Schätzung der kognitiven Arbeitsbelastung bei robotergestützter Chirurgie mithilfe von Zeit- und Frequenzmerkmalen aus EEG-Epochen mit Random-Forest-Regression

Warum mentale Anstrengung in der Robotchirurgie wichtig ist

Robotergestützte Chirurgie verspricht kleinere Schnitte, schnellere Genesung und ruhigere Hände. Hinter dem Roboter sitzt jedoch ein menschlicher Chirurg, dessen Gehirn durch komplexe Bildschirminhalte, Steuerungen und Entscheidungen unter hohem Druck überlastet werden kann. Diese Studie stellt eine einfache Frage mit weitreichenden Folgen: Können wir die Gehirnsignale eines Chirurgen in Echtzeit lesen, um abzuschätzen, wie stark er mental belastet ist, und diese Information dann nutzen, um ihn scharf und die Patient:innen sicher zu halten?

Dem Gehirn während der Robotchirurgie zuhören

Anstatt sich auf Checklisten oder Bauchgefühl zu verlassen, wandten sich die Forschenden der Elektroenzephalographie (EEG) zu, einer Methode, die winzige elektrische Signale auf der Kopfhaut misst. Sie nutzten einen öffentlichen Datensatz mit 25 Personen, die robotergestützte Operationsaufgaben ausführten, während sie eine Kappe mit 128 Elektroden trugen. Diese Sensoren erfassen Rhythmen aus verschiedenen Hirnregionen: die Stirn (Planung und Entscheidungsfindung), die Seiten (Hören und Gedächtnis), den Scheitel (Tastsinn und räumliches Bewusstsein) und den Hinterkopf (Sehen). Ziel war es, diese rohen, verrauschten Kurven in eine kontinuierliche Schätzung der „kognitiven Arbeitsbelastung“ zu übersetzen — wie stark das Gehirn Moment für Moment arbeitet.

Die Signale des Gehirns säubern und verdichten

Rohes EEG verhält sich eher wie das Stromnetz einer Stadt als wie eine klare Gehirnablesung: Es ist voller Störungen durch Blinzeln, Muskelzuckungen und Netzbrummen. Das Team bereinigte die Daten zunächst durch Herausfiltern unerwünschter Frequenzen und durch ein mathematisches Verfahren namens unabhängige Komponentenanalyse, um Augen- und Muskelartefakte zu entfernen. Um das System schnell genug für eine nahe Echtzeitnutzung zu machen, reduzierten sie die Aufzeichnungsrate von 500 auf 128 Messungen pro Sekunde. Sorgfältige Vergleiche von Hirnkarten und Spektrogrammen vor und nach diesem Schritt zeigten, dass Schlüsselmuster erhalten blieben, sodass die Signale wissenschaftlich nützlich blieben, während ihr Verarbeitungsaufwand deutlich sank.

Wellen in aussagekräftige Zahlen verwandeln

Als Nächstes schnitten die Forschenden das kontinuierliche EEG in einsekündige „Epochen“ und beschrieben jedes kleine Segment mit einfachen Statistiken und Frequenzinhalten. Zeitbasierte Merkmale, wie mittlere Signalstärke, Variabilität, Asymmetrie und die Anzahl der Null-Durchgänge, erfassten die Gesamtform und Energie der Hirnaktivität. Frequenzbasierte Merkmale konzentrierten sich darauf, wie viel Leistung in klassischen Bändern lag, etwa Theta (mit Anstrengung und Arbeitsgedächtnis verknüpft), Alpha (Ruhe und Hemmung), Beta (aktive Fokussierung) und Gamma (komplexe Verarbeitung). Zusammen bilden diese Zahlen einen kompakten Fingerabdruck des Hirnzustands in jeder Sekunde, bereit für das maschinelle Lernen.

Ein Wald aus Entscheidungsbäumen darin schulen, Belastung zu lesen

Um diese EEG-Fingerabdrücke mit kognitiver Arbeitsbelastung zu verknüpfen, verwendete das Team eine Machine-Learning-Methode namens Random-Forest-Regression. Anstatt einer einzigen komplexen Formel baut dieser Ansatz viele einfache Entscheidungsbäume, die jeweils eine Vorhersage treffen, und kombiniert sie dann zu einer zuverlässigeren Ensemble-Antwort. Das Modell lernte, wie stark jede Hirnregion aktiviert war, und behandelte diese Aktivierung als Stellvertreter für mentale Anstrengung. Über frontale, temporale, parietale und occipitale Bereiche hinweg stimmte das Modell sehr gut mit den tatsächlichen Aktivierungen überein, mit Genauigkeitswerten (R²) über 0,93 und besonders starken Ergebnissen im Temporallappen, der bei anspruchsvollen Aufgaben dabei hilft, Ton, Gedächtnis und Wahrnehmung zu integrieren.

Was das Modell über das arbeitende Gehirn verrät

Durch die Analyse, auf welche Merkmale sich der Random Forest am meisten stützte, beleuchtete die Studie außerdem, wie Hirnsignale mentale Belastung widerspiegeln. Maße der Signalenergie und stichartige Ausbrüche (Root Mean Square und Kurtosis) zusammen mit Leistung in ausgewählten Frequenzbändern waren besonders aussagekräftig. Verschiedene Regionen betonten unterschiedliche Merkmale: Beispielsweise korrespondierten schnelle Beta- und Gamma-Aktivität in parietalen und occipitalen Bereichen mit intensiver visueller und räumlicher Verarbeitung, während Muster in frontalen Signalen die Belastung durch Entscheidungsfindung widerspiegelten. Diese regionsspezifischen Signaturen legen nahe, dass die Methode später auf leichtere EEG-Kappen angepasst werden könnte, die sich nur auf die informativsten Bereiche konzentrieren.

Vom Laborexperiment zu sichereren Operationssälen

Für Nichtfachleute ist die Quintessenz klar: Die Studie skizziert ein praktisches Rezept, um Kopfhautsensoren und intelligente Algorithmen in einen kontinuierlichen „Mental-Last-Messer“ für Chirurg:innen zu verwandeln. Zwar verwendet die vorliegende Arbeit archivierte Daten aus einer begrenzten Teilnehmergruppe, doch sie zeigt, dass sich mit sorgfältiger Bereinigung und Merkmalgestaltung ein relativ einfaches Machine-Learning-Modell mit hoher Präzision und geringem Rechenaufwand zur Verfolgung kognitiver Arbeitsbelastung einsetzen lässt. Zukünftig könnten solche Systeme chirurgische Konsolen automatisch vereinfachen, das Tempo anpassen oder Überlastungsphasen markieren und so die mentale Unterstützung der Chirurg:innen genauso verlässlich ergänzen, wie Roboter bereits ihre Hände unterstützen.

Zitation: Atheef G A, M., Powar, O.S. Estimating cognitive workload in robot assisted surgery using time and frequency features from EEG epochs with random forest regression. Sci Rep 16, 7624 (2026). https://doi.org/10.1038/s41598-026-35986-5

Schlüsselwörter: kognitive Arbeitsbelastung, robotergestützte Chirurgie, EEG-Überwachung, Maschinelles Lernen, Hirn-Computer-Schnittstelle