在机器人辅助手术中使用脑电图和眼睛追踪开发绩效和学习率评估模型
Somayeh B Shafiei1, Saeed Shadpour2, Farzan Sasangohar3
1Intelligent Cancer Care Laboratory, Department of Urology, Roswell Park Comprehensive Cancer Center, Buffalo, NY, 14263, USA. Somayeh.besharatshafiei@roswellpark.org.
NPJ science of learning
|January 19, 2024
概括
这项研究开发了客观模型,用于评估机器人辅助手术 (RAS) 技能,使用脑电图 (EEG) 和眼睛跟踪数据. 这些模型对准确评估外科手术表现和学习率充满希望.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 神经科学是一个神经科学.
- 医疗模拟 医疗模拟
背景情况:
- 目前的机器人辅助手术 (RAS) 绩效评估是主观的,昂贵的和不一致的.
- 需要客观的指标来准确评估RAS的外科技能和学习曲线.
研究的目的:
- 使用模拟器任务开发客观模型来评估RAS性能和学习率.
- 使用脑电图 (EEG) 和眼睛跟踪数据进行技能评估.
主要方法:
- 在手术模拟器任务 (管道,接海绵,点和针) 中记录了26名受试者的EEG和眼睛跟踪数据.
- 从EEG数据中提取了功能性大脑网络,并分析了12个眼睛跟踪特征.
- 开发了表现和学习率评估的线性模型,并纳入了学科标准化.
主要成果:
- 纳入学科标准化的模型显示R平方值得到了改善.
- 特定的眼睛跟踪特征 (瞳孔直径,冲击率,瞳孔直径) 与不同任务的性能相关.
- 来自EEG的特征 (时间灵活性,搜索信息) 与不同大脑区域和频率的表现和学习率有关.
结论:
- 使用EEG和眼睛跟踪数据,对RAS表现和学习的客观评估是可行的.
- 开发的模型为标准化和改进RAS手术技能评估提供了潜在的途径.
- 建议使用更大的样本大小和多样化的任务进行进一步验证.
