⚡ ingegneria elettrica

A KT-LSTM-SAC-Based Closed-Loop Temperature Control Strategy for Medical Robot-Assisted Moxibustion

Questo articolo propone una strategia di controllo a ciclo chiuso basata su KT-LSTM-SAC che integra dati cinematici e termici tramite un algoritmo soft actor-critic potenziato da LSTM per ottenere una regolazione della temperatura precisa, sicura e stabile nella moxibustione assistita da robot, regolando continuamente la distanza di stazionamento dell'end-effector.

Autori originali: xuelian gu, ping Li, jiale dong, yurong tao, zikai liu, chengyu yuan

Pubblicato 2026-10-05

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: xuelian gu, ping Li, jiale dong, yurong tao, zikai liu, chengyu yuan

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Per secoli, la pratica della moxibustione si è affidata alla mano ferma e all'occhio esperto di un professionista. In questa terapia tradizionale, un bastoncino di artemisia essiccata viene acceso e tenuto vicino a punti specifici della pelle per riscaldare i tessuti sottostanti. L'obiettivo è raggiungere una profondità di calore precisa che stimoli il corpo senza bruciare la superficie. Tuttavia, la pelle umana reagisce rapidamente al calore, mentre i tessuti più profondi si scaldano molto più lentamente. Questo ritardo crea una sfida difficile: se un professionista avvicina troppo la fonte di calore per correggere un lento aumento del calore profondo, rischia di scottare la pelle prima ancora che il bersaglio profondo ne percepisca il beneficio. Viceversa, se si aspetta troppo a lungo che il tessuto profondo si scaldi, la superficie potrebbe diventare troppo calda. Rendere questo processo costante e sicuro per ogni paziente richiede un livello di precisione che i tempi di reazione umani faticano a mantenere, specialmente quando un paziente respira o si muove leggermente durante il trattamento.

Per colmare questo divario tra limitazione umana e necessità terapeutica, i ricercatori dell'Università della Scienza e della Tecnologia di Shanghai hanno sviluppato un nuovo modo per permettere ai robot di gestire questo delicato equilibrio termico. Hanno creato una simulazione al computer di un braccio robotico che tiene una fonte di calore sopra un modello di schiena umana. Invece di limitarsi a reagire alla temperatura della pelle, il robot è stato istruito a prevedere ciò che accade in profondità nel tessuto. Il team ha costruito un sistema che agisce come un cervello a doppio flusso: una parte osserva i movimenti del robot e la distanza tra la fonte di calore e la pelle, mentre l'altra parte ricorda la cronologia delle variazioni di temperatura nel tempo. Combinando queste due correnti di informazioni, il robot impara ad aggiustare la sua posizione continuamente, muovendo la fonte di calore più vicino o più lontano per mantenere il tessuto profondo a un calore terapeutico costante, mantenendo al contempo sicura la pelle.

Il nucleo di questo sistema è un metodo chiamato KT-LSTM-SAC, un nome che descrive come pensa il robot. Il "KT" sta per cinetico-termico, il che significa che il robot considera sia la sua posizione fisica che il calore che sta generando. La parte "LSTM" permette al robot di ricordare una sequenza di temperature passate, comprendendo che il calore impiega tempo per viaggiare dalla pelle agli strati più profondi. La componente "SAC" è un algoritmo di apprendimento che aiuta il robot a capire quali siano le migliori azioni da intraprendere attraverso tentativi ed errori, proprio come una persona impara ad andare in bicicletta cadendo e regolandosi finché non trova l'equilibrio. In questo studio specifico, l'unico compito del robot era controllare la distanza tra la fonte di calore e la pelle, muovendosi lungo una linea retta perpendicolare al corpo. Se il tessuto profondo era troppo freddo, il robot lo avvicinava; se stava diventando troppo caldo, si allontanava. Fondamentalmente, il sistema è stato addestrato con rigide regole di sicurezza che penalizzavano il robot se la temperatura della pelle diventava troppo alta o se la fonte di calore si avvicinava troppo, costringendolo a trovare un percorso sicuro verso la temperatura target.

