使用EEG和目光数据以及机器学习算法开发手术技能水平分类模型
Somayeh B Shafiei1, Saeed Shadpour2, James L Mohler3
1Intelligent Cancer Care Laboratory, Department of Urology, Roswell Park Comprehensive Cancer Center, Buffalo, NY, 14263, USA. Somayeh.BesharatShafiei@RoswellPark.org.
Journal of robotic surgery
|October 20, 2023
概括
使用脑电图 (EEG) 和眼神数据的机器学习模型可以预测机器人辅助手术 (RAS) 中的外科专业知识. 将这些特征与梯度增强相结合,显著提高了技能分类准确性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
- 外科教育的外科教育
背景情况:
- 机器人辅助手术 (RAS) 需要专门的技能.
- 对外科专业知识的客观评估对于培训至关重要.
- 目前评估外科技能的方法可能是主观的.
研究的目的:
- 开发机器学习模型,在RAS.中对外科专业知识进行分类.
- 使用脑电图 (EEG) 和眼神数据进行技能预测.
- 为了比较不同分类算法的性能.
主要方法:
- 收集了11名参与者执行RAS程序的EEG和眼神数据.
- 使用修改后的机器人技能全球评估评估 (GEARS) 进行技能评估.
- 应用多项逻辑回归 (MLR),随机森林 (RF) 和梯度增强 (GB) 模型.
主要成果:
- 带有EEG特征的梯度增强 (GB) 模型实现了高精度 (例如,收缩85%).
- 将EEG和眼神数据与GB数据相结合,进一步提高了分类准确性 (例如,收缩93%).
- GB模型在分类各个子任务的技能水平方面表现出卓越的表现.
结论:
- 使用生物信号的客观技能分类模型对于RAS是可行的.
- 这些模型可以为外科培训提供有价值的客观反.
- 在临床环境中实施可以增强RAS手术培训过程.
