在远程混合现实中评估工作负载 通过生理信号进行医疗程序培训

科学领域:

• 医疗教育 技术 技术 医学教育
• 人与计算机的交互
• 物理计算生理学计算

背景情况:

• 混合现实 (MR) 在医学教育中越来越多地用于程序指导.
• MR 对认知负载和学习表现的影响需要进一步研究.
• 通过生理信号量化认知负载可以评估MR在训练中的实用性.

研究的目的:

• 使用MR远程辅助模拟超声波导向的中央静脉导管 (CVC) 时分析认知负载.
• 评估MR对高精度和低精度程序任务中的认知负载的影响.
• 将MR学习体验与传统的电话会议方法进行比较.

主要方法:

• 使用瞳孔直径 (PD) 和心率变化 (HRV) 的认知负载评估.
• 培训学生模拟超声波引导的CVC程序,使用MR远程辅助.
• 在高精度 (血管位置,针插入) 和低精度 (导线,导管插入) 任务之间比较生理数据.
• 包括使用电话会议软件的对照组.

主要成果:

• 在高精度MR指导任务中,平均瞳孔直径 (PD) 显著降低,表明认知负载减少 (p<0.09).
• 心率变化显示出类似的,虽然不显著的,趋势是MR的认知负载下降.
• 对照组在高精度和低精度任务之间的工作负载中没有显著差异.

结论:

• 混合现实与全息对象指导似乎可以减少医疗程序培训中的认知负载.
• 像PD这样的生理测量可以有效量化医学教育中MR的认知益处.
• 将全息模型纳入培训可以增强复杂医疗程序的学习体验.