Towards a classification of surgical skills using affine velocity

Abstract

El objetivo de este estudio es determinar si los movimientos de navegación, utilizados en el entrenamiento quirúrgico, siguen una ley de potencia particular que describe la relación entre la curvatura, torsión y velocidad de la trayectoria de la mano. Con base en este enfoque, este estudio propone la velocidad afín como una característica de clasificación adecuada para resolver el problema de reconocimiento del movimiento quirúrgico. En los experimentos participaron ocho sujetos con diferente experiencia quirúrgica. Se les pidió que hicieran dos tipos de movimientos que implican habilidades de percepción de profundidad con el brazo derecho. Utilizando seis cámaras de video y un laparoscopio instrumentado, se registró la trayectoria 3D del efector final para cada participante. Se utilizó una ley de potencia para ajustar los conjuntos de datos y se calcularon los exponentes que relacionan la torsión, la curvatura y la velocidad. Luego se calcularon los exponentes involucrados y la velocidad afín para cada trayectoria, utilizando una regresión lineal multivariable, y se compararon entre los participantes. Se muestra que el ajuste residual sigue una distribución normal que indica que no hay sesgos de regresión. Finalmente, se presenta que un análisis de velocidad afín podría poder clasificar entre ambas trayectorias mostrando una correlación con las habilidades quirúrgicas y una clara diferencia para las personas con algún entrenamiento quirúrgico.The aim of this study is to determine if navigation movements, used in surgical training, follow a particular power law which describes the relationship between the hand trajectory's curvature, torsion, and speed. Based on this approach, this study proposes the affine velocity as an appropriate classification feature to solve the surgical movement recognition problem. Eight subjects with different surgical experience were involved in the experiments. They were asked to do two kinds of movements that involve depth perception skills with their right arm. Using six video cameras and an instrumented laparoscope, the 3D trajectory of the end effector was recorded for each participant. A power law was used to fit the data sets and the exponents that relate the torsion, curvature, and speed were calculated. The exponents involved and the affine velocity for each trajectory were then computed, using a multi-variable linear regression, and compared between participants. It is shown that fitting residual follows a normal distribution indicating no regression biases. Finally, it is presented that an affine velocity analysis could be able to classify between both trajectories showing a correlation with the surgical skills and a clear difference for people with some surgical training.