Stima del carico cognitivo nella chirurgia assistita da robot usando caratteristiche temporali e in frequenza da epoche EEG con regressione Random Forest

Perché lo sforzo mentale nella chirurgia robotica conta

La chirurgia assistita da robot promette incisioni più piccole, recuperi più rapidi e mani più stabili. Ma dietro al robot c’è un chirurgo umano il cui cervello può sovraccaricarsi a causa di immagini complesse, comandi e decisioni ad alto rischio. Questo studio pone una domanda semplice ma con grandi conseguenze: possiamo leggere i segnali cerebrali del chirurgo in tempo reale per stimare quanto sia mentalmente sollecitato e usare quell’informazione per mantenerlo lucido e i pazienti al sicuro?

Ascoltare il cervello durante la chirurgia robotica

Invece di affidarsi a checklist o all’intuizione, i ricercatori si sono rivolti all’elettroencefalografia, o EEG, una tecnica che misura deboli segnali elettrici sul cuoio capelluto. Hanno utilizzato un dataset pubblico di 25 persone che eseguivano compiti di chirurgia assistita da robot indossando una cuffia con 128 elettrodi. Questi sensori captano ritmi provenienti da diverse aree cerebrali: la parte frontale (pianificazione e decisione), i lati (udito e memoria), la sommità (tatto e consapevolezza spaziale) e la parte posteriore (visione). L’obiettivo era convertire questi scarabocchi grezzi e rumorosi in una stima continua del “carico cognitivo” — quanto il cervello sta lavorando istante per istante.

Pulire e condensare i segnali del cervello

L’EEG grezzo si comporta più come la rete elettrica di una città che come una lettura cerebrale pulita: è pieno di interferenze dovute a sbattimento degli occhi, contrazioni muscolari e linee elettriche. Il team ha prima ripulito i dati filtrando le frequenze indesiderate e utilizzando un metodo matematico chiamato analisi delle componenti indipendenti per rimuovere artefatti oculari e muscolari. Per rendere il sistema abbastanza veloce per un uso quasi in tempo reale, hanno ridotto la frequenza di campionamento da 500 a 128 misurazioni al secondo. Confronti accurati di mappe cerebrali e spettrogrammi prima e dopo questo passaggio hanno mostrato che i pattern chiave sono stati preservati, quindi i segnali sono rimasti utili dal punto di vista scientifico pur diventando molto meno costosi da elaborare.

Trasformare le onde in numeri significativi

Successivamente, i ricercatori hanno suddiviso l’EEG continuo in epoche di un secondo e descritto ogni piccolo segmento usando statistiche semplici e contenuto in frequenza. Le caratteristiche temporali, come ampiezza media del segnale, variabilità, asimmetria e il numero di attraversamenti per lo zero, catturavano la forma complessiva e l’energia dell’attività cerebrale. Le caratteristiche in frequenza si concentravano su quanta potenza si trovava nelle bande classiche come theta (collegata a sforzo e memoria di lavoro), alfa (riposo e inibizione), beta (concentrazione attiva) e gamma (elaborazione complessa). Insieme, questi numeri formano un’impronta compatta dello stato cerebrale in ogni secondo, pronta per essere appresa da un computer.

Addestrare una foresta di alberi decisionali a leggere il carico

Per collegare queste impronte EEG al carico cognitivo, il team ha utilizzato un metodo di apprendimento automatico chiamato regressione Random Forest. Invece di una singola formula complessa, questo approccio costruisce molti semplici alberi decisionali che ciascuno fa una previsione, poi li combina in una risposta “ensemble” più affidabile. Il modello ha imparato a prevedere quanto fosse attivata ciascuna regione cerebrale, trattando quella attivazione come proxy dello sforzo mentale. Attraverso aree frontali, temporali, parietali e occipitali, il modello ha corrisposto l’attivazione reale in modo estremamente accurato, con punteggi di accuratezza (R²) superiori a 0,93 e risultati particolarmente forti nella regione temporale, che aiuta a integrare suono, memoria e percezione durante compiti impegnativi.

Cosa rivela il modello sul cervello al lavoro

Esaminando quali caratteristiche il Random Forest utilizzava maggiormente, lo studio ha anche fatto luce su come i segnali cerebrali riflettano la fatica mentale. Misure di energia del segnale e picchi a scoppio (root mean square e curtosi), insieme alla potenza in bande di frequenza selezionate, risultavano particolarmente informative. Diverse regioni enfatizzavano caratteristiche diverse: per esempio, attività veloce nelle bande beta e gamma nelle aree parietali e occipitali era coerente con un intenso processamento visivo e spaziale, mentre pattern nei segnali frontali rispecchiavano il carico decisionale. Queste firme specifiche per regione suggeriscono che il metodo potrebbe a sua volta essere adattato a cuffie EEG più leggere che si concentrino solo sulle aree più informative.

Dallo studio di laboratorio a sale operatorie più sicure

Per i non specialisti, la conclusione è chiara: lo studio delinea una ricetta pratica per trasformare sensori sul cuoio capelluto e algoritmi intelligenti in un “misuratore di sforzo mentale” continuo per i chirurghi. Sebbene il lavoro attuale utilizzi dati d’archivio di un gruppo limitato di partecipanti, dimostra che con pulizia attenta e progettazione delle caratteristiche, un modello di apprendimento automatico relativamente semplice può tracciare il carico cognitivo con alta precisione e basso costo computazionale. In futuro, tali sistemi potrebbero aiutare le console robotiche a semplificare automaticamente le visualizzazioni, regolare i ritmi o segnalare momenti di sovraccarico, supportando la mente dei chirurghi con la stessa affidabilità con cui i robot già supportano le loro mani.

Citazione: 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

Parole chiave: carico cognitivo, chirurgia assistita da robot, monitoraggio EEG, apprendimento automatico, interfaccia cervello-computer