Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł przeglądowy

Deprawa snu, zmęczenie decyzyjne i wydajność klinicznna w szkoleniu medycznym: przegląd narracyjny i perspektywa monitorowania neurofizjologicznego

112 wyświetleń

⸱

DOI:

10.3791/71627

⸱

28 lipca 2026

 ,  ,  , 
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

W tym artykule

Podsumowanie

Niniejsza recenzja narracyjna i perspektywa bada, jak deprywacja snu i zmęczenie decyzyjne wpływają na wydajność kliniczną oraz ocenia monitorowanie oparte na EEG i fNIRS jako koncepcyjne narzędzia do interpretacji i sprzężenia zwrotnego z uwzględnieniem zmęczenia w szkoleniu medycznym.

Streszczenie

Niedostatek snu i zmęczenie decyzyjne to ważne, ale często niedoceniane czynniki wpływające na dzienny poziom wydajności klinicznej. W środowiskach szkoleń medycznych te czynniki zależne od stanu mogą upośledzać uwagę, kontrolę wykonawczą i podejmowanie decyzji, komplikując interpretację obserwowanej kompetencji podczas czuwania. Ta narracyjna recenzja i perspektywa integruje dowody z nauki o snach, neurofizjologii, psychologii i edukacji medycznej, aby zbadać, jak utrata snu i zmęczenie decyzyjne kształtują wydajność kliniczną oraz jak nieinwazyjne podejścia do monitorowania mogą pomóc w kontekstualizowanie tej zmienności. Uważa się elektroencefalografię (EEG) i funkcjonalną spektroskopię w podczerwieni (fNIRS) za potencjalne narzędzia badawcze do charakteryzacji zmian związanych z zmęczeniem w obciążeniu poznawczym i czujności. Przegląd literatury potwierdza silne powiązania między utratą snu, zmęczeniem a upośledzoną funkcjonalnością neurokognitywną, ale zastosowanie monitorowania neurofizjologicznego w czasie rzeczywistym do oceny gotowości w szkoleniach medycznych pozostaje koncepcyjne i wymaga empirycznej walidacji. Proponujemy ramy CBME-BCI-Fatigue jako model perspektywy generujący hipotezy do integracji informacji o stanie fizjologicznym z oceną opartą na kompetencjach, podkreślając jednocześnie ograniczenia związane z ważnością konstrukcyjną, wartością przyrostową, zmiennością indywidualną, wykonalnością i zarządzaniem. Ten model może wpłynąć na przyszłe badania oparte na symulacji i o niskim ryzyku dotyczące świadomego zmęczenia i wsparcia dla uczniów w środowiskach szkoleń klinicznych podatnych na brak snu.

Wprowadzenie

Edukacja medyczna na całym świecie nadal zmierza w kierunku modeli opartych na wynikach, w szczególności na opartych na kompetencjach nauczania medycznym (CBME), które kładą nacisk na wykazywalne umiejętności, a nie na progresję zależną od czasu. Koncepcja kompetencji zawodowej od dawna była dyskutowana w kontekście obserwowalnych zdolności, rozumowania klinicznego, komunikacji, profesjonalizmu i bezpiecznej opieki nad pacjentem1,2. Projekt Wyniki Akredytacyjnej Rady dla Kształcenia Podyplomowego (ACGME), podejścia CanMEDS oraz późniejsza teoria CBME zachęciły edukatorów do wyraźnego definiowania wyników szkoleń i oceny ich w kategoriach przewlekłych3,4. Ostatnie dyskusje kładły nacisk na CBME na pierwszej linii opieki nad pacjentem5. Prace nad wdrożeniem w środowiskach kształcenia licencjackiego, podyplomowego i ciągłego rozwoju zawodowego wskazują również na trwałe wyzwania w zakresie wykonalności, kultury oceny i rozwoju kadry6,7,8,9,10.

