基于EDA传感器数据的人工神经网络优化,用于预测机器人辅助腹腔镜手术中的压力
Daniel Caballero1, Manuel J Pérez-Salazar1, Juan A Sánchez-Margallo2
1Jesús Usón Minimally Invasive Surgery Center, Bioengineering and Health Technologies Unit, Cáceres, Spain.
概括
优化多层感知子 (MLP) 超参数改善了机器人辅助手术 (RAS) 的健康风险预测. 改进的模型准确地预测了外科医生生理数据,提高了手术期间的患者安全.
科学领域:
- 人工智能的人工智能
- 医疗技术 医疗技术 医学技术
- 外科手术的安全性
背景情况:
- 机器人辅助手术 (RAS) 需要持续监测外科医生的健康状况.
- 在RAS期间预测外科医生的潜在健康风险对于患者安全至关重要.
- 多层感知子 (MLP) 模型为实时风险评估提供了一个潜在的解决方案.
研究的目的:
- 为了优化多层感知子 (MLP) 设置的可调节超参数.
- 提高RAS期间预测外科医生健康风险的准确性.
- 提高在外科环境中生理数据监测的可靠性.
主要方法:
- 收集了九名外科医生的生理数据 (皮电活动,血压,体温) 在20次RAS会议期间.
- 应用预处理技术 (缩放,规范化) 并将数据分成培训 (80%) 和测试 (20%) 集.
- 利用中央复合设计 (CCD) 来优化MLP的超参数 (时代,学习速度,动量) 和验证的模型.
主要成果:
- 优化的MLP模型实现了高精度:R2=0.9722用于皮电活动,R2=0.9977用于血压,R2=0.9941用于体温.
- 确定的最佳超参数是500个时代,学习率为0.01,动量为0.05.
- 经过验证的优化模型在交叉验证和测试数据集上表现出显著的预测性能.
结论:
- 成功优化了MLP参数,从而提高了RAS期间外科医生健康风险的预测模型.
- 经过验证的模型证实了优化程序在改善临床实践方面的有效性.
- 鼓励进一步探索人工智能技术,以提高手术安全性和结果.
