수면 박탈, 의사결정 피로, 그리고 의료 훈련에서의 임상 수행: 서술적 검토와 신경생리학적 모니터링에 대한 관점

Kun Li; Zhuojun Shen; Hui Lu; Xueling Fang

doi:10.3791/71627

이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

리뷰 논문

수면 박탈, 의사결정 피로, 그리고 의료 훈련에서의 임상 수행: 서술적 검토와 신경생리학적 모니터링에 대한 관점

123 조회수

⸱

DOI:

10.3791/71627

⸱

2026년 7월 28일

Kun Li^*¹ , Zhuojun Shen^*² , Hui Lu³ , Xueling Fang¹

¹Department of Critical Care Medicine, The First Affiliated Hospital, Zhejiang University School of Medicine, ²Department of Education, The First Affiliated Hospital, Zhejiang University School of Medicine, ³Department of Orthopedics, The First Affiliated Hospital, Zhejiang University School of Medicine

^* These authors contributed equally

이 논문에서

요약

이 서술적 검토와 관점은 수면 부족과 의사결정 피로가 임상 수행에 미치는 영향을 검토하고, 의료 교육에서 피로 인식 해석과 피드백을 위한 개념적 도구로서 EEG 및 fNIRS 기반 모니터링을 평가합니다.

초록

수면 부족과 의사결정 피로는 낮 임상 수행의 중요한 요인이지만 종종 과소평가됩니다. 의료 교육 환경에서는 이러한 상태 의존적 요인들이 주의력, 집행 통제, 의사결정을 저해하여 깨어 있는 동안 관찰된 능력 해석을 복잡하게 만들 수 있습니다. 이 서술적 검토와 관점은 수면 과학, 신경생리학, 심리학, 의학 교육의 증거를 종합하여 수면 손실과 의사결정 피로가 임상 수행 성과에 어떻게 영향을 미치는지, 그리고 비침습적 모니터링 접근법이 이러한 변동성을 맥락화하는 데 어떻게 도움이 될 수 있는지 살펴봅니다. 피로와 관련된 인지 업무량과 경계심의 변화를 특성화하기 위한 후보 연구 도구로서 뇌파검사(EEG)와 기능적 근적외선 분광법(fNIRS)에 주목합니다. 검토된 문헌들은 수면 부족, 피로, 신경인지 기능 저하 간의 강한 연관성을 지지하지만, 의료 훈련에서 실행 가능한 준비 평가를 위한 실시간 신경생리학적 모니터링의 사용은 개념적이지 않으며 실증적 검증이 필요합니다. 우리는 생리적 상태 정보를 역량 기반 평가와 통합하기 위한 가설 생성 관점 모델로서 CBME-BCI-피로 프레임워크를 제안하며, 구성 타당성, 점진적 가치, 개인별 변동성, 실현 가능성 및 거버넌스와 관련된 한계를 강조합니다. 이 프레임워크는 향후 피로 인식 피드백과 학습자 지원에 관한 미래의 시뮬레이션 기반이자 저위험 연구에 도움이 될 수 있습니다.

서론

전 세계 의학교육은 결과 중심 모델, 특히 시간 의존적 발전보다는 입증 가능한 능력을 강조하는 역량 기반 의학 교육(CBME)으로 계속 이동하고 있습니다. 전문 역량 개념은 관찰 가능한 역량, 임상 추론, 의사소통, 전문성, 안전한 환자 치료와 관련하여 오랫동안 논의되어 왔습니다 ^1,2. 대학원 의학교육 인증 위원회(ACGME) 성과 프로젝트, CanMEDS 기반 접근법 및 이후 CBME 이론은 교육자들이 교육 결과를 명확히 정의하고 종단적으로 평가하도록 더욱 격려했습니다 ^3,4. 최근 논의에서는 환자 치료 최전선에서 CBME를 강조해 왔습니다^. 학부, 대학원, 계속생 전문성 개발 환경 전반에 걸친 실행 작업도 타당성, 평가 문화, 교수 개발에서의 지속적인 도전 과제를 부각시킵니다 ^6,7,8,9,10.

CBME 내에서는 신뢰 전문 활동(EPA)과 위탁 결정이 평가를 감독 기반 판단¹¹^, ¹²^, ¹³^, ¹⁴^, ¹⁵로 이동시켰습니다. 학습 곡선과 학습 분석은 학습자 진행 상황의 종단적 해석을 더욱 지원했습니다^16,17. 정밀 교육, 교육 여권, 숙달 중심 학습 환경, 코칭은 피드백, 학습자 지원, 적응형 감독을 강조합니다¹⁸^, ¹⁹^, ²⁰^, ²¹. 이러한 접근법은 역량이 단일 테스트가 아니라 시간과 맥락에 걸친 성과 패턴에서 추론된다는 점을 인식합니다. 하지만 지속적인 맹점이 남아 있습니다: 관찰된 성과가 항상 안정적인 근본적 역량을 반영하는 것은 아닙니다. 또한 수면 부족, 생체 불조화, 업무량, 정서적 스트레스, 의사결정 피로 등 일시적인 생리적·인지 상태에 의해 형성됩니다²².

이 문제는 특히 연수생들이 야간 근무를 하고, 많은 환자 수를 관리하며, 시술을 수행하고, 불확실성 속에서 반복적인 결정을 내리는 임상 환경에서 더욱 중요합니다. 수면 부족과 피로는 경계심, 집행 통제, 정신운동 속도, 기분 조절, 의료 오류 위험 감소와 연관되어 있습니다 23,24,25,26,27. 수술 및 시술 수행은 지속적인 주의력, 미세 운동 정밀도, 빠른 상황 판단에 의존하기 때문에 특히 취약할 수 있습니다. 리뷰와 시뮬레이터 연구는 수면 부족과 외과적 민첩성 및 위기 관리 수행 능력 변화를 연관짓고 있습니다²⁸^, ²⁹^, ³⁰. 환자 수준 및 시술 수준 연구는 더 이질적인 결과를 보여주며, 신중한 해석이 필요함을 강조합니다 31,32,33. iCOMPARE 및 관련 무작위 대조 시험을 포함한 근무 시간 연구는 수면, 인수, 업무량, 환자 안전, 교육 결과가 단일 일정 변수 34,35,36,37,38로 환원되지 않고 상호 의존적임을 보여줍니다.

