CogniFit - 预测对睡眠不足反应的个体差异：当前技术的应用

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. 海军医学研究所.

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

参考这篇文章 (APA格式)::

• 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.

研究结论

CogniFit可以测量与高度相关的变量来预测个人用户的疲劳表现。 这有助于降低军事飞行员和平民发生事故的风险，因为疲劳是各种类型事故中反复出现的变量。。 在预测模型中包括一些变量，如响应时间（p = 0.009），短期记忆（p = 0.023），注意力分配（p = 0.026）或认知灵活性（p = 0.002），解释的方差百分比来自 13.8％至35.7％。

研究摘要

疲劳是在军事运输过程中将自身安全置于危险之中的主要因素之一。 已经做出了预测疲劳反应的模型，但还不够准确，因为它们没有考虑到疲劳敏感性的个体差异。 相反，建议如果使用诸如CogniFit 之类的工具进行认知测量并且考虑个体差异，则可以改善这些模型的预测能力。

在休息的参与者中测量不同的认知和眼科变量，在25小时的醒来过程中每3小时测量一次（因此获得小组和个体评分）。还可以将实际性能与预期性能进行比较。 结果表明，通过将这些测试添加到预先存在的模型中，它们解释方差从13.8％上升到35.7％的。 这意味着，使用CogniFit 和其他措施来检测个体差异，可以极大地改善疲劳期间的性能预测，从而提高安全性。

情景

由于睡眠不足导致的疲劳是他们在军事和民用运输中面临的主要风险之一。 原则上，解决这些问题的方法是正确睡眠和/或采取毒品。 但是，有时这些还不够。 通过预测一个人的表现或直接衡量个人在正确的时间采取行动的能力，可以预防大部分这种情况。 另一方面，这种预测模型本身具有中等效力。

该模型缺乏成功可能是因为它假设所有个体都具有相似的生活作息和对疲劳的反应，而研究表明这些环境中的个体差异是显著的。 干扰这种疲劳反应的一些方面是每个人的认知功能。

因此, 如果我们包括考虑到个体差异的措施, 如认知和眼科测量, 预测模型的有效性可能会提高。

方式

参与者

参与者包括海军航空飞行前灌输方案的15名志愿人员, 他们是在海军航空站 Pensacola 上服役的军事人员 (13名男子和2名妇女, 平均年龄分别为24.7 岁和 21.5年)。要参与这项研究, 酒精、咖啡因和烟草的使用得到了控制, 他们必须没有神经、精神或睡眠相关的问题。

程序

应用了重复测试的设计, 以了解睡眠剥夺对认知和细胞测量性能的影响, 无论是在一个群体和个人的层面。首先, 记录基线, 然后在睡眠不足期间提取数据。

统计分析

分析分三个步骤进行:

• 步骤 1: 对每个试验中测量的每个标准和预测变量执行一系列方差分析。这决定了哪些变量随着时间的推移而显示出变化。
• 第2步:建立了一系列具有固定和随机效应的双变量线性层次模型, 目的是预测疲劳何时产生较低的产量, 进而发现群分析级别中未检测到的差异。采用群效应 (p<0.05) 并且检测到总体效果内的个体差异（0 <0.05）。在此之后，多变量多层线性模型), 以了解哪些预测变量在统计层面上共享解释方差, 在概念层面上建立关系.
• 步骤 3: 利用上一步的重要预测变量, 建立了一系列一般线性模型。因此, 目的是通过考虑认知和眼科因素, 了解模型的预测能力。

结果和结论

在数据分析的第1步中，获得了小组的效果。 观察到对响应时间（p = 0.009），短期记忆（p = 0.023），注意力分配（p = 0.026）和认知灵活性（p = 0.002）有显著影响。 随着疲劳，这些认知能力的表现有所降低，因此在下一步中将它们作为预测变量考虑在内。 在分析的第2步中，通过具有固定或随机效应的不同变量之间的显著关系，获得个体差异。 数据分析的第3步，观察到当仅使用经典预测测量时，预测只能占方差的13.8％。 相比之下，添加显著的认知变量，预测可以占方差的35.7％。

这些结果表明，将一些疲劳敏感变量添加到通常的预测模型中，例如 CogniFit测量，可以帮助我们更准确地预测何时会受到疲劳影响。 了解这些信息对预防事故非常有用并在军用和民用飞机上采取预防措施。