Random forest regresyonu ile EEG epoklarından zaman ve frekans özellikleri kullanarak robot destekli cerrahide bilişsel iş yükünü tahmin etme

Robot cerrahisinde zihinsel çabanın önemi

Robot destekli cerrahi daha küçük kesiler, daha hızlı iyileşme ve daha stabil eller vaat ediyor. Ancak robotun arkasında oturan insan cerrah; karmaşık görseller, kumandalar ve yüksek riskli kararlarla zihinsel olarak aşırı yüklenebilir. Bu çalışma büyük sonuçları olan basit bir soruyu soruyor: bir cerrahın beyin sinyallerini gerçek zamanlı olarak okuyup onların ne kadar zihinsel çaba harcadığını tahmin edebilir miyiz ve bu bilgiyi cerrahları keskin tutmak ve hastaları güvende tutmak için kullanabilir miyiz?

Robot cerrahisi sırasında beyni dinlemek

Kontrol listelerine veya sezgiye dayanmak yerine araştırmacılar elektroensefalografiye, yani EEG’ye yöneldi; bu yöntem saç derisindeki çok küçük elektriksel sinyalleri ölçer. 128 elektrotlu bir kap takan 25 kişinin robot destekli cerrahi görevleri yaparken kaydedildiği açık bir veri setini kullandılar. Bu sensörler farklı beyin bölgelerinden ritimler yakalar: ön (planlama ve karar verme), yanlar (işitme ve hafıza), üst (dokunma ve mekânsal farkındalık) ve arka (görme). Amaç, bu ham, gürültülü çizgileri her an için beynin ne kadar çalıştığını gösteren sürekli bir “bilişsel iş yükü” tahminine dönüştürmekti.

Beyin sinyallerini temizlemek ve yoğunlaştırmak

Ham EEG, net bir beyin okumasından çok bir şehrin elektrik şebekesine benzer: göz kırpma, kas seğirmesi ve şebeke kaynaklı parazitlerle doludur. Ekip önce istenmeyen frekansları filtreleyip göz ve kas artefaktlarını çıkarmak için bağımsız bileşen analizine (ICA) başvurarak veriyi temizledi. Sistemi neredeyse gerçek zamanlı kullanıma yeterince hızlı kılmak için örnekleme hızını saniyede 500’ten 128’e düşürdüler. Bu adım öncesi ve sonrası beyin haritaları ile spektrogramların dikkatli karşılaştırmaları, önemli desenlerin korunduğunu gösterdi; böylece sinyaller bilimsel olarak kullanışlı kalırken işlenmesi çok daha ucuz hale geldi.

Dalgaları anlamlı sayılara çevirme

Sonraki aşamada araştırmacılar sürekli EEG’yi bir saniyelik “epok”lara böldü ve her küçük segmenti basit istatistikler ve frekans içeriğiyle tanımladılar. Ortalama sinyal büyüklüğü, değişkenlik, asimetri ve dalganın sıfırı kaç kez kestiği gibi zamana bağlı özellikler, beyin aktivitesinin genel biçimini ve enerjisini yakaladı. Frekansa dayalı özellikler ise theta (çaba ve çalışma belleği ile ilişkili), alfa (dinlenme ve inhibisyon), beta (aktif odaklanma) ve gamma (karmaşık işlem) gibi klasik bantlardaki güç dağılımına odaklandı. Bu sayılar birlikte her saniye için beynin durumunun kompakt bir parmak izini oluşturdu ve bilgisayarın bunlardan öğrenmesini mümkün kıldı.

İş yükünü okumayı öğrenen karar ağacı ormanı

Bu EEG parmak izlerini bilişsel iş yükü ile ilişkilendirmek için ekip random forest regresyonu adını verdikleri makineler öğrenimi yöntemini kullandı. Tek bir karmaşık formül yerine, bu yaklaşım her biri bir tahminde bulunan çok sayıda basit karar ağacı kurar ve ardından bunları daha güvenilir bir “topluluk” cevabında birleştirir. Model, her beyin bölgesinin ne kadar aktifleştirildiğini tahmin etmeyi öğrendi ve bu aktivasyonu zihinsel çabanın bir vekili olarak ele aldı. Frontal, temporal, parietal ve oksipital alanlar genelinde model gerçek aktivasyonla son derece iyi eşleşti; R² gibi doğruluk skorları 0,93’ün üzerindeydi ve özellikle ses, hafıza ve algıyı bütünleştirmede görevli temporal bölgede güçlü sonuçlar elde edildi.

Modelin çalışan beyin hakkında ortaya koydukları

Random forest’ın en çok hangi özelliklere güvendiğini inceleyerek çalışma, beyin sinyallerinin zihinsel gerilimi nasıl yansıttığına dair daha fazla bilgi verdi. Sinyal enerjisi ve ani atakları gösteren ölçütler (kök ortalama kare ve kurtosis) ile seçilmiş frekans bantlarındaki güç özellikle bilgilendiriciydi. Farklı bölgeler farklı özellikleri vurguladı: örneğin, parietal ve oksipital alanlardaki hızlı beta ve gamma aktivitesi yoğun görsel ve mekânsal işlemeyle örtüşürken frontal sinyallere ait desenler karar verme yükünü yansıttı. Bu bölgeye özgü imzalar, yöntemin sonunda yalnızca en bilgi verici alanlara odaklanan daha hafif EEG kaplarına uyarlanabileceğini düşündürüyor.

Laboratuvar çalışmasından daha güvenli ameliyathanelere

Uzman olmayanlar için sonuç nettir: çalışma, saç derisi sensörleri ve akıllı algoritmaları cerrahlar için sürekli bir “zihinsel çaba ölçerine” dönüştürmeye yönelik pratik bir reçete sunuyor. Mevcut çalışma sınırlı katılımcı grubundan arşivlenmiş veriler kullansa da, dikkatli temizlik ve özellik tasarımı ile nispeten basit bir makine öğrenimi modelinin yüksek doğruluk ve düşük hesaplama maliyetiyle bilişsel iş yükünü izleyebileceğini gösteriyor. Gelecekte bu tür sistemler, robotik konsolların ekranları otomatik olarak basitleştirmesine, hız ayarlarına uyum sağlamasına veya aşırı yük anlarını işaretlemesine yardımcı olabilir; böylece robotlar elleri nasıl destekliyorsa, sistemler de benzer şekilde cerrahların zihinlerini destekleyebilir.

Atıf: 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

Anahtar kelimeler: bilişsel iş yükü, robot destekli cerrahi, EEG izlemesi, makine öğrenimi, beyin-bilgisayar arayüzü