病人的整體手術過程。

圖8 初始化閥門開度變化圖Fig.8 Initialization of valve opening changes

圖9中加入2組新的手術控制過程，導致出現(xiàn)了新的事件數(shù)據(jù)，使得事件-過程控制段鍵值對集合中事件的擬合函數(shù)得到了更新。

圖9 事件-過程控制段鍵值對集合的更新Fig.9 Updates of key-value pairs of event-process control segment

3.4 云控制模型評估

云控制模型的評估主要分為2個部分，首先進行時間節(jié)省率（）評估，計算每次腹腔壓強發(fā)生變換時手動控制閥門開度和云控制閥門開度達到腹腔壓強恒定所用的時間。通過對手動控制閥門達到腹腔壓強恒定V所用時間與從云平臺選擇事件控制閥門達到腹腔壓強恒定值V所用的時間進行統(tǒng)計后得出其時間節(jié)省率見表5。

表5 不同方式控制閥門的效果Tab.5 The effects of the valve controlled in different ways

表5展示了當腹腔壓強在恒定壓強中左右浮動時，不同范圍的浮動會調(diào)用不同的閥門事件進行閥門的調(diào)節(jié)。當浮動的范圍越大，節(jié)省率就越高。因為在持續(xù)時間相同的情況下，閥門開度越大，充入的氣體越多，所以達到恒定腹腔壓強的時間就越短。

在無醫(yī)生手動操作閥門的情況下，利用云控制模型控制閥門開度進行4組不同手術時長仿真實驗，實驗數(shù)據(jù)見表6。

表6 仿真實驗數(shù)據(jù)Tab.6 Simulation experimental data

從表6中得出，手術腹腔壓強的穩(wěn)定率接近90%，不會隨手術時間的增長而出現(xiàn)穩(wěn)定率降低的情況。當傳感器發(fā)現(xiàn)腹腔壓強變化時，會立刻通知云控制平臺對閥門進行控制，比醫(yī)生手動調(diào)節(jié)更快得到反饋。

4 結束語

本文針對腹腔鏡手術過程中維持腹腔壓強的恒定，提出一種維持腹腔恒壓的云控制過程模型。該模型可以給醫(yī)療器械中需要智能控制的硬件提供借鑒，促進醫(yī)療器械的智能化、自動化的發(fā)展。仿真實驗結果表明，該模型不僅能在醫(yī)生手動控制閥門之前進行自動調(diào)節(jié)，而且能夠保證腹腔鏡手術過程中達到近90%的穩(wěn)定率。然而，仿真實驗中，模擬腹腔存在漏氣的情況，會導致數(shù)據(jù)有一定的誤差；仿真數(shù)據(jù)量需要進一步擴充以及增強仿真能力，構建更加精確的云控制模型，為腹腔鏡手術提供更好的輔助功能。