杂志的下一篇文章
气电子倍增探测器用印刷电路板技术制造的分段式二维读出板
下一篇特刊文章
一种为视力受损者提供触觉方向提示的手持式设备
期刊上的上一篇文章
利用可穿戴设备实现情绪智能：在数字健康中的治疗应用
特刊上一篇文章
人类和机器人在人类背部的愉快触碰
 
 
搜索用于文章:
标题/关键字
作者/隶属关系/电子邮件
日记账
文章类型
 
 
高级搜索
 
章节
特别发行
音量
问题
编号
第页
 
期刊销售
传感器
第23卷
第19期
10.3390/s23198094号
传感器-徽标
提交到此日志 本期刊的评论 提出特刊
► 文章菜单

文章菜单

分享 分享 公告 帮助 format_quote格式 引用 问题_答案 在SciProfiles中讨论 拇指（_up）
...
背书 短信
...
注释
第一页（_P）
设置
订购文章重印
字体类型：
宋体 佐治亚州 宋体，Verdana
字体大小：
Aa公司 Aa公司 Aa公司
行距：
列宽：
背景：
系统审查

非辐射、非视觉脊柱传感技术现状，重点关注传感力、振动和生物电特性：系统综述

通过
梅克尔·蒂默曼
1,*,
艾达娜·马萨利莫娃
2,
李瑞轩
三,
阿尤布·达沃迪
三,
昆汀·古森
1,
科南牛
三,
埃曼纽尔·范德普滕
三,
菲利普·范斯塔尔
2和
凯瑟琳·丹尼斯
1
1
KU Leuven，机械工程系，生物力学（BMe），智能仪器，3000 Leuven，比利时
2
瑞士苏黎世大学Balgrist大学医院骨科计算机科学（ROCS）研究
三
比利时鲁汶3000鲁汶机器人辅助手术组（RAS）机械工程系KU Leuven
*
信件应寄给的作者。
传感器 2023,23(19), 8094;https://doi.org/10.3390/s23198094
收到的提交文件：2023年7月31日/修订日期：2023年9月4日/接受日期：2023年9月11日/发布日期：2023年9月26日
（本文属于特刊用于医疗保健的传感器和机器人)
浏览地物
版本注释

摘要

:
在机器人脊椎手术的研究领域，机器人中的外科医生般的自主行为和手术精度将迎来一个巨大的发展势头，这超越了几何精度等标准工程概念。本综述的目的是概述非视觉、非辐射脊柱传感技术的发展现状，以增强机器人自动化中的手术技术。它提供了一个有利的位置，可以促进实验，并将新的研究项目引导到外科机器人尚未研究或集成的领域。根据PRISMA指南确定、选择和处理研究。搜索的相关研究特征包括传感器类型和测量特征、手术行为、测试样本、数据分析方法和系统状态识别的准确性。6DOF f/t传感器、麦克风和肌电图探头分别是每一类中最常用的传感器。肌电图探头在防止神经损伤方面的性能并不令人满意，因为它只能在神经受到干扰后发出信号。特征阈值法和人工神经网络是最常用的状态识别决策算法。决策算法中不同传感器数据的融合提高了状态识别的准确性。

1.简介

脊柱手术是一项复杂的手术，其结果往往取决于外科医生的经验。椎弓根螺钉置入已成为脊柱手术中最常用的程序之一，但螺钉错位仍然是一个主要并发症，即使对于经验丰富的外科医生来说，因为椎弓根钉错位率在腰椎为5%至41%，在胸椎为3%至55%[1]. Tsai等人对10350例脊柱翻修手术的回顾性研究发现，一周内再次手术最常见的手术原因是螺钉错位，随后减压不足和硬膜外血肿[2]. Dymén等人列出了脊柱手术后再次手术的长期原因，感染是主要原因，其次是植入相关原因（植入物移位、植入物断裂、植入物错位和植入部位疼痛）和出血/血肿[三]. 这些问题不仅会导致翻修手术的复杂性，而且还会导致严重的术后并发症、严重的治疗后果和潜在的神经功能下降[4].
上述问题的一个主要原因是手术部位的视觉效果有限，对外科医生的反馈也有限，即植入过程中脊柱植入物在解剖结构中的位置，以及哪些组织正被手术器械（如钻头、探针或镊子）操作。在这些情况下，触觉和听觉是外科医生唯一可用的反馈。在微创脊柱手术（MISS）中，有限的可视化和反馈问题变得更加明显。Camacho等人对脊柱创伤中MISS的回顾表明，MISS与开放手术相比具有许多优点，例如减少失血、降低手术部位感染风险以及改善术后护理和康复[5]. 然而，在这种情况下，可视化更加困难，必须经常依赖辐射成像技术。研究表明，侵入性较小的脊柱手术增加了外科医生和患者的辐射暴露[6]. 此外，蒂穆尔·穆拉科夫（Timur M.Murakov）的一项研究表明，在距离发射器2英尺（外科医生和助理手术的典型距离）的范围内，铅制长袍等防护设备仍然可以让80%的辐射到达外科医生的身体[7]. 应尽量减少患者和医务人员的辐射暴露，因为辐射会通过细胞损伤和DNA损伤导致严重的健康风险和致癌影响[8].
手术室中的技术随着面临的问题不断发展，许多发明被用于改善（微创）脊柱手术的术中可视化。最新进展包括增强现实可穿戴设备，可在患者身上投影潜在解剖结构和预先规划的手术路径，以改进手术流程[9]. 然而，只有外科医生的视觉通过这项技术得到了帮助，而触觉和听觉反馈在MISS中也受到了阻碍。一些综述性研究表明，对于正确的术中组织分类，使用来自不同模式的传感技术的组合来模拟人类在决策过程中结合不同感官的能力，并适应复杂手术任务中迫切需要的传感器冗余，这一点至关重要[10,11]. Qu等人认为，脊柱研究的未来方向应侧重于通过多传感器技术进行信息处理，以确保有效性和安全性，因为组织识别受手术器械、操作方法、手术路径、操作速度和其他因素的差异影响[10]. 应用各种传感器和传感技术可以潜在地提高检测和分类算法的鲁棒性。当前以人工智能为中心的研究激增有助于实现精细化多传感器技术的目标，以提高脊柱手术的准确性，因为增强的模式识别和数据融合现在可以通过建立的机器学习模型来实现[12,13].
由于机器人由于其高精度和可重复性，目前越来越多地被用于手术室，因此，集成的手术机器人系统可能会执行甚至增强这种仿人感知和决策。在机器人脊椎手术的研究领域，机器人中的外科医生般的自主行为和手术精度将迎来一个巨大的发展势头，这超越了几何精度或分辨率等标准工程概念。正如Staub等人得出的结论，当前的技术不允许真正的自动机器人脊柱手术，而允许外科医生的指导，这表明现在是推动这项研究的时候了[14]. Ghasem等人进行的一项系统回顾性研究比较了机器人和自由手脊柱手术的结果，发现机器人手术可以提高螺钉放置的准确性，但预先计划的钻孔路径被证明是术中环境因素改变的结果，例如施加到钻头上的软组织压力或刮掉骨表面[15]. 高精度并不能保证安全，多传感器技术和信息处理的集成是手术室建立机器人脊柱手术所必需的。人类外科医生在视觉化方面面临的同样问题也仍然存在于机器人手术中，D'Souza等人的一项回顾性研究发现机器人手术和徒手手术之间没有决定性的区别[16].
总之，外科医生和手术机器人系统在脊柱手术中面临有限的感觉反馈，这可能导致严重的并发症，如椎弓根螺钉错位和脊柱钻孔过程中意外破裂导致血肿。此外，手术室中的标准可视化和成像技术会对患者和医务人员造成辐射照射，由于其对健康的危害，应尽量减少辐射照射。本系统综述研究了哪些传感器类型和传感方法可以应用于脊柱手术，并集成在多传感器平台中，以向外科医生或机器人提供冗余的操作反馈。由于脊柱手术的视野有限，并且向MISS方向发展，本研究侧重于非视觉、非辐射技术。所研究的传感方法类别基于脊柱手术中组织分类方法的两项综述研究[10,11]. 这三类包括力和力矩、声音和振动以及生物电特性的传感。本综述的目的是概述脊柱手术中传感技术的最新进展，确定某些传感器或数据处理的使用趋势，并调查该领域的未来发展是否存在研究差距。为了系统地搜索合适的传感器，引入了以下研究问题。
-
哪些传感器是脊柱手术中最先进的非视觉、非辐射、术中传感传感器，重点是传感力、振动和生物电特性？
-
测量哪些物理性质？
-
如何处理收集的数据？
-
建议的测量系统的精度是多少？
这篇系统综述很新颖，因为它试图为机器人脊柱手术的未来研究提供可用和测试的传感器技术的简明总结。它提供了一个有利的位置，有助于实验和原型设计，并将新的研究项目引导到迄今为止尚未彻底研究或集成到机器人技术中的领域。所包含的表格列出了传感器、它们的应用及其性能，可用于选择可组合哪些传感器或信号处理算法，以根据大量反馈信号执行实时决策。
本系统综述的结构如所示图1方法部分描述了如何进行文献检索，以及应用的纳入标准，以及从纳入研究中提取的数据。结果部分涵盖三类传感。对于每个类别，讨论并简要总结了每个研究中执行的手术操作、传感器类型、信息处理方法、传感方法的目的和准确性。讨论部分涵盖了文献综述中出现的发展趋势、本研究的局限性以及对未来工作的建议。最后，结论部分对本系统综述的研究问题做出了回答。

2.方法

2.1. 文献检索和纳入标准

系统评审和荟萃分析（PRISMA）指南的首选报告项目[17]对非辐射和非视觉脊柱传感的最新技术进行了系统综述。使用以下搜索词在四个数据库（PubMed、IEEE Xplore、Ovid和Scopus）中进行搜索：脊椎、脊椎、椎弓根、椎间盘、螺钉、器械、融合、椎间盘切除术、钻孔*、研磨*、切割、状况、状态、组织、破裂、穿孔*、突破、传感器、辨别*、分类*、辨别*识别*、识别*、力、扭矩、触觉、声音、声学、振动、发射阻抗、电阻、电导率、电。上述数据库中未应用进一步的搜索筛选器。这些关键字组合成一个字符串，用作数据库中的搜索输入。PubMed中使用的示例如下：（状况或状态或组织或破裂或穿孔或突破）和（螺钉或器械或融合或椎间盘切除术或钻磨或切割）和（传感器或识别或分类或识别或识别）和（脊椎或椎弓根或椎间盘内）AND（力或力矩或触觉或声音或声音或振动或发射或阻抗或电阻或导电性*或电*）。其他数据库的字符串类似，但有些数据库不接受通配符或接受数量有限的通配符。然后，所有带有通配符的搜索词都被其名词替换。例如，识别被识别所取代。在每个数据库中的研究标题、摘要和关键词中进行搜索。两名独立评审员使用完全相同的关键字字符串搜索四个数据库，完全无视对方的结果，以减少偏见的风险。第一位评审员于2021年4月26日进行了搜索，第二位评审员于2021年5月7日进行了搜索。2022年8月17日进行了一次迭代搜索。根据标题和摘要对结果研究进行了审查。基于与主题的相关性，采用了以下入选标准：
  • 传感是在骨组织或人工（但机械上类似）替代品上进行的。
  • 传感器属于测量力和扭矩、声音和振动或生物电特性的类别。
  • 所提出的传感方法是非辐射和非视觉的。
对每位评审员的选定研究列表进行了比较，并得出了不同意见(n个=5，包括三项研究，排除两项研究）通过协商一致解决。随后，对商定的所有研究的全文进行了审查。获得了以下资格标准：
  • 研究报告是用英语写的，并且有全文。
  • 该研究发表的期刊的SJR评分为Q1或Q2。
  • 这些研究不早于2005年发表。
不符合所有入选标准和所有合格标准的研究被排除在本次系统性审查之外。没有进一步的排除标准。除了通过数据库进行系统搜索外，通过分析系统搜索得出的研究中的参考文献，确定了15项符合上述入选标准和资格标准的研究。这15项研究以类似的方式进行了审查，必须符合相同的入选和资格标准。参见图2获取文献选择过程的图表。

