模拟压握机的胃转流支架径向力测量系统

摘要

公开了一种模拟压握机的胃转流支架径向力测量系统，其通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型和使用具有第二尺度的一维卷积核的第二卷积神经网络模型提取待测量胃转流支架的径向力值序列分布的多尺度特征信息，并基于此生成待测量胃转流支架的支架径向力。这样，可以提高胃转流支架径向力测量的精准度。

权利要求

1.一种模拟压握机的胃转流支架径向力测量系统，其特征在于，包括：径向力测量数据接收模块，用于获取待测量胃转流支架的径向力值序列；结构化模块，用于将所述待测量胃转流支架的径向力值序列排列为径向力输入向量；第一尺度关联特征提取模块，用于将所述径向力输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度径向力特征向量；第二尺度关联特征提取模块，用于将所述径向力输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度径向力特征向量；多尺度融合模块，用于融合所述第一尺度径向力特征向量和所述第二尺度径向力特征向量以得到解码特征向量；以及解码回归模块，用于将所述解码特征向量通过解码器以得到用于表示待测量胃转流支架的支架径向力的解码值；

其中，所述第一尺度关联特征提取模块，用于：使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度径向力特征向量，其中，所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述径向力输入向量；

其中，所述第二尺度关联特征提取模块，用于：使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度径向力特征向量，其中，所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述径向力输入向量；

其中，所述多尺度融合模块，还包括：级联单元，用于将所述第一尺度径向力特征向量和所述第二尺度径向力特征向量进行级联以得到所述解码特征向量；

其中，所述解码回归模块，用于：使用所述解码器以如下公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述公式为： Vd表示所述解码

特征向量，Y表示解码值，W表示权重矩阵，B表示偏置向量， 表示矩阵乘法。

2.根据权利要求1所述的模拟压握机的胃转流支架径向力测量系统，其特征在于，还包括用于对所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型、所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型和所述解码器进行训练的训练模块。

3.根据权利要求2所述的模拟压握机的胃转流支架径向力测量系统，其特征在于，所述训练模块，包括：训练数据获取模块，用于获取待测量胃转流支架的训练径向力值序列；训练结构化模块，用于将所述待测量胃转流支架的训练径向力值序列排列为训练径向力输入向量；训练第一尺度关联特征提取模块，用于将所述训练径向力输入向量通过所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到训练第一尺度径向力特征向量；

训练第二尺度关联特征提取模块，用于将所述训练径向力输入向量通过所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到训练第二尺度径向力特征向量；训练多尺度融合模块，用于融合所述训练第一尺度径向力特征向量和所述训练第二尺度径向力特征向量以得到训练解码特征向量；损失函数值获取模块，用于将所述解码特征向量通过所述解码器以得到解码损失函数值；反向传播训练模块，基于所述解码损失函数值并通过梯度下降的方向传播来对所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型、所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型和所述解码器进行训练，其中，在每次迭代的过程中，对所述解码器的权重矩阵进行基于基准注释的外部边界约束。

4.根据权利要求3所述的模拟压握机的胃转流支架径向力测量系统，其特征在于，对所述解码器的权重矩阵进行基于基准注释的外部边界约束，包括：以如下约束公式对所述解码器的权重矩阵进行基于基准注释的外部边界约束以得到优化权重矩阵；其中，所述约束公式为：其中，M1和M2分别是上次和本次迭代的权重矩阵，Vc是所述解码特征向量，V1是第一过渡T

向量，V2是第二过渡向量，V2 表示第二过渡向量的转置， 表示矩阵乘法， 表示矩阵加法，M2'表示所述优化权重矩阵。

说明书

模拟压握机的胃转流支架径向力测量系统

技术领域

[0001] 本申请涉及智能化测量技术领域，且更为具体地，涉及一种模拟压握机的胃转流支架径向力测量系统。

背景技术

[0002] 胃转流支架是一种用于临床肥胖治疗的医疗器械，其原理为：由于绝大多数营养由肠道吸收，胃转流支架通过一层生物相容性良好的薄膜覆盖在一部分肠道，达到食物与部分肠道隔绝，从而减少所摄入食物的吸收。

[0003] 在胃转流支架的生产制备中，其支架径向力是重要的检测指标。虽然支架压握机可准确地测量胃转流支架的支架径向力，其结构为精密多片式机械结构模拟可变直径圆柱状约束，并记录加载力值，以此来测量支架径向力。但是支架压握机是昂贵的进口设备，测量成本高昂。