W ramach CBME, powierzalne działania zawodowe (EPA) i decyzje o powierzaniu przesunęły ocenę w kierunku ocen opartych na nadzorze11,12,13,14,15. Krzywe uczenia się i analityka uczenia się w dalszym ciągu wspierają przewlekłą interpretację postępu uczniów16,17. Precyzyjna edukacja, paszporty edukacyjne, środowiska uczenia się zorientowane na opanowanie i coaching podkreślają feedback, wsparcie dla uczniów i adaptacyjny nadzór18,19,20,21. Takie podejścia uznają, że kompetencja jest wyprowadzana z wzorców działania w czasie i kontekście, a nie z pojedynczego testu. Jednakże istnieje trwała ślepa plama: obserwowane wyniki nie zawsze odzwierciedlają stabilną podstawową kompetencję. Są one również kształtowane przez tymczasowe stany fizjologiczne i poznawcze, w tym niewystarczający sen, dezorientacja czasowa, obciążenie pracą, stres emocjonalny i zmęczenie decyzyjne22.

Ten problem jest szczególnie istotny w środowiskach klinicznych, gdzie praktykantki pracują nocami, radzą sobie z dużymi ilościami pacjentów, wykonują zabiegi i podejmują powtarzane decyzje w warunkach niepewności. Utrata snu i zmęczenie zostały powiązane z upośledzeniem czujności, kontrolą wykonawczą, szybkością psychomotoryczną, regulacją nastroju i ryzykiem błędów medycznych23,24,25,26,27. Wykonanie zabiegów chirurgicznych i proceduralnych może być szczególnie wrażliwe, ponieważ zależy od zrównoważonej uwagi, precyzji motorycznej i szybkiego osądu sytuacyjnego. Przeglądy i badania symulatorowe łączą niedostatek snu ze zmianami w zwinnieści chirurgicznej i wydajności zarządzania kryzysowego28,29,30. Badania na poziomie pacjenta i poziomie zabiegu pokazują bardziej zróżnicowane wyniki, co podkreśla potrzebę ostrożnej interpretacji31,32,33. Badania nad godzinami służby, w tym iCOMPARE i powiązane badania randomizowane, pokazują, że sen, przejścia, obciążenie pracą, bezpieczeństwo pacjenta i wyniki edukacyjne są wzajemnie zależne, a nie można ich zredukować do pojedynczej zmiennej harmonogramu34,35,36,37,38.

Zmienność wydajności zależna od stanu jest często przejściowa, sytuacyjna i trudna do uchwycenia za pomocą konwencjonalnych narzędzi oceny w miejscu pracy. Epizod słabej wydajności po nocnej zmianie może oznaczać trwałe potrzeby edukacyjne, przejściową niedociągnięcie związane z zmęczeniem, nadmierny obciążeniem pracą, nieodpowiednim nadzorem lub kombinację tych czynników. Monitorowanie neurofizjologiczne zostało zaproponowane jako uzupełniające podejście do charakteryzowania stanu poznawczego podczas uczenia się i praktyki. Elektroencefalografia (EEG) może rejestrować szybkie oscylacje neuronów i reakcje związane z wydarzeniami, podczas gdy spektroskopia funkcjonalna w podczerwieni (fNIRS) może śledzić zmiany hemodynamiczne w korze mózgu, szczególnie w obszarach przedczoła zaangażowanych w kontrolę wykonawczą. Takie modalności mogą dostarczać kontekstowych wskaźników obciążenia pracą, czuj

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przegląd i perspektywa

Zasady wyszukiwania

Niniejszy artykuł został opracowany jako narracyjna recenzja i perspektywa, a nie jako systematyczna recenzja, przegląd zakresu lub metaanaliza. Przeszukaliśmy PubMed, PsycINFO, Web of Science Core Collection i ERIC od powstania bazy danych do 31 grudnia 2025 roku. Słowa kluczowe łączyły koncepcje związane z deprywacją snu, ograniczeniem snu, zmęczeniem, zmęczeniem decyzyjnym, wynikiem klinicznym, edukacją lekarską opartą na kompetencjach (CBME), obciążeniem poznawczym, elektroencefalografią (EEG), funkcjonalną bliskowspółczulną spektroskopią w podczerwieni (fNIRS), interfejsami mózg-komputer (BCI) oraz szkoleniem medycznym. Przeprowadziliśmy również ukierunkowaną aktualizację, aby uwzględnić aktualną literaturę dotyczącą fNIRS, dotyczącą monitorowania snu i zmęczenia.

