精准穴位定位引导的智能针灸机器人系统

郭靖; 龙哲; 黄晋康; 罗凯耀; 刘浩城; 何昭水; 覃文军; 梁桥康; 董钰格; 潘兴芳; 温中蒙

doi:10.12404/j.issn.1671-1815.2507798

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :8902-8913 DOI: 10.12404/j.issn.1671-1815.2507798

第二十八届中国科协年会学术论文

精准穴位定位引导的智能针灸机器人系统

郭靖 ¹^,² ,
龙哲 ¹ ,
黄晋康 ¹ ,
罗凯耀 ¹ ,
刘浩城 ³ ,
何昭水 ¹^,^* ,
覃文军 ³ ,
梁桥康 ⁴ ,
董钰格 ⁵ ,
潘兴芳 ⁵ ,
温中蒙 ⁶

作者信息 +

Intelligent Acupuncture Robotic System Based on Precise Acupoint Localization

Author information +

文章历史 +

摘要

针对传统针灸机器人穴位定位精度不足、难以实现完整功能集成等问题,研发了一套功能完整的智能针灸机器人系统。融合精准穴位识别与定位、末端执行器、六轴机械臂及人机交互界面等四大模块,通过图像分割与深度学习实现人体穴位识别与定位,借助模块化设计的末端执行器可实现提插、捻转、按压及专家针刺手法复现等功能。经第三方检测,该针灸机器人穴位定位与针刺误差不超过1 mm,同时,动物试验及临床试验等验证了该针灸机器人系统的安全性、功能有效性与可靠性。

Abstract

To address the issues of insufficient acupoint localization accuracy and the difficulty of achieving complete functional integration in traditional acupuncture robots, a fully functional intelligent acupuncture robot system was developed. The system integrates four major modules: precise acupoint recognition and localization, an end-effector, a six-axis robotic arm, and a human-computer interaction interface. Human acupoint recognition and localization were achieved through image segmentation and deep learning. The modularly designed end-effector enables functions including lifting-thrusting, twirling, pressing, and the reproduction of expert acupuncture manipulation techniques. According to third-party testing, the acupoint localization and needling error of the acupuncture robot does not exceed 1 mm. Furthermore, animal experiments and clinical trials have validated the safety, functional effectiveness, and reliability of the acupuncture robot system.

Graphical abstract

关键词

针灸机器人系统 / 穴位识别系统 / 末端执行器 / 深度学习

Key words

acupuncture robot system / acupoint recognition system / end-effector / deep learning

引用本文

引用格式 ▾

郭靖, 龙哲, 黄晋康, 罗凯耀, 刘浩城, 何昭水, 覃文军, 梁桥康, 董钰格, 潘兴芳, 温中蒙. 精准穴位定位引导的智能针灸机器人系统[J]. 科学技术与工程, 2026, 26(21): 8902-8913 DOI:10.12404/j.issn.1671-1815.2507798

GUO Jing, LONG Zhe, HUANG Jin-kang, LUO Kai-yao, LIU Hao-cheng, HE Zhao-shui, TAN Wen-jun, LIANG Qiao-kang, DONG Yu-ge, PAN Xing-fang, WEN Zhong-meng. Intelligent Acupuncture Robotic System Based on Precise Acupoint Localization[J]. Science Technology and Engineering, 2026, 26(21): 8902-8913 DOI:10.12404/j.issn.1671-1815.2507798

登录浏览全文

4963

注册一个新账户忘记密码

针灸作为中国中医文化的瑰宝,在疾病预防和治疗上具有独特疗效。近年来,在中医药传承创新发展战略的推动下,将人工智能等现代技术引入中医诊疗设备已成为行业发展的重要趋势^[1-2]。然而,当前的智能针灸设备总体仍处于起步阶段,普遍存在标准化水平低、精确度不够以及临床可重复性差等痛点^[3]。

为突破上述产业瓶颈,实现针灸手法的机器复现,国内外学者在机器人控制与执行机构设计方面做了大量探索。从基于虚拟现实的人机交互探索^[4],到利用多自由度机械臂提取并尝试复现提插、捻转等传统手法^[5-6];从高精度末端进针机构的纯机械设计^[7],到复杂受力环境下的针体弯曲补偿控制^[8]。此外,多自由度机械臂结合精确的轨迹规划技术,也已开始在艾灸等其他中医理疗机器人中得到验证^[9]。然而,现有研究多停留在局部功能装置的开发,末端执行机构往往功能单一或集成度不足,难以在真实的受力环境中精准、连贯地复现中医专家的复合针刺手法,末端执行与控制技术仍存在极大的改进空间。

不仅执行端亟待突破,人体穴位的机器识别与高精度定位亦进展缓慢,成为制约完整针灸机器人整机开发的重大技术瓶颈。早期的自动化取穴多依赖接触式阻抗测量^[10],难以满足机器人在非接触式条件下以及高空间精准性方面的操作需求^[11]。随着机器视觉技术的引入^[12],基于深度学习的穴位定位逐渐成为主流。学者们利用增强现实(augmented reality,AR)或改进的目标检测算法(如YOLOv8、Keypoint RCNN),以及基于骨骼关键点与形态分类的神经网络^[13],结合中医骨度分寸等生理先验知识,实现了对面部或背部局部穴位的二维自动化检测^[14-16]。此外,部分研究采用光学动作捕捉系统(如OptiTrack)配合体表反光标记点来实现三维空间定位^[17],但这不仅需要解决复杂的视觉与机械臂空间同步标定问题^[18],且这种标记法在临床实际操作中过于烦琐。

