通过使用床下睡眠传感器从工作前班次睡眠中估计警觉性

科学领域:

• 职业健康 职业健康 职业健康
• 睡眠科学 睡眠科学
• 机器学习 机器学习

背景情况:

• 轮班工作中警觉障碍增加了工作场所的错误.
• 目前的疲劳预测依赖于多个晚上的手动输入的睡眠数据.
• 开发高效,准确的疲劳预测对于工人的安全至关重要.

研究的目的:

• 开发和验证用于预测警错误的机器学习模型.
• 为了利用由床下传感器捕获的单个睡眠周期的数据.
• 根据既有疲劳预测方法评估模型的准确性.

主要方法:

• 采用超树的机器学习模型来预测心理运动警觉任务 (PVT) 的性能.
• 使用来自床下传感器的睡眠数据,在单次睡眠期间之后.
• 将模型预测 (反应时间,速度,失误) 与模拟夜班期间的实际PVT性能进行比较.

主要成果:

• 该模型在预测PVT性能指标方面取得了适度的准确性.
• 反应时间,速度和失误的标准误差分别为19.9毫秒,0.42反应/秒和7.2.
• 该模型正确分类了84%具有显著失误的试验 (马修斯相关系数=0.59).

结论:

• 一个机器学习模型可以从一个晚上的睡眠数据中预测警觉错误.
• 这种基于传感器的方法提供了与当前更繁的方法可比的性能.
• 这些发现表明,可以改善轮班工作中的疲劳管理和安全.