Artificial Intelligence Based Autonomous Socket Proposal Program: Socket Design Experiences

Til den kunstig intelligens-baserede software, der var planlagt til at blive skabt, blev stumpene fra alle patienter scannet med Artec Eva Lite-mærket 3D-scanner. De scannede mønstre blev gemt som punktskyer. Sokkeldelene af proteserne, der blev brugt af de samme patienter, blev også scannet med den samme scanneranordning og optaget.

Punktdatasættet bestående af stump-socket-matches opnået fra patienterne blev brugt til softwaren.

For at træne kunstig intelligens-modellen er der skabt et arbejdsmiljø, hvor kunstig intelligens-biblioteker og værktøjer kan bruges på computeren. Til dette formål blev den første Anaconda datavidenskabsplatform etableret. Derefter blev Python-programmeringssproget og Tensorflow deep learning-biblioteket installeret, andre biblioteker, der var nødvendige for træningen af ​​den kunstige intelligens-modellen, blev tilføjet, og arbejdsmiljøet blev gjort klar. En deep learning-algoritme blev brugt i den kunstige intelligens-model udviklet til træning af dataene. Formålet med at bruge deep learning, som er en af ​​de mest opdaterede og populære kunstig intelligens-algoritmer, er at opnå mere præcise resultater ved at øge ydeevnen og nøjagtighedsraten. For det første er datasættet 90 % reserveret til træning og 10 % til test. Derefter blev en dyb læringsmodel skabt med Sequantial()-modellen valgt fra Keras-biblioteket. I modellen anvendes i alt 7 lag, hvoraf det første er inputlaget og det sidste er outputlaget. Mens "relu" bruges som aktiveringsfunktion for inputlaget og mellemlag, bruges den "lineære" funktion til outputlaget. Mens man skabte modellen, blev "Adam" valgt som optimeringsværktøj. I modellen trænet med i alt 500 "gentagelser" er "batchstørrelse" tildelt 5. Den trænede model blev derefter testet med testdata og en succesrate på 61 % blev opnået. Bagefter blev model og vægt registreret. Efter at modeluddannelsen var afsluttet, blev der udviklet et nyt Python-program. De tidligere udviklede modeller og vægte blev indlæst, mens programmet kørte, og blev brugt til at foreslå en stikkontakt til de nye matricedata. Når programmet køres, spørges stumpnavnet, som der anmodes om en socket for.

Programmet foreslår således en ny socket efter at have modtaget det stubbede datasæt fra brugeren og testet det i den trænede model. Denne 3D socket model vises til brugeren via Python Plotly Graphics Library.