Estimando a carga cognitiva em cirurgia assistida por robô usando recursos de tempo e frequência de épocas de EEG com regressão Random Forest

Por que o esforço mental na cirurgia robótica importa

A cirurgia assistida por robô promete cortes menores, recuperação mais rápida e mãos mais estáveis. Mas atrás do robô está um cirurgião humano cujo cérebro pode ficar sobrecarregado por visuais complexos, controles e decisões de alto risco. Este estudo faz uma pergunta simples com grandes consequências: podemos ler os sinais cerebrais de um cirurgião em tempo real para estimar quão cognitivamente exigido ele está e então usar essa informação para mantê-lo alerta e proteger os pacientes?

Ouvindo o cérebro durante a cirurgia robótica

Em vez de confiar em listas de verificação ou intuição, os pesquisadores recorreram à eletroencefalografia, ou EEG, uma técnica que mede minúsculos sinais elétricos no couro cabeludo. Eles utilizaram um conjunto de dados público de 25 pessoas executando tarefas de cirurgia assistida por robô enquanto usavam uma touca com 128 eletrodos. Esses sensores captam ritmos de diferentes áreas do cérebro: a frente (planejamento e tomada de decisão), os lados (audição e memória), o topo (tacto e percepção espacial) e a parte de trás (visão). O objetivo era converter esses traçados brutos e ruidosos em uma estimativa contínua de “carga cognitiva” — o quanto o cérebro está trabalhando, momento a momento.

Limpeza e condensação dos sinais cerebrais

O EEG bruto se comporta mais como a rede elétrica de uma cidade do que como uma leitura limpa do cérebro: está cheio de interferências de piscadas, contrações musculares e linhas de energia. A equipe primeiro limpou os dados filtrando frequências indesejadas e usando um método matemático chamado análise de componentes independentes para remover artefatos de olhos e músculos. Para tornar o sistema rápido o bastante para uso quase em tempo real, reduziram a taxa de amostragem de 500 para 128 medidas por segundo. Comparações cuidadosas de mapas cerebrais e espectrogramas antes e depois dessa etapa mostraram que padrões-chave foram preservados, de modo que os sinais permaneceram úteis cientificamente enquanto se tornavam muito mais baratos de processar.

Transformando ondas em números significativos

Em seguida, os pesquisadores dividiram o EEG contínuo em “épocas” de um segundo e descreveram cada pequeno segmento usando estatísticas simples e conteúdo de frequência. Recursos no domínio do tempo, como amplitude média, variabilidade, assimetria e o número de vezes que a onda cruzou o zero, capturaram a forma geral e a energia da atividade cerebral. Recursos no domínio da frequência focaram em quanto poder estava em bandas clássicas como theta (associada a esforço e memória de trabalho), alfa (repouso e inibição), beta (foco ativo) e gama (processamento complexo). Juntos, esses números formam uma impressão digital compacta do estado cerebral a cada segundo, pronta para um computador aprender com ela.

Treinando uma floresta de árvores de decisão para ler a carga

Para ligar essas impressões digitais de EEG à carga cognitiva, a equipe usou um método de aprendizado de máquina chamado regressão Random Forest. Em vez de uma única fórmula complexa, essa abordagem constrói muitas árvores de decisão simples que fazem previsões individuais e depois as combina em uma resposta de “conjunto” mais confiável. O modelo aprendeu a prever quão fortemente cada região cerebral estava ativada, tratando essa ativação como um substituto para o esforço mental. Nas áreas frontal, temporal, parietal e occipital, o modelo igualou muito bem a ativação real, com escores de precisão (R²) acima de 0,93 e resultados especialmente fortes na região temporal, que ajuda a integrar som, memória e percepção durante tarefas exigentes.

O que o modelo revela sobre o cérebro em ação

Ao examinar quais recursos a Random Forest mais utilizou, o estudo também iluminou como os sinais cerebrais refletem a tensão mental. Medidas de energia do sinal e picos tipo surto (valor quadrático médio e curtose), juntamente com potência em faixas de frequência selecionadas, foram particularmente informativas. Diferentes regiões enfatizaram recursos distintos: por exemplo, atividade beta e gama rápidas nas áreas parietal e occipital corresponderam a processamento visual e espacial intenso, enquanto padrões nos sinais frontais espelhavam a carga de tomada de decisão. Essas assinaturas específicas por região sugerem que o método poderia, no futuro, ser adaptado a toucas de EEG mais leves que foquem apenas nas áreas mais informativas.

Do estudo de laboratório a salas de cirurgia mais seguras

Para não especialistas, a conclusão é clara: o estudo descreve uma receita prática para transformar sensores de couro cabeludo e algoritmos inteligentes em um “medidor de esforço mental” contínuo para cirurgiões. Embora o trabalho atual use dados arquivados de um grupo limitado de participantes, ele mostra que com limpeza cuidadosa e desenho de recursos, um modelo de aprendizado de máquina relativamente simples pode rastrear a carga cognitiva com alta precisão e baixo custo computacional. No futuro, tais sistemas poderiam ajudar consoles robóticos a simplificar automaticamente interfaces, ajustar ritmos ou sinalizar momentos de sobrecarga, apoiando a mente dos cirurgiões tão seguramente quanto os robôs já apoiam suas mãos.

Citação: 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

Palavras-chave: carga cognitiva, cirurgia assistida por robô, monitoramento EEG, aprendizado de máquina, interface cérebro-computador