I ricercatori hanno testato questo sistema in un ambiente virtuale altamente dettagliato che imita la fisica di un corpo umano, inclusa la modalità con cui il calore si diffonde attraverso i tessuti e il modo in cui il torace di una persona si muove con la respirazione. Hanno fissato l'obiettivo affinché il tessuto profondo raggiungesse e mantenesse i 43,0 gradi Celsius, una temperatura nota per essere efficace per la terapia ma che richiede una gestione attenta per evitare lesioni. Hanno confrontato il loro nuovo "cervello robotico" con diversi metodi più datati, inclusi i controller industriali standard e altri approcci di intelligenza artificiale che non possedevano lo stesso ricordo delle temperature passate o lo stesso design a doppio flusso. I risultati hanno mostrato che il nuovo metodo è significativamente migliore nel mantenere il tessuto profondo nell'intervallo di temperatura desiderato. Nel test più preciso, in cui il target poteva variare solo di mezzo grado, il robot ha mantenuto la temperatura nella zona corretta per il 94,80% del tempo. Ha inoltre mantenuto un errore medio molto piccolo di appena 0,32 gradi Celsius.

Forse più importante, il nuovo sistema si è dimostrato molto più sicuro rispetto alle alternative. Quando i ricercatori hanno rimosso le regole di sicurezza dall'addestramento del robot, questo è diventato molto bravo a raggiungere la temperatura target rapidamente, ma lo faceva avvicinandosi pericolosamente alla pelle, causando un picco della temperatura superficiale. Il sistema completo, con i suoi vincoli di sicurezza, ha imparato a essere più paziente. Ha ottenuto un errore medio leggermente superiore nel tessuto profondo, ma ha mantenuto la temperatura della pelle molto più bassa ed ha evitato movimenti rischiosi. Questo compromesso suggerisce che il robot abbia imparato a dare priorità alla sicurezza a lungo termine del paziente rispetto alla velocità di riscaldamento. Lo studio ha anche scoperto che il robot rimaneva efficace anche quando la simulazione veniva modificata per imitare diversi tipi di corpo o leggermente diverse proprietà del calore, dimostrando che l'apprendimento era robusto e non limitato ai numeri specifici utilizzati nel test.

Sebbene questi risultati siano promettenti, i ricercatori chiariscono che questo lavoro è attualmente una simulazione. Il robot non è ancora stato testato sulla pelle umana reale o su un braccio robotico fisico in un contesto ospedaliero. Lo studio dimostra che un modello informatico può imparare a gestire la complessa e ritardata relazione tra calore superficiale e calore dei tessuti profondi meglio dei metodi standard attuali. Suggerisce che in futuro i robot potrebbero assistere nella moxibustione fornendo un livello di controllo costante e sicuro che è difficile da mantenere costantemente per gli esseri umani. I prossimi passi per questa tecnologia comporteranno la costruzione di prototipi fisici e il loro test con materiali che imitano il tessuto umano per vedere se il successo virtuale si traduce nel mondo reale. Fino ad allora, lo studio rappresenta una prova di concetto che l'intelligenza artificiale può imparare a gestire la sottile, ritardata fisica della terapia del calore con precisione e cura.

Sintesi Tecnica: Una strategia di controllo della temperatura a ciclo chiuso basata su KT-LSTM-SAC per la moxibustione assistita da robot medico

