根管锉疲劳寿命预测方法及系统与流程

本发明涉及医疗器械，具体涉及根管锉疲劳寿命预测方法及系统。

背景技术：

1、镍钛机用根管锉在弯曲根管内长期旋转或往复运动过程中，承受弯曲应力与扭转载荷的耦合作用，循环疲劳断裂是导致器械分离的最主要原因，占器械分离事件的75%～85%。根管锉一旦在根管内发生断裂（即“断针”），断端可能超出根尖孔或嵌顿于根管壁内，取出极为困难，严重时可导致根管治疗失败甚至患牙拔除。因此，临床上迫切需要在术中实时评估根管锉的累积损伤状态，在达到失效极限前提示更换。

2、现有根管马达的疲劳管理方案主要依赖电机电流或扭矩阈值保护、累计转数统计以及经验查表等方式（如us6955536等专利），未建立与患者个体根管形态相关的物理疲劳模型，无法根据个体化的根管曲率半径r和弯曲角θ匹配不同弯曲工况下的疲劳寿命基准值。同时，现有方案在术中仅采集电流或扭矩与转速，缺少根管工作深度和手柄姿态等关键信息——根管工作深度决定了锉尖在根管弯段中的位置，直接影响临界截面应力幅值与疲劳寿命；手柄姿态反映了术中实际操作角度，而术前影像测量的静态曲率与术中动态姿态之间存在偏差。缺少这两路数据，导致术中实际弯曲状态无法被准确感知，等效应力与损伤速率估计偏差大。

3、此外，疲劳计算多在马达端基于嵌入式系统做经验统计或简单阈值判断，难以运行有限元预建模与实时损伤积分；术前基于医学影像测量的根管曲率为静态参数，术中手柄姿态变化导致器械实际受力状态与术前估计不一致，现有方案无法利用术中姿态信息对术前曲率参数进行动态修正，寿命预测易出现高估或低估。

4、针对上述问题，本发明提供了一种融合术前曲率识别、术中多路传感数据采集与疲劳预测模型的根管锉疲劳寿命预测方法及系统。

技术实现思路

1、本发明旨在克服现有根管锉疲劳管理依赖经验统计、缺乏个体曲率建模、术中传感维度不足、单一算法难以兼顾可解释性与预测精度等问题，提供一种融合术前曲率识别、术中多路传感数据采集与物理-智能融合预测模型的根管锉疲劳寿命预测方法及系统。

2、为达成上述目的，本发明采用以下技术方案：

3、一种根管锉疲劳寿命预测方法，包括以下步骤：

4、获取目标患牙的术前医学影像；

5、基于所述术前医学影像提取根管的曲率参数；

6、在根管预备术中，采集根管马达运行过程中的多路传感数据，所述多路传感数据至少包括电机驱动参数和器械在根管内的位置参数；

7、根据所述电机驱动参数确定根管锉的负载参数；

8、将所述负载参数、所述位置参数和所述曲率参数映射为根管锉在当前时刻的受力状态参数，以确定当前受力工况；

9、将所述受力状态参数输入预定的疲劳预测模型，计算根管锉的累积损伤值，根据所述累积损伤值输出剩余寿命预测结果。

10、优选地，所述多路传感数据还包括所述根管马达的手柄姿态参数；所述确定当前受力工况的步骤还包括：根据所述手柄姿态参数对所述曲率参数进行修正。

11、优选地，将所述位置参数映射为根管锉在当前时刻的受力状态参数，以确定当前受力工况具体包括：

12、根据所述位置参数确定根管锉尖端在根管弯段中的位置；

13、根据所述根管锉尖端在根管弯段中的位置，在预建的疲劳工况数据库中切换至与所述位置匹配的工况参数。

14、优选地，所述疲劳寿命预测包括物理模型预测模式和数据驱动预测模式中的至少一种。

15、优选地，所述物理模型预测模式包括：

16、根据所述当前受力工况，从预建的疲劳工况数据库中匹配与所述当前受力工况对应的疲劳寿命基准值；

17、根据所述电机驱动参数估算器械扭矩，并根据所述根管马达的转速计算循环次数增量；

18、根据所述器械扭矩及所述循环次数增量，并按预定的累积损伤理论计算累积损伤值，其中，将所述循环次数增量与所述疲劳寿命基准值的比值作为单次损伤增量，将各时间段的所述单次损伤增量累加，得到所述累积损伤值。