综上所述,现有的针灸机器人研究大都停留于前期准备阶段或“针灸局部功能辅助装置”的验证^[19]。从发展趋势来看,智能针灸设备正由单一的局部功能探索,向着满足临床转化需求的“感知-规划-执行”高集成度闭环系统演进。然而,当前领域极度缺乏将“视觉自主穴位识别”与“高度集成的多功能末端执行器”在物理硬件平台上进行深度闭环融合的完整系统。鉴于此,现设计并实现一套“精准穴位定位引导的智能针灸机器人系统”。该系统融合精准穴位识别与定位、末端执行器、六轴机械臂及人机交互界面四大模块,核心目标是达到毫米级的定位与针刺精度。创新设计了机电离合式模块化末端执行器,突破传统机构局限,实现专家提插、捻转针刺手法的高精度复现与自定义执行;提出一种融合医师先验经验与深度学习的高效穴位数据处理及识别框架,实现人体穴位的自主、精准三维定位;构建完整的验证闭环,通过第三方性能检测、巴马小型猪活体实验以及多适应证人体临床试验,全面验证该系统在真实场景下的安全性、功能有效性与可靠性。

1 针灸机器人系统设计

1.1 针灸机器人系统介绍

设计了如图1所示的针灸机器人。其主要由穴位识别系统、末端执行器、机械臂及其底座等组成。

传统针灸的基本操作流程如下:首先,针灸师以目测定位穴位。随后,以“押手”轻压并固定穴区皮肤,辅助“刺手”实施进针。进针时,刺手根据穴位特性及局部组织厚度选择适宜的进针角度与深度;不同穴位的进针深度存在差异。其后,可采用提插、捻转等手法进行刺激。操作完成后,视疗程需要留针一段时间,或沿原入针路径平稳退针,并适度按压针孔以减少组织损伤。

通过模仿资深中医的施针流程,设计了一套针灸机器人施针流程,如图2所示。具体步骤如下。

(1)系统初始化。启动后,机械臂及各功能单元完成自检并复位。操作员将装有无菌针灸针的持针筒送入末端执行器的夹持器中,并通过交互界面确认指令,系统自动完成针具的精确夹持与固定。随后,引导患者在治疗床上稳定体位。

(2)穴位识别与定位。深度相机捕捉患者体表图像,系统调用深度学习模型进行分析,并在交互界面生成标注图像,清晰地标示已识别的穴位。操作员根据治疗方案选择目标穴位,系统随即解算出其三维空间坐标及局部体表法线向量,为后续运动规划提供精确基准。

(3)末端引导与按压。机械臂根据解算的坐标与姿态信息,规划并执行最优路径,驱动末端执行器移动至目标穴位。押手机构沿入针方向缓速下压,直至力传感器监测到压力达到预设阈值,模拟中医“押手”技术,以固定穴区皮肤并建立稳定的力学接触。

(4)针刺手法实施。在保持预压状态下,夹针机构控制针灸针沿既定向量快速破皮,并推进至预设深度。随后,提插捻转机构根据用户设定的参数,精确执行提插、捻转等针刺手法。整个过程由力传感器进行闭环监控,确保交互力处于安全阈值内。

(5)留针与循环。单个穴位治疗完成后,根据治疗方案进行后续操作。常规操作为留针,此时末端夹持器将松开针柄,机械臂沿原路径退回。若无需留针,则夹持器与押手机构将同步回撤,完成退针。操作完成后,系统将自动执行下一穴位指令,或在全部流程结束后回归待命位置。

1.2 机械结构设计

末端执行器的设计旨在精确复现中医核心针灸手法,其三维模型如图3所示。为实现高精度、多自由度的操作,执行器采用模块化设计,由针刺提插、捻转夹针和押手持针三大核心部分构成,各模块协同工作,分别负责针体的轴向运动、旋转运动及与人体的交互。

针刺提插模块是实现“提插”手法的核心驱动单元,采用如图4所示的轻量化的绳索传动方案。电机通过驱动线轮收放高强度钢丝绳,带动活动平台沿线性导轨进行高精度、高响应的往复直线运动。该平台通过标准化接口与下方的捻转夹针模块刚性连接,实现同步提插。

捻转夹针模块是功能耦合度最高的设计,其核心是通过基于齿轮啮合的机电离合机构,在夹持/释放与捻转两种模式间精确切换,如图5所示。丝杆电机负责模式切换:当其驱动上齿结构与下齿结构啮合时,下齿轮及夹头被锁定,此时捻转电机的扭矩通过同步带转化为三爪夹头的向心夹紧力或离心松开力,实现针具的稳定夹持与释放。当两者分离时,捻转电机则驱动整个旋转机构,对已夹持的针具进行高速、平稳的旋转,以复现“捻转”手法。

押手持针模块模拟医师的“押手”动作,为针刺入表皮提供稳定的预紧力。该模块集成了高精度S形拉压力传感器,用于实时监测押手与皮肤间的接触力。其关键创新在于如图6所示的自适应押手机构,底端的环形押手通过扭转弹簧与柔性钢丝与支臂连接,被赋予了一定的自适应偏转能力。这种顺应性设计使得在执行“斜刺”任务时,押手底端圆环能自动调整姿态以贴合人体局部曲面,扩展了机器人的操作能力,提升了治疗的精准度与安全性。

