机器人辅助手术模拟中多维脑机制探索：基于EEG的术者认知差异与技能评估研究

针对当前机器人辅助手术培训忽视脑活动监测的问题，本研究通过da Vinci模拟系统设计实验任务，结合EEG多维分析（PSD/WPLI/图论）和PCA-Mahalanobis距离指标，发现高技能术者在α/β频段前额叶-枕叶激活增强、神经连接效率更优。该成果为客观评估手术技能提供了神经标记物，发表于《NeuroImage》。

　　

机器人辅助手术（Robot-Assisted Surgery, RAS）的普及虽提升了手术精度，但传统培训体系长期忽视术者脑活动监测这一关键维度。当前训练主要依赖主观评估指标如GEARS评分，缺乏客观神经标记物来区分不同经验水平术者的认知差异。更棘手的是，RAS操作模式完全改变了传统手术的"眼-手-脑"协同机制，术者需通过视觉反馈协调手足动作操控主控台，这种认知重构过程使技能培养周期显著延长。如何通过神经特征识别术者水平差异，成为优化培训体系的核心难题。

中国人民解放军总医院联合多学科团队在《NeuroImage》发表创新研究，通过多维脑电分析揭示RAS术者等级差异的神经机制。研究团队采用da Vinci模拟系统设计6类手术任务，采集25名心血管外科医师操作时的19导联EEG数据，结合聚类分析将术者分为高技能组(HOS)和低技能组(LOS)。通过功率谱密度(PSD)分析频域特征、加权相位滞后指数(WPLI)量化功能连接、图论方法解析网络拓扑属性，并创新性引入主成分分析(PCA)权重和马氏距离(MD)构建分类模型。

关键技术包括：1）基于10-20系统的无线EEG采集；2）Welch法计算PSD和ASR去噪预处理；3）渗透阈值法优化WPLI功能矩阵；4）PCA-R和MD双指标特征筛选；5）支持向量机(SVM)十折交叉验证。

频率域分析显示：HOS组在α波段（8-13Hz）前额叶(Fp1/Fp2)、枕叶(O1/O2)和顶中线(Pz)的PSD显著增强，Beta波段（13-30Hz）激活呈现任务难度依赖性变化——简单任务中激活较低，复杂任务先增强后降低，符合认知负荷的倒U型曲线。

连接性分析发现：HOS组表现出更高效的远程连接模式，最大生成树显示其跨脑区连接占比达73.6%，显著高于LOS组的41.2%（p<0.01）。MD指标证实HOS组额顶叶功能连接强度比LOS组高1.8倍。

图论特征揭示：HOS组具有更高的小世界性（γ=2.31±0.18 vs 1.87±0.21）和网络熵（0.82±0.05 vs 0.71±0.07），显示其脑网络在全局整合与局部 specialization间更优平衡。

研究团队提出的RC特征筛选法（PCA-R×MD）在分类验证中表现优异，平均准确率达84.4%，显著优于传统LASSO（74.6%）和PSO（82.2%）方法。特别在缝合海绵任务(Duty6)中，AUC达77.8%，为GEARS评分提供了客观神经补充。

该研究首次系统描绘了RAS技能等级的神经特征图谱：高技能术者通过前额叶-顶叶通路实现认知控制优化，表现为α波段神经振荡增强、远程功能连接重构和小世界网络特性强化。这些发现为开发神经反馈训练系统奠定理论基础，未来可通过实时EEG监测调节术者认知负荷，或将训练周期缩短30%。研究局限性在于样本量较小，且未涵盖错误识别的神经机制，团队计划后续结合fNIRS开展多模态验证。这项突破性工作标志着外科培训进入"神经量化"新阶段，为智能手术系统的自适应交互提供了关键生物标记。