使用EMG和加速度计传感器数据的可解释机器学习量化了外科技能,并确定了专业知识的生物标志物

科学领域:

• 机器人和人工智能在医学中的应用
• 生物医学工程和传感器技术
• 外科教育和技能评估.

背景情况:

• 传统的外科技能评估依赖于主观的方法,缺乏精度和可扩展性.
• 客观,可解释和可扩展的评估工具对于现代机器人手术培训至关重要.
• 新兴的可穿戴传感器技术为客观的运动技能分析提供了潜力.

研究的目的:

• 开发一种可解释的机器学习 (XAI) 框架,使用sEMG和加速仪数据对外科医生的技能水平进行分类.
• 为了确定客观的神经肌肉生物标志物,表明在机器人手术中的外科专业知识.
• 提高透明度,并为外科培训提供可操作的反.

主要方法:

• 收集了26名参与者执行标准化机器人任务的表面电肌图 (sEMG) 和加速度计数据.
• 从传感器数据中提取时间域,频域和非线性动态特征.
• 使用监督机器学习分类器 (SVM,随机森林,XGBoost,Naïve Bayes) 和XAI技术 (SHAP,LIME) 进行分类和解释.

主要成果:

• 整体模型实现了超过72%的分类准确度,用于外科医生的技能水平.
• 非线性特征,包括利亚普诺夫指数和,是技能的关键预测因素.
• XAI揭示了独特的特征集,这些特征标志着新手与专家的表现,使得可解释的反.

结论:

• XAI框架有效地将可穿戴传感器数据与机器学习相结合,用于客观的机器人外科技能评估.
• 确定的神经肌肉生物标志物捕捉到细微的运动控制方面,区分技能水平.
• 这种方法为个性化手术反和培训增强提供了一个透明,可解释的途径.