[0004] 因此，期待一种优化的用于胃转流支架的支架径向力测量方案。

发明内容

[0005] 为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种模拟压握机的胃转流支架径向力测量系统，其通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型和使用具有第二尺度的一维卷积核的第二卷积神经网络模型提取待测量胃转流支架的径向力值序列分布的多尺度特征信息，并基于此生成待测量胃转流支架的支架径向力。这样，可以提高胃转流支架径向力测量的精准度。

[0006] 根据本申请的一个方面，提供了一种模拟压握机的胃转流支架径向力测量系统，其包括：径向力测量数据接收模块，用于获取待测量胃转流支架的径向力值序列；结构化模块，用于将所述待测量胃转流支架的径向力值序列排列为径向力输入向量；第一尺度关联特征提取模块，用于将所述径向力输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度径向力特征向量；第二尺度关联特征提取模块，用于将所述径向力输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度径向力特征向量；多尺度融合模块，用于融合所述第一尺度径向力特征向量和所述第二尺度径向力特征向量以得到解码特征向量；以及解码回归模块，用于将所述解码特征向量通过解码器以得到用于表示待测量胃转流支架的支架径向力的解码值。

[0007] 在上述模拟压握机的胃转流支架径向力测量系统中，其特征在于，所述第一尺度关联特征提取模块，用于：使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度径向力特征向量，其中，所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述径向力输入向量。

[0008] 在上述模拟压握机的胃转流支架径向力测量系统中，所述第二尺度关联特征提取模块，用于：使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度径向力特征向量，其中，所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述径向力输入向量。

[0009] 在上述模拟压握机的胃转流支架径向力测量系统中，所述多尺度融合模块，还包括：级联单元，用于将所述第一尺度径向力特征向量和所述第二尺度径向力特征向量进行级联以得到所述解码特征向量。

[0010] 在上述模拟压握机的胃转流支架径向力测量系统中，所述解码回归模块，进一步用于：使用所述解码器以如下公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述公式为： ， 表示所述解码特征向量， 表示解码
值， 表示权重矩阵， 表示偏置向量， 表示矩阵乘法。

[0011] 在上述模拟压握机的胃转流支架径向力测量系统中，还包括用于对所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型、所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型和所述解码器进行训练的训练模块。

[0012] 在上述模拟压握机的胃转流支架径向力测量系统中，所述训练模块，包括：训练数据获取模块，用于获取待测量胃转流支架的训练径向力值序列；训练结构化模块，用于将所述待测量胃转流支架的训练径向力值序列排列为训练径向力输入向量；训练第一尺度关联特征提取模块，用于将所述训练径向力输入向量通过所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到训练第一尺度径向力特征向量；训练第二尺度关联特征提取模块，用于将所述训练径向力输入向量通过所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到训练第二尺度径向力特征向量；训练多尺度融合模块，用于融合所述训练第一尺度径向力特征向量和所述训练第二尺度径向力特征向量以得到训练解码特征向量；损失函数值获取模块，用于将所述解码特征向量通过所述解码器以得到解码损失函数值；反向传播训练模块，基于所述解码损失函数值并通过梯度下降的方向传播来对所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型、所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型和所述解码器进行训练，其中，在每次迭代的过程中，对所述解码器的权重矩阵进行基于基准注释的外部边界约束。

[0013] 在上述模拟压握机的胃转流支架径向力测量系统中，对所述解码器的权重矩阵进行基于基准注释的外部边界约束，包括：以如下约束公式对所述解码器的权重矩阵进行基于基准注释的外部边界约束以得到优化权重矩阵；其中，所述约束公式为：其中， 和 分别是上次和本次迭代的权重矩
阵， 是所述解码特征向量， 是第一过渡向量， 是第二过渡向量， 表示第二过
渡向量的转置， 表示矩阵乘法， 表示矩阵加法， 表示所述优化权重矩阵。

[0014] 与现有技术相比，本申请提供的模拟压握机的胃转流支架径向力测量系统，其通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型和使用具有第二尺度的一维卷积核的第二卷积神经网络模型提取待测量胃转流支架的径向力值序列分布的多尺度特征信息，并基于此生成待测量胃转流支架的支架径向力。这样，可以提高胃转流支架径向力测量的精准度。

