플랫폼을 선택하고 구매하세요
10 라이선스 요금의 1 개월 무료로 보십시오.
이 계정은 무엇을 위한 것입니까?
CogniFit에 오신걸 환영합니다! 연구원을 위한 CogniFit에 오신 것을 환영합니다! CogniFit Healthcare CogniFit으로 회사를 발전시키세요! CogniFit Employee Wellbeing

모바일이 없다면 여기에서 가입하세요

환자 관리 계정을 만들 예정입니다. 이 계정은 의료 전문가(의사, 심리학자...)의 진단 및 인지 자극을 돕기 위해 고안되었습니다.

연구 계정을 만들 것입니다. 이 계정은 연구원들이 인지 영역에서 연구할 수 있도록 특별히 고안되었습니다.

학생 관리 계정을 만들 것입니다. 이 계정은 어린이와 어린 학생들의 인지 장애를 진단하고 개입하는 데 도움을 주기 위해 만들어졌습니다.

가족 계정을 만들 것입니다. 이 계정은 가족 구성원이 CogniFit 평가 및 교육에 액세스할 수 있도록 설계되었습니다.

회사 관리 계정을 만들 예정입니다. 이 계정은 직원들이 CogniFit 평가 및 교육에 액세스할 수 있도록 설계되었습니다.

개인 계정을 만들 예정입니다. 이 유형의 계정은 인지 능력을 테스트하고 훈련하는 데 도움이 되도록 설계되었습니다.

환자 관리 계정을 만들 예정입니다. 이 계정은 의료 전문가(의사, 심리학자...)의 진단 및 인지 자극을 돕기 위해 고안되었습니다.

가족 계정을 만들 것입니다. 이 계정은 가족 구성원이 CogniFit 평가 및 교육에 액세스할 수 있도록 설계되었습니다.

연구 계정을 만들 것입니다. 이 계정은 연구원들이 인지 영역에서 연구할 수 있도록 특별히 고안되었습니다.

학생 관리 계정을 만들 것입니다. 이 계정은 어린이와 어린 학생들의 인지 장애를 진단하고 개입하는 데 도움을 주기 위해 만들어졌습니다.

회사 관리 계정을 만들 예정입니다. 이 계정은 직원들이 CogniFit 평가 및 교육에 액세스할 수 있도록 설계되었습니다.

개발자 계정을 만들 예정입니다. 이 계정은 귀하의 회사 내에서 CogniFit의 제품을 통합하도록 설계되었습니다.

loading

본인 사용 (만 16세 부터). 16세 미만의 아동은 가족을 위한 CogniFit을 사용할 수 있습니다.

CogniFit을 이용하고 회원 가입을 하는 것은 CogniFit의 이용 약관개인정보처리방침을 숙지하였고 동의한 것으로 간주합니다.

이동 중에도 최고의 편리함과 액세스를 위해 모바일 앱을 통해 등록하려면 휴대폰으로 아래 QR을 스캔하세요!

귀하의 경험을 향상 시키십시오!

모바일이 없다면 여기에서 가입하세요

이 장치에서 더 편리하게 사용하시고 싶으시다면 우리의 애플리케이션을 다운 받으세요.

Huawei App Gallery

모바일이 없다면 여기에서 가입하세요

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

수면 부족에 따른 개인차 예측: 현행 기법 적용

조종사의 피로에 대한인지 적 평가에 대한 과학적 간행물

이 페이지는 정보 제공 용입니다. 우리는 질병을 치료하는 제품을 판매하지 않습니다. 질병 치료를위한 CogniFit 제품은 현재 검증 중입니다. 관심이 있으시면 CogniFit 조사 플랫폼을 방문하십시오.
  • 연구중인 환자들의 23가지 인지 능력을 평가 및 훈련하세요

  • 연구중인 환자들의 23가지 인지 능력을 평가 및 훈련하세요

  • 연구를 위해 환자들의 인지 평가를 확인 및 비교하세요

지금 시작하기
loading

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

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

  • 1. Naval Medical Research Unit.

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

인용(APA 포맷):

  • 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. Aviat Space Environ Med., vol.84, pp.927-937.

연구 결과

CogniFit은 피로와 관련하여 사용자의 개별 성능을 예측하기 위해 매우 관련있는 변수를 측정 할 수 있습니다. 피로는 다양한 유형의 사고에서 반복되는 변수이므로 군사 조종사 및 민간인의 사고 위험을 줄일 수 있습니다. 예측 모델에서 반응 시간 (p=0.009), 단기 기억 (p=0.023),주의 집중 (p=0.026) 또는 인지 유연성 (p=0.002)과 같은 일부 변수를 포함하며, 설명 된 분산의 비율은 13.8%에서 35.7%까지 발생합니다.

연구 요약

피로는 군사 수송 중 보안에 위험을 초래하는 주된 요소 중 하나입니다. 피로에 대한 반응을 예측하는 모델이 만들어졌지만 피로에 대한 민감도에 대한 개인차를 고려하지 않았으므로 정확하지 않습니다. 반면, CogniFit과 같은 도구를 사용하여 인지 측정을하고, 개인차를 계산하기 위해 눈금 측정 도구를 사용하면 이러한 모델의 예측 능력을 향상시킬 수 있습니다.