Problematica
La moxibustione assistita da robot si affida attualmente molto all'esperienza dell'operatore e affronta sfide significative riguardanti il ritardo della risposta termica e l'insufficiente stabilità della temperatura a ciclo chiuso. Sebbene i sistemi robotici esistenti abbiano fatto progressi nella localizzazione dei punti di agopuntura e nel feedback della temperatura superficiale, essi spesso non riescono a tenere adeguatamente conto dello stato termico alla profondità del tessuto bersaglio. La temperatura del tessuto profondo è difficile da misurare in modo non invasivo, e la temperatura superficiale da sola è un proxy insufficiente a causa dei ritardi nel trasferimento del calore, dei pattern spaziali e della natura cumulativa degli effetti termici. Inoltre, il movimento respiratorio introduce spostamenti periodici che complicano il mantenimento di una distanza di trattamento costante. Il problema centrale affrontato è come ottenere un controllo stabile, sicuro e preciso della temperatura del tessuto profondo (mirata a 43°C) utilizzando solo osservazioni superficiali e dati cinematici, gestendo al contempo i ritardi intrinseci e i vincoli di sicurezza della terapia termica.

Metodologia
Lo studio propone un metodo Kinematic–Thermal Dual-Stream LSTM-Enhanced Soft Actor–Critic (KT-LSTM-SAC). Il compito di controllo è formulato come la regolazione continua della distanza di stazionamento (standoff distance) dell'end-effector lungo la normale alla superficie del punto di agopuntura. La metodologia consiste in tre componenti primarie:

Modello di Feedback della Temperatura Equivalente:
Un modello a ordine ridotto stima la temperatura del tessuto profondo ( $\hat{T}_{d,t}$ ) utilizzando la temperatura superficiale ( $T_{s,t}$ ), la distanza di stazionamento e uno stato di memoria termica. Il modello incorpora:
- Stato Cinematico: Include la posizione del punto di agopuntolo bersaglio, la normale alla superficie, le distanze di stazionamento comandata e reale, lo spostamento respiratorio (simulato tramite una funzione coseno-potenza) e gli stati dei giunti.
- Stato Termico: Modella l'apporto di calore equivalente come una funzione di decadimento esponenziale della distanza. Introduce uno stato di memoria termica ( $m_t$ ) per catturare gli effetti di riscaldamento ritardati e cumulativi. La temperatura del tessuto profondo viene aggiornata sulla base della temperatura superficiale, di un coefficiente di accoppiamento e di termini di recupero, simulando la risposta più lenta del tessuto profondo rispetto alla superficie.
Politica di Controllo KT-LSTM-SAC:
L'architettura di controllo utilizza una rete a doppio stream inserita in un framework Soft Actor–Critic (SAC):
- Stream Cinematico: Un Multi-Layer Perceptron (MLP) elabora le variabili legate al movimento (posizione, distanza, disturbo respiratorio).
- Stream Termico: Una rete Long Short-Term Memory (LSTM) codifica la cronologia delle risposte termiche (temperature superficiali e stimate del tessuto profondo) nelle precedenti 50 fasi di controllo per catturare le dipendenze temporali e le dinamiche termiche ritardate.
- Fusione: Un modulo di fusione a porta (gated-fusion) combina le caratteristiche di entrambi gli stream per produrre un'azione continua ( $\Delta d_t$ ), che rappresenta la regolazione della distanza di stazionamento.
Funzione di Reward e Vincoli di Sicurezza:
La funzione di reward bilancia il tracciamento della temperatura con la sicurezza. Include termini per:
- Tracciamento: Incoraggiare la temperatura del tessuto profondo stimata ad avvicinarsi al target (43°C).
- Stabilità: Premiare il mantenimento all'interno di una banda target.
- Penalità di Sicurezza: Penalizzare esplicitamente l'eccessiva temperatura superficiale, l'eccessiva temperatura del tessuto profondo, la distanza di stazionamento insufficiente e il danno termico cumulativo.
- Fluidità: Penalizzare i cambiamenti bruschi nell'azione dell'end-effector.

