Att uppskatta kognitiv arbetsbelastning vid robotassisterad kirurgi med tids- och frekvensegenskaper från EEG-epoker med random forest-regression

Varför mental ansträngning i robotskirurgi spelar roll

Robotassisterad kirurgi lovar mindre snitt, snabbare återhämtning och stadigare händer. Men bakom roboten sitter en mänsklig kirurg vars hjärna kan bli överbelastad av komplexa visuella intryck, styrningar och avgörande beslut. Denna studie ställer en enkel fråga med stora följder: kan vi avläsa en kirurgs hjärnsignaler i realtid för att uppskatta hur mentalt belastad hen är, och sedan använda den informationen för att hålla kirurgens fokus skarpt och patienterna trygga?

Lyssna på hjärnan under robotskirurgi

I stället för att förlita sig på checklistor eller magkänsla vände sig forskarna till elektroencefalografi, eller EEG, en teknik som mäter mycket svaga elektriska signaler på skalpen. De använde en publik datamängd med 25 personer som utförde robotassisterade kirurgiska uppgifter medan de bar en mössa med 128 elektroder. Dessa sensorer plockar upp rytmer från olika hjärnområden: frontalloben (planering och beslutsfattande), tinningarna (hörsel och minne), hjässloben (känsel och rumslig medvetenhet) och nackloben (syn). Målet var att omvandla dessa råa, brusiga krusningar till en kontinuerlig uppskattning av ”kognitiv arbetsbelastning” — hur hårt hjärnan arbetar från ögonblick till ögonblick.

Rensa och kondensera hjärnans signaler

Rå EEG beter sig mer som en stads elnät än som en tydlig avläsning av hjärnan: det är fullt av störningar från blinkningar, muskelryckningar och elnät. Teamet rengjorde först datan genom att filtrera bort oönskade frekvenser och använda en matematisk metod kallad oberoende komponentanalys för att ta bort artefakter från ögon och muskler. För att göra systemet tillräckligt snabbt för nästintill realtidsanvändning minskade de inspelningsfrekvensen från 500 till 128 mätningar per sekund. Noggranna jämförelser av hjärnkartor och spektrogram före och efter detta steg visade att nyckelmönster bevarades, så signalerna förblev vetenskapligt användbara samtidigt som de blev mycket billigare att bearbeta.

Omvandla vågor till meningsfulla siffror

Därefter delade forskarna upp den kontinuerliga EEG:n i ettsekunders ”epoker” och beskrev varje korta segment med enkla statistiska mått och frekvensinnehåll. Tidsbaserade egenskaper, som genomsnittlig signalsstorlek, variabilitet, asymmetri och antalet nollgenomgångar, fångade den övergripande formen och energin i hjärnaktiviteten. Frekvensbaserade egenskaper fokuserade på hur mycket effekt som låg i klassiska band som theta (kopplat till ansträngning och arbetsminne), alfa (vila och inhibering), beta (aktiv fokus) och gamma (komplex bearbetning). Tillsammans bildar dessa siffror ett kompakt fingeravtryck av hjärnans tillstånd varje sekund, redo för en dator att lära sig från.

Lära en skog av besluts-träd att läsa arbetsbelastning

För att koppla dessa EEG-fingeravtryck till kognitiv arbetsbelastning använde teamet en maskininlärningsmetod kallad random forest-regression. I stället för en enda komplex formel bygger denna metod många enkla beslutsträd som var och en gör en förutsägelse, och sedan kombineras de till ett mer tillförlitligt ”ensemble”-svar. Modellen lärde sig att förutsäga hur starkt varje hjärnregion var aktiverad, och behandlade den aktiveringen som en proxy för mental ansträngning. Över frontala, temporala, parietala och occipitala områden matchade modellen den verkliga aktiveringen mycket väl, med noggrannhetssiffror (R²) över 0,93 och särskilt starka resultat i det temporala området, som hjälper till att integrera ljud, minne och perception under krävande uppgifter.

Vad modellen avslöjar om den arbetande hjärnan

Genom att undersöka vilka funktioner random forest förlitade sig mest på gav studien också insikt i hur hjärnsignalerna speglar mental belastning. Mått på signalenergi och ruskliknande toppar (root mean square och kurtos), tillsammans med effekt i utvalda frekvensband, var särskilt informativa. Olika regioner betonade olika egenskaper: till exempel stämde snabb beta- och gammaaktivitet i parietala och occipitala områden överens med tung visuell och rumslig bearbetning, medan mönster i frontala signaler speglade beslutsbelastning. Dessa regionsspecifika signaturer antyder att metoden så småningom kan anpassas till lättare EEG-mössor som fokuserar bara på de mest informativa områdena.

Från labbstudie till säkrare operationssalar

För icke-specialister är slutsatsen tydlig: studien beskriver ett praktiskt recept för att förvandla skalpsensorer och smarta algoritmer till en kontinuerlig ”mental ansträngningsmätare” för kirurger. Medan det nuvarande arbetet använder arkiverade data från en begränsad grupp deltagare visar det att med noggrann rengöring och funktionell utformning kan en relativt enkel maskininlärningsmodell spåra kognitiv arbetsbelastning med hög precision och låg beräkningskostnad. I framtiden skulle sådana system kunna hjälpa robotkonsoler att automatiskt förenkla visningar, justera tempo eller flagga för överbelastningsögonblick och därmed stödja kirurgens sinne lika tillförlitligt som robotarna redan stöder deras händer.

Citering: 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

Nyckelord: kognitiv arbetsbelastning, robotassisterad kirurgi, EEG-övervakning, maskininlärning, hjärn-datorgränssnitt