融合SVDD与模糊评价的医疗机器人手势交互可用性评价

胡世贺; 李保霞; 王丽; 毛宁波; 王传涛; 赵宇

doi:10.12404/j.issn.1671-1815.2506830

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (9) :3696-3704 DOI: 10.12404/j.issn.1671-1815.2506830

医药、卫生

融合SVDD与模糊评价的医疗机器人手势交互可用性评价

胡世贺 ¹^,² ,
李保霞 ¹ ,
王丽 ³ ,
毛宁波 ³ ,
王传涛 ¹ ,
赵宇 ²^,^*

作者信息 +

Usability Evaluation of Medical Robot Gesture Interaction Based on SVDD and Fuzzy Evaluation

HU Shi-he ¹^,² ,
LI Bao-xia ¹ ,
WANG Li ³ ,
MAO Ning-bo ³ ,
WANG Chuan-tao ¹ ,
ZHAO Yu ²^,^*

Author information +

文章历史 +

摘要

为解决椎板减压手术机器人三维手势交互可用性评价标准缺失、主观性过强等问题,通过支持向量数据描述(support vector data description,SVDD)与模糊综合评价(fuzzy comprehensive evaluation,FCE)相融合的方法,研究了医疗机器人手势交互可用性评价体系的构建。基于椎板减压手术特征和医疗环境约束,运用德尔菲法构建涵盖易学性、高效性、用户满意度、安全性的4级指标体系;采用SVDD算法对15名骨科专家的指标排序数据进行异常检测,通过最小体积超球体模型识别异常专家并实施自适应降权;建立多层次模糊综合评价模型,结合三角模糊数隶属度函数和专家问卷,对3种机械臂空间移动手势方案进行综合评价。结果表明:SVDD算法识别出3名异常专家,专家意见Kendall一致性系数由0.420 5显著提升至0.692 3,改善64.6%;权重分析显示交互满意度和可靠度为关键指标,权重分别为20.86%和18.40%;可用性评价显示拇指指向式手势获得最高得分3.97分,整体移动控制手势得分3.65分,食指指向控制手势得分3.51分。可见SVDD-模糊综合评价方法显著提升了医疗机器人可用性评价的客观性和区分度,经验证拇指指向式手势为椎板减压手术机器人的最优交互方案。

Abstract

To address the issues of missing evaluation standards for the usability of three-dimensional gesture interaction in spinal decompression surgical robots and excessive subjectivity, a usability evaluation system for medical robot gesture interaction was constructed through a fusion of support vector data description (SVDD) and fuzzy comprehensive evaluation (FCE) methods. Based on the characteristics of spinal decompression surgery and the constraints of the medical environment, a four-level index system covering learnability, efficiency, user satisfaction, and safety was established using the Delphi method. The SVDD algorithm was used to detect anomalies in the ranked data of 15 orthopedic experts, identifying abnormal experts and implementing adaptive deweighting through the minimum volume hypersphere model. A multi-level fuzzy comprehensive evaluation model was established, combining triangular fuzzy number membership functions and expert questionnaires to conduct a comprehensive evaluation of three spatial movement gesture schemes for robotic arms. The results show that the SVDD algorithm identified 3 abnormal experts, with the Kendall coefficient of consensus among experts significantly improving from 0.420 5 to 0.692 3, an improvement of 64.6%. Weight analysis indicated that interaction satisfaction and reliability were key indicators, with weights of 20.86% and 18.40%, respectively. Usability evaluation revealed that the thumb-pointing gesture received the highest score of 3.97, the overall motion control gesture scored 3.65, and the index-pointing control gesture scored 3.51. It can be seen that the SVDD-fuzzy comprehensive evaluation method significantly improves the objectivity and discriminability of medical robot usability evaluation. The results verify that the thumb-pointing gesture is the optimal interaction scheme for the laminectomy surgical robot.