2.2. 数据提取

从每项研究中提取以下信息：作者、出版年份、传感器类型和测量特征、传感方法、手术程序、组织类型（骨、软组织……）、组织来源（人类、动物、人工……），数据分析和决策程序，准确性，传感器是否与机器人系统结合使用，最后是实时传感的可能性。主要观察指标为传感器类型和传感方法。次要结果指标是决策程序和准确性。为了实现传感方法或其在手术中的应用，通常使用以下表达式：“组织识别”和“钻孔/铣削状态识别”。在这篇综述中，我们认为这是相同的目标，因为手术中的钻孔或铣削状态主要取决于组织类型。

3.结果

3.1. 包含的研究

文献检索共确定765项研究。删除重复结果后，仍有718篇论文根据标题和摘要进行筛选。基于相关性，672篇论文因相关性而被排除在外，例如，它们没有涵盖脊柱感知。从剩下的46项研究中，无法检索到一项研究的全文，因此对45篇论文进行了资格评估。最后，有10项研究因不符合一项或多项合格标准而被拒绝。通过系统搜索数据库确定的所有研究中，有35项研究被纳入综述。通过在35项纳入研究的参考文献中进行搜索，根据标题及其在纳入研究中被引用的原因，确定了另外15项研究。经过全面审查，其中三项研究被排除在外，因为它们缺乏有关传感器和传感方法的相关信息。一项研究没有全文可用，另外三项研究太旧。这意味着在参考文献检索的基础上纳入了7项研究，因此纳入的研究总数为43项。

3.2. 力和扭矩

15项研究涉及脊柱手术期间的力或扭矩传感。脊柱手术期间传感器类型和传感目标的总结如所示表1。每个研究的特征显示在表2在其中三项研究中，力数据也与音频数据融合[18,19,20]. 这些融合研究中使用的力传感器将在当前章节中列出，振动传感器将在第3.3节数据融合也将在第3.3节.

3.2.1. 相关手术

在讨论力或扭矩传感的研究中，涉及五种不同的手术操作或程序：钻孔状态识别、铣削状态识别、术中骨质量评估、椎弓根钻孔过程中的突破检测和铣削深度预测（参见表1). 七项研究测量了钻井过程中的轴向推力[21,22,23,24,25,26,27]而一项研究测量了椎弓根钻孔过程中的扭矩[18]. 一项研究测量了在椎体组织中钻导孔以区分组织时的推力，然后在测量植入扭矩的同时插入可拧入的牙种植体以评估种植体的固定[28]. 三项研究测量了叶片铣削过程中的横向力[29,30,31]. 使用[29]这是为了根据预测模型估计切削深度，其中铣削力的设定值与每个0.2 mm深度的毛刺相关。的目标[30,31]进行铣削状态识别。一项研究通过在椎弓根中加载法兰扭矩计来测量分离扭矩，直到小梁骨屈服，以评估松质骨的质量[32].
表1。传感器类型和功能总结，用于研究，包括力和扭矩传感。
表1。传感器类型和功能总结，用于研究，包括力和扭矩传感。
传感器类型称重传感器6DOF f/t传感器扭矩计
目标
钻孔状态标识[26][18,19,20,22,23,24,25,27]
铣削状态标识[31][30]
骨质量评估[28] [32]
突破性检测[21]
铣削深度预测 [29]
表2。包括力和扭矩传感的研究特征。使用符号“/”表示文章中未找到任何信息。
表2。包括力和扭矩传感的研究特征。使用符号“/”表示文章中未找到任何信息。
作者和年份传感器测量的特征目标样品机器人实时数据分析准确度范围
Hessinger等人，2013年[21]称重传感器（自行设计）推力突破性预防人造（胶合板和聚乙烯）不是的阈值/
Hu等人2013[22]6DOF力/扭矩传感器多个轴的力平均值钻孔状态标识牛是的是的阈值/
Jiang等人，2017年[23]Mini40 6DOF力/扭矩传感器推力钻井状态标识猪是的是的阈值100%
Jiang等人2019年[29]Mini40 6DOF力/扭矩传感器推力铣削深度预测牛是的不粒子群优化算法/
Jiang等人，2020年[24]Mini40 6DOF力/扭矩传感器推力钻孔状态标识猪是的是的阈值95%
Jin等人，2012年[25]6DOF力/扭矩传感器推力钻孔状态标识牛不是的阈值/
Jin等人，2014年[18]6DOF力/扭矩传感器钻孔扭矩钻孔状态标识人类是的是的脱粒（扭矩）-
Li等人，2021年[19]ATI F/T传感器力（未指定）钻孔状态标识猪是的/支持向量机81–88%（熔断）
Popp等人，2013年[32]Densi探针海绵骨断裂扭矩骨质量评估人类不是的//
Qu等人，2021年[30]6DOF力传感器M8128C6力（多轴）铣削状态识别猪是的是的反向传播神经网络92.8–100%
Rossini等人，2020年[26]称重传感器推力组织识别猪不不阈值真阳性：80%->90%假阴性：<10-35%
Sun等人2020[20]ATI F/T传感器推力钻孔状态标识山羊是的是的ANN长短期记忆（LSTM）88–96%（力）
Tian等人，2014年[27]6DOF力/扭矩传感器力（多轴）->平均值钻孔状态标识绵羊是的是的阈值100%
Voumard等人2019[28]称重传感器M-2025和Osstell ISQ设备轴向力、注入转矩和共振频率骨质量评估和种植体稳定性评估人和牛不是的阈值/
Wang等人，2010年[31]LC0505压电石英换能器推力铣削状态标识猪是的是的阈值/

3.2.2. 传感器类型、传感方法和用途

八项研究提到使用6DOF力/扭矩传感器[18,22,23,24,25,27,29,30]测量进给方向上的力或加工工具的扭矩。Qu等人给出了传感器的规格，他们使用了带有M8128接口盒的M8128C6六轴力传感器（SRI，美国密歇根州坎顿市），Jiang等人使用了Mini40力/扭矩传感器（ATI，美国密西西比州猎户座湖市）。一般来说，这种6DOF力/扭矩传感器使用变形物体上的应变仪来量化施加在其上的力。传感器位于机器人脊柱手术的钻头和机械臂之间，以及手持式手术钻头的钻头轴承和外壳之间。三项研究明确提到使用应变仪测量轴向推力[21,26,28]在钻井过程中。Hessinger等人用应变计测量了一个自行设计的变形物体。Rossini等人使用了一个未指定的称重传感器，Voumard等人使用了M-2025称重传感器，精度等级为0.2%（德国奥尔多夫Lorenz Messtechnik GmbH），该称重传感器放置在骨骼样本下方。
一项研究使用LC0505压电石英力传感器（美国俄亥俄州科普利Lance Technologies公司）测量薄板机器人铣削过程中的推力[31]. 这些传感器记录的数据通常用于对推力振幅进行阈值设定，以区分松质骨或皮质骨钻孔。阈值已应用于[18,21,22,23,24,25,26,27,28,31]其中，例如，Tian等人制定了一个与钻入第二皮层对应的力阈值。当达到阈值时，钻井过程立即停止。然而，由于呼吸等原因，当样品移动时，可能会出现问题。进给速度发生变化，因此力的波动更大，导致在钻取第一层皮层时出现两个峰值的力剖面[23]. 控制系统会错误地将第二个峰值识别为第二层皮层中的钻孔，并停止程序（参见图3). 当骨骼随着钻头的进给而暂时移动时，接触力可能比静止组织的情况低得多。因此，该系统无法识别骨皮质层的穿透。
Jiang等人通过使用Polaris Vicra系统（NDI，滑铁卢，加拿大安大略省）对骨骼进行光学运动跟踪，解决了这一问题。机器人的运动根据骨骼的实时位置进行补偿，使进给速度相对于骨骼保持恒定[23,24]. Rossini等人通过定义一个新参数：平均阻抗（AI），解决了一个类似的问题，即由于手动钻孔中进给速度不规则，力剖面不准确[26].
A类 我 ( 如果 ) = F类 ( 如果 ) V（V） ( 如果 ) = F类 ( 如果 ) ( 2 π 如果 j个 · S公司 ( 如果 ) )
F类,V（V）、和S公司在方程式中(1)分别表示钻头与组织之间的接触力、钻头速度及其位移的傅里叶变换。通过创建人工智能的轮廓而不是推力，当进给速度不恒定时，皮质骨和松质骨钻孔之间的差异变得更加清晰和一致[26]. 在[30]力信号（经过小波变换以降低噪声）被用作反向传播人工神经网络（ANN）的输入，该神经网络可以区分皮层外层、松质骨、松质与皮质骨之间的过渡层以及椎板的皮层内层的铣削。此外，铣削是通过超声波骨手术刀进行的，该刀使用高频振动加工高阻抗骨组织。肌肉或血管等弹性软组织不会被这些振动切割，研磨后的骨骼表面更光滑、更平整[30].
最后[32]使用DensiProbe，一种非常类似于椎弓根探针的工具，通过数字扭矩计（ARI，Davos，Switzerland）增强，在螺钉放置前评估椎弓根的骨质量。DensiProbe有三个小法兰，用于增加插入骨骼的尖端的接触面积。施加扭矩，直到松质骨屈服。分离扭矩与骨质量相关，以决定是否应使用骨水泥等强化技术。分离扭矩与局部体积骨密度（vBMD）之间存在很强的相关性（R=0.90；第页= 0.002).