주별 성과 변동성은 종종 일시적이고 상황에 따라 다르며, 기존의 직장 기반 평가 도구로는 포착하기 어렵습니다. 야간 근무 후 저조한 성과 에피소드는 지속적인 학습 필요성, 일시적인 피로 관련 단절, 과도한 업무량, 부적절한 감독 또는 이 요인들의 조합을 반영할 수 있습니다. 신경생리학적 모니터링은 학습과 실천 중 인지 상태를 특성화하는 보완적 접근법으로 제안되었습니다. 뇌파도(EEG)는 빠른 신경 진동 및 사건 관련 반응을 포착할 수 있으며, 기능적 근적외선 분광법(fNIRS)은 특히 집행 조절에 관여하는 전전두엽 영역의 피질 혈역학적 변화를 추적할 수 있습니다. 이러한 치료법들은 업무량, 경계심, 피로의 맥락적 지표를 제공할 수 있습니다. 그러나 이것들은 검증된 역량 측정으로 해석되거나 감독 또는 위임 결정의 직접적인 계기로 사용되어서는 안 됩니다.

이 서술적 검토와 관점은 수면 박탈과 의사결정 피로가 임상 수행과 연관된 증거를 종합하고, 피로와 인지 부하와 관련된 EEG 및 fNIRS 특징을 요약하며, CBME-BCI-피로 프레임워크를 제안합니다. 목표는 확립된 평가 시스템을 제시하는 것이 아니라, 수면에 취약한 의료 교육 환경에서 연수생의 수행을 국가 인식 해석에 관한 연구 의제를 명확히 하는 것입니다. 그림 1 은 제안된 프레임워크를 제시하며, 상태 의존적 수행 조절자, 신경생리학적 및 다중 모드 모니터링, 역량 기반 해석, AI 지원 데이터 통합, 적응적 피드백이 미래의 피로 인식 의료 훈련 연구에서 어떻게 연관될 수 있는지를 보여줍니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

리뷰 및 관점

탐색 접근법

이 논문은 체계적 고찰, 범위 설정 검토, 메타분석이 아닌 서술적 리뷰와 관점으로 작성되었습니다. 데이터베이스 시작부터 2025년 12월 31일까지 PubMed, PsycINFO, Web of Science Core Collection, ERIC를 검색했습니다. 검색어는 수면 박탈, 수면 제한, 피로, 의사결정 피로, 임상 수행, 역량 기반 의학 교육(CBME), 인지 업무량, 뇌파(EEG), 기능적 근적외선 분광법(fNIRS), 뇌-컴퓨터 인터페이스(BCI), 의료 훈련과 관련된 개념을 결합했습니다. 또한 수면 및 피로 모니터링과 관련된 최근 fNIRS 문헌을 반영하여 목표 변경도 수행하였습니다.

출처는 네 가지 영역 중 하나에 직접적으로 영향을 줄 때 선정 및 우선순위를 정했습니다: 수면 또는 피로 관련 신경인지 및 임상 수행 변화; EEG 또는 fNIRS 유도 피로, 업무량, 경계심, 수면 관련 취약성 지표; 생리학적 상태 정보를 CBME에 통합하는 것과 관련된 개념적 또는 응용 연구; 그리고 교육 이용과 관련된 윤리적 또는 실행 문제입니다. 모든 수면, BCI, 신경기술 문헌을 포괄적으로 다루는 출처는 선정되지 않았습니다. 우리는 주로 기초 신경과학, 기기 공학, 치료 신경조절 논문에 대한 연구를 우선순위로 두지 않았으며, 이는 피로를 인식한 연수생 수행 해석에 직접적인 영향을 주지 않는 한이었습니다. 공식적인 편향 위험 평가나 메타분석 풀링은 수행되지 않았으며; 연구 결과는 개념적이고 가설 생성 관점 틀을 뒷받침하기 위해 기술적이고 비평적으로 종합되었습니다.

새로운 기여와 대상 독자

이 리뷰의 새로움은 거주자 피로, 수면 박탈, 의사결정 피로, 인지 작업량, 신경생리학적 모니터링, CBME 평가 등 여러 관련 문헌을 특정 교육 문제와 연결해 묶었다: 수면 부족으로 인해 인지 상태가 일시적으로 변화할 수 있는 교육자, 의사결정 피로, 아니면 업무량도 마찬가지입니다. 대상 대상은 의료 교육자, 임상가 교육자, 프로그램 책임자, 그리고 피로를 인식한 연수 수행 해석에 관심 있는 연구자들입니다. 제안된 CBME-BCI-피로 프레임워크는 향후 연구 질문을 조직하고 검증 요건을 명확히 하기 위한 것이지, 운영 모니터링 시스템을 검증하거나 현재의 고위험 평가 결정을 지원하기 위한 것이 아닙니다.

CBME에서의 역동적 수행으로서의 역량

CBME의 원래 목적은 단순히 새로운 평가 양식을 만드는 것이 아니라, 의학 교육을 환자와 보건 시스템의 필요에 맞추기 위함이었습니다. CBME는 숙련도, 개별화된 학습 경로, 그리고 적절한 감독 하에 학습자가 의미 있는 임상 활동을 수행할 수 있다는 증거에 기반한 진보를 강조합니다 ^5,6. 중국 기반의 레지던시 역량 프레임워크와 i-FIRST 인재개발 논의를 포함한 국가 및 지역 역량 체계는 교육과정 설계, 학습자 개발, 교육 책임성을 위한 체계적인 언어를 제공합니다 ^7,8. 동시에 CBME 실행에 관한 문헌들은 실현 가능성, 교수 개발, 평가 부담, 그리고 복잡한 전문 실무를 체크리스트 행동으로 줄이는 위험에 대한 지속적인 우려를 지적^합니다.

EPA와 위임 결정은 평가를 학습자가 정의된^{전문 활동에} 얼마나 많은 감독이 필요한지에 대한 임상적 질문과 연결하기 때문에 특히 영향력이 컸^습니다. EPA 시행은 또한 위임이 학습자, 과제, 맥락, 감독 수준에 대한 판단임을 강조합니다; 이는 단순히 연수생¹⁵에 고정된 특성이 아닙니다. 마찬가지로, 학습 곡선과 학습 분석은 교육자들이 단일 데이터 포인트를 과도하게 해석하지 않고 시간에 따른 경로를 식별하는 데 도움을 줄 수 있습니다^16,17. 정밀 교육, 교육 여권, 숙달 중심 학습 환경, 코칭은 평가가 개발, 피드백 및 적응 지원을 지원해야 한다는 생각을 더욱 강화합니다^18,19,20,21.