Graphical abstract

关键词

脊柱手术机器人 / 三维手势交互 / 可用性评价 / 支持向量数据描述 / 模糊综合评价 / 人机交互

Key words

spinal surgical robots / three-dimensional gesture interaction / usability evaluation / support vector data description / fuzzy comprehensive evaluation / human-computer interaction

引用本文

引用格式 ▾

胡世贺, 李保霞, 王丽, 毛宁波, 王传涛, 赵宇. 融合SVDD与模糊评价的医疗机器人手势交互可用性评价[J]. 科学技术与工程, 2026, 26(9): 3696-3704 DOI:10.12404/j.issn.1671-1815.2506830

HU Shi-he, LI Bao-xia, WANG Li, MAO Ning-bo, WANG Chuan-tao, ZHAO Yu. Usability Evaluation of Medical Robot Gesture Interaction Based on SVDD and Fuzzy Evaluation[J]. Science Technology and Engineering, 2026, 26(9): 3696-3704 DOI:10.12404/j.issn.1671-1815.2506830

登录浏览全文

4963

注册一个新账户忘记密码

随着医疗技术的快速发展,冯源康等^[1]通过研究5G通信技术在机器人手术中的应用,证明了其在提升手术实时性和精确性方面的显著优势。在脊柱外科领域,牛艳艳等^[2]对脊柱手术机器人治疗脊柱疾病的研究发展趋势进行分析,指出手术机器人凭借其精准定位、稳定操作和有效减少术中辐射暴露等特点,已成为现代脊柱手术的重要发展方向。Fiani等^[3]通过系统性文献综述证实,在椎板减压等复杂手术中,机器人系统的应用显著提高了手术安全性和治疗效果。Zhang等^[4]和Vaccaro等^[5]的研究进一步验证了机器人导航技术在脊柱手术中的临床价值。

与此同时,Robinson等^[6]指出,机器人视觉技术的发展为人机协作提供了新的交互方式,其中基于视觉的三维手势识别因其自然、直观和非接触的特征,在医疗等高精度操作场景中展现出明显优势。Rastogi等^[7]的研究进一步表明,手势识别技术的持续进步为智能系统提供了更稳定的交互基础,使医疗机器人具备更高的操作灵活性和人机协同潜力。

基于手势的交互系统能够有效降低用户认知负担,提升操作效率。陈宸等^[8]在虚拟仿真实验系统的研究中表明,基于手势交互的沉浸式设计能够显著提升系统的直观性和操作体验,用户在无接触操作中获得更高的交互流畅度和学习参与感。张昊等^[9]在车载信息系统、智能交互等领域的应用研究证明了三维手势交互的可行性和优越性。然而,随着技术应用的深入,Petrie等^[10]指出,可用性评估作为衡量系统效率、效果和用户满意度的重要方法,已成为人机交互领域的核心研究内容。韩晓光等^[11]通过对人工智能与机器人辅助医学发展的研究表明,人工智能与机器人辅助医学的快速发展对交互界面的可用性提出了更高要求。Vuletic等^[12]在其系统性文献综述中强调,将三维手势识别技术成功应用于手术机器人系统,关键在于建立科学合理的可用性评价体系。Hashi等^[13]通过对 2018—2024 年手势识别研究的系统回顾指出,虽然手势识别技术在算法精度与多模态融合方面取得了显著进展,但针对医疗场景的可用性评价体系仍不完善,这为后续引入融合主客观指标的综合评价方法提供了理论依据。

尽管上述研究为三维手势交互系统的评价提供了理论基础,但现有评价体系仍存在明显不足:一是各研究提出的评价指标缺乏统一标准,评价维度和权重设置差异较大;二是传统评价方法主要依赖专家主观评分,客观性和全面性有待提升;三是现有研究较少考虑医疗环境的特殊要求^[14]。

支持向量数据描述(support vector data description,SVDD)算法在处理非线性、高维数据方面有明显的优势,能够有效识别和处理专家评价中的异常数据,提高评价结果的客观性^[15];王泽阳等^[16]的研究指出,模糊层次分析能够通过整合多维度评价信息来提高综合评价的可靠性,并有效克服传统方法在处理不确定性和模糊性方面的局限。

为解决上述问题,现针对椎板减压手术机器人的三维手势交互特点,提出一种融合支持向量数据描述(SVDD)算法与模糊综合评估的新型可用性评价框架。该方法充分利用所构建的评价体系特别关注医疗环境的安全性要求,综合考虑操作效率、用户体验、学习成本和安全保障等关键因素,旨在为椎板减压手术机器人的三维手势交互界面设计与优化提供科学依据和理论支撑。