3.2.3. 准确性

六项研究分析了所用传感和分类方法的准确性。Tian等人分析了椎弓根螺钉的导向孔：对于所有32个孔，钻头都没有穿透第二层皮层，即使是故意错误规划的轨迹[27]. 应用的组织识别方法的准确性通过以下方式进行评估[30]通过作为人工神经网络输入的力剖面，识别率在92.8%到100%之间。Jin等人通过对平均钻井扭矩进行阈值化来评估精度，结果得出两组状态识别精度：67.29–74.29%和71.87–81.88%[25]. 每组的上下值对应于系统是否能够区分外皮层和内皮层的钻孔（上值对应于无差异）。第一组和第二组之间的差异取决于分别必须识别四个状态（包括自由运行的钻机）还是三个状态（不包括自由运行钻机）。没有关于测试用例数量的可用数据。Jiang等人发现，在没有对骨骼运动进行补偿的情况下，检测正确停止点的成功率为60%（12/20次实验）。当机器人补偿样本运动时，成功率提高到100%（20/20）[23].

3.2.4. 总结

对于力和扭矩传感，本文献研究中最常用的传感器是6DOF力/扭矩传感器（参见表1). 这种传感器类型通常由应变计组成，用于根据物体的变形估计力。这也是称重传感器的情况，用于[28]设计于[21]. 一项研究使用压电石英传感器测量进给力，另一项研究则使用数字扭矩仪评估骨骼质量。
表2表明，在大多数关于力和扭矩传感的回顾性研究中，推力被用作分析的主要特征。这种分析通常是通过简单的阈值化来完成的，而不需要人工智能的帮助。回顾性研究的典型目标是在钻孔或铣削过程中进行状态识别，其目的是区分工具是否正在加工组织，更重要的是，区分正在加工的组织。在13项研究中，有8项是由机器人完成的。这表明，力和转矩传感是一种可行的方法，可以应用于自主手术机器人的控制。

3.3. 声音和振动

21项研究发现，在脊柱手术中使用声音和振动进行传感。其中三项研究将声音和振动传感与力传感结合起来[18,19,20]. 脊柱手术期间传感器类型和传感目标的总结如所示表3每项研究的特点显示在表4.

3.3.1. 相关手术

使用声音和振动传感的研究包括五种不同的手术操作或程序：钻孔状态识别、铣削状态识别、切割状态识别、骨钻孔过程中的突破检测以及骨和植入物完整性监测（参见表3). Dai等人研究小组的八项研究分析了骨研磨过程中的测量结果，以识别正在研磨的组织[33,34,35,36,37,38,39,40]. 六项研究在椎弓根螺钉置入（PSP）导向孔、椎板切除术和颈椎间盘切除术中进行了相同的钻孔[19,20,41,42,43,44,45]. 在一项研究中，在切割大块脊椎时进行测量，例如棘突[46]. 在两项研究中，对声发射信号（AE-signals）进行了分析，以确定螺钉插入过程中螺钉过度拧紧和骨内螺纹剥落或损坏的点[47,48]. 最后，还有另外两项研究，通过对振动和声发射的分析来评估（器械）椎骨的特定病理[49,50].
表3。用于研究的传感器类型和功能总结，包括声音和振动传感。
表3。用于研究的传感器类型和功能总结，包括声音和振动传感。
传感器类型加速计话筒激光位移传感器AE传感器
目标
钻孔状态标识 [18,19,20,33,43,45][41]
铣削状态标识[37,39,40][34,38,39][35,36,37]
切割状态标识[46]
突破性检测 [44]
检测骨骼结构变化[50] [47,48,49]
表4。包括声音和振动传感的研究特征。使用符号“/”表示文章中未找到任何信息。
表4。包括声音和振动传感的研究特征。使用符号“/”表示文章中未找到任何信息。
作者和年份传感器测量的特征目标样品机器人实时数据分析准确度范围
Arun等人，2014年[49]Nano-30微型声发射传感器骨骼声发射信号检测断裂发生人类不///
Bai等人，2021年[33]46BE自由场话筒（丹麦霍尔特GRAS）声压铣削状态标识猪是的是的阈值，统计样本吨-测试/
Dai等人，2013年[41]激光位移传感器LK-H082骨骼振动（位移）钻孔状态标识猪不是的阈值94.7%
Dai等人，2015a[34]46BE自由场话筒声压铣削状态标识猪不是的阈值/
Dai等人，2015b[35]激光位移传感器LK-H082组织振动（位移）研磨过程中的组织识别猪是的是的人工神经网络83–100%
Dai等人，2015c[36]激光位移传感器LK-H082骨骼振动（位移）铣削状态标识猪是的是的阈值/
Dai等人，2016年[37]激光位移传感器LK-H082和PCB 352C33加速计组织振动（位移）和工具振动（加速度）研磨过程中的组织识别猪是的是的支持向量机76–100%
Dai等人，2018年[39]46BE自由场话筒和PCB 352C33加速计声压和刀具振动（加速度）铣削状态标识猪是的是的人工神经网络灵敏度：90–100%特异性：82–100%
Dai等人，2020年[40]PCB 352C33加速度计刀具振动（加速度）铣削状态标识猪是的是的人工神经网络灵敏度：90–98%特异性：94–100%
Dai等人，2017年[38]46BE自由场话筒声压铣削状态标识猪是的是的ANN自组织特征图（SOFM）85–95%
Guan等人，2018年[45]声音探测器SEN-12642骨AE-signal钻孔状态标识动物（/）是的是的人工神经网络75.0–84.2%
Jin等人2014[18]话筒声压钻孔状态标识人类是的是的SVM（音频）67-82%（音频），无融合结果
Kawchuck等人，2009年[50]PCB 356A35三轴加速度计螺杆振动（加速度）识别结构变更猪不/人工神经网络99.7–99.8%
Li等人，2021年[19]声音探测器SEN-12642骨AE-signal钻孔状态标识猪是的/支持向量机81–88%（熔断）
Osa等人，2015年[46]TSND 121加速度计记录器刀具加速度和角速度切割状态标识人造（锯骨）不是的支持向量机75%
Pullin等人，2017年[47]Pico-Z AE传感器骨骼AE-信号检测骨内螺纹剥落人造（锯骨）不不ANN自组织图（SOM）/
Seibold等人2021[42]自制接触式话筒骨骼AE-信号突破性预防人类不是的卷积神经网络分类器93.6%
Shao等人2019年[43]46BE自由场话筒声压钻孔状态标识猪不是的阈值，单向方差分析统计分析/
Sun等人，2020年[20]检波器SEN-12642骨AE-signal钻孔状态标识山羊是的是的ANN长短期存储器（LSTM）62%（音频），92-96%（保险丝）
Torun等人，2018年[44]ICD PX333录音机声压突破性预防人造（胶合板和聚苯乙烯）是的是的阈值100%
Wright等人，2020年[48]Mistras Pico压电传感器骨骼AE-信号检测骨内螺纹剥落人类不是的//

3.3.2. 传感器类型、传感方法和用途

Dai等人小组的四项研究提到了加速度计的使用[37,38,39,40]：他们使用安装在电动工具上的单轴加速计PCB 352C33（PCB Piezotronics，Depew，NY，USA），根据其振动识别工具的铣削状态。致密的皮质骨比松质骨对机械加工的阻力更大，因此在工具中引起的振动更大。信号可以通过小波包变换（WPT）分解成各种窄带，这些窄带都包含主轴频率的一个谐波。在致密皮质骨中进行加工会导致更大的谐波振幅，使得这些谐波（或WPT能量）的分析可以用于识别几种钻孔或铣削条件。在其他研究中，小波变换技术被证明是结构完整性甚至结构损伤位置的良好预测工具[51]. Dai等人使用支持向量机（SVM）进行铣削状态识别，SVM是一种机器学习算法，用于[37]或中的ANN[38,39,40]. TSND 121（ATR-Promotions Inc.，日本京都）是一种连接在工具近端的加速度和陀螺仪传感器，用于[46]测量电动切割钻的轴向加速度和角速度。在一个案例中，加速计没有连接到工具上，而是连接到插入脊椎的螺钉上[50]. 在这项工作中，研究人员使用356A35型三轴加速度计（PCB Piezotronics，Depew，NY，USA）来确定脊柱内结构改变（健康椎骨、互连椎骨、手术刀刺伤的椎间盘和椎间盘横断）的存在、位置和大小。训练一个神经网络来识别不同的变化。
在南开大学（中国天津）同一小组的五项研究中，使用麦克风捕捉加工过程中的声音[33,34,38,39,43]. 在所有五项研究中，使用的麦克风是一个46BE自由场麦克风（GRAS，Holte，Denmark），通过固定在工具或机器人手臂上的金属夹子，将其连接在距离工具5–20 cm的位置。采用小波方法提取谐波幅值，并用人工神经网络进行状态识别[38,39]或通过谐波振幅或WPT能量的阈值[34,43]. Bai等人记录了三种研磨状态下的声音：研磨松质骨板、研磨腹侧皮质骨和穿透腹侧皮层骨。对于这些状态中的每一个，分析了1、2、3、4和5 kHz时的频谱幅度，并进行了统计（独立样本）吨-进行了测试，将频谱的“指纹”与研磨状态关联起来[33].
在一项研究中，研究人员使用了一种低成本、自制的接触式麦克风，该麦克风通过运动录像带连接到皮肤上，用于在骨骼钻孔过程中检测AE信号[42]. 测量值记录在对数-质谱图中，该谱图用作卷积神经网络（CNN）分类器的输入。Torun等人使用声谱图对索尼ICD PX333录音机（索尼，日本东京）测量的音频信号进行可视化[44]. 他们注意到，当钻头即将突破骨皮质层时，信号频率下降（参见图4). 基于此，他们定义了一个新参数MNMD，它是谱图中每个时间点的平均（MN）和中值（MD）频率的组合。如果MNMD低于某个阈值，则可以断定违约即将发生[44].
一个研究小组的四项研究提到了LK-H082激光位移传感器的使用（日本大阪Keyence）[35,36,37,41]. 该传感器向样品发射激光束，然后反射回传感器。当样品移动或振动时，激光从样品反射回传感器的角度发生变化，这种变化相当于样品相对于传感器的位移。激光位移传感器采用了与加速度计或麦克风类似的状态识别方法。这些方法包括ANN的使用[35]，支持向量机分类器[36]或谐波振幅阈值[37,41].
四项研究描述了声发射（AE）传感器的使用[19,20,45,49]. 严格来说，声发射传感器是压电传感器，类似于加速计，用于测量结构中传播的应力波的高频信号。Arun等人应用了这种传感器，使用安装在腰椎上的Nano-30微型AE传感器（Mistras，Princeton，NJ，USA）来检测尾向冲击载荷作用于腰椎时的骨折信号[49]. 两项研究使用AE传感器和称重传感器（未指定）检测矫形螺钉的过度拧紧。参考[47]使用Pico-Z（英国芬斯坦顿Pancom）和[48]使用Mistras Pico压电传感器（物理声学，新泽西州西温莎镇，美国）检测AE信号。这两项研究都得出结论，当在拧紧过程中累积的AE能量持续增加，而螺钉的轴向负荷没有增加时，就会发生剥离，从而损坏骨骼中的螺纹。在真正的手术中，不可能在骨骼和螺钉之间放置称重传感器。因此，Wright等人研究了记录的声发射能量与骨密度和剥离力之间的相关性。发现高度正相关[48]. 在[19,20,45]然而，研究人员使用了SparkFun Sound Detector SEN-12642（美国科罗拉多州尼沃特市SparkFun），它由印刷板上的麦克风组成。它可以被视为广义的AE传感器，因为它测量空气中传播的非常高频的波，但不是严格意义上的，因为没有测量结构压力波。尽管Guan等人、Sun等人和Li等人使用了术语“声发射信号”，但我们将该传感器归类为表3由于传感器测量的是空气中的声压（在可听频率范围内），而不是结构中的高频应力波。中使用的传感器[45]安装在钻头尖端上方5 cm处，测量范围为10至15 kHz。状态识别通过曲线拟合的形式进行：
年 = 一 · 电子 b条 x个 · 秒 我 n个 [ ( 2 π + c（c） x个 ( 1 − x个 ) ) x个 d日 ]
哪里一,b条,c（c）、和d日是调整后最适合测量数据的系数。所获得函数的系数用作ANN的输入，然后ANN可以根据每个系数的高低值的不同组合，识别钻孔过程中遇到的不同骨层。相同的传感器由[19,20]在皮质骨、松质骨或这两层之间的过渡区进行钻孔的区分。使用ATI力传感器（ATI Industrial Automation，Apex，NC，USA）同时测量推力，以根据力振幅和力信号的变化率执行状态识别（皮质骨、松质骨和过渡区钻孔）。为了达到更高的识别率，采用了状态识别和音频信号以及状态识别和力信号的融合。基于力特征的识别可以准确区分皮质骨和松质骨，同时在过渡区有困难。基于音频特征的识别可以更好地识别过渡区，但更难区分皮质骨和松质骨。

