Интегрированный анализ электроэнцефалографии и отслеживания движений глаз с использованием экстремального градиентного бустинга для оценки умственной нагрузки при выполнении хирургических задач
An Integrated Electroencephalography and Eye-Tracking Analysis Using eXtreme Gradient Boosting for Mental Workload Evaluation in Surgery
2024-09-26
SCID: 54.1/b24ur4t8
Discuss with AI
экстремальный градиентный бустинг (XGBoost)электроэнцефалографияотслеживание движений глазоценка умственной нагрузкианализ хирургических задач
Figures from the paper
Abstract (AI)
Целью исследования была разработка современных моделей машинного обучения с использованием данных электроэнцефалографии (ЭЭГ) и отслеживания движений глаз для прогнозирования умственной нагрузки, связанной с выполнением различных хирургических задач. Актуальность. Традиционные методы оценки умственной нагрузки часто включают шкалы самоотчёта, подверженные индивидуальным искажениям. Учитывая многомерную природу умственной нагрузки, существует насущная необходимость выявить факторы, влияющие на неё при выполнении различных хирургических задач. Методика. Для разработки модели экстремального градиентного бустинга (XGBoost) для оценки умственной нагрузки использовали данные ЭЭГ и отслеживания движений глаз 26 участников, выполнявших задания Matchboard и Ring Walk на симуляторе da Vinci, а также задания по вырезанию шаблона и наложению швов из программы Fundamentals of Laparoscopic Surgery (FLS). Результаты. Разработанные модели XGBoost продемонстрировали высокую прогностическую эффективность: значения R² составили 0,82, 0,81, 0,82 и 0,83 для заданий Matchboard, Ring Walk, вырезания шаблона и наложения швов соответственно. К основным признакам, использованным для прогнозирования умственной нагрузки, относились средний диаметр зрачка при выполнении задания, уровень сложности, средняя сила функциональной связности в височной доле и общая длина траектории зрачка недоминантного глаза. Интеграция признаков, полученных из данных ЭЭГ и отслеживания движений глаз, значительно повысила эффективность моделей оценки умственной нагрузки, что подтверждалось результатами парных t-тестов с повторными измерениями, при которых значения p были менее 0,05. Однако такого повышения не наблюдалось для задания по вырезанию шаблона (парные t-тесты с повторными измерениями; p > 0,05). Заключение. Полученные результаты подчёркивают потенциал машинного обучения и интеграции многомерных признаков для прогнозирования умственной нагрузки и, тем самым, совершенствования дизайна заданий и хирургического обучения. Практическое применение. Разработанные современные модели прогнозирования умственной нагрузки могут служить эффективным инструментом для углубления понимания когнитивных требований, предъявляемых к хирургам, и существенного повышения эффективности программ хирургического обучения.
Key Findings
1
Модель XGBoost, объединяющая данные ЭЭГ и айтрекинга, предсказывала умственную нагрузку в четырёх хирургических задачах с значениями R² от 0,81 до 0,83.
2
Объединение признаков ЭЭГ и айтрекинга значительно улучшило оценку умственной нагрузки для большинства задач; в повторных t-тестах получены p < 0,05.
3
Ключевыми признаками для прогнозирования нагрузки были средний диаметр зрачка, уровень сложности задачи, средняя сила функциональной связности височной доли и длина траектории зрачка недоминантного глаза.
4
В исследование вошли задачи Matchboard, Ring Walk, вырезание шаблона и наложение швов, выполненные 26 участниками на роботизированном и лапароскопическом симуляторах.
5
Для задачи вырезания шаблона улучшение от мультимодальной интеграции не было значимым: повторные t-тесты дали p > 0,05.
Research Object
Участники, выполняющие имитационные хирургические задачи на симуляторе da Vinci и в рамках программы Fundamentals of Laparoscopic Surgery
Research Subject
Умственная нагрузка, связанная с различными хирургическими задачами, и её прогнозирование по интегрированным признакам EEG и отслеживания движений глаз
Publication Details
Publication Date
2024-09-26
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest