基于 EDA 传感器数据的人工神经网络优化在机器人辅助腹腔镜手术医生应激预测中的应用

为精准预测机器人辅助手术（RAS）中医生潜在健康风险，研究人员开展多层感知器（MLP）可调超参数优化研究。采集 9 名不同经验医生 20 次 RAS 的 EDA、血压、体温数据，经预处理和模型优化，结果显示各参数 R2 值显著提升，为临床应用提供新方向。

　　本研究聚焦机器人辅助腹腔镜手术（RAS）中外科医生的应激预测，旨在优化多层感知器（MLP）的可调超参数以更精准评估术者健康风险。研究收集 9 名不同经验医生在 20 次 RAS 中的生理数据，包括皮肤电活动（EDA）、血压和体温。数据集经标准化和缩放预处理后，按 80% 训练 / 交叉验证、20% 测试划分。选取 MLP 作为预测模型，针对 epoch 数、学习率和动量三项超参数，采用含 5 个中心点的中心复合设计（CCD）全因子实验，每组数据集生成 31 种参数组合。优化后的模型显示，最佳 epoch 数为 500，常用学习率 0.01 和动量 0.05，对应 EDA（R2=0.9722）、血压（R2=0.9977）和体温（R2=0.9941）的预测精度显著提升。研究证实 MLP 参数优化的有效性，为临床场景中人工智能技术的应用提供了优化范式。