Microsleep Episodes, Attention Lapses and Circadian Variation in Psychomotor Performance in a Driving Simulation Paradigm
Notice bibliographique
Résumé
Numerous studies document circadian changes in sleepiness, with biphasic peaks in the early morning and late afternoon. Driving performance has also been demonstrated to be subject to time-of-day variation. This study investigated circadian variation in driving performance, attention lapses (AL) and/or frequency of microsleep (MS) episodes across the day. Sixteen healthy adults with valid driver’s licenses participated in the study. Using the York Driving Simulator, subjects performed four intentionally soporific 30-minute driving simulations at two-hour intervals (i.e., at 10:00, 12:00, 14:00, and 16:00). During each session, individuals had EEG monitoring for MS episodes (defined as 15 to 30 seconds of any sleep stage by polysomnographic criteria) and AL episodes (defined as intrusion of alpha- or theta-EEG activity lasting 4-14 seconds). Measured variables included: lane accuracy, average speed, speed deviation, mean reaction time (RT) to “virtual” wind gusts and off-road events. Mean values of each variable at every time were analyzed using a general linear model and paired sample t-tests. RT displayed significant within-group variation, with paired samples tests at df=15 showing RT at 10:00 significantly faster than at other times of the day, but no significant within-group variation between other times of the day. All other variables and EEG-defined AL episodes failed to exhibit any statistically significant variation across the day. However, MS episodes were found to occur more often at 16:00 in comparison to all other times. As RT was optimal before noon, it appears that psychomotor performance and therefore driving ability is subject to circadian variation. Coincident with the demonstrated circadian pattern of diminished alertness, this may partially explain the high incidence of motor vehicle accidents during the mid- to late-afternoon. By better understanding circadian fluctuations in driver sleepiness and psychomotor performance, human performance researchers may be in a position to better educate the public about cautionary measures to prevent accidents.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».