다양한 인지 기능과 안구 측정 변수는 휴식을 취한 참가자와 25시간의 관찰 과정에서 3시간마다 측정되었습니다 (그룹 및 개별 점수를 얻을 수 있도록). 실제 성능과 예상 성능을 비교하는 것도 가능했습니다. 결과는 기존 모델에 이러한 측정 값을 추가 할 때 13.8%에서 35.7%까지의 차이를 보이는 것으로 나타났습니다. 즉, CogniFit과 다른 측정법을 사용하여 개인차를 탐지하면 피로할때 성능 예측이 크게 향상 될 수 있으므로 안전성이 향상됩니다.

실험 배경

수면 부족으로 인한 피곤함은 군대 수송 및 민간 운송에서 직면하는 주요 위험 중 하나입니다. 원칙적으로 이러한 문제에 대한 해결책은 적절한 수면을 취하거나 약에 의존하는 것입니다. 그러나, 때로는 이것이 충분하지 않습니다. 이 중 상당 부분은 개인의 성과를 예측하거나 적시에 행동 할 수있는 개인의 능력을 직접 측정하여 예방할 수 있습니다. 반면, 이 예측 모델은 자체적으로 적당한 효과를 나타냅니다.

이 모델의 성공의 상대적 부재는 모든 개인이 일 주기성 리듬과 피로에 대한 유사한 반응을 갖는다는 가정에 기인 할 수있습니다: 이 분야의 개인차가 중요하다는 연구 결과가 있습니다. 피로에 대한 반응을 방해하는 측면 중 일부는 개인의 인지 기능입니다.

따라서 우리는 인식과 눈금 측정과 같은 개인차를 고려한 측정을 포함하면 예측 모델의 효율성이 향상 될 것으로 기대합니다.

방법론

참가자들

참가자는 Naval Air Station Pensacola의 Naval Aviation Preflight Intoctrination (API) 프로그램의 현역 군인 15명 (남성 13명, 여성 2명, 평균 연령 24.7 세, 21.5세)으로 구성되었습니다. 참가자들은 신경 학적, 정신 의학적 또는 수면 관련 문제가 없어야 하며 알코올과 카페인 섭취 및 흡연이 통제되었습니다.

방법

집단 수준과 개인 수준 모두에서 수면 박탈이 인지 기능과 안구 측정 성능에 미치는 영향을 파악하기 위해 반복 측정 설계가 적용되었습니다. 처음에 기준선을 기록한 다음 수면 부족 상태에서 데이터가 측정되었습니다.

연구 분석

분석은 3단계로 수행되었습니다:

  • 1 단계: ANOVA의 시리즈가 각 시험에서 측정된 각 기준 및 예측 변수에 대해 수행되었습니다. 이런 식으로 어떤 변수가 시간이 지남에 따라 변화했는지를 결정했습니다.
  • 2 단계: 피로가 낮은 생산량을 산출 할 때를 예측하고 그룹 수준에서 분석에서 발견되지 않은 차이를 발견하기 위해 고정 및 임의 효과가 있는 일련의 2변수 선형 계층 모델을 수행했습니다. 그룹 효과가 발견되었고 (p<0.05),이 전체 효과 내에서 개인차가 나타났습니다 (0<0.05). 그 후, 통계 변수 수준에서 설명 변수를 공유하는 예측 변수와 개념 수준에서의 관계를 파악하기 위해 선형 다 변수 계층 모델을 만들었습니다.
  • 3단계: 이전 단계의 유의미한 예측 변수를 사용하여 일련의 일반 선형 모델을 만들었습니다. 이를 통해 우리는 인지 및 안구 측정 인자를 고려하여 모델의 예측 능력을 알아 내려고 노력했습니다.

결과

데이터 분석의 1단계에서 그룹 효과를 얻었습니다. 반응 시간 (p=0.009), 단기 기억 (p=0.023), 분리주의 (p=0.026) 및 인지 유연성 (p=0.002)에서 유의한 효과가 관찰되었습니다. 피로로 인해 이러한 인지 능력의 수행이 감소되었으므로 다음 단계에서 예측 변수로 고려되었습니다. 분석의 2단계에서, 개인차는 고정 또는 무작위 효과를 갖는 여러 변수 간의 유의한 관계를 통해 얻어졌습니다. 데이터 분석의 3단계에서 고전적인 예측 측정 만 사용된 경우 예측은 분산의 13.8%만 설명 할 수 있음이 관찰되었습니다. 반면에, 중요한 인지 변수를 추가함으로써, 예측은 분산의 35.7%를 설명 할 수 있었습니다.

이러한 결과는 CogniFit으로 측정 된 것과 같은 일반적인 예측 모델에 피로에 민감한 변수를 추가하면 성능이 피로에 의해 영향을 받을때를 보다 정확하게 예측하는데 도움이 될 수 있음을 나타냅니다. 이 정보를 알면 사고를 예방하고 군사 및 민간 항공기에서 사전 예방 조치를 취하는 데 매우 유용 할 수 있습니다.

이메일 주소를 입력하세요.