1 研究方法

1.1 可用性评价指标体系构建

1.1.1 手术任务与环境特征分析

椎板减压手术作为脊柱外科的核心手术类型,具有操作精度要求高、手术风险大、时间敏感性强等特点,其机械臂空间移动任务主要包括精准定位、角度调整和路径规划3个核心环节。在三维手势交互系统设计中,必须充分考虑手术环境的复杂性和医生操作的特殊需求:外科医生在手术过程中面临高强度认知负荷,需要在复杂解剖结构中进行精细操作,手势设计应遵循人体工程学原理,通过优化动作幅度和执行难度来减轻操作疲劳,同时考虑不同医生的个体差异对手势适应性的影响;手术室环境具有噪声干扰大、空间受限、无菌要求严格等特点,手势交互系统必须具备极高的可靠性和区分度,能够在复杂环境中准确识别手势指令并保证操作的直观性和任务匹配度,避免在紧急情况下因手势复杂或模糊导致的操作延迟,确保系统安全稳定运行。

1.1.2 评价指标提取与筛选

基于文献调研和专家访谈,初步提取了21个三维手势设计相关因素:满意度、安全性、舒适度、操作难度、通用性、区分度、效率、任务匹配度、可记忆性、易学性、认知负荷、简易性、连贯性、反馈性、可猜测性、逻辑性、出错率、容错性、间隔性、灵活性、继承性。通过用户访谈和专家讨论如图1所示,采用德尔菲法对指标进行筛选和归并,最终构建了层次化评价指标体系,如表1所示。

1.2 基于SVDD 的专家排序权重计算法

1.2.1 SVDD算法数学模型

支持向量数据描述(SVDD)通过构建最小体积超球体识别数据分布中的异常点,其优化目标函数如式(1)所示。

(1)$\left\{\begin{array}{l}\mathrm{m}\mathrm{i}{\mathrm{n}}_{R,a,\xi }F(R,a,\xi )={R}^{2}+C\stackrel{n}{\sum _{i=1}}{\xi }_{i}\\ \mathrm{s}.\mathrm{t}.{\left|\varphi \left({x}_{i}\right)-a\right|}^{2}\le {R}^{2}+{\xi }_{i},\\ 　　{\xi }_{i}\ge 0,　i=\mathrm{1,2},\dots,n\end{array}\right.$

式(1)中:R为超球体半径;a为球心;C为惩罚参数;${\xi }_{i}$为松弛变量;$\varphi \left({x}_{i}\right)$为核映射函数。

为实现非线性映射,采用径向基函数核,如式(2)所示。

(2)$K({x}_{i},{x}_{j})=\mathrm{e}\mathrm{x}\mathrm{p}(-\gamma {\left|{x}_{i}-{x}_{j}\right|}^{2})$

通过拉格朗日对偶变换,将式(2)转化为对偶问题,如式(3)所示。

(3)$\mathrm{m}\mathrm{a}{\mathrm{x}}_{\alpha }L\left(\alpha \right)=\stackrel{n}{\sum _{i=1}}{\alpha }_{i}K({x}_{i},{x}_{i})-\stackrel{n}{\sum _{i=1}}\stackrel{n}{\sum _{j=1}}{\alpha }_{i}{\alpha }_{j}K({x}_{i},{x}_{j})$

