Оценка когнитивной нагрузки при робот-ассистированной хирургии с использованием временных и частотных признаков из EEG-эпох с регрессией случайного леса

Почему важно учитывать умственное напряжение в роботизированной хирургии

Робот-ассистированная хирургия обещает меньшие надрезы, более быстрое восстановление и более стабильные движения. Но за пультом управления сидит человек — хирург, чей мозг может перегружаться сложной визуальной информацией, контролями и решениями с высокой ответственностью. Это исследование задаёт простой, но важный вопрос: можно ли в реальном времени считывать мозговые сигналы хирурга, чтобы оценивать уровень его умственной нагрузки и использовать эти данные для поддержания его концентрации и безопасности пациента?

«Прослушивание» мозга во время роботохирургии

Вместо опросников или интуиции исследователи обратились к электроэнцефалографии (ЭЭГ) — методу измерения слабых электрических сигналов на коже головы. Они использовали общедоступный набор данных с 25 участниками, выполнявшими задачи в условиях робот-ассистированной хирургии в шапочке с 128 электродами. Эти сенсоры улавливают ритмы из разных областей мозга: лобной (планирование и принятие решений), височных (слух и память), теменной (осязание и пространственное восприятие) и затылочной (зрение). Цель состояла в том, чтобы преобразовать эти сырые, шумные сигналы в непрерывную оценку «когнитивной нагрузки» — того, насколько интенсивно работает мозг в каждый момент.

Очистка и сжатие сигналов мозга

Сырые ЭЭГ больше напоминают электросеть города, чем ясное чтение мозга: они полны помех от моргания, мышечных сокращений и сетевого шума. Команда сначала очистила данные, отфильтровав нежелательные частоты и применив метод независимого компонентного анализа для удаления артефактов от глаз и мышц. Чтобы система была достаточно быстрой для почти реального времени, они снизили частоту записи с 500 до 128 измерений в секунду. Тщательные сравнения карт активности и спектрограмм до и после этого шага показали, что ключевые паттерны сохранены, поэтому сигналы остались научно значимыми и при этом стали гораздо дешевле в обработке.

Преобразование волн в понятные числа

Далее исследователи разрезали непрерывный ЭЭГ на одно-секундные «эпохи» и описали каждый фрагмент простыми статистическими и частотными характеристиками. Временные признаки — такие как средний уровень сигнала, вариативность, асимметрия и число пересечений нуля — отражали общую форму и энергию активности мозга. Частотные признаки фокусировались на мощности в классических диапазонах: тета (связана с усилием и рабочей памятью), альфа (покой и ингибиция), бета (активное внимание) и гамма (сложная обработка). Вместе эти показатели формировали компактный «отпечаток» состояния мозга для каждой секунды, готовый для обучения компьютера.

Обучение «лесу» решающих деревьев распознавать нагрузку

Чтобы связать эти ЭЭГ-отпечатки с когнитивной нагрузкой, команда использовала метод машинного обучения — регрессию случайного леса. Вместо одной сложной формулы этот подход строит множество простых решающих деревьев, каждое из которых даёт предсказание, а затем объединяет их в более надёжный «ансамбль». Модель научилась предсказывать, насколько сильно активированы различные области мозга, рассматривая эту активацию как proxy (заместитель) умственного усилия. По лобной, височной, теменной и затылочной областям модель очень хорошо соответствовала истинной активации, демонстрируя коэффициенты детерминации (R²) выше 0,93, с особенно сильными результатами во височной области, которая участвует в интеграции звука, памяти и восприятия при сложных задачах.

Что модель показывает о работающем мозге

Анализируя, на какие признаки случайный лес опирался сильнее всего, исследование также пролило свет на то, как мозговые сигналы отражают умственное напряжение. Меры энергии сигнала и всплесков (среднеквадратичное значение и эксцесс), вместе с мощностью в отдельных частотных диапазонах, оказались особенно информативными. Разные области акцентировали разные признаки: например, быстрая бета- и гамма-активность в теменной и затылочной областях соответствовала интенсивной визуальной и пространственной обработке, в то время как паттерны в лобных сигналах отражали нагрузку принятия решений. Эти регионально-специфичные сигнатуры указывают на то, что метод в будущем можно адаптировать для облегчённых ЭЭГ-шапочек, фокусирующихся только на наиболее информативных зонах.

От лаборатории к более безопасным операционным

Для неспециалистов основной вывод прост: исследование описывает практический рецепт превращения сенсоров на коже головы и умных алгоритмов в непрерывный «измеритель умственного усилия» для хирургов. Хотя текущая работа использует архивные данные ограниченной группы участников, она показывает, что при тщательной очистке и подборе признаков относительно простая модель машинного обучения может отслеживать когнитивную нагрузку с высокой точностью и низкими вычислительными затратами. В будущем такие системы могли бы помогать консольным роботам автоматически упрощать интерфейсы, регулировать темп работы или сигнализировать о моментах перегрузки, поддерживая ум хирурга так же надёжно, как роботы уже помогают его рукам.

Цитирование: 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

Ключевые слова: когнитивная нагрузка, робот-ассистированная хирургия, мониторинг ЭЭГ, машинное обучение, интерфейс «мозг-компьютер»