상태 의존적 관점은 이 논리를 확장합니다. 만약 훈련생이 오랜 깨어 있거나 인지적으로 강렬한 변화 후에 성과가 좋지 않다면, 평가 질문은 단순히 능력 부족 여부만이 아닙니다. 또한 관찰된 행동이 피로 관련 취약성, 과도한 업무량, 부실한 감독, 시스템 설계, 또는 과제 요구와 인지 상태 간의 불일치를 반영하는지도 중요합니다. 안정적인 역량 격차는 의도적인 연습과 코칭이 필요할 수 있습니다; 피로 관련 공백은 회복 계획, 업무량 재설계, 감독 조정 또는 일정 수준의 개입이 필요할 수 있습니다. 따라서 국가 인식 평가는 역량을 재정의하지 않습니다. 오히려 성능 데이터가 해석되는 맥락을 개선하고, 일과적 장애를 지속적 무능력으로 잘못 분류할 위험을 줄여줍니다.

수면 부족, 생체 규칙 교란, 그리고 의사결정 피로

수면 부족과 피로는 만연하지만 의사의 성과를 결정하는 과소평가된 요인입니다. 임상 훈련에서는 장기 근무, 야간 근무, 예측 불가능한 업무량, 잦은 인계 인수로 인해 각성력과 의사결정력이 저하될 수 있는 환경에 노출됩니다. 의사의 수면과 웰빙에 관한 연구들은 수면과 번아웃 관련 고통이 임상적으로 중요한 의료 과실과 연관되어 있음을 밝혔습니다²³. 장기 이동은 주의력 부전, 의료 오류, 부작용 증가와도 연관되어 있습니다²⁴. 거주자의 피로와 고통은 자기보고한 의료 오류에 추가적인 영향을 미칠 수 있어, 수행 위험이 부분적으로 행동적, 부분적으로 인지적, 부분적으로 시스템 수준에 영향을 미친다는 것을 시사한다²⁵.

의학 연수생과 의사를 대상으로 한 관찰 및 실험 연구가 이 우려를 강화합니다. 장시간 근무하는 인턴과 레지던트는 수면 기회 감소와 각성 패턴 변화를 보인다²⁶. 중환자실에서 인턴의 근무 시간을 줄인 것은 중요한 임상시험에서 심각한 의료 과태 감소와 연관되어 있었다²⁷. 수술 및 절차적 연구들은 수면 부족이 시뮬레이터 민첩성과 위기 관리 능력을 저해할 수 있음을 보여줍니다 28,29,30. 환자 수준 및 시술 수준 연구는 여전히 더 이질적이며 지나치게 단순화해서는 안 됩니다 31,32,33. 전문 분야, 교육 수준, 사례 복잡성, 감독, 팀 구조, 결과 유형 간의 차이가 피로 관련 감소가 경계심, 시뮬레이션 수행, 프로세스 측정에서 더 명확하게 나타나는 이유를 설명할 수 있습니다.

근무 시간 시험은 피로 인식 교육이 교대 근무 시간에만 의존할 수 없음을 보여줍니다. iCOMPARE 시험에서는 유연한 근무 시간 정책이 특정 교육 결과 및 환자 안전 결과 측면에서 표준 정책보다 열등하지 않음을 발견했습니다^34,35. 동반 분석에서는 유연한 근무 시간 규칙³⁶에 따라 수면과 각성이 반드시 악화되지는 않았다고 보고했다. 반면, 24시간 근무가 없는 스케줄을 대상으로 한 무작위 시험에서는 연장 근무를 없애도 환자 안전이 일관되게 개선되지 않는다는 결과가 나타났습니다³⁷. 연장 근무 교대 연구에서는 레지던트 의사들에게서 신경행동 수행 효과가 나타났습니다³⁸. 이 결과들을 종합해 보면, 수면 기회, 업무량, 연속성, 인수인계, 감독이 복잡한 방식으로 상호작용한다는 것을 보여줍니다.

더 넓은 수면 과학 문헌은 기전적 맥락을 제공합니다. 수면 장애는 지속적인 주의력, 작업 기억, 반응 억제, 감정 조절, 복잡한 과제 수행을 저해합니다 ^39,40,41,42. 불규칙하거나 불안정한 수면 패턴도 학업 및 인지 결과에 영향을 미칠 수 있어, 수면 안정성이 수면 지속 시간 외에도 중요함을 시사합니다^43,44. 만성적인 수면 제한과 주말 회복은 수행 능력과^웰빙에 잔여 영향을 남길 수 있습니다. 의학 교육에서 이러한 발견은 중요합니다. 왜냐하면 훈련 평가는 보통 깨어 있을 때 이루어지지만, 학습자의 수행 상태를 거의 기록하지 않기 때문입니다.

의사결정 피로는 관련되었지만 구분되는 메커니즘을 추가합니다. 이는 반복적이거나 노력이 많은 선택 후에 의사결정 품질이 저하되는 현상을 의미하며, 특히 자기 통제, 불확실성 관리, 가치 트레이드오프가 필요한 결정⁴⁶. 임상 결정은 종종 분류, 처방, 치료 강화, 문서화, 시간 압박 속에서의 인계 등을 포함합니다. 최근 처방 연구에 따르면 과제 수행 시간과 누적된 의사결정 요구가 임상 선택에 영향을 미칠 수 있다고 합니다⁴⁷. 야간 근무로 인한 피로도 방사선학⁴⁸의 검색 패턴과 진단 성과에 변화를 줄 수 있습니다. 그러나 의사 피로는 문헌이 방법론적으로 이질적이며 과제, 환경, 임상가에 따라 효과가 다를 수 있으므로 신중하게 해석해야 합니다.

EEG 및 fNIRS 피로 및 인지 부하 마인드

EEG는 경계심, 수면 압박, 피로, 정신적 업무량을 연구하는 데 널리 사용되어 왔습니다. 의사 연구에서 야간 당직 후 정량적 EEG가 정신 피로와 일치하는 시타, 알파, 베타 활성 변화를 보인^49,50. 이 연구들은 신경생리학적 평가를 실험실에서의 수면 박탈 패러다임에만 의존하지 않고 실제 임상 업무에 더 가깝게 만들어 준다는 점에서 중요합니다. 하지만 이들은 관찰 중심이며, EEG만으로는 수련생이 특정 임상 과제를 수행할 준비가 되었는지 판단할 수 없다고 판단할 수 없습니다.