3.3.3. 准确性

12项研究评估了测试测量系统的准确性。使用激光位移传感器，Dai等人能够实现94.7%的成功率（18/19次突破性实验），检测内皮层中钻头的插入点[41]. 同一研究小组在随后的研究中继续进行更详细的准确性评估。在[35,38]结果表明，当传声器或激光位移传感器远离样品时，识别精度没有根本性损失。在[37]说明了在ANN的测试和训练过程中，使用相同的铣削参数铣削的重要性。当进给速度从训练时的0.5毫米/秒增加到人工神经网络测试时的1毫米/秒，主轴转速从12000转/分增加到30000转/分时，在钻孔椎体上测量的精度下降了11%，在相邻椎体上的测量精度下降了24%。在[39]来自加速计和麦克风的数据都被用于识别正在研磨的组织。当将两个信号的谐波之间的相关系数输入到人工神经网络时，获得了最高的准确度。当加速度计和传声器的信号分别输入到人工神经元时，组织识别的准确度较低。Sun等人也观察到了同样的现象[20]. 对于椎弓根螺钉置入（PSP），在导孔钻孔期间测量力和声音。对于力信号分析，松质骨和皮质骨之间的内部过渡区的识别率为88%（100次实验），对于音频信号分析，识别率为62%（100个实验）。当两种信号组合并应用融合检测时，在100个实验中有92个实验正确识别了过渡区[20]. Dai等人还评估了他们的系统在不同信噪比（SNR）下进行脊椎组织识别的准确性。直观地说，当测量中没有人为添加噪音时，达到了最佳精度。当信噪比等于1时，获得了相当好的结果。在这种情况下，灵敏度最多下降8%[40]. 这是可能的，因为模数转换和编码是由加速计附近的一个基于微芯片的平台执行的，该平台可以防止环境噪声的污染。在[42,44]基于光谱图特征的突破性检测的准确度远高于90%。当决定样品数量和采集时间的光谱图窗口长度降低（例如，从100 ms降低到25 ms）时，准确度下降了9%。发生这种情况是因为系统可以在较短的窗口中更快地提供检测结果，但可用于特征提取的信息较少[42]. 最后，Kawchuck等人报告称，与使用加速度计所有三个轴的数据时相比，基于单轴（背心轴）数据的决策表现类似[50].

3.3.4. 总结

对于声音和振动传感，没有一种传感器的报告频率比其他传感器高（参见表3). 在五项研究中，加速度计用于测量振动。其中四项研究将传感器应用于该工具，以评估脊椎加工过程中的动态特征，一项研究将其应用于装有器械的脊椎螺钉。五项研究中只有一项使用三轴加速度计，但作者得出结论，单轴加速度计的性能相当[50]. 声发射传感器用于三项研究。四项研究提到了麦克风的使用，麦克风放在钻头旁边和距离钻头两米的地方，在四项研究中，激光位移传感器指向组织以测量其振动。麦克风和激光传感器的优点是它们是非接触式传感器，并且它们可以远离手术室的无菌区。在声音和振动传感的情况下，本综述中最常用的数据分析方法是使用ANN。表4显示了使用的不同类型，例如通常用于分析视觉图像的卷积神经网络（CNN），或擅长表示高维数据集值之间关系的自组织图。来自加速度计和麦克风等不同传感器的数据融合[39]或力传感器和麦克风[19,20,45]已经证明可以提高铣削或钻削状态识别的性能，因为它们在不同的事件或状态下表现更好，因此通过融合，可以增强对整个过程的监控。在18项研究中，有9项是由机器人执行数据采集的钻孔或铣削操作。

3.4. 生物电特性

研究发现，有十项研究测量了生物电特性，例如脊椎内部和周围组织的阻抗，以监测无意中的组织损伤。脊柱手术期间传感器类型和传感目标的总结如所示表5每项研究的特点显示在表6.

3.4.1. 相关外科手术

在测量生物电特性的研究中，确定了四种不同的手术动作：切割状态识别、钻孔突破检测、螺钉错位检测和脊髓运动束损伤检测（参见表5). 相关手术包括椎弓根螺钉置入（PSP）、后纵韧带（PLL）切除和脊髓减压。八项研究集中于PSP，其中三项研究通过椎弓根管探查过程中的组织识别来监测椎弓根壁的破裂[52,53,54]. 八项研究中有两项在探测是否发生了皮质壁穿透后，检查了空椎弓根管中的椎弓根壁[55,56]. 八项研究中有三项在放置螺钉后对其进行测量，以检测螺钉是否穿透了皮质壁[57,58,59]. 一项研究调查了PLL-reSection中的组织识别[60]. 一项研究调查了脊髓减压手术中脊髓运动束损伤的检测[61].
表5。用于研究的传感器类型和功能总结，包括生物电特性的传感。
表5。用于研究的传感器类型和功能总结，包括生物电特性的传感。
传感器类型电导率测量装置肌电图探头LCR传感器
目标
切割状态标识 [60]
突破性检测[52,53,54]
螺杆错位检测 [55,56,57,58,59]
脊髓运动束损伤的检测 [61]
表6。包括生物电特性传感的研究特征。使用符号“/”表示文章中未找到任何信息。
表6。包括生物电特性传感在内的研究特征。使用符号“/”表示文章中未找到任何信息。
作者和年份传感器测量的特征目标样品机器人实时数据分析准确度范围
Bolger等人，2007年[52]PediGuard电导率测量装置电导率突破性预防人类不是的阈值96–100%
Chaput等人，2012年[53]PediGuard电导率测量装置电导率突破性预防人类不是的阈值97.5%
de Blas等人，2012年[57]12毫米单极针肌电图活动螺杆错位检测人类不是的阈值34%
Donohue等人2008[55]球形探头肌电图活动螺杆错位检测人类不是的阈值57.9–94.7%
Montes等人2012[58]单极针电极肌电图活动确定椎弓根壁完整性猪不是的阈值/
Rodriguez等人，2008年[59]皮下注射针肌电图活动螺杆错位检测人类不是的阈值54.5%
Samdani等人，2011年[56]Letz球电极，JO-5型针，12 mm针电极肌电图活动螺杆错位检测人类不是的阈值17%
Shao等人2019年[60]LCR仪表4285A生物电阻抗组织辨别猪不对阈值/
斯金纳等人，2009年[61]/肌电图活动脊髓运动束损伤的检测人类不是的阈值PPV:80%净现值：95%
Zeller等人，2009年[54]PediGuard电导率测量装置电导率突破性预防人类不是的阈值100%

3.4.2. 传感器类型、传感方法和用途

在探测过程中监测椎弓根穿孔的三项研究都使用了相同的传感器：PediGuard电导率测量装置（法国文森斯市斯皮诺加）[52,53,54]. 这是一种椎弓根探针，用于测量探针尖端附近组织的电导率，并发射与尖端测得的电导率成比例的听觉反馈信号。与松质骨或软组织相比，皮质骨具有不同的导电性。因此，探头发出的电磁场将在两个组织之间的边界附近发生变化。当探针接近或刺穿椎弓根壁时，这种变化是可以检测到的，可以向外科医生反馈（参见图5). 外科医生旨在使听觉反馈信号在整个手术过程中保持在松质骨的信号水平不变。否则，当反馈信号改变时，可以尝试重定向探头。一项研究使用电感-电容-电阻（LCR）计4285A（安捷伦科技公司，加州圣克拉拉，美国）区分七种组织[60]. 通过在传感器的两个电极之间施加已知的电流（0.1mA）并测量电极之间产生的电压，可以计算电阻抗。对各组织组阻抗振幅和相位的统计分析证明，不同组织类型的阻抗振幅和阻抗相位存在显著差异。作者认为，这表明生物电阻抗具有提供实时组织分化的潜力。
在六项研究中，进行了肌电图（EMG）检测椎弓根破裂或软组织损伤的发生（参见表5). 将单极电极针插入脊椎周围的肌肉中，以测量肌肉细胞产生的电势，并在测量系统中充当阳极。低信号表示异常，因此表明螺钉位置错误。此类针的示例包括：用于[57,59]，Ambu（Ambu，Ballerup，丹麦）生产的单极针电极，用于[57]和由Medtronic-Xomed（Medtronic，Fridley，MN，USA）生产的12 mm不锈钢针状电极，用于[56]. Samdani等人使用特定的控制设备，如Xltek Protektor（Natus Medical Incorporated，Pleasanton，CA，USA）或Keypoint设备（Medtronic Dantec Medical，Skovlunde，Denmark），对电动电位进行刺激和监测，它还包含可以连接到椎弓根螺钉的阴极[56].
两项研究在放置螺钉之前使用肌电图技术检测椎弓根轨迹中的裂口，并使用球形探针刺激椎弓根轨道：[55]使用Xomed球形探针（Medtronic，Fridley，MN，USA），以及[56]使用Letz Ball电极（犹他州医疗产品公司，犹他州米德维尔，美国）。这些探针用作系统的阴极。所有研究肌电图的研究都通过定义施加在螺钉上的电流阈值来区分软组织穿透和无缺陷操作。如果诱发肌电图出现在低电流阈值，例如通过下肢的无意运动，则意味着电流很容易流向软组织，椎弓根壁可能破裂。对椎弓根螺钉进行电刺激时的电流阈值为6 mA[56,59]至8 mA英寸[57]确定是否发生了侵犯软组织的情况。当用球形探针在椎弓根轨迹或导孔中进行刺激时，Donohue等人发现一个15mA的阈值，低于该阈值螺钉错位是确定的[55]. 对于每项研究中高于阈值的值，仍有可能发生螺钉错位，但无法根据建议的方法确定。