对偶问题的约束条件为:$0\le {\alpha }_{i}\le C,\stackrel{n}{\sum _{i=1}}{\alpha }_{i}=1。$

1.2.2 专家评价数据收集

为确定各指标权重,收集了15名骨科专家对8个二级指标的重要程度排序数据,如表2所示。

经肯德尔一致性检验,原始一致性系数W=0.420 5,χ²=42.05,P<0.001,表明专家排序在统计上存在显著一致性。

1.2.3 参数确定与敏感性分析

根据预期异常专家比例20%,采用式(4)确定惩罚参数。

(4)$C=\frac{1}{n\nu }=\frac{1}{15\times 0.2}=3.33$

式(4)中:C为惩罚参数;n为专家总数;ν为预期异常专家比例。

核参数采用中位数启发式方法,按式(5)计算。

(5)$\gamma =\frac{1}{2m\left({\left|{x}_{i}-{x}_{j}\right|}^{2}\right)}=0.125$

式(5)中:γ为核参数;x_i、x_j为专家评分向量;m为中位数。通过控制变量法进行参数敏感性分析,结果如表3所示。

基于一致性系数最优原则,选择C=3.33,γ=0.125作为最终参数配置。

1.2.4 专家权重计算算法

基于SVDD算法,采用留一法计算专家权重。

步骤1 首先将第k位专家对8个指标的排序转换为标准化评分向量。

(6)${\beta }_{k}=({\alpha }_{k1},{\alpha }_{k2},\dots,{\alpha }_{k8})$

式(6)中:β_k为第k位专家的标准化评分向量;α_ki为第k位专家对第i个指标的标准化评分。

步骤2 构建不包含专家k的训练集,训练SVDD模型后计算群体意见球心。计算专家k到群体意见球心的距离。

(7)${d}_{k}=\left|{\beta }_{k}-{a}_{k}\right|$

式(7)中:d_k为第k位专家到群体意见球心的距离;a_k为排除专家k后其余专家构成的超球体球心。

步骤3 根据距离倒数原理计算专家贡献值。

(8)${r}_{k}=1/{d}_{k}$

式(8)中:r_k为第k位专家的贡献值。

步骤4 进行权重归一化。

(9)${w}_{k}={r}_{k}/\stackrel{15}{\sum _{j=1}}{r}_{j}$

式(9)中:w_k为第k位专家的最终权重;j为专家编号。

该算法的核心思想是:偏离群体意见越远的专家获得越低的权重,通过距离倒数机制实现自适应降权,既保证了群体一致性,又避免了完全剔除异常意见。

1.2.5 异常专家识别与处理

采用统计学方法识别异常专家,按式(10)设定判定标准。

(10)${d}_{k}>\stackrel{-}{d}+1.5{\sigma }_{d}$

计算得到平均距离$\stackrel{-}{d}=2.687$,标准差σ_d=0.856,异常阈值为3.273。

根据式(7)~式(10)的完整计算流程,得到专家权重计算结果如表4所示。

基于表4的计算结果和式(10)的异常判定标准,识别出3名异常专家(E6、E8、E13),其偏离距离分别为3.654 7、3.418 0和4.726 3,均超过异常阈值3.273。采用基于SVDD距离的自适应降权机制:通过式(8)的距离倒数计算和式(9)的归一化过程,异常专家因较大偏离距离自动获得较低权重,异常专家总权重占比为13.16%,有效平衡了群体一致性与意见包容性。

1.2.6 一致性检验

为验证SVDD方法的有效性,采用Kendall一致性系数对专家排序进行一致性检验。应用SVDD权重调整后,重新计算加权Kendall一致性系数。通过式(11)的加权排序法,结合表4的SVDD专家权重,对原始排序数据进行加权处理。

(11)$W=\frac{\stackrel{k}{\sum _{i=1}}{w}_{i}{R}_{i}}{\stackrel{k}{\sum _{i=1}}{w}_{i}}$

式(11)中:w_i为第i位专家的SVDD权重;R_i为该专家的排序向量。

计算结果显示,SVDD权重调整使Kendall一致性系数从0.420 5显著提升至0.692 3(χ²=69.23,P<0.001),相对改善64.6%,一致性等级从“一般”提升至“良好”,验证了SVDD方法在处理专家评价异质性方面的有效性。

1.2.7 指标权重计算

结合表4的SVDD专家权重,采用式(12)的加权排序法计算各指标权重。

(12)${w}_{j}=\frac{\stackrel{15}{\sum _{k=1}}{w}_{k}(9-{r}_{kj})}{\stackrel{15}{\sum _{k=1}}{w}_{k}\stackrel{8}{\sum _{j=1}}(9-{r}_{kj})}$

式(12)中:r_kj为第k位专家对第j个指标的排序。

1.3 模糊综合评价模型

模糊综合评价法作为处理多属性决策问题的有效工具,能够有效处理评价过程中的不确定性和模糊性问题。采用多层次模糊综合评价模型,将定性指标定量化,实现对脊柱手术机器人三维手势可用性的科学评价。

1.3.1 因素集构建

基于1.1节构建的层次化评价指标体系,建立因素集如下。

一级因素集:

U=(U₁,U₂,U₃,U₄)=(易学性,效率,用户满意度,安全性)

二级因素集:

U₁=(U₁₁,U₁₂)=(任务匹配度,操作难度)