특징 수준의 EEG 해석은 일반적으로 언급되는 쎄타나 알파/베타 변화보다 더 광범위합니다. 전면 EEG 작업량 연구는 스펙트럼 및 지역적 패턴을 활용해 업무량 추정을 지원하는⁵¹. 수면 박탈 EEG 연구는 수면 손실 후 스펙트럼 활동 변화를 조사했습니다⁵². 쎄타 밴드는 또한 두 가지 해석을 가진다: 수면 압력을 반영할 수 있지만, 인지 조절에도 관여할 수 있는데, 이는 단순 피로 분류⁵³을 복잡하게 만드는 점이다. 실시간 작업 기억 모니터링 연구와 운전자 상태 분류 연구는 뇌파 기능이 BCI 스타일 파이프라인에 내장될 수 있음을 보여주지만, 이러한 파이프라인은 작업 설계, 전처리, 개별 변동성에 민감하게 남아 있음을 보여준다^54,55. 신뢰성 연구와 신경인간공학 검증 연구는 전극 구성, 전처리 선택, 주관적 지표, 작업 설계가 작업 부하 지수에 영향을 미친다는 점을 강조합니다^56,57. 최근 다단계 인지 부하 예측 연구는 공간적, 시간적, 스펙트럼적 신호를 결합하면 분류⁵⁸을 개선할 수 있음을 시사합니다.

기능적 근적외선 분광법 fNIRS는 산소화된 헤모글로빈, 탈산소화된 헤모글로빈, 총 헤모글로빈 등 혈역학적 변화를 측정하여 보완적인 정보를 제공합니다. 피로와 수면 부족에 관한 fNIRS 문헌은 인지 노력, 각성력 감소, 사회-인지 변화의 피질 상관관계 측정에 있어 이 연구의 중요성을 지지한다⁵⁹. 수면 중심 fNIRS 리뷰는 광학 혈역학 신호가 수면 연구와 피로 감지에 어떻게 기여할 수 있는지를 추가로 보여줍니다⁶⁰. 2026년에 발표된 비급속 안구 운동 수면 분화에 대한 심장 밴드 fNIRS 바이오마커와 EEG 검증 연구는 단순한 HbO 진폭⁶¹을 넘어서는 주파수 영역과 심장 밴드 특징에 대한 관심이 증가하고 있음을 보여줍니다. 이 문헌들은 HbO, HbR, HbT, 시간 영역 반응, 연결성, 주파수 영역 바이오마커를 포함하는 특징 수준 논의를 지원합니다.

전전두엽 fNIRS 연구는 특히 중요한데, 집행 통제, 반응 억제, 업무 조절이 전두부 시스템에 크게 의존하기 때문입니다. 수면 박탈은 전두엽 피질의 과제 관련 기능 연결성 변화와 관련이^{있습니다.} 관련 연구에서는 수면 박탈 후 전두부 기능 연결 상실이 발견되었습니다⁶³. 짧은 수면을 가진 젊은 성인을 대상으로 한 연구들은 전전두엽 혈역학적 반응이 수면 행동과 신체 활동에 따라 달라질 수 있음을 시사합니다(⁶⁴). 웨어러블 fNIRS는 머신러닝⁶⁵를 통해 자동 인지 피로 감지에 사용되었습니다. 하이브리드 EEG-fNIRS 시스템은 기능적 뇌 연결성과 보완 신호 특성을 통합하여 업무량 분류를 향상시킬 수 있습니다^66,67. 이 연구들은 EEG와 fNIRS를 연구 도구이자 후보적 맥락 지표로 사용하는 것을 지지하지만, 의료 훈련에서 검증된 준비도 측정 지표로는 아직 입증되지 않았습니다.

따라서 표 1은 검증된 바이오마커의 계층 구조가 아니라 특징 수준 지도로 의도되었습니다. 이 방법은 EEG 스펙트럼, 사건 관련, 시간적 및 연결성 특징을 fNIRS 진폭 기반, 시간 영역, 연결성, 주파수 영역 또는 심장 밴드 특징과 구분합니다. 이 구분은 각 기능 계열이 피로 작업부하 구성의 서로 다른 차원을 포착하고 서로 다른 아티팩트 및 해석 위험을 수반하기 때문에 중요합니다. 예를 들어, 높은 시타/알파 비율, 감소한 P300 진폭, 또는 낮은 전전두엽 HbO는 피로와 양립할 수 있지만, 과제 난이도, 보상 노력, 스트레스, 센서 구성, 또는 개인별 기준선 차이를 반영할 수도 있습니다. 이 표는 연구 설계, 정렬 구성 및 신중한 해석을 지원하기 위한 것이지, 역량, 위임, 임상 준비성에 대한 운영 기준을 정의하기 위한 것이 아닙니다.

BCI, 다중 모달 핵융합 및 교육 응용

비침습적 BCI와 웨어러블 신경생리학 기술은 의료, 공학, 교육 분야 전반에 걸쳐 빠르게 확산되었습니다. 웨어러블 EEG 기반 BCI 장치에 대한 리뷰는 휴대성과 의료 응용 분야의 진전을 강조합니다⁶⁸. 더 넓은 최첨단 리뷰들은 비침습적 BCI 시스템이 개선되고 있지만 여전히 신호 품질, 사용성, 보정성, 견고성에서 한계에 직면해 있음을 강조합니다⁶⁹^, ⁷⁰^, ⁷¹^, ⁷². 이러한 제약은 의학 교육에 중요합니다. 왜냐하면 교육 도구는 통제된 환경에서 정확할 뿐만 아니라, 실현 가능하고 수용 가능하며 해석 가능하고 교육 구조와 일치해야 하기 때문입니다.

가장 방어할 만한 교육 응용 분야는 시뮬레이션, 연구, 그리고 저위험 피드백입니다. VR 복강경 훈련은 성과 데이터를 작업량 관련 신호와 동기화하여 인지 요구가 절차적 학습과 어떻게 연관되는지 연구할 수 있습니다⁷³. 모의 신경외과 과제는 AI와 EEG를 활용해 기술 수준을 구분하여, 교수 판단을 대체하기보다는 기술 습득을 연구하는 경로를 제시합니다⁷⁴. 진지한 게임 및 혼합 현실 환경에서는 생체센서 분석을 활용해 감정적 참여를 추정했습니다⁷⁵. 학습 속도를 인지 부하에 맞게 조정하는 수동 BCI 시스템은 상태 민감 피드백이 저위험 교육 환경에서 어떻게 작동할 수 있는지를 보여줍니다⁷⁶. 이동식 수면 감지 연구는 다중 모달 시계열 데이터가 실험실⁷⁷ 외부의 종단 모니터링을 지원할 수 있음을 보여줍니다. 이러한 사례들은 고위험 위탁이나 시정 결정에 대한 검증보다는 증거나 개념 증명으로 해석하는 것이 가장 좋습니다.

