新型多式传感和机器学习策略用于分类腹腔镜外科手术中的认知工作量
Ravi Naik1, Adrian Rubio-Solis1, Kaizhe Jin1
1Hamlyn Centre for Robotic Surgery, Imperial College London, London, SW7 2AZ, UK; Department of Surgery and Cancer, St Mary's Hospital, Imperial College London, London, UK.
概括
这项研究开发了一种多式机器学习方法,以准确地分类外科医生在手术期间的认知工作量 (CWL). 该方法达到97%的准确性,为改善外科培训和福祉提供了潜力.
科学领域:
- 医学技术 医学技术 医学技术
- 机器学习在医疗保健中的应用
- 手术模拟器手术模拟器
背景情况:
- 外科医生在手术期间面临高认知工作量 (CWL),影响患者的结果和幸福感.
- 目标CWL测量至关重要,但与孤立的生理测量具有挑战性.
- 本研究涉及CWL分类和缺失瞳孔直径数据的归算.
研究的目的:
- 开发和提出一种多式联网机器学习 (ML) 方法来分类CWL级别.
- 为了创建一个ML方法来赋予缺失的瞳孔直径 (PD) 数据.
- 通过准确的CWL评估,增强外科医生的福祉和外科培训.
主要方法:
- 十名手术学员进行了模拟的腹腔镜胆囊切除术,并增加了认知负载.
- 一个新的传感器平台 (MAESTRO) 记录了生理数据:EEG,fNIRS,EMG,ECG和PD.
- 一个多式联机模型 (CNN-BiLSTM,BMRFO,OCS) 分类了CWL,OCS用于PD归算.
主要成果:
- 多模式ML方法在CWL级别的分类中实现了97%的准确性.
- CNN-BiLSTM和BMRFO模型的表现优于其他分类技术.
- 该OCS方法在归因缺失的PD数据 (9.15%RMSE) 方面表现优异.
结论:
- 一种多模式的ML方法准确地分类了外科医生的认知工作负载水平.
- 这种方法有可能用于外科培训,评估和开发在手术室的认知支持系统.
