《Sensors》:Evaluating and Classifying Gentleness in VR-Based Surgical Simulation: A VR + fNIRS Study
Suveyda Sanli and
Hasan Onur Keles
编辑推荐:
为解决手术训练中操作轻柔性难以客观量化的问题,研究人员结合虚拟现实(VR)与功能性近红外光谱(fNIRS)技术,对无腹腔镜经验的参与者进行模拟训练,通过提取血流动力学特征并应用机器学习算法,成功实现了基于fNIRS信号的轻柔性高低分组分类。结果表明,斜率特征与随机森林模型的分类准确率最高(约0.85),验证了神经影像特征用于评估手术技能关键维度的潜力,为VR手术培训的客观评估提供了新框架。
手术技能的精进,尤其是“轻柔操作”这种既需精准控制力道,又能最大限度保护组织的关键能力,一直是外科培训中的核心与难点。在传统训练模式下,对轻柔性的评估往往依赖于导师的主观判断,缺乏客观、可量化的标准。随着虚拟现实(VR)技术日益融入医学教育,它为模拟手术操作提供了高保真、可重复的环境,但如何在这种沉浸式训练中,实时、客观地衡量像轻柔性这样的高阶技能,并理解其背后的神经认知机制,仍是亟待解决的挑战。与此同时,功能性近红外光谱(fNIRS)作为一种便携、可耐受运动干扰的脑功能成像技术,为在自然任务状态下监测大脑皮层活动打开了新窗口。将VR与fNIRS结合,能否解码操作轻柔性背后的大脑活动“密码”,并实现自动化、客观化的技能评估?发表在《Sensors》上的这项研究,正是为了回答这一问题。
研究人员开展了一项探索性研究。他们招募了23名无腹腔镜经验的右利手志愿者,在VR环境中执行一项“腹腔镜双抓钳任务”。参与者需使用两个虚拟抓钳,将一个模拟脆弱生物组织(气球)在左右两个目标盒之间转移。操作时,用力过猛会导致气球破裂,用力不足则会导致滑脱,这些都会影响任务得分。任务的核心评估指标是“轻柔性绩效得分”(Gentleness Performance Score, GPS),由模拟器实时计算,综合了转移成功率和操作精度。在整个VR任务执行期间,参与者佩戴fNIRS设备,其18个通道覆盖了前额叶和运动皮层区域,同步记录任务期间的氧合血红蛋白(HbO)和脱氧血红蛋白(HbR)浓度变化。此外,研究还收集了任务错误次数和参与者主观工作量评分(NASA-TLX)。在数据分析阶段,研究人员从预处理后的fNIRS信号中提取了包括斜率(Slope)、均方根(RMS)和标准差(STD)在内的时域特征,并将GPS按中位数划分为高分组和低分组,作为机器学习的分类标签。他们采用了随机森林(RFC)、支持向量机(SVC)和K近邻(KNN)等多种分类器,并严格使用分层5折交叉验证(被试水平)来评估模型性能,旨在探究fNIRS血流动力学特征对VR手术操作轻柔性的预测与分类能力。
主要技术方法包括: 1. 搭建基于Unity 3D开发、运行于Meta Quest 3头显的VR腹腔镜双抓钳模拟任务环境,用于诱发和量化操作轻柔性。2. 使用可穿戴式连续波fNIRS设备(Brite)同步记录被试执行VR任务时前额叶和运动皮层区域的HbO与HbR信号。3. 对fNIRS数据进行预处理(如运动伪影校正、滤波、转换为血红蛋白浓度变化)后,从5分钟任务期的信号中提取斜率、均方根和标准差等统计特征。4. 基于中位数分割的GPS(高 vs. 低)作为标签,使用多种机器学习分类器(随机森林、支持向量机、K近邻)对提取的fNIRS特征进行训练和评估,模型性能通过准确率、F1分数、精确率、召回率和AUC等指标衡量。
研究结果
3.1. 行为与主观工作量结果
根据GPS中位数(815分),23名参与者被分为高GPS组(n=11)和低GPS组(n=12)。结果显示,高GPS组并未在错误次数上显著少于低GPS组,但报告了显著更高的NASA-TLX总工作量得分。相关性分析进一步表明,GPS与NASA-TLX中的“体力需求”和“自我绩效”子量表存在显著正相关,与“挫败感”呈微弱负相关。这表明,在该VR任务中,表现更佳(更轻柔)的参与者感知到了更高的认知与体力负荷,但挫败感较低。
3.2. 血流动力学结果
对fNIRS信号的分析揭示了与操作轻柔性相关的特定脑区激活模式。具体而言,在右前额叶皮层,低GPS组表现出比高GPS组显著更高的HbO浓度。而在左运动皮层,高GPS组则表现出比低GPS组显著更高的HbR浓度。这些发现提示,低轻柔性表现可能与更高的认知控制需求(右前额叶激活更强)以及更低效的运动策略(左运动皮层HbR响应不同)有关。
3.3. 机器学习分类结果
研究评估了不同特征和分类器在区分高、低GPS组时的性能。结果显示,在所有模型中,基于HbR斜率(Slope)特征并结合随机森林(RFC)分类器的模型取得了最佳的分类性能,准确率约为0.8567,AUC最高达0.9349。相比之下,基于HbO斜率的特征或基于变异性(STD, RMS)的特征,其分类效果普遍较差。这表明,从fNIRS信号中提取的时域斜率特征,特别是HbR的斜率,是区分操作轻柔性水平的最有效生物标志物。
研究结论与意义
本研究首次成功地将VR模拟、fNIRS神经成像与机器学习相结合,实现对手术操作轻柔性这一关键技能的客观评估与分类。结论可归纳为以下几点:首先,操作轻柔性具有可测量的大脑血流动力学特征,低轻柔性表现与右前额叶更高的HbO激活(暗示更高认知努力)以及左运动皮层特定的HbR响应模式相关。其次,从fNIRS信号中提取的时域特征,尤其是HbR的斜率,能够有效地通过机器学习模型(如随机森林)区分高、低轻柔性表现,且性能优于传统变异性指标。这表明HbR的动力学变化可能是反映精细运动控制效率的稳健神经生理学标记。再者,主观工作量与操作轻柔性得分存在关联,高轻柔性表现与更低的体力需求感和更高的自我绩效评价相关,揭示了认知-运动效率之间的联系。
这项研究的意义在于,它超越了传统依赖行为指标(如时间、错误数)的VR手术评估框架,通过揭示轻柔操作背后的神经机制,为外科技能培训提供了全新的、客观的量化视角。所建立的“VR+fNIRS+机器学习”多模态评估框架,不仅能够实时、无创地监测受训者的神经认知状态,还能自动对其操作轻柔性水平进行分类,为开发下一代自适应、智能化的外科模拟培训系统奠定了方法学基础。未来,随着样本量的扩大、专家参与者的加入以及更高保真力反馈的引入,这一框架有望在真实世界的外科教育、技能认证和个性化培训中发挥重要作用,最终促进更安全、更高效的手术操作。