AI 보조 수면 단계 측정 연구는 기계 학습 기법이 수면 관련 생리학적 시계열⁷⁸^, ⁷⁹^, ⁸⁰을 분류할 수 있음을 보여줍니다. 표적 기억 재활성화, 웨어러블 신경조절, 피로 중재, 무선 fNIRS 시스템은 생리적 신호가 적응적 피드백 구조에서 추적되거나 활용될 수 있음을 추가로 보여줍니다⁸¹^, ⁸²^, ⁸³^, ⁸⁴^, ⁸⁵. 이 연구들은 기술적으로는 유익하지만, 주간 수행, 피드백 타이밍, 감독 결정, 또는 교육 맥락에서의 학습자 지원과 연관되지 않는 한 직접적인 교육적 관련성은 제한적입니다. 따라서 이들은 CBME 내 피로 인식 평가가 일상적으로 활용될 준비가 되었다는 증거보다는 방법론적 다리로 해석되어야 합니다.

직장 내 번역은 시뮬레이션보다 더 많은 신중함이 필요합니다. 진짜 임상 환경은 운동 인공물, 중단, 정서적 스트레스, 팀워크 요구, 환자 중증성, 변동적인 업무 목표, 그리고 연수생과 감독자 간의 암묵적 권력 관계를 도입합니다. 따라서 직장 기반 평가에서의 생리학적 데이터는 자발적이고, 부담이 적으며, 맥락에 맞게 작성되어야 합니다. 합리적인 적용 방법으로는 집계 피로-위험 매핑, 일정 평가, 시뮬레이션 브리핑, 학습자 제어 피드백 등이 있습니다. 부당한 적용에는 EEG, fNIRS, 또는 다중 모달 임계값을 위임, 승진, 구제 또는 징계에 대한 독립적인 증거로 사용하는 것이 포함됩니다.

확립된 증거와 개념적 확장의 차이

이 리뷰에서 핵심적인 구분은 확립된 증거와 개념적 확장입니다. 확립된 증거는 수면 부족, 생체 규칙 장애, 장기 깨어 있음, 피로가 임상 업무에 중요한 신경인지 영역을 저해한다는 것입니다 23,24,25,26,27. 메타분석 및 실험 연구는 주의력, 집행 통제, 기분 조절, 복잡한 과제 수행에 미치는 영향을 더욱 뒷받침합니다 39,40,41,42. 의학 및 절차적 연구들은 피로가 오류 위험, 진단 검색, 위기 관리, 기술 수행에 영향을 미칠 수 있음을 보여줍니다 28,29,30,48. 그러나 시술 수준 및 결과 연구에서도 이질성이 나타나 피로와 임상 피해에 대한 단순한 일대일 해석에 반대합니다 31,32,33. 근무 시간 시험은 피로 인식 정책이 근무 시간 설계와 수면 기회, 업무량, 인수인계, 연속성, 교육적 결과를 함께 고려해야 함을 보여준다 34,35,36,37,38. 의사와 업무량 패러다임을 대상으로 한 EEG 연구는 피로와^{인지 부하에} 대한 신경 민감성을 지지하며^, fNIRS, 웨어러블, 하이브리드 EEG-fNIRS 연구는 보완적인 혈역학 및 다중 양식 증거를 제공합니다 59,60,61,62,63,64,65,66^,⁶⁷.

개념적 확장은 생리학적 상태 지표가 CBME 내에서 연수생의 수행을 맥락화하는 데 도움이 될 수 있다는 제안입니다. 이 확장은 그럴듯하지만 검증되지 않았습니다. 수면 부족이 신경 활동을 변화시킨다는 증거가 실시간 모니터링이 실행 가능한 감독 또는 교육 결정을 생성할 수 있다는 것을 반드시 의미하지는 않습니다. 현재로서는 개인, 과제, 전문 분야, 운영 환경에서 인지 불안정성이나 임상 준비도를 신뢰성 있게 식별하는 신경 또는 혈역학적 활동의 일반화 가능한 실시간 패턴이 입증되지 않았습니다. 동일한 생리적 패턴은 피로, 인지 노력, 불안, 동기 부여, 과제 난이도, 보상적 참여, 센서 인공물, 환경 스트레스, 또는 개인별 기초 차이를 반영할 수 있습니다.

따라서 CBME-BCI-피로 프레임워크는 구현된 평가 시스템보다는 연구 모델로 해석되어야 합니다. 이 연구의 목적은 상태 의존적 조절자, 생리학적 및 행동 모니터링, 그리고 관찰된 수행성에 대한 역량 기반 해석을 함께 어떻게 연구할 수 있는지 명확히 하는 것입니다. 시뮬레이션이나 기타 저위험 연구 환경에서는 EEG 또는 fNIRS 특징을 과제 오류, 응답 시간, 업무량 평가, 수면 이력, 정신운동 경계 검사, 감독자 피드백과 함께 수집하여 상태 지표가 수행 변동성을 설명하는 데 도움이 되는지 검증할 수 있습니다. 직장 평가 맥락에서는 생리학적 데이터가 더욱 신중해야 합니다. 현재의 근거 기반에서는 이러한 데이터가 집계 피로-위험 연구, 일정 설계, 자발적 학습자 지원에 가장 적합할 수 있습니다. 이들은 위임, 승진, 시정 또는 징계 결정의 단독 근거로 사용되어서는 안 됩니다. 표 2는 CBME-BCI-피로 프레임워크 내에서 확립된 증거, 개념적 확장, 검증 요건, 대표성 지원 참고문헌을 분리하여 이러한 구분을 요약합니다.

타당성, 점진적 가치, 개인 기준선, 그리고 거버넌스 구성

개념 타당성은 피로 인식 신경생리학적 모니터링의 중심 방법론적 도전 과제입니다. EEG와 fNIRS 신호는 피로나 준비 상태에 특정하지 않으며; 또한 과제 난이도, 불안, 동기 부여, 인지 노력, 보상적 참여, 환경 스트레스, 센서 인위물, 또는 개인별 기초 차이를 반영할 수 있습니다. 따라서 향후 연구에서는 측정 대상 교육 개념을 미리 정의하고, 생리적 상태와 수행 간의 기대 관계를 명확히 하며, 단일 신호를 직접적인 역량 지표로 해석하기보다는 행동, 맥락, 교육 데이터와 생리적 신호를 삼각측량해야 합니다.

점진적 가치도 입증되어야 합니다. EEG/fNIRS 모니터링은 수면 기록, 액티그래피, 정신운동 경계 검사, 간단한 인지 선별, 업무 부하 평가, 수행 텔레메트리, 전문가 관찰 등 더 간단하고 실현 가능한 비교 대상과 비교해야 합니다. 신경생리학적 접근법은 이러한 지표를 넘어 설명, 예측, 피드백 타이밍, 학습자 지원을 개선할 때만 정당화됩니다. 이러한 증거가 없으면 다중 모달 모니터링은 교육 의사결정을 개선하지 못한 채 복잡성을 더할 수 있습니다.

