通过个性化学生响应建模,用于远程机器人手术的认知力度检测
Regine Büter1, Roger D Soberanis-Mukul2, Rohit Shankar2
1Department of Computer Science, Johns Hopkins University, 3400 N Charles St, Baltimore, 21218, MD, USA. rbuter1@jh.edu.
概括
我们开发了一种新的个性化模型,可以在远程机器人手术中准确检测认知负载,即使亮度变化. 这种方法改进了现有的方法,以获得更好的外科手术协助和培训.
科学领域:
- 人与计算机的交互
- 机器人技术 机器人技术 机器人技术
- 认知科学 认知科学
背景情况:
- 凝视跟踪和瞳孔测量是认知负载的关键指标,为用户的精神努力提供了洞察力.
- 在远程机器人手术中,理解认知负载可以推动人机交互,上下文辅助和个性化培训方面的创新.
- 目前的瞳孔测量方法在手术中扎,原因是瞳孔对光的敏感性,掩盖了认知反应.
研究的目的:
- 在不受约束的亮度条件下,开发一种强大的方法来检测远程机器人手术中的认知力度.
- 通过考虑亮度变化来解决现有的瞳孔测量方法的局限性.
- 为了实现先进的人机交互设计和手术机器人个性化培训.
主要方法:
- 引入了一个个性化的学生响应模型,整合了学生直径和亮度特征.
- 通过检测不能归因于亮度变化的瞳孔膨胀来确定认知努力.
- 使用凝视和随机森林分类器来检测认知负载.
- 通过使用达芬奇研究套件对17名参与者进行了用户研究,并结合了听觉任务来诱导认知努力.
主要成果:
- 与两种基线方法 (BCPD和CPD) 相比,在不同的亮度条件下,拟议的模型显示出更高的性能.
- 实现了0.78的平均真实阳性率,明显超过了基线 (0.57和0.64).
结论:
- 介绍了一种新的个性化,明亮感知模型,用于在远程机器人手术中检测认知力度.
- 该模型在不受限制的亮度下表现良好,在手术机器人中推进认知力度检测.
- 未来的研究将探索先进的学习策略,并解决用户研究数据的挑战,特别是积极的未标记的学习场景.