3.4.3. 准确性

九项研究评估了测试测量系统的准确性。在[52]将PediGuard工具的性能与PSP的标准技术进行了比较。Bolger等人发现，标准技术使43%（10/23）的椎弓根螺钉位置良好，而PediGuard工具使96%（22/23）的螺钉位置良好。在同一研究的第二组实验中，达到了100%的准确度（41/41）。在中发现了类似的结果[53,54]. 此外[60]测试了LCR测量仪，并报告说，在60组测量中，没有一个组织在阻抗信号的振幅或相位方面无法区分。在研究肌电图的研究中，检测准确性取决于错位螺钉的数量（经术后CT成像验证），以及低于诱发肌电图出现的刺激电流阈值的螺钉数量。错位螺钉检测率从17%到54.5%不等[56,57,59]. 这些比率说明了螺钉或导孔的刺激电流如此之低，以至于毫无疑问存在破裂。刺激电流也有一个灰色区域，通常在6到10毫安之间，皮质壁破裂和不破裂的区别尚不清楚[59]. 然后，根据肌电测量方法无法得出结论。此外，Montes等人表明，电流阈值不取决于皮质壁的完整性，而取决于螺钉和脊髓之间的距离[58]. 在[55]94.7%（18/19）的导孔钻穿皮质壁的病例可以通过电极探查椎弓根管来识别。在同一项研究中，当将电极连接到螺钉上以检测螺钉放置后的破裂时，检测到57.9%的错位病例。最后，斯金纳等人发现肌源性经颅电机诱发电位（TCE MEP）的阳性预测值为80%，用于检测运动束损伤和预测术后运动功能恶化。保留MEP预测运动功能完整的负预测值为95%[58].

3.4.4. 总结

对于生物电特性的传感，本综述中的大多数研究都研究了肌电图（见表5). 由于基于肌电图的传感无法区分皮质骨和松质骨，也无法防止软组织损伤，而只能在损伤发生后检测到，因此肌电图的测量不适合在脊柱手术中实时传感以防止损伤。如图所示表6，肌电图检测螺钉错位的性能普遍较差。只有椎弓根轨迹的探测才能准确预测哪些螺钉路径会导致破裂[55]. Montes等人甚至表明，与皮质壁的完整性相比，螺钉与软组织之间的距离对决定阈值的影响更大[58]. 通过三项研究评估了电导率传感器。在为椎弓根螺钉准备导孔的过程中，椎弓根管的破裂可以始终避免[52,53,54]. LCR测量仪可用于根据电阻抗区分脊椎中的几种组织类型[60]. 其中没有一项研究使用机器人系统进行手术。

3.5. 总体结果

当考虑到所有包含的研究时，只能区分九种传感器类型。最常用的传感器是麦克风和6DOF f/t传感器（参见图6). 巧合的是，在收集到的文献中，也有九种独特的手术目标或行动可以区分。在脊椎手术中使用所述传感器的最常见目的是在加工（钻孔或铣削）脊椎骨时进行状态识别（参见图7). 与“状态识别”相比，更具体或更专注的手术操作在文献中很少出现。
中的饼图图8显示，几乎75%的研究使用猪或人体组织来测试其传感方法。标记为“其他”的样本包括绵羊组织、山羊组织和非特定动物组织。超过90%的样本由生物组织组成。人造样品要么是聚苯乙烯和胶合板的夹层结构，类似于骨骼的分层结构，要么是Sawbones，一种由短纤维填充的环氧树脂和聚氨酯组成的商用仿骨复合材料（瑞典马尔默Sawbone）。
在处理传感器时，重要的不仅是硬件，还有处理收集的传感器数据的方式以及如何根据数据做出决策。根据术前或术中确定的阈值对记录的信号进行简单阈值化是所包含文献中最常见的程序（参见图9). 标记为“其他”的切片包括一项统计分析，该分析将骨质量与使用专用工具打破小梁骨所需的扭矩相关联，粒子群优化（PSO）算法和两种算法在各自的研究中未公开或澄清。图10编制了所有研究所示的准确度范围，为所研究的传感方法提供了准确度测量。将使用机器学习进行数据处理和决策的研究所提供的准确性与使用阈值的研究提供的准确性进行比较。很难对不同研究的准确度范围进行统计分析或比较，这些研究通常以非常不同的方式获得。因此，定性比较的特征通过两条虚线显示在图表上，表示所有精度范围内的平均最大值和平均最小值。它给出了精度范围和精度范围宽度的中心趋势的概念。如果所有范围内的精度都很高，则此“平均范围”在图表上会很高，如果大多数精度范围也很宽，则“平均范围“的宽度会更大。在下面的图表中图10图中显示了第二个“平均范围”，其计算方法与原始的“平均范围“类似，但没有EMG探头的精度范围（左侧的前四个条形图），因为它们的数量级远低于所有其他研究传感器。当排除肌电探针时，基于机器学习算法和基于阈值的决策都有大约90%的“平均准确度范围”。
类似的一组图如所示图11但将机器人系统的研究精度范围与非机器人装置的研究精度进行了比较。底部图表也出现了同样的问题，其中研究EMG探头的研究（由底部图表左侧的前四个条形图表示）的精度范围要低得多，并且偏离了非机器人设置的“平均范围”。排除肌电图探头后，可以看到机器人系统研究和非机器人设置研究的“平均精度范围”约为90%。

4.讨论

本次系统回顾旨在概述非视觉、非辐射脊柱传感的最新技术，仅限于测量力和力矩、振动、声音和生物电特性。本综述的目的是概述脊柱手术中传感技术的最新进展，确定某些传感器或数据处理的使用趋势，并调查研究领域的未来发展是否存在研究差距。
所讨论的大多数传感器都是在人类或动物脊椎上测试的，不会阻碍脊椎手术过程中的动作。人类椎骨最常用的动物替代品是猪样本，这主要是因为它们的解剖结构相似。然而，人类和猪的椎骨在解剖学和生物力学上仍有显著差异[62]. 研究中描述的所有力和扭矩传感器均集成在工具或机器人中，因此不会干扰或接触样品，但Voumard等人的研究除外，该研究中传感器放置在组织下[28]. 加速计、电导率或生物电阻抗传感器也可以在仪器或机器人中进行类似的集成，以避免无菌场地内和周围的任何障碍，并便于使用[37,39,40,46,52,53,54,60]. 在研究中，测量生物电特性的传感器从未与机器人系统结合使用。这表明了生物电阻抗传感反馈机器人控制的未来研究潜力。肌电信号的测量被认为不适用于自动机器人脊柱手术的目标，因为在许多情况下，信号只有在肌肉组织已经穿透时才能测量。最重要的是，螺钉错位并穿透软组织的检出率在17%到95%之间，这并不总是可靠的。更具体地说，在一半以上用肌电图信号评估检测率的研究中，螺钉错位的正确识别率低于60%。
对于声音和振动传感，有许多非接触式传感器，如麦克风或激光测振仪，可避免传感器出现在患者周围的无菌区域。然而，外科医生的行动可能会受到阻碍，因为需要完全沉默，或者外科医生手和手臂的存在可能会阻挡激光束。加速计和AE传感器也被安装在样本或患者身上，以检测脊椎骨折或钻孔突破等事件[42,49,50]. Seibold等人表示，通过从贴在尸体皮肤表面的接触式麦克风获取清晰信号，这不一定是一种侵入性方法。与传感器直接连接到骨骼相比，这种非侵入性使得测量方法更适用于脊柱手术。
在所有调查的设置中，只有两个传感器作为最终系统商用，其中集成了数据处理和决策。这些是Voumard等人使用的Ostell ISQ设备[28]以及Bolger等人、Chaput等人和Zeller等人使用的Pediguard探针[52,53,54]. 事实上，这应该发生在本文献综述中发现的更多设置中。拥有一个内置功能的最终系统，用于向外科医生反馈信息，提高了可用性，也简化了与其他传感器的结合。他们验证的算法的输出可以很容易地作为多传感器设置的全局推理网络的输入。
大多数纳入研究的主要目的是在手术过程中获得某种状态识别。这包括识别工具正在操作的组织类型的能力，以及检测特定事件的能力，例如与特定组织的首次接触或皮质骨层的突破。对于力和扭矩传感，这通常通过设定推力阈值来实现（参见表2). 在测量生物电特性的情况下，对所有研究进行信号阈值（电导率、生物电阻抗、肌电）。对于声音和振动的研究，大多数情况下都应用人工智能来分析数据和识别运行状态。非常重要的是，获得用于训练ANN或机器学习模型的信号的情况与系统最终运行的情况类似。Dai等人得出结论，如果不满足这一前提，状态识别的成功率可能会下降24%[37].
总的来说，回顾研究中提到的准确度很高，许多病例报告的检测或（正确）分类率超过80%。一般来说，当需要识别肌肉和脊髓等几种软组织时，准确度较低。22项研究中有16项提到骨组织的准确性或表现，其中仅骨组织的分类率超过90%。发件人图10可以看出，应用机器学习和应用阈值时的精度范围是不同的。然而，只有在包含了对肌电图探针（由底部图表上的前四个横线表示）进行研究的情况下，才会出现这种情况，因为它们的表现通常比本综述中的所有其他传感器都差。当排除肌电图探头时，两种信息处理的精度范围相似。在阈值情况下，精度范围要小得多，但这是因为这通常涉及到二进制问题（达到或未达到阈值），可以通过一个精度值进行评估。另一方面，机器学习经常应用于组织分类，这导致每个组织都有自己的分类精度，因此，在一项研究中可能有较大的精度范围。从中可以得出类似的结论图11。当未考虑EMG探针的研究时，机器人和非机器人设置在所包含的文献中表现相似。有趣的是，它出现在图10和图11大多数涉及机器人系统的研究都将某种机器学习应用于数据处理和决策。非机器人装置的研究主要应用阈值算法进行决策。
三项研究结合了力和振动传感[18,20,39]. 这些研究的主要结论是，基于这两种信号组合的组织识别性能优于基于单独信号的组织识别，但同步数据采集至关重要。动态信号分析仪，如[39]可用于确保同步采集。人工阈值法和人工智能法的数据分析性能没有明显差异。这两种方法都适用于手术中的实时反馈。在大多数研究中，该系统能够进行实时检测或分类，所提到的最长延迟可达100 ms[42]. 一些研究没有提到具体的时间值，但它们证明，系统能够在关键时刻（例如，突破皮质骨层进入软组织）之前停止工具，我们认为这足以归类为实时决策和控制。
关于准确性的最后一点是，患者的呼吸如何影响状态识别的准确性。Jiang等人在文献中注意到了这个问题。在文献中，发现使用呼吸补偿钻井饲料时，检测皮层内壁和停止钻井的成功率从60%提高到100%[24].