개별 기초 모델링이 필수적입니다. 신경 활동, 수면 취약성, 크로노타입, 스트레스 반응, 임상 경험, 센서 적합도의 개인 간 변동이 보편적 임계값의 가치를 제한합니다. 훈련생 특이적 기초선은 피로 관련 비정상 편차와 정상적인 생리학적 변이를 구분하는 데 도움이 될 수 있지만, 이를 위해서는 반복적인 측정, 신뢰할 수 있는 센서 배치, 표준화된 작업 앵커, 투명한 분석 모델이 필요합니다. 머신러닝은 멀티모달 신호 통합에 도움을 줄 수 있지만, 무효 개념, 편향된 데이터, 낮은 신호 품질, 불분명한 인과 가정을 해결할 수는 없습니다. 도메인 적응, 프라이버시 보호 알고리즘, 생성 모델링은 일부 보정 부담을 줄일 수 있지만, 교육 결정을 지원하기 전에 광범위한 검증이 필요합니다^86,87.

기술적·생태학적 장벽은 여전히 상당히 존재합니다. EEG는 운동 아티팩트, 전극 임피던스, 환경 잡음, 몽타주 의존성, 그리고 전처리 선택에 취약합니다. fNIRS는 옵토드 위치, 두피 혈류, 움직임, 모발, 제한된 깊이 침투, 낮은 시간 해상도에 영향을 받습니다. 웨어러블 시스템은 인지 활동 모니터링을 위한 소형 무선 fNIRS 기기⁸⁵를 포함해 발전하고 있지만, 편안함과 실현 가능성은 교육적 타당성을 입증하지 못합니다. 배포는 워크플로우 호환 설정, 해석 가능한 보고, 데이터 보안, 최종 사용자 수용도 필요합니다. 사회적 수용 연구는 사용자 신뢰와 인지된 목적이 채택의 핵심임을 상기시킵니다⁸⁸.

윤리적 거버넌스는 사후 생각이 아니라 프레임워크의 경계 조건으로 다뤄져야 합니다. 신경생리학적 데이터는 피로, 주의력, 감정, 건강 상태에 관한 정보를 드러내거나 암시할 수 있습니다. 신경기술의 책임 있는 개발은 목적 제한, 데이터 최소화, 안전한 저장, 투명성, 접근 통제, 그리고 자율성과 동의에 대한 세심한 주의를 필요로 합니다^89,90. 네트워크 BCI 시스템도 사이버 보안 문제를 제기하는데, 특히 디코딩된 결과물이 피드백, 교육 기회 또는 안전 관련 결정에 영향을 미칠 경우 더욱 그^{렇습니다.} 교육에서는 학습자가 암묵적으로 참여해야 한다는 압박을 느낄 수 있으며, 모델이 집단이나 맥락에서 고르지 않게 작동할 경우 생리학적 지표가 의도치 않게 편향을 증폭시킬 수 있습니다. 향후 연구는 가능한 한 자발적 참여를 우선시하고, 지지적 피드백과 고위험 판단의 명확한 분리, 항소 메커니즘, 이해관계자 주도 거버넌스를 우선시해야 합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결론

수면 부족과 의사결정 피로는 주의력, 집행 통제, 정신운동 수행, 임상 의사결정의 상태 의존적 변동성에 기여하는 것으로 확립되어 있습니다. 의료 교육에서는 이러한 변동이 관찰된 역량 해석을 복잡하게 만들 수 있으며, 특히 응급의학, 중환자 치료, 마취, 수술과 같은 수요가 많은 환경에서 더욱 그렇습니다. 따라서 역량 기반 의학 교육은 성과 데이터를 시간과 맥락에 걸쳐 해석할 때 생리적·인지 상태에 대한 보다 명확한 주의를 기울일 수 있습니다.

EEG와 fNIRS는 피로 관련 신경생리학 및 혈역학 변화를 측정하는 유망한 접근법을 제공하지만, 의학 교육에서 실시간 준비 평가에 대한 활용은 아직 개념에 머물러 있습니다. 기존 증거는 이들을 연구 도구이자 맥락적 지표로서의 관련성을 뒷받침하며, 독립적인 역량 측정이나 감독 결정의 검증된 유발 요인으로서가 아닙니다. 주요 한계로는 개인별 변동성, 제한된 운영 검증, 신호 산출물,...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이해 충돌이 없음을 선언한다.

감사의 글

저자들은 본 검토 준비 과정에서 지원과 논의를 해주신 중환자의학과 교육부 동료들에게 감사의 뜻을 전합니다. 이 연구는 저장성 교육부 일반 과학 연구 프로젝트(보조금 번호 Y202557476)의 지원을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