U₂=(U₂₁,U₂₂)=(操作流畅性,直观性)

U₃=(U₃₁,U₃₂)=(用户接受度,舒适度)

U₄=(U₄₁,U₄₂)=(可靠度,区分度)

1.3.2 评语集建立

采用五级评价标度构建评语集,确保评价结果的区分度和准确性。

V=(V₁,V₂,V₃,V₄,V₅)=(非常差,较差,一般,较好,非常好),相应的数值评价标度为:(1,2,3,4,5)。

2 实验设计

2.1 参试者选择与分组

采用分组实验设计,招募27名临床骨科专家作为研究对象。根据研究目标将参试者分为两组:专家权重确定组(15名)负责对8个二级评价指标进行重要性排序,用于SVDD权重计算;可用性评价组(12名)负责对3种手势方案进行可用性评价。

所有参试者均需满足以下条件:从事脊柱外科临床工作3年以上,具备椎板减压手术实际操作经验,对医疗机器人技术有基本了解,身体健康且手部功能正常。所有参试者均签署知情同意书。

2.2 实验环境设置

实验在标准化实验室内进行,配备高清摄像设备、三脚架、主控计算机和辅助计算机。实验室采用封闭式设计,具备标准化照明、温湿度控制和声学隔离条件,确保环境一致性并减少外部干扰。

2.3 手势方案设计

基于脊柱手术机器人机械臂空间移动任务特点,设计3种备选手势方案如表5所示。

设计遵循直观性、精准性、安全性、舒适性四项基本原则。

2.4 实验流程

实验流程如图2所示,采用四阶段递进式设计和主观评价与客观测量相结合的方法,确保评价过程的科学性和系统性。首先通过动画演示观看阶段,向专家播放椎板减压手术机器人机械臂空间移动任务的模拟视频,使参试者充分理解任务背景和手势控制原理;随后进入手势方案展示阶段,按随机顺序向专家展示3种备选手势方案,每种手势重复演示3次并允许练习至熟练掌握,确保评价的可靠性;第三阶段为模拟操作评价,专家按随机顺序对3种手势进行实际模拟操作,实验人员同步记录多维度数据:客观评价包括效率(测量从任务提示到手势完整展示的用时)、任务匹配度(通过互动游戏测试专家对手势与任务匹配的认知准确性)、操作难度(采用Jack软件建模和RULA评估方法分析手势操作的人体工程学表现)、直观性(专家对手势形态标准程度的评价)4个指标,并录制操作过程供后续深入分析;最后通过问卷调查阶段,专家针对主观评价的交互满意度、舒适度、可靠度、区分度4个指标完成李克特五点量表评价,现场匿名填写并收集所有数据,采用最大值-最小值归一化方法统一到1~5分范围。

整个实验采用拉丁方设计有效平衡手势顺序效应,在可行条件下实施单盲设计减少实验偏倚,同时建立完善的数据验证机制确保数据质量,研究方案已通过伦理委员会审查。

3 结果与分析

3.1 SVDD专家权重计算结果

结合表4的SVDD专家权重,采用式(12)的加权排序法计算各指标权重,得到最终指标权重分配如图3所示。

3.2 多级模糊综合评价计算

实验收集的客观评价数据经标准化处理后如表6所示。主观评价原始数据如表7所示,基于12名专家的问卷调查结果。

3.3 手势可用性评价结果

采用加权平均法计算最终综合得分如图4所示,手势1“四指握拳,拇指自然静置指向目标方向”获得最高综合得分3.97分,手势2“整体移动控制”得分3.65分,手势3“食指指向控制”得分3.51分。评价结果表明,手势1“四指握拳,拇指自然静置指向目标方向”为最优方案。根据评价等级判定标准(4.5~5分为优秀,3.5~4.5分为良好,2.5~3.5分为一般),3种手势均属于“良好”等级,但存在明显差异。

3.4 权重敏感性分析与方法有效性验证

3.4.1 权重敏感性分析

为验证SVDD-模糊综合评价体系的稳定性,对权重最高的用户接受度指标(基准权重w₀=0.208 6)在18.77%~22.95%范围和可靠度指标(基准权重w₀=0.184 0)在16.56%~20.24%范围内进行±10%扰动测试。结果显示,用户接受度权重变化时,手势1得分从3.956分微增至3.983分,变化幅度仅为0.68%;手势2和手势3的得分变化幅度分别为0.22%和0.82%;可靠度权重调整时综合得分的最大变化幅度仅为0.30%,均远低于5%的鲁棒性阈值。整个测试范围内3种手势排序始终稳定为手势1>手势2>手势3,充分验证了评价体系对权重参数变化的高度鲁棒性。

