一个集成的脑电图和眼睛追踪分析,使用极端梯度增强用于在外科手术中评估心理工作负载

科学领域:

• 神经科学和生物医学工程
• 医学中的认知科学 医学中的认知科学
• 手术教育技术 技术手术教育

背景情况:

• 传统的心理工作量评估依赖于主观的自我报告尺度,引入偏见.
• 心理工作量是复杂的,并且在手术任务之间有所不同,需要客观的评估方法.
• 识别导致精神工作负载的关键因素对于优化外科手术程序和培训至关重要.

研究的目的:

• 开发和验证机器学习模型,用于预测外科手术任务期间的心理工作量.
• 整合脑电图 (EEG) 和眼睛跟踪数据,以提高工作负载预测.
• 在手术模拟中识别影响心理工作负载的关键特征.

主要方法:

• 利用了26名参与者执行模拟手术任务的EEG和眼睛跟踪数据 (达芬奇模拟器,FLS程序).
• 开发了一个极端梯度提升 (XGBoost) 模型用于心理工作负载评估.
• 分析的特征包括瞳孔直径,任务复杂性,叶功能连接和眼睛运动轨迹.

主要成果:

• 在模拟的手术任务中,XGBoost模型实现了高预测性能 (R2:0.81-0.83).
• 关键预测因素包括瞳孔直径,任务复杂性,叶连接性和眼睛运动模式.
• 整合EEG和眼睛跟踪数据显著改善了模型性能 (p <0.05),除了切断模式任务.

结论:

• 整合多模式数据的机器学习模型显示出在外科手术中客观地预测心理工作负载的巨大潜力.
• 这种方法可以为外科手术任务设计提供信息,并个性化外科手术培训计划.
• 进一步的研究可能会完善特定任务的模型,并探索认知负载的额外神经生理相关物.