Źródła zostały wybrane i uporządkowane, gdy bezpośrednio informowały o jednym z czterech obszarów: zmiany związane ze snem lub zmęczeniem w działaniu neurokognitywnym i klinicznym; markery zmęczenia, obciążenia, czujności lub podatności związanej ze snem, wyprowadzone z EEG lub fNIRS; koncepcyjne lub zastosowane prace dotyczące integracji informacji o stanie fizjologicznym w CBME; oraz etyczne lub problemy z wdrożeniem dotyczące użycia edukacyjnego. Źródła nie zostały wybrane, aby zapewnić wyczerpujące pokrycie całej literatury na temat snu, BCI lub neurotechnologii. Nie uwzględniliśmy studiów, które były przede wszystkim podstawową neurologią, inżynierią urządzeń lub terapeutyczną modulacją neuronową, chyba że bezpośrednio informowały o interpretacji związanej z zmęczeniem działań stażysty. Nie przeprowadzono formalnej oceny ryzyka stronniczości ani metaanalitycznego łączenia; wyniki zostały przedstawione opisowo i krytycznie, aby wspierać koncepcyjną, hipotetyczną ramę perspektywy.

Nowatorska kontrybucja i przewidziana publiczność

Nowatorstwo tej recenzji polega na łączeniu kilku powiązanych, ale często osobno omawianych dziedzin literatury - zmęczenia rezydentów, deprywacji snu, zmęczenia decyzyjnego, obciążenia poznawczego, monitorowania neurofizjologicznego i oceny CBME - wokół konkretnego problemu edukacyjnego: jak nauczyciele powinni interpretować obserwowane wyniki kliniczne, gdy stan poznawczy stażysty może być tymczasowo zmieniony przez utratę snu, zmęczenie decyzyjne lub obciążenie. Przewidzianą publicznością są nauczyciele medyczni, lekarze-edukatorzy, dyrektorzy programów i badacze zainteresowani interpretacją związaną z zmęczeniem działań stażysty. Proponowane ramy CBME-BCI-Zmęczenie mają na celu zorganizowanie przyszłych pytań badawczych i wyjaśnienie wymagań dotyczących walidacji, a nie walidację operacyjnego systemu monitorowania czy wsparcie obecnych decyzji dotyczących oceny o wysokiej stawce.

Kompetencja jako dynamiczna wydajność w CBME

Oryginalnym uzasadnieniem dla CBME nie było po prostu stworzenie nowych form oceny, ale dostosowanie edukacji medycznej do potrzeb pacjentów i systemów zdrowotnych. CBME podkreśla postęp w oparciu o kompetencje, indywidualne ścieżki uczenia się i dowody na to, że uczący się mogą wykonywać znaczące czynności kliniczne z odpowiednią nadzorem5,6. Krajowe i regionalne ramy kompetencji, w tym chińskie ramy kompetencji rezydentów i dyskusje o rozwoju talentów i-FIRST, zapewniają strukturalny język dla projektowania programu nauczania, rozwoju uczniów i odpowiedzialności edukacyjnej7,8. Jednocześnie literatura dotycząca wdrożenia CBME zauważa trwałe obawy dotyczące wykonalności, rozwoju kadry, obciążenia oceniającego i ryzyka zredukowania złożonej praktyki zawodowej do zachowania charakterystycznego dla listy kontrolnej9,10.

EPA i decyzje o zaufaniu były szczególnie wpływowe, ponieważ łączą ocenę z klinicznym pytaniem, ile nadzoru wymaga uczeń dla zdefiniowanej aktywności zawodowej11,12,13,14. Wdrażanie EPA pokazuje również, że zaufanie jest osądem dotyczącym ucznia, zadania, kontekstu i poziomu nadzoru; nie jest to po prostu utrwaloną cechą osadzoną w stażyście15. Podobnie, krzywe uczenia się i analityka uczenia się mogą pomóc nauczycielom zidentyfikować ścieżki w czasie, zamiast nadmiernie interpretować pojedyncze punkty danych16,17. Edukacja precyzyjna, paszporty edukacyjne, środowiska uczenia się ukierunkowane na opanowanie umiejętności i coaching dalsze wzmacniają ideę, że ocena powinna wspierać rozwój, informacje zwrotne i adaptacyjne wsparcie18,19,20,21.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wnioski

Deprywacja snu i zmęczenie decyzyjne są uznanymi czynnikami przyczyniającymi się do zmienności zależnej od stanu organizmu w zakresie uwagi, kontroli wykonawczej, sprawności psychomotorycznej oraz podejmowania decyzji klinicznych. W kształceniu medycznym wahania te mogą komplikować interpretację obserwowanych kompetencji, szczególnie w środowiskach o wysokich wymaganiach, takich jak medycyna ratunkowa, intensywna terapia, anestezjologia i chirurgia. Edukacja medyczna oparta na kompetencjach może zatem odnieść korzyść z b...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie deklarują żadnych konfliktów interesów.

Podziękowania

Autorzy z wdzięcznością dziękują kolegom z Katedry Medycyny Intensywnej i Katedry Edukacji w naszej instytucji za wsparcie i dyskusje podczas przygotowywania tego przeglądu. Praca ta była wspierana przez Ogólny Projekt Badań Naukowych Wydziału Edukacji Prowincji Zhejiang (Numer Grantu Y202557476).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Bibliografia

  1. Epstein RM, Hundert EM. Defining and assessing professional competence. JAMA. 2002;287(2):226–235.
  2. McClelland DC. Testing for competence rather than for “intelligence”. Am Psychol. 1973;28(1):1–14.
  3. Swing SR. The ACGME Outcome Project: retrospective and prospective. Med Teach. 2007;29(7):648–654.
  4. Frank JR et al. Competency-based medical education: theory to practice. Med Teach. 2010;32(8):638–645.
  5. Cooper D, Holmboe ES. Competency-based medical education at the front lines of patient care. N Engl J Med. 2025;393(4):376–388.
  6. Caccia N, Nakajima A, Kent N. Competency-based medical education: the wave of the future. J Obstet Gynaecol Can. 2015;37(4):349–353.
  7. 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.
  8. 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.
  9. 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.
  10. Hawkins RE et al. Implementation of competency-based medical education: are we addressing the concerns and challenges. Med Educ. 2015;49(11):1086–1102.
  11. Ten Cate O et al. Entrustment decision making: extending Miller’s pyramid. Acad Med. 2021;96(2):199–204.
  12. 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.
  13. Tekian A et al. Entrustment decisions: implications for curriculum development and assessment. Med Teach. 2020;42(6):698–704.
  14. 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.
  15. 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.
  16. Pusic MV et al. Learning curves in health professions education. Acad Med. 2015;90(8):1034–1042.
  17. 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.
  18. Desai SV et al. Precision education: the future of lifelong learning in medicine. Acad Med. 2024;99(4S Suppl 1)–S20.
  19. Warm EJ et al. The education passport: connecting programmatic assessment across learning and practice. Can Med Educ J. 2022;13(4):82–91.
  20. 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.
  21. 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.
  22. Taylor TS et al. Principles of fatigue in residency education: a qualitative study. CMAJ Open. 2016;4(2)–E204.
  23. Trockel MT et al. Assessment of physician sleep and wellness, burnout, and clinically significant medical errors. JAMA Netw Open. 2020;3(12).
  24. Barger LK et al. Impact of extended-duration shifts on medical errors, adverse events, and attentional failures. PLoS Med. 2006;3(12).
  25. West CP et al. Association of resident fatigue and distress with perceived medical errors. JAMA. 2009;302(12):1294–1300.
  26. 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.
  27. 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.
  28. 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.
  29. 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.
  30. Maltese F et al. Night shift decreases cognitive performance of ICU physicians. Intensive Care Med. 2016;42(3):393–400.
  31. Rothschild JM et al. Risks of complications by attending physicians after performing nighttime procedures. JAMA. 2009;302(14):1565–1572.
  32. Taffinder NJ et al. Effect of sleep deprivation on surgeons’ dexterity on laparoscopy simulator. Lancet. 1998;352(9135):1191.
  33. Howard SK et al. Simulation study of rested versus sleep-deprived anesthesiologists. Anesthesiology. 2003;98(6):1345–1355.
  34. Desai SV et al. Education outcomes in a duty-hour flexibility trial in internal medicine. N Engl J Med. 2018;378(16):1494–1508.
  35. Silber JH et al. Patient safety outcomes under flexible and standard resident duty-hour rules. N Engl J Med. 2019;380(10):905–914.
  36. 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.
  37. 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.
  38. Rahman SA et al. Extended work shifts and neurobehavioral performance in resident physicians. Pediatrics. 2021;147(3). doi:10.1542/peds.2020-009936.
  39. 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.