1.3 针灸机器人力学建模

为实现对针刺过程的精确控制,分别对提插模块的闭环绳驱系统和捻转夹针模块的夹持机构进行了动力学建模,并设计了相应的系统控制架构。

1.3.1 闭环绳驱系统动力学方程

提插模块的动力学模型旨在描述系统状态与电机输入扭矩之间的关系。该系统由一个可动框架、一根弹性绳索及一个电机驱动的线轮构成,其结构与受力分析如图7所示。

该系统的动力学分析始于其核心的运动学关系。设线轮半径为

${R}_{\omega }$

,其角位移为

${\theta }_{\omega }$

。由于绳索两端固定于框架,线轮的旋转将导致绕过其上的绳索被同步收回或释放。设绳索的自然长度为L₀,则其在任意角位移

${\theta }_{\omega }$

下的弹性伸长量

$\mathrm{\Delta }L$

可表示为

(1)

$\mathrm{\Delta }L=2{R}_{\omega }{\theta }_{\omega }-{L}_{0}$

依据胡克定律,绳索张力T与其伸长量

$\mathrm{\Delta }L$

成正比。若绳索弹性系数为k,则结合式(1)可得张力T的表达式为

(2)

$T=k\mathrm{\Delta }L=k(2{R}_{\omega }{\theta }_{\omega }-{L}_{0})$

此绳索张力是耦合系统平动与转动行为的关键物理量。基于此,可分别对框架与线轮建立动力学方程。首先,分析框架的平动,其在竖直方向上受到重力及绳索张力的共同作用。设框架质量为m,其竖直方向的位移和加速度分别为x和

$\stackrel{··}{x}$

。定义

${\theta }_{1}$

和

${\theta }_{2}$

分别为绳索与线轮上下两侧固定点连线的夹角。根据牛顿第二定律,可得框架的竖直方向运动方程为

(3)

$m\stackrel{··}{x}=T\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_{1}-T\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_{2}-mg$

式(3)中:g为重力加速度;角度

${\theta }_{1}$

与

${\theta }_{2}$

均为关于位移x和系统几何构型(如框架总长度 S)的函数。

与框架的平动相对应,系统的转动部分则由电机扭矩驱动,并受到绳索张力产生的负载力矩制约。设电机的输入扭矩为T_m(t),电机转子和线轮的转动惯量分别为I_m和

${I}_{\omega }$

,线轮的角加速度为

${\stackrel{··}{\theta }}_{\omega }$

。根据力矩平衡原理,可得其转动动力学方程为

(4)

$({I}_{\mathrm{m}}+{I}_{\omega }){\stackrel{··}{\theta }}_{\omega }={T}_{\mathrm{m}}\left(t\right)-2{R}_{\omega }T$

式(4)中:

$2{R}_{\omega }T$

项代表绳索张力在线轮两侧共同产生的总负载力矩。

至此,闭环绳驱系统的各部分动力学关系已分别建立。为获得描述整个系统的最终状态方程,需将绳索张力表达式[式(2)]分别代入框架的平动动力学方程[式(3)]与线轮的转动动力学方程[式(4)]中,以消除中间变量T。由此可得系统的二阶非线性微分方程组,如式(5)所示。

(5)

$\left\{\begin{array}{l}({I}_{\mathrm{m}}+{I}_{\omega }){\stackrel{··}{\theta }}_{\omega }={T}_{\mathrm{m}}\left(t\right)-2{R}_{\omega }k(2{R}_{\omega }{\theta }_{\omega }-{L}_{0})\\ m\stackrel{··}{x}=k(2{R}_{\omega }{\theta }_{\omega }-{L}_{0})(\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_{1}-\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_{2})-mg\end{array}\right.$

式(5)完整地揭示了系统内在的动力学耦合关系:电机的输入扭矩T_m(t)驱动线轮转动(θ_ω),进而改变绳索张力,该张力不仅对线轮产生负载,同时作为驱动力作用于框架,引起其位移(x)变化。系统的状态可由变量集

$\{{\theta }_{\omega },{\stackrel{·}{\theta }}_{\omega },x,\stackrel{··}{x}\}$

描述,输入量为电机扭矩T_m(t),常量参数包括

$\{{I}_{\mathrm{m}},{I}_{\omega },{R}_{\omega },k,S,{L}_{0},m,g\}$

。

1.3.2 末端执行器夹持机构的力学模型分析

为实现对针灸针的精确夹持与可靠控制,需建立夹持机构从驱动输入到夹持力输出的力学映射模型。该机构通过电机驱动、丝杆传动与筒夹夹紧3个核心环节,将电机的输入扭矩转化为末端的径向夹持力。

夹持动作的动力源为最上方的驱动电机,其输出扭矩经由1∶1同步带传动系统,传递至中心旋转机构,并最终作用于机构末端的丝杆。在此传递过程中,能量损失主要源于皮带传动的摩擦与材料弹性形变。

设电机输出扭矩为

${\tau }_{\mathrm{m}}$

,传递至丝杆的有效扭矩为

${\tau }_{\mathrm{s}}$

,其关系式可表示为

(6)

${\tau }_{\mathrm{s}}={\tau }_{\mathrm{m}}{\eta }_{\mathrm{b}}$

式(6)中:

${\tau }_{\mathrm{m}}$

为电机输出扭矩,N·m;

${\eta }_{\mathrm{b}}$

为同步带传动系统的机械效率,其值通常接近于1。

作用于丝杆的扭矩

${\tau }_{\mathrm{s}}$

通过螺旋副转化为作用于筒夹推盘的轴向推力F_a。根据螺旋机构原理,其转换关系为

(7)

${F}_{\mathrm{a}}=\frac{2\mathrm{\pi }{\eta }_{\mathrm{s}}{\tau }_{\mathrm{s}}}{p}$

式(7)中:F_a为丝杆输出的轴向推力,N;p为丝杆导程,m;

${\eta }_{\mathrm{s}}$

为螺旋副的传动效率,该值与螺纹的摩擦系数及几何升角相关。

轴向推力F_a进一步驱动筒夹夹爪沿其锥形内壁产生轴向与径向的耦合运动。基于楔块机构的静力学平衡原理,轴向力被显著放大为最终作用于针灸针的径向夹持力F_c。其力学放大关系式为

(8)

${F}_{\mathrm{c}}={F}_{\mathrm{a}}\frac{1}{\mathrm{t}\mathrm{a}\mathrm{n}(\alpha +\lambda )}$

式(8)中:F_c为总径向夹持力,N;

$\alpha $

为筒夹的锥面半角,rad;λ为由夹爪与内壁摩擦系数μ决定的摩擦角,rad,其关系为λ=arctanμ。由式(8)可知,较小的锥面角α可实现更高的力学增益。

为获得从初始输入到最终输出的直接关系,将式(6)与式(7)代入式(8)进行推导。首先,联立式(6)与式(7)可得轴向力与电机扭矩的关系为

(9)

${F}_{\mathrm{a}}=\frac{2\mathrm{\pi }{\eta }_{\mathrm{s}}{\tau }_{\mathrm{m}}{\eta }_{\mathrm{b}}}{p}$

进一步将式(9)代入式(8),得到夹持机构总体的力学映射模型为

(10)

${F}_{\mathrm{c}}=\frac{2\mathrm{\pi }{\eta }_{\mathrm{b}}{\eta }_{\mathrm{s}}{\tau }_{\mathrm{m}}}{p\mathrm{t}\mathrm{a}\mathrm{n}(\alpha +\lambda )}$

为简化表达,定义系统总传动效率

${\eta }_{\mathrm{t}}={\eta }_{\mathrm{b}}{\eta }_{\mathrm{s}}$

,则最终模型可写为

(11)

${F}_{\mathrm{c}}=\frac{2\mathrm{\pi }{\eta }_{\mathrm{t}}{\tau }_{\mathrm{m}}}{p\mathrm{t}\mathrm{a}\mathrm{n}(\alpha +\lambda )}$

式(11)完整地建立了驱动电机扭矩

${\tau }_{\mathrm{m}}$

与末端径向夹持力F_c之间的数学关系,为后续的夹持力控制策略设计提供了理论基础。参数示意图如图8所示。

1.4 系统控制架构

系统采用分层协同的分布式控制策略,如图9所示,其核心由一台负责全局定位与规划的“穴位识别与定位上位机”和一台专注于末端精细操作的“末端控制上位机”构成。双上位机架构有效保障了高算力消耗的视觉处理与高实时性要求的电机控制之间的解耦,提升了系统的响应速度与稳定性。

穴位识别与定位上位机负责系统的全局感知与运动规划。操作者利用深度相机进行穴位识别与三维定位,并控制机械臂引导末端执行器精准就位。在此过程中,穴位识别与定位上位机根据末端控制上位机发送的实时压力数据流,判断末端是否与皮肤稳定接触,并在达到预设压力阈值时精确停止机械臂运动。

末端控制上位机专注于末端执行器的所有精细操作及底层传感器数据的处理。操作者可自定义扎针速度、深度、力阈值以及捻转与提插的频率和幅度等参数。系统集成霍尔传感器以判断末端执行器内部机构的啮合状态,确保各项功能在正确的机械配置下启动。

系统的安全性由多传感器融合的反馈网络保障。押手传感器(S形拉压力传感器)和压扭力传感器的数据在末端控制上位机界面实时显示并被记录。押手传感器用于辅助定位及监测压力骤变以触发紧急停机。压扭力传感器则在针刺过程中同步测量提插压力与捻转扭力,用于监测穿刺阻力并量化针刺手法,一旦超出安全阈值即触发预警与停机。

2 穴位快速采集与识别

穴位识别与定位方案^[20]流程如下。

(1)针灸对象(快速)采集穴位数据。

(2)实现数据标定(快速且精确)打穴位标签得到训练数据。

(3)训练穴位识别与定位深度学习模型。

(4)借助训练好的深度学习模型,实现穴位快速识别与精确定位并引导针灸机器人开展提插、捻转等针灸操作。

该方案可针对每位受试对象完成个性化穴位采集标定,为后续泛化模型构建奠定数据基础。

2.1 穴位采集与识别框架概述

穴位数据的采集质量直接决定了后续识别模型的精度,而这一过程高度依赖医师的专业经验。传统取穴需综合考量人体骨骼比例。若直接采用传统的深度学习数据采集方式,即先拍摄大量原始图像,再由人工利用LabelMe等工具进行标注,会面临两大挑战。其一,仅凭二维图像难以精准还原医师现场取穴的判断,可能导致标注位置出现偏差,从而影响模型的准确性。其二,若通过视频等方式连续采集,会产生大量内容相近的图像,重复的人工标注不仅效率低下,也造成了人力资源的浪费。

为解决上述问题,设计了一套高效的穴位数据采集与识别流程,如图10所示。该流程旨在将医师的专业经验更精准地融入数据生成的前期阶段,并通过自动化的方式处理数据,为后续的识别模型训练提供高质量、大规模的数据集。具体实施步骤如下。

(1)医师经验引导的高精度数据采集。为确保训练数据的初始真值精度,该流程始终有专业中医师的直接参与。医师根据其专业知识,在受试者体表直接标定出精确的穴位位置,形成一种临时的、可被机器视觉系统识别的辅助定位基准。完成初始定位后,通过相机系统对目标区域进行多角度图像采集。采集到的图像将进入一个自动化的处理流程,该流程能精准识别并解析图像中的辅助定位基准,从而批量化提取出每个穴位在图像中的精确坐标,并生成用于后续步骤的相应掩膜。

(2)图像修复与数据集生成。在获取定位基准的掩膜后,采用大掩膜图像修复(large mask inpainting,LaMa)^[21]图像修复模型对该区域进行智能处理。模型利用周围皮肤的上下文信息,对基准点所在区域进行高保真度的还原,生成不含任何外部信息的“纯净”人体体表图像。

(3)模型训练与迭代。经过上述步骤,系统最终生成了两份一一对应的数据集:纯净的穴位图像集与高精度的穴位坐标标签集。基于此,采用YOLO网络架构进行最终穴位识别模型的训练。得益于该流程的高效性,当需要扩充数据集时,仅需重复采集和自动化处理流程,即可快速增加训练样本,无需额外的人工标注,极大提升了模型迭代的效率。

2.2 标记消除处理

对于标记消除处理,采用LaMa方法对穴位标记进行消除,其主要思路如图11所示,机械臂采集带有标记的图像后,利用二值掩码将需要消除的位置进行遮挡,随后将待处理的彩色图像与二值掩码图像按顺序进行堆叠,形成一个四通道输入的张量。利用前馈式的修复网络,如图11中的LaMa结构框架,也称之为生成器。该修复网络以全卷积的方式处理所输入的四通道张量,并最终生成修复后的三通道彩色图像,利用预训练的权重,并结合针灸穴位标记与无标记图片进行训练,最终能够实现理想的标记消除效果。

其中,LaMa中的快速傅里叶卷积FFC是一种基于快速傅里叶变换的卷积算子^[22],能够在早期层使用全局上下文,具有覆盖整个图像的接收场。FFC将信道分为两个并行分支,局部使用传统的卷积,而全局分支使用实数FFT来考虑全局上下文,最后对局部分支和全局分支的输出进行融合。由于具备与图像宽度相当的接收场,FFC从早期就考虑全局背景,该方法对高分辨率的图像修复至关重要,同时也提高了效率。

2.3 穴位识别模型训练

基于上述精准标注的人体穴位数据集,并结合YOLO系列算法在各类高精度视觉识别任务中表现出的优异性能^[23],采用快速深度检测网络架构(YOLO系列网络)训练穴位识别模型。该架构采用跨阶段部分连接特征提取器(cross stage partial connections,CSP)作为主干特征提取网络,优化网络训练时的梯度计算,提升训练效率;进一步,利用特征金字塔网络和路径聚合网络来增强多尺度特征融合,从而提高对穴位目标的检测能力;最后,通过在3个尺度上的特征图对穴位目标进行检测,实现高精度穴位识别。该快速深度检测网络架构如图12所示。

3 功能验证与系统集成实验

3.1 针刺末端控制精度实验验证

为确保针刺操作的安全性与手法的精确复现,对末端执行器的力感知与运动控制精度进行了标定。如图13所示,实验分别使用20、50及100 g砝码,进行力感知精度测试。结果显示,系统力感知误差小于0.5 N,能够满足对押手压力和针刺阻力的实时监测需求。在运动控制精度方面,进针深度(设定值15 mm)的平均误差为0.55 mm,表明系统能够对进针深度进行精准控制。为测试提插捻转精度,设计了如图14所示的精度测试,结果如表1所示。由此可知,提插幅度(设定值100 mm)与捻转幅度(0°~3 600°范围)的控制误差分别小于1 mm与1°,体现出末端可精准控制提插与捻转手法的幅度。此外,连续穿刺成功率测试结果达到100%,充分验证了系统操作的稳定性和可靠性。

上述实验测试在第三方检测机构(广电计量检测集团股份有限公司)的配合下完成,并出具了CNAS测试报告。

3.2 穴位识别模型性能测试

为验证本文提出的穴位采集与识别框架的有效性,以及穴位识别模型的定位精度、识别性能与临床适配性,基于所构建的高精度人体穴位数据集,采用YOLO系列网络架构训练穴位识别模型。模型以跨阶段部分连接特征提取器为主干网络,结合特征金字塔网络与路径聚合网络实现多尺度特征融合,同时采用多阶段迭代优化的训练策略,通过多轮数据集扩充与模型再训练,持续优化模型的穴位识别与定位性能。