4.1. 限制

关于将哪些文献纳入综述的决定永远不能以完全客观的方式进行。然而，本次系统审查遵循了PRISMA指南等方法，通过引入系统和可复制的策略来搜索和选择科学文献，从而最大限度地减少偏见。在我们的综述中，资格标准将文献限定为用英语撰写的研究，并且不早于2005年在Q1或Q2指数为Q1的期刊上发表。很可能有一大组研究以这种方式被排除在外，因此一些传感器或传感方法没有被确定。然而，在这篇综述中，我们旨在概述最新的技术，因此只包括了从2005年开始的最新论文。PRISMA指南提倡在个人评论中只包括高质量的研究，但对什么可以被视为“高质量研究”没有给出严格的定义，因此我们决定只包括来自SJR分数为Q1或Q2的期刊的研究。
在解释本次审查中与传感器准确性相关的结果时应小心。每项研究的实验样本量变化很大，对于许多研究来说，准确性是从少量测量中得出的。此外，图10和图11只能进行定性评估。每个研究的每个准确度范围所依据的数据都是如此不同，以至于任何统计分析都会非常繁琐。这些数字旨在为文学中的趋势和趋势提供视觉表现。

4.2. 未来发展

由于本系统综述试图为未来更自动化、更安全的脊柱手术研究提供有利的视角，因此对潜在的研究方向提出了一些建议。应该对人体组织进行更多的研究。动物替代品在物理意义上（例如，从屠夫那里）和在管理意义上（例如，伦理批准）都更容易获得，但动物脊椎和人类脊椎之间仍然存在重要的解剖学和生物力学差异，这限制了彻底验证传感器设置的能力。
在这篇文献综述中，传感器融合的存在非常有限。只有三项研究调查了传感器融合对传感方法准确性的影响。所有三项研究都表明，融合来自不同传感器的数据后，结果有所改善。最好，融合的传感器应具有不同的传感类别（例如，力和扭矩类别、声音和振动类别以及生物电属性类别），因为更可能使用一个传感器测量其他类别的传感器遗漏的东西。在这种情况下，传感器冗余的可能性要高得多。
这篇综述还表明，机器学习在决策中的应用在机器人设置中非常普遍，但在非机器人设置中几乎完全没有。在脊柱手术中，手持式器械的机器学习应用方面似乎存在很大的研究差距。然而，这是一个重要的方向，因为它将多传感器技术和人工智能的潜力与训练有素的人类感官和外科医生的经验相结合。它还为外科医生提供了比机器人装置更大的控制感。
最后，脊椎手术传感方法的下一步是包括更真实的情况，例如“呼吸”样本，Jiang等人证明这会使钻孔状态识别复杂化[23]. 多传感器技术可以用来处理这个问题，因为传感模式的一部分可以专门用于监测样本的运动，并因此更新负责状态识别的模型。

5.结论

本文献综述中提到的所有传感器，除肌电电极外，在（机器人）脊柱手术中都显示出良好的效果，以改善椎弓根螺钉置入、椎板切除术、椎间盘切除术等手术程序的结果。机器人系统中的应用通常用于6DOF力/扭矩传感器、麦克风和AE传感器。各种研究为如何将传感器无缝集成到工具或机器人中提供了一个很好的示例。在许多情况下，测量信号的简单阈值能够区分在松质骨或皮质骨中操作工具。分类器和神经网络还可以执行实时组织分类，并可以准确预测手术过程中的关键事件，如突破软组织，前提是该算法训练良好。本综述中讨论的测量系统的准确性很好，如果不考虑不同类型软组织之间的差异，许多检测率远远超过90%。通过组合几个不同的传感器和不同的测量特征实现冗余可以提高这种精度，但所有传感器的同步数据采集至关重要。在手持式非机器人装置的数据处理和决策中，机器学习的应用存在研究差距。

作者贡献

研究目标和策略由K.N.、E.V.P.、P.F.和K.D.提出。研究方法由M.T.、A.M.和Q.G.制定，M.T.和A.M.进行文献检索和研究选择。信息处理和初稿的编写以及可视化由M.T.完成。审查和编辑由R.L.、A.D.、Q.G.、K.N.、E.V.P.和K.D.完成。总体而言，E.V.P和K.D负责监督整个研究过程。所有作者都已阅读并同意手稿的出版版本。

基金

这项工作得到了FAROS项目的支持。根据第101016985号赠款协议，该项目获得了欧盟地平线2020研究和创新计划的资助。这项工作得到了FWO Vlaanderen的支持，拨款编号为1S35422N。

机构审查委员会声明

不适用。

知情同意书

不适用。

数据可用性声明

不适用。

利益冲突

作者声明没有利益冲突。

缩写

本手稿中使用了以下缩写：
不良事件声发射
人工神经网络人工神经网络
CNN公司卷积神经网络
计算机断层扫描计算机断层扫描
自由度自由度
肌电图肌电图
LCR公司电感-电容-电阻
LSTM公司长短期记忆
管理和信息系统人员微创脊柱手术
净现值负预测值
PSP公司椎弓根螺钉放置
PPV（购买力平价）正预测值
锁相环后纵韧带
棱镜系统审查和元分析的首选报告项目
粒子群算法粒子群优化
信噪比信噪比
SOFM公司自组织功能图
支持向量机支持向量机
TCE机电工程经颅电机诱发电位
虚拟BMD体积骨密度
焊接工艺试验小波包变换

