1月4日，天津大学医疗机器人与智能系统研究院开展2022-2023学年度第一学期第十五期研究生阅读报告分享会。本期共有4名研究生进行阅读报告分享，汇报内容依次如下：

首先，由张浩进行题为《HyperMSM: A new MSM variant for efficient simulation of dynamic soft-tissue deformations》的报告分享：

本文通过对现有质量弹簧模型（MSM）、Neo-Hookean公式和投影动力学公式进行结合，提出了HyperMSM公式，该公式可以快速、准确并且稳定地模拟人体组织表现出得各向异性、非均质和不可压缩性。该模型可以有效模拟超弹性行为，并且对体积变化保持约束，同时具有实时计算大变形和旋转的能力。

本文分别进行单轴拉伸实验、弯曲实验、扭转实验验证HyperMSM模型与有限元模型的相关性。为了验证实际应用效果，对经胫骨残肢模型和右腰肌的肌肉模型进行分析，发现模型具有较好的可行性。但该模型也存在一些问题，如该模型仅适用于泊松比大于0.4的Neo-Hookean固体，对于其他高阶超弹性模型有一定的误差。针对其应用还需要根据实际情况进行考虑。

接下来，周伊广同学进行题为《A Robust Registration Algorithm for Image-Guided Surgical Robot》的报告分享：

图像配准是计算机辅助手术导航系统的关键步骤，并且是影响手术结果精度的决定性因素，而配准点的识别误差是配准的主要误差因素。本论文中采取了扩大搜索范围的策略，提出了一种基于非对称模板的配准算法，通过定向的区域生长将术前影像中的初始特征点扩散为一个局部点云数据，然后借助点云数据对初始配准结果进行迭代优化，最终提高了术前－术中图像配准的精度和鲁棒性。

之后，陈哲同学分享了《A Deep Transfer Learning Approach to Reducing the Effect of Electrode Shift in EMG Pattern Recognition-Based Control》：

本篇文章通过比较多种方法，展现了基于卷积神经网络的转移学习在肌电控制假肢上应用的优越性。肌电信号控制假肢商业化的障碍是对电极移位、皮肤阻抗变化和学习效应等混杂因素缺乏鲁棒性。为了克服这一挑战，该文提出了一种基于卷积神经网络（CNNs）的转移学习（TL）的新型监督自适应方法，该方法只需要一个短的训练会话就可以重新校准系统。转移学习被提出用于解决由于分类和基于回归的控制方案的训练时间短而导致的校准数据不足的问题，该方法在13名健康受试者的电极位移约为2.5cm的情况下得到验证。使用这种方法，原始的CNN）利用移位后的校准数据进行微调。

结果表明，本文所提出的技术优于从头开始训练CNN（权重的随机初始化）或使用最小校准数据的支持向量机（SVM方法）。此外，它显示出优于先前基于LDA和QDA的自适应方法的性能。结果证实，所提出的CNN TL方法为适应外部因素提供了实用的解决方案，提高了肌电图（EMG）模式识别系统的鲁棒性。

最后，于跃同学对论文《一类不满足Pieper 准则的机器人逆运动学解析解获取方法》进行了分享：

机器人的逆向运动学问题是其轨迹规划和运动控制的基础。逆运动学求解的快速性和准确性是影响机器人控制性能的一个主要因素。所以解析解在机器人控制中具有不可替代的优势。如何得到机器人的解析解显得尤为重要。当机器人的关节配置满足 Pieper 准则的时候其逆运动学方程具有解析解，当不满 Pieper 准则的时候无法分离出独立的关节变量，没有通用的解析解求解方法，所以很难求得其解析解。

针对不满足 Pieper 准则的机器人逆运动学求解困难且无通用精确解的问题，基于相邻关节轴换位前后正运动学结果不变的准则，提出一种全新的运动学建模方法——相邻关节轴建立顺序换位法，并给出满足该方法的机器人构型条件。当相邻关节轴换位后满足 Pieper 准则时，就可以采用此方法方便快捷地求解出其逆运动学解析解。

机器人的解析解求解困难的问题。给出了满足相邻关节轴建立顺序换位法时运动学参数需满足的条件，此时对一些不满足 Pieper 准则的机器人可以应用相邻关节轴建立顺序换位法。得到如下结论：若换位后仍然不满足 Pieper 准则，对其运动学结果也是没有影响的，若换位后满足Pieper 准则，则可以求得其精确的解析解。