实验共完成三轮迭代训练,其结果如表2所示。从表2中数据可以看出,伴随迭代过程数据集的扩充与优化,模型各项核心性能指标均实现稳步提升。

第三轮训练完成后,模型精确率(precision)达0.978,召回率(recall)达0.979,mAP₅₀达0.986,mAP_50-95达0.656,较首轮训练结果均有显著提升,充分验证了本文迭代式训练策略对穴位识别模型性能优化的有效性。

为进一步验证模型的综合性能与临床适配性,选取LitePose^[24]、Sapiens^[25]、YOLOv8-ACU^[15]、YOLOv11^[26]四类主流模型开展横向对比测试。实验共纳入59位志愿者,选取腿部、腹部、手部等22个穴位,采集3 710张1 280×720分辨率的体表图像完成200轮训练,以平均像素坐标误差(average distance error,ADE)、单穴位识别准确率(point classification accuracy,PCA)、总体识别准确率(overall accuracy score,OAS)为核心评价指标。最终训练结果如表3所示,可以看出,YOLOv8-ACU与YOLOv11的综合性能显著优于另外两类模型,其中YOLOv11的ADE为0.631 pixel,PCA达0.883,OAS达0.764,兼顾了高识别率与像素级定位精度,且其模型参数量更小、推理速度更快,满足机器人实时控制的时延要求,综合性能更适配临床场景,故选用其作为本系统穴位识别的核心模型,部署于动物实验与临床试验中。

3.3 基于巴马小型猪的针刺活体验证实验

如图15所示,本实验为人体临床试验的前置验证实验,全程模拟临床标准化针刺流程开展,核心验证系统在活体生物场景下,从穴位视觉识别定位、机械臂末端执行器引导到标准化针刺操作、专家手法复现的全流程可行性、操作精度与生物安全性。实验采用如图15(a)所示的针灸机器人系统框架搭建实验样机,核心配置包括JAKA ZU7 六轴机械臂、Intel Realsense D435i深度相机、本文自研的模块化末端执行器及双上位机控制系统,穴位识别采用本文优化后的YOLOv11模型,实验对象为巴马小型猪。

实验选取巴马小型猪抢风、膊尖、小胯、会阳、百会共5个目标穴位,先通过深度相机采集目标区域体表图像,调用穴位识别模型完成穴位自动识别、三维空间坐标与入针路径法线向量解算,并引导末端执行器精准就位,通过押手机构完成穴区皮肤固定后,对各穴位行25~35 mm直刺,复现专家提插捻转平补平泻手法(90次/min),提插幅度约10 mm,捻转角度约180°,提插、捻转操作各持续30 s。单次实验完成5个穴位针刺为1轮,共进行3轮,完成5次,累计开展15轮实验,完成75穴次针刺操作。

本次实验在项目合作单位天津中医药大学开展,方案与数据来源于团队前期已发表的巴马小型猪针刺验证研究^[27],实验结果显示,穴位定位与机械臂就位误差均控制在1 mm以内,与第三方检测精度结果一致;75次针刺操作的专家手法复刻完成率达96.00%,手法曲线与预录入专家手法拟合度良好,弗雷歇距离平均值为18.67,其中百会、会阳穴手法复刻精度显著优于小胯、抢风穴(P<0.01),小胯、抢风穴提插手法复刻精度低于捻转手法(P<0.01)。实验全程无严重不良事件发生,充分验证了系统活体操作的生物安全性、全流程操作的稳定性与可靠性,为人体临床试验的开展奠定了坚实的实验基础。

3.4 临床试验验证

本次临床试验为系统临床转化的核心验证环节,已通过天津滨海新区中医医院医学伦理委员会的伦理审查(2024-12-01),是国内首个针对针灸机器人开展的人体临床试验(查阅文献未见其他针灸机器人临床介绍),核心是验证系统在真实临床场景下的穴位定位精度、全流程操作稳定性、针刺安全性与临床治疗有效性。试验采用优化后的YOLOv11穴位识别模型,全程遵循建立的标准化机器人针灸流程开展,分为健康受试者预试验与患者正式临床试验两个阶段推进。

为验证系统操作的安全性与全流程可行性,预试验选取膝骨关节炎、压力性尿失禁、中风偏瘫3个目标适应证,每组招募6名健康受试者。试验于2025年6—7月在天津市滨海新区中医医院针灸脑病科开展。按照各适应证对应的临床常规针灸方案,每位受试者接受6次机器人针刺验证。健康受试者(膝骨关节炎适应证)的典型针刺场景如图16所示。试验由针灸医师确认各穴位的标准位置,同步完成机器人穴位自动识别定位、机械臂引导就位、标准化针刺手法执行与安全留针的全流程操作,记录定位误差、操作完成情况与受试者反馈,优化针刺安全阈值与操作参数。结果显示,所有健康受试者均顺利完成全流程针刺操作,系统穴位识别准确率、定位精度均满足临床要求,无严重不良事件发生,仅出现少量与人工针刺相当的轻微皮下反应,充分验证了系统人体操作的安全性与可行性,为后续患者临床试验奠定了基础。

