在手术室(OR)中,活动通常与其他典型的工作环境不同。特别是,外科医生经常受到多种心理组织的约束,可能会对他们的健康和表现造成负面影响。这通常归因于相关的认知工作量(CWL)的增加,该工作量是由于处理意外和重复性任务以及大量信息以及潜在风险的认知超载而导致的。在本文中,建议在多种四个不同的手术任务中对CWL的多模式识别提出了两种机器学习方法。首先,使用基于转移学习概念的模型来确定外科医生是否经历任何CWL。其次,卷积神经网络(CNN)使用此信息来识别与每个手术任务相关的不同类型的CWL。建议的多模式方法考虑来自脑电图(EEG),功能近红外光谱(FNIRS)和瞳孔眼直径的相邻信号。信号的串联允许在时间(时间)和通道位置(空间)方面进行复杂的相关性。数据收集是由多种感应的AI环境来执行的,用于在Harms Lab开发的手术任务$ \&$角色优化平台(Maestro)。为了比较拟议方法的性能,已经实施了许多最先进的机器学习技术。测试表明,所提出的模型的精度为93%。
translated by 谷歌翻译