참고문헌

Epstein RM, Hundert EM. Defining and assessing professional competence. JAMA. 2002;287(2):226–235.
McClelland DC. Testing for competence rather than for “intelligence”. Am Psychol. 1973;28(1):1–14.
Swing SR. The ACGME Outcome Project: retrospective and prospective. Med Teach. 2007;29(7):648–654.
Frank JR et al. Competency-based medical education: theory to practice. Med Teach. 2010;32(8):638–645.
Cooper D, Holmboe ES. Competency-based medical education at the front lines of patient care. N Engl J Med. 2025;393(4):376–388.
Caccia N, Nakajima A, Kent N. Competency-based medical education: the wave of the future. J Obstet Gynaecol Can. 2015;37(4):349–353.
China Consortium of Elite Teaching Hospitals for Residency Education. Consensus on core competency framework for residency education among China Consortium of Elite Teaching Hospitals for Residency Education [in Chinese]. Med J Peking Union Med Coll Hosp. 2022;13(1):17–23.
Chen S et al. Competency-based i-FIRST talent development: leadership. China Higher Med Educ. 2025;(1):20–21, 45. doi:10.3969/j.issn.1002-1701.2025.01.006.
Danilovich N et al. Implementing competency-based medical education in family medicine: a narrative review of current trends in assessment. Fam Med. 2021;53(1):9–22.
Hawkins RE et al. Implementation of competency-based medical education: are we addressing the concerns and challenges. Med Educ. 2015;49(11):1086–1102.
Ten Cate O et al. Entrustment decision making: extending Miller’s pyramid. Acad Med. 2021;96(2):199–204.
Dine CJ, Conforti LN, Holmboe ES, Kogan JR. Accuracy of entrustment-based assessment: implications for programs and patients. J Grad Med Educ. 2024;16(1):30–36.
Tekian A et al. Entrustment decisions: implications for curriculum development and assessment. Med Teach. 2020;42(6):698–704.
Ten Cate O. Entrustment as assessment: recognizing the ability, the right, and the duty to act. J Grad Med Educ. 2016;8(2):261–262.
Carraccio C, Martini A, Van Melle E, Schumacher DJ. Identifying core components of EPA implementation: a path to knowing if a complex intervention is being implemented as intended. Acad Med. 2021;96(9):1332–1336.
Pusic MV et al. Learning curves in health professions education. Acad Med. 2015;90(8):1034–1042.
Smith BK et al. The use of learning analytics to enable detection of underperforming trainees: an analysis of national vascular surgery trainee ACGME milestones assessment data. Ann Surg. 2023;277(4)–e977.
Desai SV et al. Precision education: the future of lifelong learning in medicine. Acad Med. 2024;99(4S Suppl 1)–S20.
Warm EJ et al. The education passport: connecting programmatic assessment across learning and practice. Can Med Educ J. 2022;13(4):82–91.
Ross S, Pirraglia C, Aquilina AM, Zulla R. Effective competency-based medical education requires learning environments that promote a mastery goal orientation: a narrative review. Med Teach. 2022;44(5):527–534.
Baenziger K, Chan M, Colman S. Coaching in postgraduate competency-based medical education: a qualitative exploration of three models. Acad Psychiatry. 2023;47(1):10–17.
Taylor TS et al. Principles of fatigue in residency education: a qualitative study. CMAJ Open. 2016;4(2)–E204.
Trockel MT et al. Assessment of physician sleep and wellness, burnout, and clinically significant medical errors. JAMA Netw Open. 2020;3(12).
Barger LK et al. Impact of extended-duration shifts on medical errors, adverse events, and attentional failures. PLoS Med. 2006;3(12).
West CP et al. Association of resident fatigue and distress with perceived medical errors. JAMA. 2009;302(12):1294–1300.
Basner M et al. Sleep and alertness in medical interns and residents: an observational study on the role of extended shifts. Sleep. 2017;40(4). doi:10.1093/sleep/zsx027.
Landrigan CP et al. Effect of reducing interns’ work hours on serious medical errors in intensive care units. N Engl J Med. 2004;351(18):1838–1848.
Sugden C, Athanasiou T, Darzi A. What are the effects of sleep deprivation and fatigue in surgical practice. Semin Thorac Cardiovasc Surg. 2012;24(3):166–175.
Arzalier-Daret S et al. Effect of sleep deprivation after a night shift duty on simulated crisis management by residents in anaesthesia: a randomised crossover study. Anaesth Crit Care Pain Med. 2018;37(2):161–166.
Maltese F et al. Night shift decreases cognitive performance of ICU physicians. Intensive Care Med. 2016;42(3):393–400.
Rothschild JM et al. Risks of complications by attending physicians after performing nighttime procedures. JAMA. 2009;302(14):1565–1572.
Taffinder NJ et al. Effect of sleep deprivation on surgeons’ dexterity on laparoscopy simulator. Lancet. 1998;352(9135):1191.
Howard SK et al. Simulation study of rested versus sleep-deprived anesthesiologists. Anesthesiology. 2003;98(6):1345–1355.
Desai SV et al. Education outcomes in a duty-hour flexibility trial in internal medicine. N Engl J Med. 2018;378(16):1494–1508.
Silber JH et al. Patient safety outcomes under flexible and standard resident duty-hour rules. N Engl J Med. 2019;380(10):905–914.
Basner M et al. Sleep and alertness in a duty-hour flexibility trial in internal medicine. N Engl J Med. 2019;380(10):915–923.
Landrigan CP et al. Effect on patient safety of a resident physician schedule without 24-hour shifts. N Engl J Med. 2020;382(26):2514–2523.
Rahman SA et al. Extended work shifts and neurobehavioral performance in resident physicians. Pediatrics. 2021;147(3). doi:10.1542/peds.2020-009936.
Wickens CD, Hutchins SD, Laux L, Sebok A. The impact of sleep disruption on complex cognitive tasks: a meta-analysis. Hum Factors. 2015;57(6):930–946.
Lowe CJ, Safati A, Hall PA. The neurocognitive consequences of sleep restriction: a meta-analytic review. Neurosci Biobehav Rev. 2017;80:586–604.
Lim J, Dinges DF. A meta-analysis of the impact of short-term sleep deprivation on cognitive variables. Psychol Bull. 2010;136(3):375–389.
Tomaso CC, Johnson AB, Nelson TD. The effect of sleep deprivation and restriction on mood, emotion, and emotion regulation: three meta-analyses in one. Sleep. 2021;44(6). doi:10.1093/sleep/zsaa289.
Phillips AJK et al. Irregular sleep/wake patterns are associated with poorer academic performance and delayed circadian and sleep/wake timing. Sci Rep. 2017;7(1):3216.
Koa TB, Lo JC. Neurobehavioural functions during variable and stable short sleep schedules. J Sleep Res. 2021;30(4).
Smith MG et al. Effects of six weeks of chronic sleep restriction with weekend recovery on cognitive performance and wellbeing in high-performing adults. Sleep. 2021;44(8). doi:10.1093/sleep/zsab051.
Pignatiello GA, Martin RJ, Hickman RL Jr. Decision fatigue: a conceptual analysis. J Health Psychol. 2020;25(1):123–135.
Maier M et al. Assessing decision fatigue in general practitioners’ prescribing decisions using the Australian BEACH data set. Med Decis Making. 2024;44(6):627–640.
Hanna TN et al. The effects of fatigue from overnight shifts on radiology search patterns and diagnostic performance. J Am Coll Radiol. 2018;15(12):1709–1716.