3.4.2 方法优势验证

通过与传统等权重方法对比,SVDD加权方法在评价区分度方面实现显著突破:传统等权重方法下3种手势得分分别为4.089、3.738、3.738分,最大区分度仅为0.351分;SVDD加权方法下得分分别为3.970、3.650、3.510分,最大区分度达到0.460分,区分能力提升31.0%。同时,SVDD算法通过异常检测和自适应权重调整,使专家意见的Kendall一致性系数从0.420 5显著提升至0.692 3,改善幅度达64.6%,一致性等级从“一般”跃升至“良好”。此外,通过10次重复计算的稳定性测试,手势1、2、3的得分标准差分别为0.002 3、0.001 9、0.003 1,最大标准差0.003 1远小于阈值0.05,证明了方法的卓越计算稳定性。

3.4.3 异常专家识别效果分析

SVDD算法基于最小体积超球体模型成功识别出3名异常专家(E6、E8、E13),偏离距离分别为3.654 7、3.418 0、4.726 3,均超过异常阈值3.273。通过距离倒数机制实现的自适应降权处理,异常专家总权重占比13.16%,正常专家权重占比86.84%,既避免了完全剔除异常意见造成的信息损失,又有效限制了异常观点的过度影响,实现了群体一致性与意见包容性的最优平衡。这种基于距离倒数的自适应降权策略避免了传统方法中主观设定权重的弊端,显著提升了专家权重确定的客观性和科学性。

4 结论与讨论

成功构建了基于SVDD-模糊综合评价的脊柱手术机器人三维手势可用性评价体系,实现了对复杂医疗环境下人机交互质量的科学量化评价。SVDD算法通过构建最小体积超球体模型客观识别专家评价中的异常模式,有效解决了传统专家评价方法主观性强、一致性低的问题,为医疗机器人可用性评价提供了新的方法论基础。手势1获得最优评价具有充分的理论依据:从人机工程学角度,拇指指向方式符合人体自然指示习惯,认知负荷低;从临床应用角度,该手势在权重最高的用户接受度(20.86%)和可靠度(18.40%)指标上表现优异,体现了医疗环境对用户体验和安全性的核心要求。与传统评价方法相比,本文方法在区分度、客观性和稳定性方面均有显著提升,相比AHP层次分析法减少了主观判断矩阵的偏见影响,相比传统模糊评价通过异常检测优化了专家权重配置。为医疗机器人人机交互界面的科学评价提供了重要的理论方法和实践工具,对提高医疗机器人的可用性、安全性和用户接受度具有重要的理论价值和应用前景。

研究局限性主要体现在样本量相对有限、实验环境与真实手术环境存在差异、仅针对特定手术功能等方面。未来研究方向包括扩展至多类型手术机器人评价应用、引入多模态融合技术、结合虚拟现实技术建立更逼真的评价环境、开展多中心临床试验验证方法泛化能力,以及推进评价体系标准化工作为产业化应用提供技术规范支撑。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	冯源康, 史惠惠, 李宁阳, 等. 5G通信技术在机器人手术中的应用[J]. 机器人外科学杂志, 2024, 5(5): 986-990.

[2]	Feng Yuankang, Shi Huihui, Li Ningyang, et al. Application of 5G communication technology in robotic surgery[J]. Chinese Journal of Robotic Surgery, 2024, 5(5): 986-990.

[3]	牛艳艳, 张琦, 范明星. 脊柱手术机器人治疗脊柱疾病的研究发展趋势及热点剖析[J]. 中国组织工程研究, 2025, 29(21): 4612-4620.

[4]	Niu Yanyan, Zhang Qi, Fan Mingxing. Research development trends and hotspot analysis of spinal surgery robots for treating spinal diseases[J]. Chinese Journal of Tissue Engineering Research, 2025, 29(21): 4612-4620.

