将人工智能应用于EDA传感器数据,以预测微创手术中的压力
Daniel Caballero1, Manuel J Pérez-Salazar1, Juan A Sánchez-Margallo2
1Bioengineering and Health Technologies Unit, Jesús Usón Minimally Invasive Surgery Center, Cáceres, Spain.
概括
这项研究使用人体工程学和生理学数据预测了机器人手术期间外科医生的压力. 多重线性回归模型准确预测压力水平,与外科医生的自我评估有很好的相关性.
科学领域:
- 机器人和外科技术 机器人和外科技术
- 人类因素和人体工程学
- 生物医学工程 生物医学工程
背景情况:
- 最少入侵的机器人手术提供了精确性,但可能会引起外科医生的压力.
- 监测外科医生的压力对于患者的安全和福祉至关重要.
- 在外科环境中客观的压力评估仍然是一个挑战.
研究的目的:
- 在机器人手术期间预测外科医生的压力水平.
- 为了将压力预测与人体工程学和生理学参数相关联.
- 为了对外科医生自我报告的压力进行预测模型的验证.
主要方法:
- 收集了来自11名外科医生的动力学和生理学数据 (电皮活动,血压,体温) 在26次机器人手术中.
- 应用数据预处理 (缩放,规范化) 和机器学习模型 (MLR,SVM,MLP).
- 使用80%的培训/交叉验证和20%的测试数据分割的验证模型,将预测与术后外科医生调查进行比较.
主要成果:
- 多重线性回归 (MLR) 与缩放式预处理产生了最佳预测性能 (最高R2和最低误差).
- 预测模型显示,与外科医生报告的压力水平有很高的相关性 (R2 = 0.8253).
- 经过验证的线性模型在未见的数据上证明了预测准确性.
结论:
- 该研究成功开发并验证了线性模型,用于预测机器人手术中外科医生的压力.
- 使用人体工程学和生理学数据,对外科医生压力的客观预测是可行的.
- 这些发现可以为提高外科医生健康和改善手术结果的策略提供信息.