附图说明

[0015] 通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

[0016] 图1为根据本申请实施例的模拟压握机的胃转流支架径向力测量系统的应用场景图。

[0017] 图2为根据本申请实施例的模拟压握机的胃转流支架径向力测量系统的框图。

[0018] 图3为根据本申请实施例的模拟压握机的胃转流支架径向力测量系统中所述多尺度融合模块的框图。

[0019] 图4为根据本申请实施例的模拟压握机的胃转流支架径向力测量系统中所述训练模块的框图。

[0020] 图5为根据本申请实施例的模拟压握机的胃转流支架径向力测量方法的流程图。

[0021] 图6为根据本申请实施例的模拟压握机的胃转流支架径向力测量方法的系统架构的示意图。

[0022] 图7为根据本申请实施例的模拟压握机的胃转流支架整体结构立体示意图。

[0023] 图8为根据本申请实施例的模拟压握机的胃转流支架活动腔内部结构局部立体示意图。

[0024] 图9为根据本申请实施例的模拟压握机的胃转流支架限位槽与限位杆连接关系底部立体示意图。

具体实施方式

[0025] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0026] 图1为根据本申请实施例的模拟压握机的胃转流支架径向力测量系统的应用场景图。如图1所示，在该应用场景中，首先，通过多变形柱体结构工装（例如，如图1中所示意的X）获取待测量胃转流支架（例如，图1中所示意的M）的径向力值序列（例如，图1中所示意的C）。然后，将获取的径向力值序列输入至部署有模拟压握机的胃转流支架径向力测量系统算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用模拟压握机的胃转流支架径向力测量系统算法对所述径向力值序列进行处理，以生成用于表示待测量胃转流支架的支架径向力的解码值。

[0027] 图2为根据本申请实施例的模拟压握机的胃转流支架径向力测量系统的框图。如图2所示，根据本申请实施例的模拟压握机的胃转流支架径向力测量系统100，包括：径向力测量数据接收模块110，用于获取待测量胃转流支架的径向力值序列；结构化模块120，用于将所述待测量胃转流支架的径向力值序列排列为径向力输入向量；第一尺度关联特征提取模块130，用于将所述径向力输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度径向力特征向量；第二尺度关联特征提取模块140，用于将所述径向力输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度径向力特征向量；多尺度融合模块150，用于融合所述第一尺度径向力特征向量和所述第二尺度径向力特征向量以得到解码特征向量；以及，解码回归模块160，用于将所述解码特征向量通过解码器以得到用于表示待测量胃转流支架的支架径向力的解码值。

[0028] 具体地，在本申请实施例中，所述径向力测量数据接收模块110，用于获取待测量胃转流支架的径向力值序列。如前所述，虽然支架压握机可准确地测量胃转流支架的支架径向力，其结构为精密多片式机械结构模拟可变直径圆柱状约束，并记录加载力值，以此来测量支架径向力。但是支架压握机是昂贵的进口设备，测量成本高昂。因此，期待一种优化的用于胃转流支架的支架径向力测量方案。

[0029] 相应地，在本申请的技术方案中，本申请的申请人使用多边形柱体工装来模拟圆柱形约束并留出一个扇形区域作为测力区域，其中，所述测力区域使用带有纵向导向槽的滑块结构。在支架径向力测量过程中，将胃转流支架装入工装后，放入万能试验机，设定一个介于待测支架径向力值和工装强度极限力值之间的力作为试验机停止力值，对支架进行加载试验。最后从加载曲线上读取出支架径向力值序列，并取支架径向力值序列的均值作为测量值。并且，可制作不同内切圆的工装，可以测量不同支架压缩量对应的径向力值，通过这样的方式，来降低支架径向力的测量成本。

[0030] 在方案实施中发现，虽然以均值作为胃转流支架的径向力测量值能够在一定程度上反映胃转流支架的真实径向力，但其本质上该均值是支架径向力的大致估计值，无法精准地对支架径向力进行表征。而考虑到支架径向力值序列能够反映支架的性能和特征，因此，如果能够更为充分地利用支架径向力值序列中所隐含的特征信息，能够提高支架径向力的测量精度。

[0031] 具体地，首先获取待测量胃转流支架的径向力值序列。应可以理解，待测量胃转流支架的径向力值序列可以包括多个待测量胃转流支架的径向力值，以使得最后的解码值更加准确。

[0032] 具体地，在本申请实施例中，所述结构化模块120，用于将所述待测量胃转流支架的径向力值序列排列为径向力输入向量。在获取待测量胃转流支架的径向力值序列后，将所述待测量胃转流支架的径向力值序列排列为径向力输入向量。也就是，将所述径向力值序列在数据结构层面进行向量化以得到所述径向力输入向量。

[0033] 这样，可以将所述径向力输入向量输入计算机内，有利于后续在卷积神经网络中对数据进行处理。

[0034] 具体地，在本申请实施例中，所述第一尺度关联特征提取模块130，用于将所述径向力输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度径向力特征向量。接着，将所述径向力输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度径向力特征向量。也就是，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为局部关联特征提取器来捕捉所述径向力输入向量中的高维局部隐含特征。