工具书类

  1. 佩尔纳，F。；博尔吉，R。；Pilla，F。；斯特凡尼尼，N。；Mazzotti，A。；Chehrassan，M.椎弓根螺钉置入技术：文献更新和综述。肌肉骨骼。外科学。 2016,100, 165–169. [谷歌学者] [交叉参考]
  2. Tsai，T.T。；Lee，S.H。；牛，C.C。；赖，P.L。；Chen，L.H。；Chen，W.J.一周内计划外脊柱手术翻修：手术原因的回顾性分析。BMC肌肉骨骼。迪索德。 2016,17, 28. [谷歌学者] [交叉参考]
  3. Dymén，P。；俄亥俄州威斯汀。；Baranto，A。；Andersson，A.E.Revision大学医院脊柱手术：感染患者的发病率、原因和微生物制剂。国际脊柱外科杂志。 2022,16, 928–934. [谷歌学者] [交叉参考]
  4. Farshad，M。；Aichmair，A。；Gerber，C。；Bauer，D.E.脊柱手术围手术期并发症的分类。脊柱J。 2020,20, 730–736. [谷歌学者] [交叉参考]
  5. 卡马乔，J.E。；M.F.乌斯马尼。；阿联酋斯特里克兰。；巴纳甘，K.E。；Ludwig，S.C.《脊柱创伤中微创手术的应用：概念综述》。脊柱外科杂志。 2019,5，S91。[谷歌学者] [交叉参考]
  6. Yu，E。；Khan，S.N.脊柱微创手术是否会增加辐射暴露？系统回顾。临床。奥托普。相关。物件。 2014,472, 1738–1748. [谷歌学者] [交叉参考]
  7. Urakov，T.M.脊柱手术中辐射暴露的实用评估。世界神经外科。 2018,120，e752–e754。[谷歌学者] [交叉参考]
  8. Narain，A.S。；F.Y.Hijji。；Yom，K.H。；K.T.库达拉瓦利。；霍斯，B.E。；Singh，K。手术室的辐射暴露和减少：脊柱手术的前景和未来方向。世界J.Orthop。 2017,8, 524. [谷歌学者] [交叉参考]
  9. 艾哈迈德，H.S。；Yoon，J.W.《脊柱手术中的术中可穿戴可视化：过去、现在和未来》。脊柱外科杂志。 2022,8, 132. [谷歌学者] [交叉参考]
  10. Qu，H。；Zhao，Y.脊柱手术中组织状态识别的进展：综述。前面。医学。 2021,15, 575–584. [谷歌学者] [交叉参考]
  11. 马萨利莫娃，A。；蒂默曼斯，M。；Esfandiari，H。；卡里略，F。；劳克斯，C.J。；Farshad，M。；丹尼斯，K。；Fürnstahl，P.骨科和神经外科手术中的组织分类方法：系统综述。前面。外科学。 2022,9, 952539. [谷歌学者] [交叉参考]
  12. 加德尼亚，H。；Lans，A。；Sauder，N。；Shin，D。；格兰特，W.G。；乔普拉，R.R。；Oosterhoff，J.H。；医学硕士福曼。；施瓦布，J.H。；Tobert，D.G.脊柱外科深度学习。塞明。脊柱外科。 2021,33, 100876. [谷歌学者] [交叉参考]
  13. Chang，M。；坎塞科，J.A。；尼科尔森，K.J。；帕特尔，N。；Vaccaro，A.R.《机器学习在脊柱手术中的作用：未来就是现在》。前面。外科学。 2020,7, 54. [谷歌学者] [交叉参考]
  14. 斯塔布，B.N。；Sadrameli，S.S.机器人在微创脊柱手术中的应用。脊柱外科杂志。 2019,5，第31页。[谷歌学者] [交叉参考]
  15. Ghasem，A。；Sharma，A。；D.N.格雷夫。；Alam，M。；Al Maaieh，M.机器人在脊柱手术中的应用：文献综述。脊椎 2018,43, 1670–1677. [谷歌学者] [交叉参考]
  16. D’Souza，M。；Gendreau，J。；冯，A。；Kim，L.H。；Ho，A.L。；Veeravago，A.机器人辅助脊柱手术：历史、疗效、成本和未来趋势。机器人。外科研究版次。 2019,6, 9–23. [谷歌学者] [交叉参考]
  17. 佩奇，M.J。；麦肯齐，J.E。；博叙伊，P.M。；布特龙，I。；T.C.霍夫曼。；密尔罗，C.D。；Shamseer，L。；Tetzlaff，J.M。；Akl，E.A.公司。；S.E.布伦南。；等。《PRISMA 2020声明：报告系统审查的更新指南》。系统。版次。 2021,10, 1–11. [谷歌学者] [交叉参考]
  18. Jin，H。；胡，Y。；高，P。；张，P。；郑涛。；Zhang，J.带音频和扭矩传感的机器人脊柱手术系统的术中控制。2014年9月28日至29日，中国北京，2014年智能系统多传感器融合和信息集成国际会议记录；IEEE：美国新泽西州皮斯卡塔韦，2014年；第1-6页。[谷歌学者]
  19. 李，M。；齐，X。；关，F。；Jin，H。；胡，Y。；基于声音和力信号融合的脊柱手术机器人状态感知。2021年7月15日至19日，中国西宁，IEEE实时计算和机器人（RCAR）国际会议论文集；IEEE：美国新泽西州皮斯卡塔韦，2021年；第324-329页。[谷歌学者]
  20. 孙，Y。；Wang，L。；江，Z。；李，B。；胡，Y。；Tian，W.陈述机器人辅助手术中减压椎板切除术的多信息识别。Artif公司。智力。医学。 2020,102, 101763. [谷歌学者] [交叉参考]
  21. 海辛格，M。；Hielscher，J。；波特，P.P。；Werthschützky，R.手持式手术钻，具有集成推力识别功能。2013年11月21日至23日在罗马尼亚Iasi举行的2013年电子健康和生物工程会议（EHB）会议记录；IEEE：美国新泽西州皮斯卡塔韦，2013年；第1-4页。[谷歌学者]
  22. 胡，Y。；Jin，H。；张，L。；张，P。；Zhang，J.陈述对机器人脊柱手术系统中使用力传感进行椎弓根钻孔的认识。IEEE/ASME标准。麦查顿。 2013,19, 357–365. [谷歌学者] [交叉参考]
  23. 江，Z。；孙，Y。；赵，S。；胡，Y。；Zhang，J.机器人辅助脊柱手术中用力钻孔的脊椎运动模型和关键点识别。2017年9月24日至28日，在加拿大不列颠哥伦比亚省温哥华举行的2017年IEEE/RSJ智能机器人与系统国际会议论文集；IEEE：美国新泽西州皮斯卡塔韦，2017年；第6455–6462页。[谷歌学者]
  24. 江，Z。；Lei，L。；孙，Y。；齐，X。；胡，Y。；李，B。；纳瓦布，N。；Zhang，J.机器人辅助椎弓根钻孔中基于模型的运动组织状态识别补偿。IEEE传输。医疗机器人。仿生 2020,2, 463–473. [谷歌学者] [交叉参考]
  25. Jin，H。；胡，Y。；罗，H。；郑涛。；Zhang，P.骨钻孔系统的术中状态识别与图像融合。《2012年IEEE智能系统多传感器融合与集成国际会议论文集》，德国汉堡，2012年9月13日至15日；IEEE：美国新泽西州皮斯卡塔韦，2012年；第275-280页。[谷歌学者]
  26. 罗西尼，M。；瓦伦蒂尼，S。；波塔西奥，I。；坎波洛，D。；法萨诺，A。；Accoto，D.通过手术钻孔过程中的骨组织识别定位钻孔工具位置。机电一体化 2020,67, 102342. [谷歌学者] [交叉参考]
  27. 田伟。；韩，X。；刘，B。；刘，Y。；胡，Y。；韩，X。；徐，Y。；范，M。；Jin，H.使用力-图像控制方法进行椎弓根螺钉植入的机器人辅助手术系统。公共科学图书馆 2014,9，e86346。[谷歌学者] [交叉参考] [公共医学]
  28. Voumard，B。；Maquer，G。；Heuberger，P。；Zysset，P.K。；Wolfram，U。骨质量和主要牙种植体稳定性的术后评估。J.机械。行为。生物识别。马特。 2019,92, 24–32. [谷歌学者] [交叉参考] [公共医学]
  29. 江，Z。；齐，X。；孙，Y。；胡，Y。；Zahnd，G。；Zhang，J.机器人辅助椎板切除术中基于铣削力的切割深度监测。IEEE传输。自动。科学。工程师。 2019,17, 2–14. [谷歌学者] [交叉参考]
  30. Qu，H。；耿，B。；陈，B。；张杰。；Yang，Y。；胡，L。；Zhao，Y.基于反向传播神经网络的机器人辅助超声骨刀铣削椎板的力觉和骨识别。IEEE接入 2021,9, 52101–52112. [谷歌学者] [交叉参考]
  31. Wang，T。；Luan，S。；胡，L。；刘，Z。；李，W。；Jiang，L.基于力的紧凑型脊柱铣削机器人控制。国际医学机器人。计算。协助。外科学。 2010,6, 178–185. [谷歌学者] [交叉参考]
  32. 波普，A.W。；Schwyn，R。；Schiuma，D。；基尔，医学博士。；Lippuner，K。；Benneker，L.M.DensiProbe脊柱：脊柱内固定术中骨质量的测量。临床可行性研究。脊柱J。 2013,13, 1223–1229. [谷歌学者] [交叉参考]
  33. Bai，H。；王，R。；王，Q。；夏，G。；薛，Y。；戴，Y。；Zhang，J.颈椎后路减压手术中通过快速傅里叶变换分析声音信号识别运动毛刺铣削状态。奥托普。外科学。 2021,13, 2382–2395. [谷歌学者] [交叉参考]
  34. 戴，Y。；薛，Y。；Zhang，J.外科铣削过程中基于声音分析的状态识别。2015年12月6日至9日，中国珠海，IEEE机器人和仿生学国际会议（ROBIO）会议记录；IEEE：美国新泽西州皮斯卡塔韦，2015年；第1666–1669页。[谷歌学者]
  35. 戴，Y。；薛，Y。；Zhang，J.机器人辅助脊柱手术中基于振动感觉的组织识别。2015年IEEE机器人与自动化国际会议（ICRA）会议记录，2015年5月26日至30日，美国华盛顿州西雅图；IEEE：美国新泽西州皮斯卡塔韦，2015年；第4717–4722页。[谷歌学者]
  36. 戴，Y。；薛，Y。；Zhang，J.机器人辅助脊柱手术中基于振动的铣削状态监测。IEEE/ASME标准。麦查顿。 2015,20, 3028–3039. [谷歌学者] [交叉参考]
  37. 戴，Y。；薛，Y。；Zhang，J.基于机器人手术系统振动感的铣削状态识别。IEEE传输。Ind.Electron公司。 2016,63, 6184–6193. [谷歌学者] [交叉参考]
  38. 戴，Y。；薛，Y。；张杰。；Li，J.机器人磨骨过程中生物启发的听觉感知。2017年5月29日至6月3日，新加坡，2017年IEEE机器人与自动化国际会议（ICRA）会议记录；IEEE：美国新泽西州皮斯卡塔韦，2017年；第1112-1116页。[谷歌学者]
  39. 戴，Y。；薛，Y。；Zhang，J.骨磨手术中听觉和触觉的仿生整合。IEEE/ASME标准。麦查顿。 2018,23, 614–623. [谷歌学者] [交叉参考]
  40. 戴，Y。；薛，Y。；Zhang，J.机器人辅助铣削手术中受人类启发的触觉感知和控制。IEEE传输。触觉 2020,14, 359–370. [谷歌学者] [交叉参考]
  41. 戴，Y。；薛，Y。；Zhang，J.椎弓根钻孔期间基于非接触式振动测量的胸椎状态监测。IEEE/ASME标准。麦查顿。 2013,19, 1532–1540. [谷歌学者]
  42. Seibold，M。；Maurer，S。；Hoch，A。；Zingg，P。；Farshad先生。；纳瓦布，N。；Fürnstahl，P.骨科手术中用于错误预防的实时声学传感和人工智能。科学。代表。 2021,11, 1–11. [谷歌学者] [交叉参考] [公共医学]
  43. 邵，F。；唐，M。；Bai，H。；薛，Y。；戴，Y。；Zhang，J.颈椎前路椎间盘切除术中基于声压信号的钻孔条件识别。医学科学。莫尼特。国际医学杂志实验临床。物件。 2019,25, 6574. [谷歌学者] [交叉参考] [公共医学]
  44. 托伦，Y。；奥兹蒂尔克，A。；Hat IspoĞlu，N。；Ùztemür，Z。通过声发射功率谱密度估计实现骨科骨钻孔突破性检测。2018年4月18日至19日，土耳其伊斯坦布尔，2018年电子、计算机科学、生物医学工程会议（EBBT）会议记录；IEEE：美国新泽西州皮斯卡塔韦，2018年；第1-5页。[谷歌学者]
  45. 关，F。；孙，Y。；齐，X。；胡，Y。；Yu，G。；Zhang，J.国家对椎弓根螺钉手术中基于声发射的骨钻孔的认识。传感器 2018,18, 1484. [谷歌学者] [交叉参考] [公共医学]
  46. 奥萨，T。；阿巴维，C.F。；北苏吉塔。；Chikuda，H。；苏吉塔，S。；田中，T。；大岛，H。；莫罗，T。；田中，S。；Mitsuishi，M.用于脊柱手术的具有自主穿透检测功能的手持式骨切割工具。IEEE/ASME标准。麦查顿。 2015,20, 3018–3027. [谷歌学者] [交叉参考]
  47. 普林，R。；莱特，B.J。；卡普尔，R。；McCorry，J.P。；Pearson，M。；Evans，S.L。；Crivelli，D.使用声发射检测矫形螺钉过度拧紧的可行性。程序。仪器机械。工程部分H J.工程医学。 2017,231, 213–221. [谷歌学者] [交叉参考]
  48. 赖特，B。；格里格，S。；Bergsaker，A。；布拉特杰德，J。；Steen，H。；Pullin，R.使用声发射实时监测螺钉插入情况可以预测人类松质骨中的螺钉剥离。临床。生物技术。 2020,76, 105026. [谷歌学者] [交叉参考]
  49. Arun，M.W。；约加南达州。；斯坦珀，B.D。；Pintar，F.A.通过人体尸体脊柱撞击试验确定骨折时间的畸变声发射信号处理方法。J.机械。行为。生物识别。马特。 2014,40, 156–160. [谷歌学者] [交叉参考]
  50. Kawchuk，G.N。；Decker，C。；杜兰，R。；Carey，J.结构健康监测，以检测尸体猪脊柱结构损伤的存在、位置和程度。J.生物技术。 2009,42, 109–115. [谷歌学者] [交叉参考] [公共医学]
  51. 新罕布什尔州阿布哈姆德。；达克鲁克，K。；Mebarek-Oudina，F.利用小波变换技术和振动特性进行模拟和分析，以早期揭示结构中的裂纹。数学。问题。工程师。 2021,2021, 6626232. [谷歌学者] [交叉参考]
  52. Bolger，C。；Kelleher，M.O。；McEvoy，L。；Brayda-Bruno，M。；卡琳，A。；Lazennec，J.Y。；Le Huec，J.C。；洛格罗斯西诺，C。；马塔，P。；莫雷塔，P。；电导率测量：一种检测医源性椎弓根初始穿孔的新技术。欧洲脊柱杂志。 2007,16, 1919–1924. [谷歌学者] [交叉参考] [公共医学]
  53. 查普特，C.D。；乔治·K。；桑达尼，A.F。；威廉姆斯，J.I。；Gaughan，J。；Betz，R.R.腰椎融合术中减少辐射（透视），同时保持椎弓根螺钉的安全放置。脊椎 2012,37, 1305–1309. [谷歌学者] [交叉参考]
  54. Zeller，R。；卡纳维塞，F。；库尔卡尼股份有限公司。；Drake，J.儿童颈椎螺钉置入过程中监测电导率的钻孔仪器技术：初步报告。《儿科杂志》。奥托普。 2009,29, 760–764. [谷歌学者] [交叉参考] [公共医学]
  55. 多诺霍，M.L。；Murtagh-Schaffer，C。；Basta，J。；R.R.莫昆。；巴希尔，A。；Calance，B.脉冲串刺激检测胸椎椎弓根螺钉的内侧错位。脊椎 2008,33，E378–E385。[谷歌学者] [交叉参考]
  56. A.F.萨姆达尼。；Tantorski，M。；卡希尔，P.J。；拉纳德，A。；科赫，S。；克莱门茨，D.H。；R.R.贝茨。；Asghar，J.胸椎椎弓根螺钉置入的触发肌电图：它可靠吗？欧洲脊柱杂志。 2011,20, 869–874. [谷歌学者] [交叉参考]
  57. 德布拉斯，G。；巴里奥斯，C。；里贾多尔。；蒙特斯，E。；Burgos，J。；皮萨·瓦列斯皮尔，G。；Hevia，E.使用t-EMG在胸椎脊柱侧凸曲线上安全放置椎弓根螺钉：顶点节段凹凸处的刺激阈值变化。脊椎 2012,37，E387–E395。[谷歌学者] [交叉参考]
  58. 蒙特斯，E。；德布拉斯，G。；里贾多尔。；巴里奥斯，C。；Burgos，J。；Hevia，E。；Palanca，J.M。；Correa，C.胸椎螺钉刺激后的肌电图阈值取决于螺钉与脊髓的距离，而非椎弓根皮质的完整性。脊柱J。 2012,12, 127–132. [谷歌学者] [交叉参考]
  59. 罗德里格斯·奥拉维里（Rodriguez-Olaverri），J.C。；北卡罗来纳州齐米克。；梅罗拉，A。；德布拉斯，G。；Burgos，J。；Piza-Vallespir，G。；Hevia，E。；维森特，J。；桑珀，I。；多梅内克，P。；等。使用肋间肌触发肌电图阈值评估上胸椎椎弓根螺钉置入（T3–T6）的准确性。脊椎 2008,33，E194–E197。[谷歌学者] [交叉参考]
  60. 邵，F。；Bai，H。；唐，M。；薛，Y。；戴，Y。；Zhang，J.脊髓型颈椎病前路减压手术中PLL切除过程中生物电阻抗的组织识别。骨科杂志。外科研究。 2019,14, 1–8. [谷歌学者] [交叉参考] [公共医学]
  61. 斯金纳公司。；Transfeldt，E.E。；迈赫博德，A.A。；穆兰，J.C。；Perra，J.H.肌电图检测机械诱导的超节段脊髓运动束损伤：脊髓水平减压综述。临床。神经生理学。 2009,120, 754–764. [谷歌学者] [交叉参考] [公共医学]
  62. 凯特勒，A。；利亚科斯，L。；黑格尔，B。；Wilke，H.J.小牛、猪和羊的脊椎适合进行临床前植入试验吗？欧洲脊柱杂志。 2007,16, 2186–2192. [谷歌学者] [交叉参考] [公共医学]
传感器23 08094 g001
图1。本系统综述的结构。方法部分描述了如何进行文献综述。在结果部分，根据传感器测量的反馈信号类型，将文献分为三类。文献之间的联系在讨论部分中进行了详细阐述。
图1。本次系统审查的结构。方法部分描述了如何进行文献综述。在结果部分，根据传感器测量的反馈信号类型，将文献分为三类。文献之间的联系在讨论部分中进行了详细阐述。
传感器23 08094 g001
传感器23 08094 g002
图2。本次系统评审的PRISMA流程图。它概述了文献的发现地点，以及如何通过排除不符合入选和合格标准的研究获得最终入选研究数量。
图2。本次系统评审的PRISMA流程图。它概述了文献的发现地点，以及如何通过排除不符合入选和合格标准的研究获得最终入选研究数量。
传感器23 08094 g002
传感器23 08094 g003
图3。基于推力信号的骨钻孔过程中的组织识别。可以确定停止点以防止突破(A类). 如果由于呼吸等原因导致骨骼移动，停止点分配错误(B类). 当骨头离开钻头时，测得的推力下降。当钻头继续穿过第一皮层，而骨头向后移向钻头时，力再次上升，系统错误地将第二峰值标记为第二皮层。经许可改编自[23]©[2017]IEEE版权所有。
图3。基于推力信号的骨钻孔过程中的组织识别。可以确定停止点以防止突破(A类). 如果由于呼吸等原因导致骨骼移动，停止点分配错误(B类). 当骨头离开钻头时，测得的推力下降。当钻头继续穿过第一皮层，而骨头向后移向钻头时，力再次上升，系统错误地将第二峰值标记为第二皮层。经许可改编自[23]©[2017]IEEE版权所有。
传感器23 08094 g003
传感器23 08094 g004
图4。光谱图用于在骨钻孔过程中区分组织类型并检测过程中的关键时刻。在第一阶段，钻机关闭，然后打开钻机，无负载自由运行。接下来，钻头进入第一层皮层，速度减慢，频率下降。然后钻穿松质骨，由于阻力降低，再次加速。然后，钻头切入第二层皮层，对频率的影响与第一层皮层相似，最后钻穿第二层皮质。然后钻头承受更少或没有载荷，并加速。最后，钻头再次关闭。经许可改编自[44]©[2018]IEEE版权所有。
图4。光谱图用于在骨钻孔过程中区分组织类型并检测过程中的关键时刻。在第一阶段，钻机关闭，然后打开钻机，无负载自由运行。接下来，钻头进入第一层皮层，速度减慢，频率下降。然后钻穿松质骨，由于阻力降低，再次加速。然后，钻头切入第二层皮层，对频率的影响与第一层皮层相似，最后钻穿第二层皮质。然后钻头承受更少或没有载荷，并加速。最后，钻头再次关闭。经许可改编自[44]©[2018]IEEE版权所有。
传感器23 08094 g004
传感器23 08094 g005
图5。测量周围组织电导率以区分组织类型的探针。松质骨探测的可视化(A类)，皮质骨(B类)和软组织(C类). 软组织（尤其是血液）比骨组织更有传导性。在这个图中，电磁场的传播是每个组织电导率的直观表示。
图5。测量周围组织电导率以区分组织类型的探针。松质骨探测的可视化(A类)，皮质骨(B类)和软组织(C类). 软组织（尤其是血液）比骨组织更有传导性。在这个图中，电磁场的传播是每个组织电导率的直观表示。
传感器23 08094 g005
传感器23 08094 g006
图6。传感器类型在包含的文献中的分布，以条形图显示。每个条的长度代表了有多少研究调查了列出的传感器类型及其在脊柱手术中的适用性。
图6。传感器类型在包含的文献中的分布，以条形图显示。每个条的长度代表了对所列传感器类型及其在脊柱手术中的适用性进行了多少研究。
传感器23 08094 g006
传感器23 08094 g007
图7。手术目标在包含文献中的分布，以条形图显示。每个条形图的长度代表了对所列手术动作的传感方法进行了多少研究。
图7。手术目标在包含文献中的分布，以条形图显示。每个条形图的长度代表了对所列手术动作的传感方法进行了多少研究。
传感器23 08094 g007
传感器23 08094 g008
图8。所包含文献中用于实验工作的样本的来源分布，以饼图形式显示。标记为“其他”的样本包括绵羊组织、山羊组织和非特定动物组织。
图8。饼图中显示了所含文献中用于实验工作的样品的来源分布。标记为“其他”的样本包括绵羊组织、山羊组织和非特定动物组织。
传感器23 08094 g008
传感器23 08094 g009
图9。所含文献中执行的数据处理和决策类型的分布，显示在饼图中。标记为“其他”的切片包括一项统计分析，该分析将骨质量与使用专用工具、粒子群优化（PSO）算法和两种在各自研究中未公开或澄清的算法破坏小梁骨所需的扭矩相关联。
图9。所含文献中执行的数据处理和决策类型的分布，显示在饼图中。标记为“其他”的切片包括一项统计分析，该分析将骨质量与使用专用工具、粒子群优化（PSO）算法和两种在各自研究中未公开或澄清的算法破坏小梁骨所需的扭矩相关联。
传感器23 08094 g009
传感器23 08094 g010
图10。汇编所含文献中提供的所有精度范围。上面的图表显示了使用机器学习进行数据处理和决策的研究的准确度范围。每个条形代表一项研究的准确度范围。底部图表显示了使用阈值的研究的精度范围。虚线显示了一个“平均范围”特征，可用于上下图表之间的定性比较，并通过取该图表中所有精度范围的最大值和最小值的平均值得出。范围的交替颜色仅用于增强相邻条之间的对比度。
图10。汇编所含文献中提供的所有精度范围。上面的图表显示了使用机器学习进行数据处理和决策的研究的准确度范围。每个条形图代表一项研究的准确度范围。底部图表显示了使用阈值的研究的精度范围。虚线显示了一个“平均范围”特征，可用于上下图表之间的定性比较，并通过取该图表中所有精度范围的最大值和最小值的平均值得出。范围的交替颜色仅用于增强相邻条之间的对比度。
传感器23 08094 g010
传感器23 08094 g011
图11。汇编所含文献中提供的所有精度范围。每个条形图代表一项研究的准确度范围。上面的图表显示了使用机器人系统的研究的精度范围。底部图表显示了使用非机器人设置的研究的精度范围。虚线显示了一个“平均范围”特征，可用于上下图表之间的定性比较，并通过取该图表中所有精度范围的最大值和最小值的平均值得出。范围的交替颜色仅用于增强相邻条之间的对比度。
图11。汇编所含文献中提供的所有精度范围。每个条形代表一项研究的准确度范围。上面的图表显示了使用机器人系统的研究的精度范围。底部图表显示了使用非机器人设置的研究的精度范围。虚线显示了一个“平均范围”特征，可用于上下图表之间的定性比较，并通过取该图表中所有精度范围的最大值和最小值的平均值得出。范围的交替颜色仅用于增强相邻条之间的对比度。
传感器23 08094 g011
免责声明/出版商注释：所有出版物中包含的声明、意见和数据仅为个人作者和贡献者的声明、观点和数据，而非MDPI和/或编辑的声明、看法和数据。MDPI和/或编辑对内容中提及的任何想法、方法、说明或产品造成的任何人员或财产伤害不承担任何责任。

