ランダムフォレスト回帰を用いたEEGエポックの時間・周波数特徴からロボット支援手術における認知的負荷を推定する

なぜロボット手術で精神的負荷が重要か

ロボット支援手術は切開を小さくし、回復を早め、手の安定性を高めることが期待されます。しかしロボットの背後には、人間の外科医がおり、複雑な映像、操作、重大な判断によって脳が過負荷に陥る可能性があります。本研究は単純だが重大な疑問を投げかけます：外科医の脳信号をリアルタイムで読み取り、どれだけ精神的に負荷がかかっているかを推定し、その情報を使って外科医の鋭敏さと患者の安全を保てるか、ということです。

ロボット手術中に脳を「聴く」

チェックリストや直感に頼る代わりに、研究者らは頭皮上の微弱な電気信号を測る電気脳波法（EEG）に着目しました。彼らは128電極のキャップを装着してロボット支援手術タスクを行う25名の公開データセットを用いました。これらのセンサーは異なる脳領域のリズムを拾います：前頭（計画や意思決定）、側頭（聴覚や記憶）、頭頂（触覚や空間認知）、後頭（視覚）。目標は、こうした生データのノイズ混じりの波形を、瞬時ごとに脳がどれだけ働いているかを示す「認知的負荷」の連続的推定に変換することでした。

脳信号の洗浄と凝縮

生のEEGは明瞭な脳の読み取りというよりも都市の電力網に似ており、瞬き、筋収縮、電源ノイズなどの干渉が多く含まれます。チームはまず不要な周波数をフィルタリングし、独立成分分析という数学的手法を用いて眼や筋肉由来のアーティファクトを除去してデータを浄化しました。ほぼリアルタイムで動作させるために、記録速度を500Hzから128Hzに下げて処理負荷を削減しました。この処理前後の脳マップとスペクトログラムを注意深く比較したところ、主要なパターンは保たれており、信号は科学的有用性を維持しつつ処理コストが大幅に下がっていることが示されました。

波形を意味ある数値に変換する

次に研究者らは連続的なEEGを1秒ごとの「エポック」に分割し、各セグメントを単純な統計量と周波数成分で記述しました。時間領域の特徴（平均信号量、変動、歪度、ゼロ交差回数など）は脳活動の全体的な形状とエネルギーを捉えます。周波数領域の特徴は、努力や作動記憶に関連するシータ、休息や抑制を示すアルファ、能動的集中に関わるベータ、複雑な処理と関連するガンマといった古典的なバンドごとのパワーに注目しました。こうして得られた各秒ごとの数値群が、コンパクトな脳状態のフィンガープリントとなり、機械学習が学習できる形になります。

意思決定の木々の森に負荷を読み取らせる

これらのEEGフィンガープリントを認知的負荷に結びつけるために、チームはランダムフォレスト回帰という機械学習手法を用いました。単一の複雑な式を使う代わりに、多数の単純な決定木を構築し、それぞれが予測を行ってからそれらを組み合わせてより信頼性の高い「アンサンブル」答を得るアプローチです。モデルは各脳領域の活性化度を予測するよう学習し、その活性化を精神的負荷の代理指標として扱いました。前頭、側頭、頭頂、後頭領域にわたり、モデルは実際の活性化と非常によく一致し、決定係数（R²）が0.93を超える高精度を示し、特に側頭領域では音、記憶、知覚の統合に関与するため優れた結果が得られました。

作業中の脳についてモデルが示すこと

ランダムフォレストが重視した特徴を調べることで、脳信号がどのように精神的負荷を反映しているかについても知見が得られました。信号エネルギーやバースト的なスパイク（RMSや尖度）と、特定周波数帯のパワーが特に情報量が多かったのです。領域ごとに重視される特徴は異なりました：例えば、頭頂および後頭領域の高速ベータ・ガンマ活動は強い視覚・空間処理と一致し、前頭部のパターンは意思決定負荷を反映していました。これらの領域特有の署名は、将来的には最も情報の多い領域だけに注目する軽量なEEGキャップに応用できる可能性を示唆します。

実験室からより安全な手術室へ

専門外の方に対する結論は明快です：本研究は頭皮センサーと賢いアルゴリズムを組み合わせて外科医の連続的な「精神的負荷メーター」を作る現実的な手順を示しています。現在の研究は限られた参加者のアーカイブデータを用いていますが、丁寧な前処理と特徴設計により、比較的単純な機械学習モデルでも高精度かつ低計算コストで認知的負荷を追跡できることが示されました。将来的にはこうしたシステムがロボットコンソールの表示を自動で簡素化したり、作業ペースを調整したり、過負荷の瞬間を知らせたりして、ロボットが手を支えるように外科医の精神面も支援する可能性があります。

引用: 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

キーワード: 認知的負荷, ロボット支援手術, EEG モニタリング, 機械学習, ブレイン・コンピュータ・インターフェース