Contributi Chiave

Architettura Dual-Stream: Il documento introduce una nuova architettura KT-LSTM-SAC che fonde lo stato cinematico (incluso il disturbo respiratorio) con le caratteristiche termiche temporali. Ciò consente alla politica di apprendere la relazione tra le regolazioni della distanza e le risposte termiche ritardate in modo più efficace rispetto agli approoli standard SAC o LSTM-SAC.
Stima della Temperatura del Tessuto Profondo per il Controllo: A differenza dei lavori precedenti che si affidano principalmente alla temperatura superficiale, questo studio integra un modello di trasferimento del calore equivalente per stimare la temperatura del tessuto profondo, utilizzando questa stima come variabile di feedback primaria per il ciclo di controllo.
Apprendimento con Vincoli di Sicurezza: Il metodo incorpora i vincoli di sicurezza termica (limiti superficiali, danni cumulativi, distanza di stazionamento) direttamente nella funzione di reward, garantendo che la politica apprenda un equilibrio tra efficienza di riscaldamento e sicurezza del paziente.
Framework di Simulazione Completo: È stato sviluppato un ambiente di simulazione basato su MuJoCo, che presenta un braccio robotico a 6 DOF, un modello di schiena umana, una simulazione del movimento respiratorio e un modulo di feedback termico dinamico per testare rigorosamente la strategia di controllo.

Risultati
Il metodo proposto è stato valutato in un ambiente di simulazione con una temperatura target di 43.0 ± 0.5°C ed è stato confrontato con PID, TD3, SAC standard e LSTM-SAC.

Metriche di Performance: KT-LSTM-SAC ha raggiunto un tasso di occupazione della banda target del 94.80%, un Errore Assoluto Medio (MAE) di 0.32°C e un costo medio di sicurezza di 3.60 × 10⁻².
Analisi Comparativa:
- Rispetto a PID, KT-LSTM-SAC ha mostrato tassi di successo significativamente più elevati e errori di tracciamento inferiori, dimostrando i limiti del controllo convenzionale sotto dinamiche termiche ritardate.
- Rispetto a SAC standard e TD3, l'inclusione di LSTM per l'estrazione delle caratteristiche temporali ha migliorato sia la precisione del tracciamento che la sicurezza.
- Rispetto a LSTM-SAC, l'aggiunta dello stream cinematico (KT-LSTM-SAC) ha ulteriormente aumentato il tasso di occupazione della banda target e ridotto il costo medio di sicurezza.
- Studio di Ablazione: Rimuovere i vincoli di sicurezza (KT-LSTM-SAC senza Sicurezza) ha portato a un MAE inferiore (0.29°C) ma a un costo di sicurezza medio significativamente più alto (8.36 × 10⁻²) e a una temperatura superficiale massima superiore, confermando che i vincoli di sicurezza sono essenziali per prevenire azioni di riscaldamento aggressive e rischiose.
Robustezza: Il metodo ha mantenuto tassi di successo del 100% sotto perturbazioni del ±10% dei parametri chiave del modello termico, sebbene le prestazioni siano diminuite leggermente sotto perturbazioni del ±20%.
Adattabilità: Il controllore ha mantenuto con successo le prestazioni attraverso temperature target adiacenti (42.0°C, 42.5°C e 43.0°C).

Significatività e Rivendicazioni
Il documento afferma che il metodo KT-LSTM-SAC fornisce un equilibrio superiore tra le prestazioni di tracciamento della temperatura e la sicurezza termica rispetto alle strategie di controllo esistenti. Modellando congiuntamente gli stati cinematici e le caratteristiche termiche temporali, l'approccio gestisce efficacemente la natura ritardata e cumulativa del trasferimento di calore nei tessuti biologici. Lo studio sostiene che questo framework basato sulla simulazione è un passo fattibile verso il controllo della temperatura a ciclo chiuso nella moxibustione assistita da robot medici. Tuttavia, gli autori notano con modestia che l'attuale lavoro è basato sulla simulazione; la validazione futura utilizzando fantocci che imitano i tessuti e piattaforme robotiche fisiche è necessaria per affrontare fattori del mondo reale come il rumore di misura, gli errori di localizzazione e la variabilità inter-individuale nella risposta termica.

Articoli simili