Het inschatten van cognitieve werkbelasting bij robotgeassisteerde chirurgie met tijd- en frequentiekenmerken uit EEG-epoches met random forest-regressie

Waarom mentale inspanning bij robotchirurgie ertoe doet

Robotgeassisteerde chirurgie belooft kleinere incisies, sneller herstel en stabielere handen. Maar achter de robot zit een menselijke chirurg van wie het brein overbelast kan raken door complexe beelden, besturing en beslissingen met veel risico. Deze studie stelt een eenvoudige vraag met grote gevolgen: kunnen we in real time de hersen­signalen van een chirurg lezen om in te schatten hoe mentaal belast hij of zij is, en die informatie vervolgens gebruiken om alertheid te behouden en patiënten te beschermen?

Het brein beluisteren tijdens robotchirurgie

In plaats van te vertrouwen op checklists of een onderbuikgevoel richtten de onderzoekers zich op elektro-encefalografie, of EEG, een techniek die kleine elektrische signalen op de schedel meet. Ze gebruikten een openbare dataset van 25 mensen die robotgeassisteerde chirurgietaken uitvoerden terwijl ze een cap met 128 elektroden droegen. Deze sensoren vangen ritmes op uit verschillende hersengebieden: frontaal (planning en besluitvorming), lateraal (horen en geheugen), bovenaan (tactiele en ruimtelijke waarneming) en achteraan (visie). Het doel was deze ruwe, rumoerige golfjes om te zetten in een continue schatting van 'cognitieve werkbelasting' — hoe hard het brein op elk moment werkt.

De signalen van het brein schoonmaken en inkoken

Ruwe EEG-gegevens gedragen zich meer als het elektriciteitsnet van een stad dan als een heldere brein­aflezing: ze zitten vol storingen door knipperen, spiertrekkingen en netstoring. Het team maakte de data eerst schoon door ongewenste frequenties te filteren en toepassen van een wiskundige methode genaamd onafhankelijke componentenanalyse om oog- en spiersignalen te verwijderen. Om het systeem snel genoeg te maken voor bijna real-time gebruik verlaagden ze de opnamesnelheid van 500 naar 128 metingen per seconde. Zorgvuldige vergelijkingen van brein­kaarten en spectrogrammen voor en na deze stap toonden aan dat sleutelpatronen behouden bleven, zodat de signalen wetenschappelijk nuttig bleven terwijl ze veel goedkoper te verwerken werden.

Golven omzetten in zinvolle cijfers

Vervolgens hakten de onderzoekers de continue EEG in epoches van één seconde en beschreven elk klein segment met eenvoudige statistieken en frequentie-inhoud. Tijdgebaseerde kenmerken, zoals gemiddelde signaalgrootte, variabiliteit, asymmetrie en het aantal nuldoorgangen, vingen de algemene vorm en energie van de hersenactiviteit. Frequentiegebaseerde kenmerken concentreerden zich op hoeveel vermogen aanwezig was in klassieke banden zoals theta (gekoppeld aan inspanning en werkgeheugen), alfa (rust en inhibitie), bèta (actieve focus) en gamma (complexe verwerking). Samen vormen deze getallen een compact vingerafdruk van de toestand van het brein per seconde, klaar om door een computer te worden geleerd.

Een bos beslisbomen trainen om werkbelasting te lezen

Om deze EEG-vingerafdrukken te koppelen aan cognitieve werkbelasting gebruikte het team een machine-learningmethode genaamd random forest-regressie. In plaats van één complexe formule bouwt deze aanpak veel eenvoudige beslisbomen die elk een voorspelling doen en die vervolgens combineren tot een betrouwbaarder 'ensemble'-antwoord. Het model leerde te voorspellen hoe sterk elk hersengebied geactiveerd was, waarbij die activatie als proxy voor mentale inspanning diende. Over de frontale, temporale, pariëtale en occipitale gebieden heen kwam het model uitzonderlijk goed overeen met de werkelijke activatie, met nauwkeurigheidsscores (R²) boven 0,93 en bijzonder sterke resultaten in het temporale gebied, dat helpt bij het integreren van geluid, geheugen en perceptie tijdens veeleisende taken.

Wat het model onthult over het werkende brein

Door te onderzoeken op welke kenmerken het random forest het meest vertrouwde, werpt de studie ook licht op hoe hersensignalen mentale belasting weerspiegelen. Maatstaven van signaalenergie en piekachtige uitbarstingen (root mean square en kurtosis), samen met vermogen in geselecteerde frequentiebanden, bleken bijzonder informatief. Verschillende regio's benadrukten verschillende kenmerken: zo kwamen snelle bèta- en gamma-activiteiten in pariëtale en occipitale gebieden overeen met zware visuele en ruimtelijke verwerking, terwijl patronen in frontale signalen het besluitvormings­proces spiegelden. Deze regio-specifieke signaturen suggereren dat de methode uiteindelijk kan worden aangepast aan lichtere EEG-caps die zich concentreren op alleen de meest informatieve gebieden.

Van labstudie naar veiligere operatiekamers

Voor niet-specialisten is de kernboodschap duidelijk: de studie schetst een praktische aanpak om schedelsensoren en slimme algoritmen om te zetten in een continue 'mentale inspanningsmeter' voor chirurgen. Hoewel het huidige werk gebruikmaakt van gearchiveerde data van een beperkte deelnemersgroep, laat het zien dat met zorgvuldige reiniging en ontwerp van kenmerken een relatief simpel machine-learningmodel cognitieve werkbelasting met hoge precisie en lage rekenkosten kan volgen. In de toekomst zouden dergelijke systemen chirurgische consoles kunnen helpen om automatisch displays te vereenvoudigen, het tempo aan te passen of momenten van overbelasting te signaleren, en zo de geest van chirurgen net zo betrouwbaar te ondersteunen als robots hun handen al ondersteunen.

Bronvermelding: 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

Trefwoorden: cognitieve werkbelasting, robotgeassisteerde chirurgie, EEG-monitoring, machine learning, brein-computerinterface