關於本網站上的 Cookie

本網站使用 Cookie 來改善您的線上體驗。如果您繼續使用本網站而不更改您的 cookie 偏好設定,我們將假定您同意我們使用 cookie。如欲了解更多資訊或更改您的 Cookie 首選項,請造訪我們的cookie 政策

選擇您要使用的平台並購買
免費試用一個月10個訓練許可。
帳戶有什麼作用?
歡迎來到CogniFit! 歡迎來到 CogniFit 研究! CogniFit Healthcare CogniFit Employee Wellbeing

在下面填寫您的電子郵件註冊,開始照顧您的大腦。

您將創建一個患者管理帳戶。 該帳戶讓您的患者能夠訪問 CogniFit 評估和訓練。

您將創建一個研究帳戶。該帳戶可以幫助研究人員在認知領域進行研究。

您將創建一個學生管理帳戶。此帳戶可以讓您的學生訪問 CogniFit 評估和訓練。

您將創建一個家庭帳戶。此帳戶可以讓您的家庭成員訪問 CogniFit 評估和訓練。

您將創建一個公司管理帳戶。 該帳戶可以讓您的員工能夠訪問 CogniFit 評估和訓練。

您將創建一個個人帳戶。 此類帳戶專為評估和訓練您的認知技能而設計。

您將創建一個患者管理帳戶。 該帳戶讓您的患者能夠訪問 CogniFit 評估和訓練。

您將創建一個家庭帳戶。此帳戶可以讓您的家庭成員訪問 CogniFit 評估和訓練。

您將創建一個研究帳戶。該帳戶可以幫助研究人員在認知領域進行研究。

您將創建一個學生管理帳戶。此帳戶可以讓您的學生訪問 CogniFit 評估和訓練。

loading

適合 16 歲及以上的用戶。 16 歲以下的兒童可以與父母一起在家庭平台上使用 CogniFit。

點選「註冊」或使用 CogniFit,即表示您已閱讀、瞭解並同意 CogniFit 的 條款與條件 以及 隱私權政策

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

預測對睡眠不足反應的個體差異:目前技術的應用

關於飛行員疲勞認知評估的科學出版物

此頁面僅供參考。我們不銷售任何治療病症的產品。 CogniFit 治療病症的產品目前正處在驗證過程中。如有興趣,請訪問 CogniFit 研究平台
  • 使用研究者平台輕鬆管理研究參與者

  • 評估和訓練研究參與者的多達二十三種認知能力

  • 根據與您的研究相關的數據測試和追蹤參與者的認知演變

現在開始
loading

名称: Predicting Individual Differences in Response to Sleep Loss: Application of Current Techniques.

作者: Joseph F. Chandler1, Richard D. Arnold1, Jeffrey B. Phillips1, Ashley E. Turnmire1.

  • 1. Naval Medical Research Unit.

期刊: Aviation, Space, and Environmental Medicine (2013), vol. 84 (9): 927-937.

參考文獻 (APA 樣式)::

  • Chandler, J. F., Arnold, R. D., Phillips, J. B., Turnmire, A. E. (2013). Predicting Individual Differences in Response to Sleep Loss: Application of Current Techniques. Aviation, Space, and Environmental Medicine, vol.84, pp.927-937.

研究結論

CogniFit可以測量與高度相關的變數來預測個人用戶的疲勞表現。 這有助於降低飛行員發生事故的風險,因為疲勞是各種類型事故中反覆出現的變數。 。 在預測模型中包括一些變量,如反應時間(p = 0.009),短期記憶(p = 0.023),分離專注(p = 0.026)或認知靈活性(p = 0.002),解釋的變量數百分比來自13.8 %至35.7%。

研究摘要

疲勞是在軍事運輸過程中將自身安全置於危險之中的主要因素之一。預測疲勞反應的模型,還不夠準確,因為它們沒有考慮到疲勞敏感性的個體差異。 相反,建議如果使用諸如CogniFit 之類的工具進行認知測量並且考慮到個體差異,可以改善這些模型的預測能力。

在 25 小時的清醒過程中,每 3 小時對休息的參與者測量不同的認知和眼測量變數(能夠獲得團體和個人分數)。 也可以將實際效能與預期效能進行比較。 結果表明,透過將這些措施添加到預先存在的模型中,它們對變數的解釋從 13.8% 增加到了 35.7%使用 CogniFit 和其他措施來檢測個體差異,可以大大提高疲勞期間表現的預測,從而提高安全性

情境

因睡眠不足而導致的疲勞是他們在軍事和民用運輸中面臨的主要風險之一。 原則上,解決這些問題的方法是正確睡眠和/或使用藥物。 但是,有時這些還不夠。 透過預測一個人的表現,或直接衡量個人在正確的時間採取行動的能力,可以預防大部分這種情況。 另一方面,這種預測模型本身俱有中等效力

這個模型缺乏成功可能是因為它假設所有個體都具有相似的生活作息和對疲勞的反應,而研究表明這些環境中的個體差異是顯著的。 干擾這種疲勞反應的一些方面是每個人的認知功能

因此,如果我們考慮個體差異的措施,例如認知和測量措施,則可以預測模型的有效性會提高。

方法

參與者

參與者包括Naval Aviation Preflight Indoctrination(API) 計畫的15 名志願者,為軍事人員服務(13 名男性和2 名女性,平均年齡分別為24.7 歲和21.5 歲)分別)。 為了參與這項研究,酒精、咖啡因和菸草的使用受到控制,而且他們沒有神經、精神或睡眠相關的問題。

過程

應用重複測量的設計來了解睡眠不足對團體和個人層面的認知和眼睛測量表現的影響。 首先,記錄基線,然後在睡眠不足期間取得數據。

統計分析

分析分三個步驟進行:

  • 第 一步:對每個試驗中測量的每個標準和預測變量進行一系列變量分析。 這決定了哪些變量隨著時間的推移而改變。
  • 第二步:執行了一系列具有固定效應和隨機效應的雙變量線性分層模型,目的是預測疲勞何時會有低產,進而發現未檢測到的差異群體分析水準。 檢測到群體效應(p<0.05)和總體效應內的個體差異(0<0.05)。 隨後,進行了多元多層次線性模型,了解哪些預測變量在統計層面上共享解釋變量以及在概念層面上的關係。
  • 第三步:根據上一個顯著的預測變數建立一系列一般線性模型。 因此,目的是透過考慮認知和眼測量因素來了解模型的預測能力。

結果與結論

數據分析的第1步中,得到了分組的效果。 據觀察,這對反應時間(p=0.009)、短期記憶(p=0.023)、分散性關注力(p=0.026)和認知靈活性(p=0.002)有顯著影響。 由於疲勞,這些認知能力的表現會下降,因此它們被視為下一步的預測變量。 在分析的第2步中,透過具有固定或隨機效應的不同變量之間的顯著關係來獲得個體差異。 資料分析的第3步發現,當僅使用經典預測措施時,預測只能解釋13.8%的變數。 相較之下,加入顯著的認知變量,預測可以解釋 35.7% 的變數

這些結果表明,在通常的預測模型中添加一些疲勞敏感變量(例如 CogniFit 測量)可以幫助我們更準確地預測何時表現會受到疲勞的影響。 了解這些資訊對於防止軍用和民用飛機發生事故,並採取預防措施非常有用。

請輸入您的電子郵件地址