19、优选地，所述数据驱动预测模式包括：

20、提取所述当前受力工况下的力学特征，以及提取所述多路传感数据中的时序特征；

21、将所述力学特征与所述时序特征进行特征融合，生成融合特征向量；

22、将所述融合特征向量输入经训练的预测模型，由所述预测模型输出断裂风险概率和/或剩余寿命估计。

23、优选地，该预测方法还包括融合预测模式：

24、获取所述物理模型预测模式输出的剩余寿命预测值及风险概率，以及所述数据驱动预测模式输出的剩余寿命预测值及风险概率；

25、将两个剩余寿命预测值中的较小者确定为最终剩余寿命预测值，将两个风险概率中的较大者确定为最终风险概率；

26、当所述数据驱动预测模式的置信度低于预设阈值时，切换至所述物理模型预测模式。

27、优选地，所述方法还包括以下步骤：

28、对具有不同采样频率的所述多路传感数据进行时间戳对齐；

29、通过蓝牙将所述多路传感数据实时上传至数据处理设备，且当蓝牙连接中断时，所述根管马达缓存未上传数据，待连接恢复后补传；

30、提取所述曲率参数的步骤中，所述曲率参数经医生确认或修订后作为疲劳寿命预测的输入。

31、优选地，当检测到所述多路传感数据存在缺失时，按缺失时长与同工况下的最大损伤率保守估算缺失期间的累积损伤增量。

32、本发明还提供一种根管锉疲劳寿命预测系统，包括：

33、根管马达，配置有多路传感器，用于采集根管锉运行过程中的多路传感数据；

34、数据处理设备，与所述根管马达通信连接，用于接收所述多路传感数据，并执行上述任一项所述的方法。

35、与现有技术相比，本发明具备以下有益效果：

36、本发明通过术前提取根管曲率参数，并在术中采集电机驱动参数及器械位置参数等多路传感数据，将曲率参数与传感数据映射为当前受力工况后输入疲劳预测模型计算累积损伤，实现了基于个体根管形态和术中实时受力的疲劳寿命预测，相较于现有技术中依赖通用经验参数、累计转数或扭矩阈值的方案，本发明克服了个体化曲率输入缺失的缺陷；

37、通过引入手柄姿态参数对术前曲率参数进行术中动态修正，并依据根管锉尖端在弯段中的位置切换匹配的工况参数，进一步解决了术前静态曲率与术中动态姿态脱节、不同弯段位置应力差异导致预测失准的问题；

38、通过设置物理模型预测模式和数据驱动预测模式两种途径，兼顾了可解释性与预测精度。 物理模式从预建的疲劳工况数据库中匹配疲劳寿命基准值，根据电机驱动参数估算扭矩、根据转速计算循环次数增量，并按线性累积损伤理论将循环增量与基准值的比值逐次累加得到累积损伤，算法透明，适合首期落地与监管审批。数据驱动模式提取受力工况下的力学特征和多路传感数据的时序特征进行融合后输入预测模型，以力学先验约束ai输出，降低了纯黑盒风险。两种模式还可通过融合预测模式进行保守融合输出，并在ai置信度低于阈值时自动切换至物理模式，实现了双模式优势互补与安全保障；

39、通过对不同采样频率的多路传感数据进行时间戳对齐，并通过蓝牙实时上传且支持断连缓存补传，以及传感数据缺失时按最大损伤率保守估算缺失期间的损伤增量，保障了多源异构数据的时间同步性和传输可靠性，避免了数据缺失导致的预测过于乐观，进一步保障了临床安全。