Artificial Intelligence Based Autonomous Socket Proposal Program: Socket Design Experiences

For den kunstig intelligens-baserte programvaren som var planlagt å lage, ble stumpene til alle pasienter skannet med Artec Eva Lite-merket 3D-skanner. De skannede mønstrene ble lagret som punktskyer. Sokkeldelene til protesene som ble brukt av de samme pasientene ble også skannet med samme skannerenhet og registrert.

Punktdatasettet som består av stump-socket-treff fra pasientene ble brukt til programvaren.

For å trene opp kunstig intelligens-modellen er det laget et arbeidsmiljø der kunstig intelligens-biblioteker og verktøy kan brukes på datamaskinen. For dette formålet ble den første Anaconda datavitenskapsplattformen etablert. Deretter ble Python programmeringsspråk og Tensorflow deep learning library installert, andre biblioteker som kreves for opplæring av kunstig intelligens-modellen ble lagt til, og arbeidsmiljøet ble gjort klart. En dyp læringsalgoritme ble brukt i den kunstige intelligensmodellen utviklet for å trene dataene. Hensikten med å bruke dyp læring, som er en av de mest oppdaterte og populære algoritmene for kunstig intelligens, er å oppnå mer nøyaktige resultater ved å øke ytelsen og nøyaktighetsraten. For det første er datasettet 90 % reservert for trening og 10 % for testing. Deretter ble en dyp læringsmodell laget med Sequantial()-modellen valgt fra Keras-biblioteket. I modellen er det brukt totalt 7 lag, hvorav det første er inputlaget og det siste er outputlaget. Mens "relu" brukes som aktiveringsfunksjon for inngangslaget og mellomlag, brukes den "lineære" funksjonen for utgangslaget. Mens du opprettet modellen, ble "Adam" valgt som optimaliserer. I modellen trent med totalt 500 "repetisjoner", er "batchstørrelse" tilordnet 5. Den trente modellen ble deretter testet med testdataene og en suksessrate på 61 % ble oppnådd. Etterpå ble modell og vekt registrert. Etter at modellopplæringen var fullført, ble et nytt Python-program utviklet. De tidligere utviklede modellene og vektene ble lastet mens programmet kjørte og ble brukt til å foreslå en socket for de nye dysedataene. Når programmet kjøres, blir det spurt om stumpnavnet som en socket er forespurt for.

Dermed foreslår programmet en ny stikkontakt etter å ha mottatt det stubbete datasettet fra brukeren og testet det i den trente modellen. Denne 3D-socketmodellen vises til brukeren via Python Plotly Graphics Library.