[0035] 更具体地，在本申请的技术方案中，所述第一卷积神经网络模型为一维卷积神经网络模型，其使用具有第一尺度的一维卷积层对所述径向力输入向量进行一维卷积编码以提取所述径向力输入向量在不同样本跨度内多个径向力测量值之间的高维关联隐含特征。

[0036] 进一步地，在本申请实施例中，使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度径向力特征向量，其中，所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述径向力输入向量。

[0037] 应可以理解，通过使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为局部关联特征提取器来捕捉所述径向力输入向量中的高维局部隐含特征，以得到第一尺度径向力特征向量。

[0038] 具体地，在本申请实施例中，所述第二尺度关联特征提取模块140，用于将所述径向力输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度径向力特征向量。受限于所述第一卷积神经网络模型的一维卷积核的尺度，所述第一卷积神经网络模型只能捕捉所述径向力输入向量的预定尺度的关联信息，其对预定尺度外的关联信息无法感受。

[0039] 为了扩大特征感受野，在本申请的技术方案中，进一步地将所述径向力输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度径向力特征向量。

[0040] 这里，所述第二卷积神经网络模型所使用的一维卷积核的尺度不同于所述第一卷积神经网络模型所使用的一维卷积核的尺度，因此，所述第二卷积神经网络模型与所述第二卷积神经网络模型具有不同的特征感受野，即，综合利用所述第一卷积神经网络模型和所述第二卷积神经网络模型可提取所述径向力输入向量的序列分布的多尺度特征信息。

[0041] 进一步地，在本申请实施例中，使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度径向力特征向量，其中，所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述径向力输入向量。

[0042] 应可以理解，通过使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为局部关联特征提取器来捕捉所述径向力输入向量中的高维局部隐含特征，综合利用所述第一卷积神经网络模型和所述第二卷积神经网络模型可提取所述径向力输入向量的序列分布的多尺度特征信息，以得到第一尺度径向力特征向量和第二尺度径向力特征向量。

[0043] 具体地，在本申请实施例中，所述多尺度融合模块150，用于融合所述第一尺度径向力特征向量和所述第二尺度径向力特征向量以得到解码特征向量。接着，在融合所述第一尺度径向力特征向量和所述第二尺度径向力特征向量以得到解码特征向量后，将所述解码特征向量通过解码器就可以得到具有更高测量精度的用于表示待测量胃转流支架的支架径向力的解码值。

[0044] 具体地，在本申请实施例中，所述解码回归模块160，用于将所述解码特征向量通过解码器以得到用于表示待测量胃转流支架的支架径向力的解码值。这样，可以提高胃转流支架径向力测量的精准度。

[0045] 进一步地，使用所述解码器以如下公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述公式为： ， 表示所述解码特征向量，表示解码值， 表示权重矩阵， 表示偏置向量， 表示矩阵乘法。

[0046] 进一步地，图4为根据本申请实施例的模拟压握机的胃转流支架径向力测量系统中所述训练模块的框图，如图4所示，所述模拟压握机的胃转流支架径向力测量系统100还包括用于对所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型、所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型和所述解码器进行训练的训练模块300。其中，所述训练模块300，包括：训练数据获取模块310，用于获取待测量胃转流支架的训练径向力值序列；训练结构化模块320，用于将所述待测量胃转流支架的训练径向力值序列排列为训练径向力输入向量；训练第一尺度关联特征提取模块330，用于将所述训练径向力输入向量通过所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到训练第一尺度径向力特征向量；训练第二尺度关联特征提取模块340，用于将所述训练径向力输入向量通过所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到训练第二尺度径向力特征向量；训练多尺度融合模块350，用于融合所述训练第一尺度径向力特征向量和所述训练第二尺度径向力特征向量以得到训练解码特征向量；损失函数值获取模块
360，用于将所述解码特征向量通过所述解码器以得到解码损失函数值；反向传播训练模块
370，基于所述解码损失函数值并通过梯度下降的方向传播来对所述使用具有第一尺度的一维卷积核的第一卷积神经网络模型、所述使用具有第二尺度的一维卷积核的第二卷积神经网络模型和所述解码器进行训练，其中，在每次迭代的过程中，对所述解码器的权重矩阵进行基于基准注释的外部边界约束。