  40. Lowe CJ, Safati A, Hall PA. The neurocognitive consequences of sleep restriction: a meta-analytic review. Neurosci Biobehav Rev. 2017;80:586–604.
  41. 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.
  42. 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.
  43. 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.
  44. Koa TB, Lo JC. Neurobehavioural functions during variable and stable short sleep schedules. J Sleep Res. 2021;30(4).
  45. 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.
  46. Pignatiello GA, Martin RJ, Hickman RL Jr. Decision fatigue: a conceptual analysis. J Health Psychol. 2020;25(1):123–135.
  47. 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.
  48. 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.
  49. 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).
  50. 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).
  51. So WKY, Wong SWH, Mak JN, Chan RHM. An evaluation of mental workload with frontal EEG. PLoS One. 2017;12(4).
  52. 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.
  53. 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.
  54. 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.
  55. Zeng H et al. A LightGBM-based EEG analysis method for driver mental states classification. Comput Intell Neurosci. 2019;2019:3761203.
  56. 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.
  57. 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.
  58. 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.
  59. 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.
  60. 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.
  61. 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.
  62. 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).
  63. Verweij IM et al. Sleep deprivation leads to a loss of functional connectivity in frontal brain regions. BMC Neurosci. 2014;15(1):88.
  64. 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.
  65. Varandas R et al. Automatic cognitive fatigue detection using wearable fNIRS and machine learning. Sensors (Basel). 2022;22(11):4010.
  66. Cao J, Garro EM, Zhao Y. EEG/fNIRS-based workload classification using functional brain connectivity and machine learning. Sensors (Basel). 2022;22(19):7623.
  67. Hong KS, Khan MJ, Hong MJ. Feature extraction and classification methods for hybrid fNIRS-EEG brain-computer interfaces. Front Hum Neurosci. 2018;12:246.
  68. 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.
  69. Edelman BJ et al. Non-invasive brain-computer interfaces: state of the art and trends. IEEE Rev Biomed Eng. 2025;18:26–49.
  70. Rashid M et al. Current status, challenges, and possible solutions of EEG-based brain-computer interface: a comprehensive review. Front Neurorobot. 2020;14:25.
  71. Xu M et al. Current challenges for the practical application of electroencephalography-based brain-computer interfaces. Engineering. 2021;7(12):1710–1712.
  72. Maiseli B et al. Brain-computer interface: trend, challenges, and threats. Brain Inform. 2023;10(1):20.
  73. Yu P et al. Quantitative influence and performance analysis of virtual reality laparoscopic surgical training system. BMC Med Educ. 2022;22(1):92.
  74. Natheir S et al. Utilizing artificial intelligence and electroencephalography to assess expertise on a simulated neurosurgical task. Comput Biol Med. 2023;152:106286.
  75. 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).
  76. 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.
  77. 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.
  78. 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.
  79. 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.
  80. 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.
  81. 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).
  82. 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.
  83. 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.
  84. 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.
  85. Victorio M et al. Wearable wireless functional near-infrared spectroscopy system for cognitive activity monitoring. Biosensors (Basel). 2025;15(2):92.
  86. 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.
  87. 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.
  88. 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.
  89. Goering S et al. Recommendations for responsible development and application of neurotechnologies. Neuroethics. 2021;14(3):365–386.
  90. Ienca M, Andorno R. Towards new human rights in the age of neuroscience and neurotechnology. Life Sci Soc Policy. 2017;13(1):5.
  91. 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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

MedycynaWydanie 233Wydanie 233Wartość pustaWydanieObciążenie poznawczeMonitorowanie zmęczeniaInterfejs mózg-komputerelektroencefalografiaEEGFunkcjonalna spektroskopia bliskiej podczerwienifNIRS
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.