在健康受试者预试验验证安全性的基础上,自2025年8月起,进一步针对上述三类适应证纳入24例临床确诊患者开展正式针刺治疗试验。具体样本分布为:膝骨关节炎患者11名(接受12次/人治疗)、压力性尿失禁患者9名(接受18次/人治疗)以及中风偏瘫患者4名(接受12次/人治疗)。试验全程由资深针灸医师把控治疗方案与操作安全,按照各适应证临床诊疗规范制定取穴方案与针刺参数,通过系统完成穴位自动识别定位与精准针刺操作,并同步记录操作精度、不良事件与治疗相关数据。结果显示,系统在患者临床场景下的穴位定位与针刺误差仍稳定控制在1 mm以内,与第三方检测、动物实验结果保持一致,无严重不良事件发生,验证了系统针对三类适应证患者治疗的安全性与有效性,为针灸机器人的临床推广与转化提供了完整的临床数据支撑。

4 结论

针对传统针灸机器人穴位定位精度不足、全流程功能集成度低、针刺手法复现性差的行业痛点,设计并实现了一套精准穴位定位引导的智能针灸机器人系统。该系统融合精准穴位识别与定位、模块化末端执行器、六轴机械臂与人机交互界面四大核心模块,形成了“视觉感知-运动规划-精准执行-安全闭环”的完整针灸操作链路。核心创新与验证结果如下。

(1)设计了机电离合式模块化末端执行器(通过电机驱动的齿形离合机构实现夹持与捻转双模式无缝切换),集成提插、捻转夹持、押手三大模块,可高精度复现中医专家提插、捻转核心针刺手法,实现多角度斜刺、安全释针与留针操作,经测试提插幅度控制误差小于1 mm,捻转角度控制误差小于1°。

(2)构建了医师经验引导的穴位数据采集与识别框架,基于YOLOv11网络训练穴位识别模型,模型精确率达0.978、召回率达0.979,实现了像素级的穴位精准识别与三维定位。

(3)通过第三方性能测试、巴马小型猪活体实验与人体临床试验,系统穴位定位与针刺误差稳定控制在1 mm以内,活体实验手法复刻完成率达96%,临床试验验证了系统在膝骨关节炎、压力性尿失禁、中风偏瘫三类适应证中的操作安全性与临床有效性。

研究成果实现了视觉穴位识别与多功能针刺执行的深度闭环融合,为针灸机器人的标准化、智能化发展提供了可行的技术方案。后续研究将重点优化穴位识别模型的跨人群泛化能力,拓展多适应证的临床验证规模,推动针灸机器人的临床转化与推广。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	薛晓娟, 刘彩, 王益民, 等. 新时代中医药发展现状与思考[J]. 中国工程科学, 2023, 25(5): 11-20.

[2]	Xue Xiaojuan, Liu Cai, Wang Yimin, et al. Status quo and development strategy of traditional Chinese medicine in the new era[J]. Strategic Study of CAE, 2023, 25(5): 11-20.

[3]	Bao Y, Ding H, Zhang Z, et al. Intelligent acupuncture: data-driven revolution of traditional Chinese medicine[J]. Acupuncture and Herbal Medicine, 2023, 3(4): 271-284.

[4]	白丽丽, 张红星, 潘小丽. 智能针灸设备的发展现状和产业趋势分析[J]. 时珍国医国药, 2024, 35(9): 2239-2243.

[5]	Bai Lili, Zhang Hongxing, Pang Xiaoli. Analysis of the current development status and industrial trends of intelligent acupuncture devices[J]. Lishizhen Medicine and Meteria Medica Research, 2024, 35(9): 2239-2243.

[6]	Du G, Li Y, Su K, et al. A mobile natural human-robot interaction method for virtual Chinese acupuncture[J]. IEEE Transactions on Instrumentation and Measurement, 2022, 72: 1-10.

[7]	Li Y, Yu Y, Qiao X, et al. A robot arm-assisted acupuncture system with motion and force monitoring: establishment and validation[J]. Frontiers in Bioengineering and Biotechnology, 2025, 13: 1563263.

[8]	Yu H, Zhu Z, Wang C, et al. Kinematic-driven human-robot interaction system with deep learning for flexible acupuncture needling manipulations[J]. Biomedical Signal Processing and Control, 2024, 92: 106098.

[9]	An H, Wu C, Lu Y, et al. Design and research on needle insertion mechanism of acupuncture robot[J]. Journal of Physics: Conference Series, 2025, 3068(1): 012009.

[10]	Li W, Tao J, Han Y, et al. An acupuncture robot integrating needle bending compensation and manipulative techniques: modeling, control, and validation[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2025, 55: 864-877.

[11]	白善明, 崔娟, 张志东, 等. 基于六自由度机械臂的艾灸机器人手法控制算法[J]. 科学技术与工程, 2023, 23(6): 2403-2410.

[12]	Bai Shanming, Cui Juan, Zhang Zhidong, et al. Manipulative control algorithm of moxibustion robot based on 6-DOF manipulator[J]. Science Technology and Engineering, 2023, 23(6): 2403-2410.

[13]	Yu Z, Zhang S, Zhang L, et al. Design and performance evaluation of a home-based automatic acupoint identification and treatment system[J]. IEEE Access, 2024, 12: 25491-25500.

[14]	冶尕西, 马思敏. 人工智能在针灸领域的应用现状及思考[J]. 辽宁中医杂志, 2025, 52(6): 180-183.

[15]	Ye Gaxi, Ma Simin. Present situation and thinking of artificial intelligence application in acupuncture and moxibustion[J]. Liaoning Journal of Traditional Chinese Medicine, 2025, 52(6): 180-183.

[16]	李芳杰, 高明, 杨玉真, 等. 人工智能在中医穴位定位技术中的应用探析[J]. 上海中医药杂志, 2024, 58(2): 17-22.

