Szacowanie obciążenia poznawczego podczas chirurgii wspomaganej robotycznie przy użyciu cech czasowych i częstotliwościowych z epok EEG z regresją lasu losowego

Dlaczego wysiłek umysłowy w chirurgii robotycznej ma znaczenie

Chirurgia wspomagana robotycznie obiecuje mniejsze nacięcia, szybszą rekonwalescencję i bardziej stabilne ruchy. Jednak za robotem siedzi człowiek — chirurg, którego mózg może zostać przeciążony złożonymi obrazami, sterowaniem i decyzjami o dużej stawce. Badanie stawia proste pytanie o dalekosiężnych konsekwencjach: czy można w czasie rzeczywistym odczytać sygnały mózgowe chirurga, oszacować jego obciążenie poznawcze i wykorzystać tę informację, by utrzymać czujność operatora i bezpieczeństwo pacjentów?

Słuchając mózgu podczas operacji robotycznej

Zamiast polegać na listach kontrolnych czy przeczuciu, badacze sięgnęli po elektroencefalografię (EEG), technikę mierzącą drobne elektryczne sygnały na skórze głowy. Wykorzystali publiczny zestaw danych 25 osób wykonujących zadania chirurgii wspomaganej robotycznie, nosząc czepiec z 128 elektrodami. Czujniki te rejestrują rytmy z różnych obszarów mózgu: przednich (planowanie i podejmowanie decyzji), bocznych (słuch i pamięć), górnych (dotyk i świadomość przestrzenna) oraz tylnych (wzrok). Celem było przekształcenie tych surowych, zaszumionych krzywych w ciągłe oszacowanie „obciążenia poznawczego” — czyli jak intensywnie mózg pracuje w danej chwili.

Czyszczenie i kondensacja sygnałów mózgowych

Surowe EEG zachowuje się bardziej jak miejska sieć energetyczna niż czytelny odczyt: pełne jest zakłóceń spowodowanych mruganiem, drganiami mięśni i siecią elektryczną. Zespół najpierw oczyścił dane, filtrując niepożądane częstotliwości i stosując niezależną analizę składowych (ICA), aby usunąć artefakty związane z oczami i mięśniami. Aby system był na tyle szybki, by działać w przybliżeniu w czasie rzeczywistym, zmniejszyli częstotliwość zapisu z 500 do 128 pomiarów na sekundę. Dokładne porównania map mózgowych i spektrogramów przed i po tej operacji pokazały, że kluczowe wzorce zostały zachowane — sygnały pozostały użyteczne naukowo, a jednocześnie znacznie tańsze w przetwarzaniu.

Przekształcanie fal w znaczące liczby

Następnie badacze podzielili ciągłe EEG na jednosekundowe „epoki” i opisali każdy segment za pomocą prostych statystyk oraz zawartości częstotliwościowej. Cechy czasowe, takie jak średnia amplituda sygnału, zmienność, asymetria czy liczba przekroczeń zera, uchwyciły ogólny kształt i energię aktywności mózgowej. Cechy częstotliwościowe koncentrowały się na mocy w klasycznych pasmach: theta (związana z wysiłkiem i pamięcią roboczą), alpha (odpoczynek i inhibicja), beta (skoncentrowana aktywność) i gamma (przetwarzanie złożone). Razem te liczby tworzą skondensowany odcisk stanu mózgu w każdej sekundzie, gotowy do nauki przez komputer.

Nauczanie lasu drzew decyzyjnych czytania obciążenia

Aby powiązać te EEG-odciski z obciążeniem poznawczym, zespół zastosował metodę uczenia maszynowego zwaną regresją lasu losowego. Zamiast jednej skomplikowanej formuły, podejście to buduje wiele prostych drzew decyzyjnych, z których każde daje przewidywanie, a następnie łączy je w bardziej niezawodną odpowiedź zespołową. Model nauczył się przewidywać, jak silnie aktywowany jest każdy obszar mózgu, traktując tę aktywację jako zastępnik wysiłku umysłowego. Dla obszarów czołowych, skroniowych, ciemieniowych i potylicznych model dopasowywał się do rzeczywistych aktywacji niezwykle dobrze — z wynikami dokładności (R²) powyżej 0,93, przy szczególnie silnych rezultatach w regionie skroniowym, który integruje dźwięk, pamięć i percepcję podczas wymagających zadań.

Co model ujawnia o pracującym mózgu

Analiza tych cech, na których random forest polegał najbardziej, rzuciła też światło na to, jak sygnały mózgowe odzwierciedlają obciążenie poznawcze. Miary energii sygnału i występowania impulsów (wartość skuteczna RMS i kurtoza), wraz z mocą w wybranych pasmach częstotliwości, okazały się szczególnie informatywne. Różne obszary podkreślały różne cechy: na przykład szybka aktywność beta i gamma w obszarach ciemieniowych i potylicznych odpowiadała intensywnemu przetwarzaniu wzrokowemu i przestrzennemu, podczas gdy wzory w sygnałach czołowych odzwierciedlały obciążenie związane z podejmowaniem decyzji. Te specyficzne dla regionu sygnatury sugerują, że metoda mogłaby ostatecznie zostać dostosowana do lżejszych czepków EEG, koncentrujących się tylko na najbardziej informatywnych obszarach.

Z badań laboratoryjnych do bezpieczniejszych sal operacyjnych

Dla czytelnika niebędącego specjalistą wniosek jest prosty: badanie przedstawia praktyczny przepis na przekształcenie czujników skórnych i inteligentnych algorytmów w ciągły „miernik wysiłku umysłowego” dla chirurgów. Choć obecna praca wykorzystuje archiwalne dane z ograniczonej grupy uczestników, pokazuje, że przy starannym oczyszczaniu i projektowaniu cech stosunkowo prosty model uczenia maszynowego może śledzić obciążenie poznawcze z dużą precyzją i niskim kosztem obliczeniowym. W przyszłości takie systemy mogłyby pomóc konsolom robotycznym automatycznie upraszczać wyświetlacze, dostosowywać tempo pracy lub sygnalizować momenty przeciążenia, wspierając umysł chirurga równie niezawodnie, jak robot wspiera już jego ręce.

Cytowanie: 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

Słowa kluczowe: obciążenie poznawcze, chirurgia wspomagana robotycznie, monitorowanie EEG, uczenie maszynowe, interfejs mózg-komputer