Su AT, Xavier G, Kuan JW. The measurement of mental fatigue following an overnight on-call duty among doctors using electroencephalogram. PLoS One. 2023;18(7).
Xavier G, Su Ting A, Fauzan N. Exploratory study of brain waves and corresponding brain regions of fatigue on-call doctors using quantitative electroencephalogram. J Occup Health. 2020;62(1).
So WKY, Wong SWH, Mak JN, Chan RHM. An evaluation of mental workload with frontal EEG. PLoS One. 2017;12(4).
Forest G, Godbout R. Effects of sleep deprivation on performance and EEG spectral analysis in young adults. Brain Cogn. 2000;43(1–3):195–200.
Snipes S, Krugliakova E, Meier E, Huber R. The theta paradox: 4–8 Hz EEG oscillations reflect both sleep pressure and cognitive control. J Neurosci. 2022;42(45):8569–8586.
Mora-Sanchez A et al. A brain-computer interface for the continuous, real-time monitoring of working memory load in real-world environments. Cogn Neurodyn. 2020;14(3):301–321.
Zeng H et al. A LightGBM-based EEG analysis method for driver mental states classification. Comput Intell Neurosci. 2019;2019:3761203.
Mastropietro A et al. Reliability of mental workload index assessed by EEG with different electrode configurations and signal pre-processing pipelines. Sensors (Basel). 2023;23(3):1367.
Bjegojevic B et al. Neuroergonomic attention assessment in safety-critical tasks: EEG indices and subjective metrics validation in a novel task-embedded reaction time paradigm. Brain Sci. 2024;14(10):1009.
Liu Y et al. Fusion of spatial, temporal, and spectral EEG signatures improves multilevel cognitive load prediction. IEEE Trans Hum Mach Syst. 2023;53(2):357–366.
Pan Y, Borragán G, Peigneux P. Applications of functional near-infrared spectroscopy in fatigue, sleep deprivation, and social cognition. Brain Topogr. 2019;32(6):998–1012.
Huang M et al. An overview on sleep research based on functional near-infrared spectroscopy [in Chinese]. Sheng Wu Yi Xue Gong Cheng Xue Za Zhi. 2021;38(6):1211–1218.
Hasim YS et al. Cardiac-band fNIRS biomarkers for non-REM sleep stage differentiation: a frequency-domain evaluation with EEG validation. J Innov Opt Health Sci. 2026. doi:10.1142/S1793545826500100.
Mukli P et al. Sleep deprivation alters task-related changes in functional connectivity of the frontal cortex: a near-infrared spectroscopy study. Brain Behav. 2021;11(8).
Verweij IM et al. Sleep deprivation leads to a loss of functional connectivity in frontal brain regions. BMC Neurosci. 2014;15(1):88.
You Y et al. Cognitive performance in short sleep young adults with different physical activity levels: a cross-sectional fNIRS study. Brain Sci. 2023;13(2):171.
Varandas R et al. Automatic cognitive fatigue detection using wearable fNIRS and machine learning. Sensors (Basel). 2022;22(11):4010.
Cao J, Garro EM, Zhao Y. EEG/fNIRS-based workload classification using functional brain connectivity and machine learning. Sensors (Basel). 2022;22(19):7623.
Hong KS, Khan MJ, Hong MJ. Feature extraction and classification methods for hybrid fNIRS-EEG brain-computer interfaces. Front Hum Neurosci. 2018;12:246.
Zhang J et al. Recent progress in wearable brain-computer interface devices based on electroencephalogram for medical applications: a review. Health Data Sci. 2023;3:0096.
Edelman BJ et al. Non-invasive brain-computer interfaces: state of the art and trends. IEEE Rev Biomed Eng. 2025;18:26–49.
Rashid M et al. Current status, challenges, and possible solutions of EEG-based brain-computer interface: a comprehensive review. Front Neurorobot. 2020;14:25.
Xu M et al. Current challenges for the practical application of electroencephalography-based brain-computer interfaces. Engineering. 2021;7(12):1710–1712.
Maiseli B et al. Brain-computer interface: trend, challenges, and threats. Brain Inform. 2023;10(1):20.
Yu P et al. Quantitative influence and performance analysis of virtual reality laparoscopic surgical training system. BMC Med Educ. 2022;22(1):92.
Natheir S et al. Utilizing artificial intelligence and electroencephalography to assess expertise on a simulated neurosurgical task. Comput Biol Med. 2023;152:106286.
Antoniou PE et al. Biosensor real-time affective analytics in virtual and mixed reality medical education serious games: cohort study. JMIR Serious Games. 2020;8(3).
Beauchemin N et al. Enhancing learning experiences: EEG-based passive BCI system adapts learning speed to cognitive load in real time, with motivation as catalyst. Front Hum Neurosci. 2024;18:1416683.
Sano A, Chen W, Lopez-Martinez D, Taylor S, Picard RW. Multimodal ambulatory sleep detection using LSTM recurrent neural networks. IEEE J Biomed Health Inform. 2019;23(4):1607–1617.
Kong G, Li C, Peng H, Han Z, Qiao H. EEG-based sleep stage classification via neural architecture search. IEEE Trans Neural Syst Rehabil Eng. 2023;31:1075–1085.
Yao H, Liu T, Zou R, Ding S, Xu Y. A spatial-temporal transformer architecture using multi-channel signals for sleep stage classification. IEEE Trans Neural Syst Rehabil Eng. 2023;31:3353–3362.
Eldele E et al. Self-supervised learning for label-efficient sleep stage classification: a comprehensive evaluation. IEEE Trans Neural Syst Rehabil Eng. 2023;31:1333–1342.
Ngo HV, Staresina BP. Shaping overnight consolidation via slow-oscillation closed-loop targeted memory reactivation. Proc Natl Acad Sci U S A. 2022;119(44).
Bressler S, Neely R, Yost RM, Wang D, Read HL. A wearable EEG system for closed-loop neuromodulation of sleep-related oscillations. J Neural Eng. 2023;20(5). doi:10.1088/1741-2552/acfb3b.
Gervais C, Hjeij D, Fernandez-Puerta L, Arbour C. Non-pharmacological interventions for sleep disruptions and fatigue after traumatic brain injury: a scoping review. Brain Inj. 2024;38(6):403–416.
Herrero Babiloni A et al. The effects of non-invasive brain stimulation on sleep disturbances among different neurological and neuropsychiatric conditions: a systematic review. Sleep Med Rev. 2021;55:101381.
Victorio M et al. Wearable wireless functional near-infrared spectroscopy system for cognitive activity monitoring. Biosensors (Basel). 2025;15(2):92.
Wen S et al. Rapid adaptation of brain-computer interfaces to new neuronal ensembles or participants via generative modelling. Nat Biomed Eng. 2023;7(4):546–558.
Xia K, Deng L, Duch W, Wu D. Privacy-preserving domain adaptation for motor imagery-based brain-computer interfaces. IEEE Trans Biomed Eng. 2022;69(11):3365–3376.
Xia R, Yang S. Factors influencing the social acceptance of brain-computer interface technology among Chinese general public: an exploratory study. Front Hum Neurosci. 2024;18:1423382.
Goering S et al. Recommendations for responsible development and application of neurotechnologies. Neuroethics. 2021;14(3):365–386.
Ienca M, Andorno R. Towards new human rights in the age of neuroscience and neurotechnology. Life Sci Soc Policy. 2017;13(1):5.
Ajrawi S, Rao R, Sarkar M. Cybersecurity in brain-computer interfaces: RFID-based design-theoretical framework. Inform Med Unlocked. 2021;22. doi:10.1016/j.imu.2020.100489.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

더 많은 논문 탐색

의학 제233호 제233호 빈 값 호 인지 부하 피로도 모니터링 뇌-컴퓨터 인터페이스 뇌전도 EEG 기능적 근적외선 분광법 fNIRS