分享和引用

MDPI和ACS样式

蒂默曼斯，M。；马萨利莫娃，A。；李，R。；达沃迪，A。；古森，Q。；牛，K。；Vander Poorten，E。；Fürnstahl，P。；丹尼斯，K。非辐射、非视觉脊柱传感技术现状，重点关注传感力、振动和生物电特性：系统综述。传感器 2023,23, 8094.https://doi.org/10.3390/s23198094

AMA风格

Timmermans M、Massalimova A、Li R、Davoodi A、Goossens Q、Niu K、Vander Poorten E、Fürnstahl P、，丹尼斯·K。非辐射、非视觉脊柱传感技术现状，重点关注传感力、振动和生物电特性：系统综述。传感器. 2023; 23(19):8094.https://doi.org/10.3390/s23198094

芝加哥/图拉比安风格

蒂默曼斯、梅克尔、艾达娜·马萨利莫娃、李瑞轩、阿尤布·达沃迪、昆廷·古森、牛克南、艾曼纽尔·范德·普顿、，Philipp Fürnstahl和Kathleen Denis。2023.“非辐射、非视觉脊柱传感技术现状，重点关注传感力、振动和生物电特性：系统综述”传感器23，编号19:8094。https://doi.org/10.3390/s23198094

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章指标

返回页首顶部