[0047] 在本申请的技术方案中，由于所述第一尺度径向力特征向量和所述第二尺度径向力特征向量分别表示不同尺度下的径向力值沿时序维度下的关联分布特征，为了充分利用上述信息进行解码，优选地通过级联所述第一尺度径向力特征向量和所述第二尺度径向力特征向量来得到所述解码特征向量。但是，所述第一尺度径向力特征向量和所述第二尺度径向力特征向量分别作为局部特征分布，在直接级联的情况下会使得所述解码特征向量的时序维度表达偏离径向力值的源时序特征表达，从而在解码场景下，在解码器的权重矩阵迭代过程中导致所述解码特征向量的回归概率映射的时序特征域偏移，以及进一步的权重矩阵基于所述解码特征向量的时序拟合发散，从而影响模型的训练效果，以及训练好的模型得到的所述解码特征向量的解码结果的准确性。

[0048] 基于此，本申请的申请人在所述解码特征向量通过解码器的训练过程中，进行权重矩阵的基于基准注释的外部边界约束，具体表示为：其中， 和 分别是上次和本次迭代的权重矩
阵，其中在首次迭代时，采用不同的初始化策略设置 和 ，（例如， 设置为单位矩阵而 设置为待分类特征向量的均值对角矩阵）， 是所述解码特征向量，为列向量形式， 是第一过渡向量， 是第二过渡向量， 表示第二过渡向量的转置， 表示矩
阵乘法， 表示矩阵加法， 表示所述优化权重矩阵。

[0049] 这里，通过以所述解码特征向量 在权重空间内的迭代关联表示来作为权重矩阵迭代的外部关联边界约束，从而在将前次的权重矩阵作为本次迭代过程中的基准注释（benchmark annotation）的情况下，减小权重空间迭代过程当中以所述解码特征向量的回归概率映射作为锚点的定向不匹配（oriented mismatch），从而进行权重矩阵在迭代过程中相对于所述解码特征向量 的回归概率映射的时序偏移的补偿，并进一步增强权重矩阵基于所述解码特征向量 的时序拟合聚合，以提升模型的训练效果，以及训练好的模型得到的所述解码特征向量的解码结果的准确性。

[0050] 综上，基于本申请实施例的模拟压握机的胃转流支架径向力测量系统100被阐明，其通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型和使用具有第二尺度的一维卷积核的第二卷积神经网络模型提取待测量胃转流支架的径向力值序列分布的多尺度特征信息，并基于此生成待测量胃转流支架的支架径向力。这样，可以提高胃转流支架径向力测量的精准度。

[0051] 示例性方法:图5为根据本申请实施例的模拟压握机的胃转流支架径向力测量方法的流程图。图6为根据本申请实施例的模拟压握机的胃转流支架径向力测量方法的系统架构的示意图。如图5和图6所示，根据本申请实施例的模拟压握机的胃转流支架径向力测量方法，其包括：S110，获取待测量胃转流支架的径向力值序列；S120，将所述待测量胃转流支架的径向力值序列排列为径向力输入向量；S130,将所述径向力输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度径向力特征向量；S140，将所述径向力输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度径向力特征向量；S150，融合所述第一尺度径向力特征向量和所述第二尺度径向力特征向量以得到解码特征向量；以及，S160，将所述解码特征向量通过解码器以得到用于表示待测量胃转流支架的支架径向力的解码值。

[0052] 这里，本领域技术人员可以理解，上述模拟压握机的胃转流支架径向力测量方法中的各个步骤的具体操作已经在上面参考图1到图4的模拟压握机的胃转流支架径向力测量系统中得到了详细介绍，并因此，将省略其重复描述。

[0053] 结构示例:该示例涉及到以下结构：多边形柱体工装X、工作台X1、固定座X2、活动腔X3、导杆X4、弹簧X5、托盘X6、限位槽X7、固定轴X8、保护板X9和限位杆X10，该示例解决在测量的过程中出现力度过大而导致无法变形崩裂的问题。

[0054] 参考图7至图9所示：具体工作过程如下：工作时，将多边形柱体工装X放置在托盘X6上，此时在顶部测力计侧头下压的作用下向下压多边形柱体工装X，多边形柱体工装X受到下压的力时向下压托盘X6，托盘X6的两侧在导杆X4上向下运动并压缩弹簧X5，托盘X6通过限位槽X7带动限位杆X10的内侧端向下运动，限位杆X10带动保护板X9以固定轴X8为轴心向下内侧转动，进而实现对多边形柱体工装X的保护作用，能够防止在测量的过程中有外物影响测量工作，同时也防止测量设备出现故障时对多边形柱体工装X压力过大而导致多边形柱体工装X崩裂的问题，防止崩裂的多边形柱体工装X对周围设备造成撞击，提高设备在工作时的安全性。

[0055] 以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

[0056] 本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

[0057] 还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

[0058] 提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。