[5]	Fiani B, Quadri S A, Ramakrishnan V, et al. Surgical robotics in spine surgery: a systematic review[J]. World Neurosurgery, 2021, 145: 708-716.

[6]	Zhang Q, Han X G, Xu Y F, et al. Robotic navigation during spine surgery[J]. Expert Review of Medical Devices, 2020, 17(1): 27-32.

[7]

Vaccaro A R, Harris J A, Hussain M M, et al. Assessment of surgical procedural time, pedicle screw accuracy, and clinician radiation exposure of a novel robotic navigation system compared with conventional open and percutaneous freehand techniques: a cadaveric investigation[J]. Global Spine Journal, 2020, 10(6): 725-734.

[8]	Robinson N, Tidd B, Campbell D, et al. Robotic vision for human-robot interaction and collaboration: a survey and systematic review[J]. Robotics and Autonomous Systems, 2023, 169: 104510.

[9]	Rastogi U, Mahapatra R P, Kumar S. Advancements in machine learning techniques for hand gesture-based sign language recognition: a comprehensive review[J]. Archives of Computational Methods in Engineering, 2025, 32: 4265-4302.

[10]	陈宸, 赵志靖. 基于手势交互的沉浸式化学虚拟仿真实验系统设计[J]. 实验室研究与探索, 2025, 44(10): 23-28.

[11]	Chen Chen, Zhao Zhijing. Design of an immersive virtual chemical experiment system based on gesture interaction[J]. Laboratory Research and Exploration, 2025, 44(10): 23-28.

[12]	张昊, 徐萌, 孟永哲, 等. 基于手势识别的智能交互系统设计[J]. 轻工标准与质量, 2023(5): 116-118.

[13]	Zhang Hao, Xu Meng, Meng Yongzhe, et al. Design of intelligent interaction system based on gesture recognition[J]. Light Industry Standards and Quality, 2023(5): 116-118.

[14]	Petrie H, Bevan N. The evaluation of accessibility, usability, and user experience[J]. The Universal Access Handbook, 2020, 20(1): 1-16.

[15]	韩晓光, 朱小龙, 姜宇桢, 等. 人工智能与机器人辅助医学发展研究[J]. 中国工程科学, 2023, 25(5): 43-54.

[16]	Han Xiaoguang, Zhu Xiaolong, Jiang Yuzhen, et al. Research on the development of artificial intelligence and robot-assisted medicine[J]. Strategic Study of CAE, 2023, 25(5): 43-54.

[17]	Vuletic T, Duffy A, Hay L, et al. Systematic literature review of hand gestures used in human computer interaction interfaces[J]. International Journal of Human-Computer Studies, 2019, 129: 74-94.

[18]	Hashi A O, Hashim S Z M, Asamah A B. A systematic review of hand gesture recognition: an update from 2018 to 2024[J]. IEEE Access, 2024, 12: 3421992.

[19]	阿力木江·努拉克, 秦华, 赵宇, 等. 手术机器人辅助对骨科医生脑力负荷影响的多模态特征[J]. 科学技术与工程, 2025, 25(13): 5369-5376.

[20]	Alimujiang·Nulake, Qin Hua, Zhao Yu, et al. Multimodal characteristics of the impact of surgical robot assistance on mental workload of orthopedic surgeons[J]. Science Technology and Engineering, 2025, 25(13): 5369-5376.

[21]	Zhou F, Yang X J, de Winter J C F. Using eye-tracking data to predict situation awareness in real time during takeover transitions in conditionally automated driving[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(3): 2284-2295.

[22]	王泽阳, 张鑫宇, 向泽锐, 等. 基于模糊层次分析的悬挂式单轨列车外观设计优化方法[J]. 科学技术与工程, 2025, 25(3): 977-984.

[23]	Wang Zeyang, Zhang Xinyu, Xiang Zerui, et al. Optimization method for exterior design of suspended monorail train based on fuzzy analytic hierarchy process[J]. Science Technology and Engineering, 2025, 25(3): 977-984.

基金资助

国家重点研发计划(2022YFB4700700)

国家高水平医院临床研究资金(2022-PUMCH-C-035)

国家自然科学基金(U24A20672)

PDF (6190KB)

访问

被引

详细

导航

Received	Published	Revised
2025-09-23	2026-03-28	2025-11-27
Online Date
2026-06-02

摘要