Programa de proposta de soquete autônomo baseado em inteligência artificial: experiências de design de soquete

Para o software baseado em inteligência artificial planejado para ser criado, os cotos de todos os pacientes foram escaneados com o scanner 3D da marca Artec Eva Lite. Os padrões digitalizados foram salvos como nuvens de pontos. As partes do soquete das próteses usadas pelos mesmos pacientes também foram digitalizadas com o mesmo dispositivo de digitalização e registradas.

O conjunto de dados de pontos consistindo em correspondências de soquetes obtidos dos pacientes foi usado para o software.

Para treinar o modelo de inteligência artificial, foi criado um ambiente de trabalho no qual bibliotecas e ferramentas de inteligência artificial podem ser usadas no computador. Para este propósito, a primeira plataforma de ciência de dados Anaconda foi estabelecida. Em seguida, foram instaladas a linguagem de programação Python e a biblioteca de deep learning Tensorflow, foram adicionadas outras bibliotecas necessárias para o treinamento do modelo de inteligência artificial e o ambiente de trabalho ficou pronto. Um algoritmo de aprendizado profundo foi usado no modelo de inteligência artificial desenvolvido para treinar os dados. O objetivo de usar o aprendizado profundo, que é um dos algoritmos de inteligência artificial mais atualizados e populares, é obter resultados mais precisos, aumentando a taxa de desempenho e precisão. Primeiro, o conjunto de dados é 90% reservado para treinamento e 10% para teste. Em seguida, foi criado um modelo de deep learning com o modelo Sequantial() selecionado da biblioteca Keras. No modelo, um total de 7 camadas são usadas, a primeira das quais é a camada de entrada e a última é a camada de saída. Enquanto "relu" é usada como função de ativação para a camada de entrada e camadas intermediárias, a função "linear" é usada para a camada de saída. Ao criar o modelo, "Adam" foi escolhido como otimizador. No modelo treinado com um total de 500 "repetições", o "tamanho do lote" é atribuído como 5. O modelo treinado foi então testado com os dados de teste e uma taxa de sucesso de 61% foi alcançada. Em seguida, o modelo e os pesos foram registrados. Após a conclusão do treinamento do modelo, um novo programa Python foi desenvolvido. Os modelos e pesos previamente desenvolvidos foram carregados durante a execução do programa e serviram para propor um soquete para os novos dados da matriz a serem fornecidos. Quando o programa é executado, o nome do stump para o qual um soquete é solicitado é solicitado.

Assim, o programa propõe um novo soquete após receber o conjunto de dados stubby do usuário e testá-lo no modelo treinado. Esse modelo de soquete 3D é mostrado ao usuário por meio da Python Plotly Graphics Library.