[17]	Li Fangjie, Gao Ming, Yang Yuzhen, et al. Application of artificial intelligence in traditional Chinese medicine acupoint localization techniques[J]. Shanghai Journal of Traditional Chinese Medicine, 2024, 58(2): 17-22.

[18]	曹莹瑜, 高少伟, 王朝飞, 等. 基于背部形态分类的高适应性人体穴位自动定位方法[J]. 科学技术与工程, 2025, 25(21): 8814-8822.

[19]	Cao Yingyu, Gao Shaowei, Wang Chaofei, et al. A highly adaptive method for automatic localization of human acupoints based on back morphology classification[J]. Science Technology and Engineering, 2025, 25(21): 8814-8822.

[20]	Su M, Chiang M, Tsai C, et al. An acupoint health care system with real-time acupoint localization and visualization in augmented reality[J]. Multimedia Systems, 2023, 29(4): 2217-2238.

[21]	Yuan Z, Shao P, Li J, et al. YOLOv8-ACU: improved YOLOv8-pose for facial acupoint detection[J]. Frontiers in Neurorobotics, 2024, 18: 1355857.

[22]	Liu Y, Qin J, Zeng G. Back acupoint location method based on prior information and deep learning[J]. International Journal for Numerical Methods in Biomedical Engineering, 2023, 39(12): e3776.

[23]	Ling H, Hui Y, Kang L, et al. Research on acupuncture robots based on the OptiTrack motion capture system and a robotic arm[J]. Journal of Traditional Chinese Medicine, 2025, 45(1): 201-212.

[24]	Zhang C, Han Y, Liu W, et al. Kinematic modeling and simultaneous calibration for acupuncture robot[J]. Applied Mathematical Modelling, 2024, 130: 438-456.

[25]	于赫洋, 韩洪洪, 郭丽琼, 等. 多学科交叉的腧穴针灸机器人实验平台设计[J]. 实验室科学, 2025, 28(2): 226-229, 234.

[26]	Yu Heyang, Han Honghong, Guo Liqiong, et al. Design of acupoint acupuncture robot experimental platform for interdisciplinary[J]. Laboratory Science, 2025, 28(2): 226-229, 234.

[27]	何昭水, 王城彬, 王旭, 等.一种基于图像分割和深度学习相融合的人体穴位识别与定位的系统及方法: 202410663106. 3[P]. 2024-09-24.

[28]	He Zhaoshui, Wang Chengbin, Wang Xu, et al. System and method for human acupoint recognition and localization based on fusion of image segmentation and deep learning: 202410663106. 3[P]. 2024-09-24.

[29]	Suvorov R, Logacheva E, Mashikhin A, et al. Resolution-robust large mask inpainting with Fourier convolutions[C]// Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. New York: IEEE, 2022: 2149-2159.

[30]	Chi L, Jiang B, Mu Y. Fast Fourier convolution[J]. Advances in Neural Information Processing Systems, 2020, 33: 4479-4488.

[31]	翟永杰, 徐蔚, 韩宇辰, 等. 基于ID-YOLO的数字仪表检测方法[J]. 科学技术与工程, 2024, 24(16): 6775-6782.

[32]	Zhai Yongjie, Xu Wei, Han Yuchen, et al. Digital instrument detection method based on ID-YOLO[J]. Science Technology and Engineering, 2024, 24(16): 6775-6782.

[33]	Wang Y, Li M, Cai H, et al. Lite pose: efficient architecture design for 2D human pose estimation[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2022: 13126-13136.

[34]	Khirodkar R, Bagautdinov T, Martinez J, et al. Sapiens: foundation for human vision models[C]// European Conference on Computer Vision. Cham: Springer Nature Switzerland, 2024: 206-228.

[35]	Khanam R, Hussain M. YOLOv11: an overview of the key architectural enhancements[J]. arXiv prePrint, arXiv: 2410. 17725, 2024.

[36]	马唯刚, 董钰格, 张长帅, 等. 基于巴马小型猪的智能针灸机器人仿人针刺初步实验[J]. 中国针灸, 2024, 44(12): 1472-1478.

[37]	Ma Weigang, Dong Yuge, Zhang Changshuai, et al. Preliminary experiment on simulated human manual acupuncture of intelligent acupuncture robot based on Bama miniature pigs[J]. Chinese Acupuncture & Moxibustion, 2024, 44(12): 1472-1478.

基金资助

国家重点研发计划(2022YFB4703100)

PDF (14402KB)

访问

被引

详细

导航

Received	Published	Revised
2025-11-10	2026-07-28	2026-04-21
Online Date
2026-08-14

摘要

Abstract

Graphical abstract

关键词

Key words

中图分类号

引用本文

1 针灸机器人系统设计

1.1 针灸机器人系统介绍

1.2 机械结构设计

1.3 针灸机器人力学建模

1.3.1 闭环绳驱系统动力学方程

1.3.2 末端执行器夹持机构的力学模型分析

1.4 系统控制架构

2 穴位快速采集与识别

2.1 穴位采集与识别框架概述

2.2 标记消除处理

2.3 穴位识别模型训练

3 功能验证与系统集成实验

3.1 针刺末端控制精度实验验证

3.2 穴位识别模型性能测试

3.3 基于巴马小型猪的针刺活体验证实验

3.4 临床试验验证

4 结论

参考文献

基金资助