Estimación de la carga cognitiva en cirugía asistida por robot usando características temporales y frecuenciales de épocas EEG con regresión por bosque aleatorio

Por qué importa el esfuerzo mental en la cirugía robótica

La cirugía asistida por robot promete incisiones más pequeñas, recuperación más rápida y manos más estables. Pero detrás del robot hay un cirujano humano cuyo cerebro puede sobrecargarse por imágenes complejas, controles y decisiones de alto riesgo. Este estudio plantea una pregunta sencilla con grandes consecuencias: ¿podemos leer las señales cerebrales de un cirujano en tiempo real para estimar cuánto esfuerzo mental está realizando y, con esa información, mantenerlo alerta y proteger a los pacientes?

Escuchando el cerebro durante la cirugía robótica

En lugar de confiar en listas de verificación o en la intuición, los investigadores recurrieron a la electroencefalografía, o EEG, una técnica que mide pequeñas señales eléctricas en el cuero cabelludo. Utilizaron un conjunto de datos público de 25 personas que realizaron tareas de cirugía asistida por robot mientras llevaban un gorro con 128 electrodos. Estos sensores registran ritmos de distintas áreas cerebrales: la zona frontal (planificación y toma de decisiones), los lados (audición y memoria), la parte superior (tacto y conciencia espacial) y la parte posterior (visión). El objetivo fue convertir esos garabatos crudos y ruidosos en una estimación continua de la “carga cognitiva”: cuánto esfuerzo está haciendo el cerebro momento a momento.

Limpiar y condensar las señales cerebrales

El EEG crudo se comporta más como la red eléctrica de una ciudad que como una lectura limpia del cerebro: está lleno de interferencias por parpadeos, contracciones musculares y líneas eléctricas. El equipo primero limpió los datos filtrando frecuencias no deseadas y usando un método matemático llamado análisis de componentes independientes para eliminar artefactos de ojos y músculos. Para que el sistema fuera lo bastante rápido para uso casi en tiempo real, redujeron la velocidad de muestreo de 500 a 128 medidas por segundo. Comparaciones cuidadosas de mapas cerebrales y espectrogramas antes y después de este paso mostraron que se preservaron los patrones clave, de modo que las señales siguieron siendo útiles científicamente mientras se abarataba mucho su procesamiento.

Convertir ondas en números con sentido

A continuación, los investigadores fragmentaron el EEG continuo en “épocas” de un segundo y describieron cada segmento con estadísticas simples y contenido frecuencial. Las características temporales, como el tamaño medio de la señal, la variabilidad, la asimetría y el número de cruces por cero, capturaron la forma y la energía generales de la actividad cerebral. Las características en la frecuencia se centraron en cuánto poder se concentraba en bandas clásicas como theta (vinculada al esfuerzo y la memoria de trabajo), alfa (reposo e inhibición), beta (foco activo) y gamma (procesamiento complejo). En conjunto, esos números forman una huella compacta del estado cerebral en cada segundo, lista para que un ordenador aprenda a partir de ella.

Enseñar a un bosque de árboles de decisión a leer la carga

Para vincular estas huellas EEG con la carga cognitiva, el equipo usó un método de aprendizaje automático llamado regresión por bosque aleatorio. En lugar de una sola fórmula compleja, este enfoque construye muchos árboles de decisión simples que cada uno hace una predicción y luego las combina en una respuesta “en conjunto” más fiable. El modelo aprendió a predecir cuán activada estaba cada región cerebral, tratando esa activación como un sustituto del esfuerzo mental. En las zonas frontal, temporal, parietal y occipital, el modelo coincidió extremadamente bien con la activación real, con puntuaciones de ajuste (R²) por encima de 0,93 y resultados especialmente fuertes en la región temporal, que ayuda a integrar sonido, memoria y percepción durante tareas exigentes.

Lo que el modelo revela sobre el cerebro en acción

Al examinar de qué características dependía más el bosque aleatorio, el estudio también arrojó luz sobre cómo las señales cerebrales reflejan la tensión mental. Medidas de energía de la señal y picos tipo estallido (root mean square y curtosis), junto con la potencia en bandas frecuenciales seleccionadas, resultaron especialmente informativas. Diferentes regiones enfatizaron distintas características: por ejemplo, la actividad rápida en beta y gamma en áreas parietales y occipitales se correspondió con un intenso procesamiento visual y espacial, mientras que los patrones en las señales frontales reflejaron la carga de toma de decisiones. Estas firmas específicas por región sugieren que el método podría adaptarse en el futuro a gorros EEG más ligeros que se centren solo en las áreas más informativas.

Del laboratorio a quirófanos más seguros

Para el público general, la idea principal es clara: el estudio plantea una receta práctica para convertir sensores en el cuero cabelludo y algoritmos inteligentes en un “medidor de esfuerzo mental” continuo para cirujanos. Aunque el trabajo actual usa datos archivados de un grupo limitado de participantes, muestra que con limpieza cuidadosa y diseño de características, un modelo de aprendizaje automático relativamente simple puede seguir la carga cognitiva con alta precisión y bajo coste computacional. En el futuro, tales sistemas podrían ayudar a las consolas robóticas a simplificar automáticamente las pantallas, ajustar el ritmo o señalar momentos de sobrecarga, apoyando la mente del cirujano con la misma fiabilidad con la que los robots ya apoyan sus manos.

Cita: 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

Palabras clave: carga cognitiva, cirugía asistida por robot, monitorización EEG, aprendizaje automático, interfaz cerebro-ordenador