Введение
В современном мире производительность и эффективность, безусловно, являются ключевыми показателями успеха в работе. Однако перерывы во время рабочего дня необходимы для поддержания физического и психологического благополучия человека. Планируя отдых во время работы, люди ориентируются на привычки и субъективные ощущения, не подкрепленные биологическими измерениями и часто продиктованные количеством задач, а не состоянием организма. Исследование перерывов в работе осложняются неоднородностью дизайнов и методов экспериментов (Scholz et al., 2019). Несмотря на это, было показано, что короткий отдых длительностью до 10 минут позволяет сотрудникам частично восполнить психологические и когнитивные ресурсы, необходимые для решения задачи (Bennett et al., 2019). Существование универсального типа досуга во время перерывов в работе остается сомнительным (Scholz et al., 2018), однако их важность неоспорима.
Функция Productivity приложения Neiry Mind Tracker BCI позволяет определить оптимальное время для работы и отдыха. Она опирается на основные принципы системы «помодоро», но учитывает индивидуальное состояние человека по сигналам электроэнцефалограммы (ЭЭГ). Алгоритм в режиме реального времени вычисляет степень так называемой накопленной усталости, которая определяется сочетанием нескольких ЭЭГ-метрик. Среди них fatigue score, alpha gravity и concentration index. Fatigue score представляет собой отношение суммы спектральной плотности мощности альфа- и тета-ритмов к бета-ритму. Эта метрика традиционно считается показателем утомления (Jap et al., 2009), связанным с невозможностью сконцентрироваться, что, например, было продемонстрировано в исследованиях водителей автомобилей (Jing et al., 2020). Alpha gravity представляет собой соотношение спектральной плотности мощности поддиапазонов альфа-ритма. Concentration index определяет степень концентрации человека на конкретной задаче и рассчитывается как отношение спектральной плотности мощности бета-ритма к альфа-ритму (Freeman et al., 1999; Grammer et al., 2021).
Целью данного исследования стало подтверждение эффективности функции Productivity Mind Tracker BCI для оптимизации рабочего процесса.
Функция Productivity приложения Neiry Mind Tracker BCI позволяет определить оптимальное время для работы и отдыха. Она опирается на основные принципы системы «помодоро», но учитывает индивидуальное состояние человека по сигналам электроэнцефалограммы (ЭЭГ). Алгоритм в режиме реального времени вычисляет степень так называемой накопленной усталости, которая определяется сочетанием нескольких ЭЭГ-метрик. Среди них fatigue score, alpha gravity и concentration index. Fatigue score представляет собой отношение суммы спектральной плотности мощности альфа- и тета-ритмов к бета-ритму. Эта метрика традиционно считается показателем утомления (Jap et al., 2009), связанным с невозможностью сконцентрироваться, что, например, было продемонстрировано в исследованиях водителей автомобилей (Jing et al., 2020). Alpha gravity представляет собой соотношение спектральной плотности мощности поддиапазонов альфа-ритма. Concentration index определяет степень концентрации человека на конкретной задаче и рассчитывается как отношение спектральной плотности мощности бета-ритма к альфа-ритму (Freeman et al., 1999; Grammer et al., 2021).
Целью данного исследования стало подтверждение эффективности функции Productivity Mind Tracker BCI для оптимизации рабочего процесса.
Материалы и методы
Регистрация ЭЭГ и респонденты
В исследовании приняли участие 26 здоровых респондентов (средний возраст 34,59 ± 5.7, mean ± SD), работающие на должностях менеджеров, юристов, аналитиков, логистов и бухгалтеров как из офиса, так и удаленно. Респонденты были выбраны из числа людей, сообщивших о связи своей работы с постоянным стрессом, нагрузкой, концентрацией внимания и обработкой большого количества информации. Перед началом исследования респонденты заполняли короткую анкету, содержащую вопросы о графике работы и некоторых личных особенностях планирования перерывов во время рабочего дня.
Запись ЭЭГ проводилась с помощью устройства Neiry Headband c сухими электродами по четырем каналам — О1, О2, T3, Т4 и частотой дискретизации 250 Гц. Сравнение качества сигнала Neiry Headband с Muse Headband и профессиональным оборудованием для записи ЭЭГ показало, что технология сухих электродов Neiry демонстрирует общую согласованность со стандартами измерений медицинского уровня, а по качеству сигнала значительно превосходит Muse Headband (Kleeva et al., 2023).
Дизайн эксперимента и обработка данных
Респондентам было предложено приехать в офис с личными ноутбуками и провести на исследовании свой рабочий день. На протяжении всего времени работы проводилась непрерывная регистрация активности мозга респондентов. Респонденты находились в комнате по 5–7 человек, но могли по желанию покидать ее во время перерывов. В исследовании принимали участие две группы испытуемых, одна из них работала с функцией Productivity, определяющей длительность их рабочих сессий и перерывов. Контрольная группа самостоятельно выбирала время для отдыха и его продолжительность. Досуг во время перерывов не был регламентирован. Общая длительность исследования, включающая настройку и калибровку оборудования, составила 6 часов — с 10:00 до 16:00.
При анализе данных сравнения метрик ЭЭГ проводились отдельно для всех рабочих сессий и всех перерывов. Для этого непрерывная запись ЭЭГ для каждого испытуемого была разделена на фрагменты, соответствующие работе и перерывам, которые впоследствии объединялись в две отдельные записи, содержащие данные об активности мозга во время всех рабочих сессий и всех периодов отдыха. При сравнении показателей использовались стандартные статистические тесты.
В исследовании приняли участие 26 здоровых респондентов (средний возраст 34,59 ± 5.7, mean ± SD), работающие на должностях менеджеров, юристов, аналитиков, логистов и бухгалтеров как из офиса, так и удаленно. Респонденты были выбраны из числа людей, сообщивших о связи своей работы с постоянным стрессом, нагрузкой, концентрацией внимания и обработкой большого количества информации. Перед началом исследования респонденты заполняли короткую анкету, содержащую вопросы о графике работы и некоторых личных особенностях планирования перерывов во время рабочего дня.
Запись ЭЭГ проводилась с помощью устройства Neiry Headband c сухими электродами по четырем каналам — О1, О2, T3, Т4 и частотой дискретизации 250 Гц. Сравнение качества сигнала Neiry Headband с Muse Headband и профессиональным оборудованием для записи ЭЭГ показало, что технология сухих электродов Neiry демонстрирует общую согласованность со стандартами измерений медицинского уровня, а по качеству сигнала значительно превосходит Muse Headband (Kleeva et al., 2023).
Дизайн эксперимента и обработка данных
Респондентам было предложено приехать в офис с личными ноутбуками и провести на исследовании свой рабочий день. На протяжении всего времени работы проводилась непрерывная регистрация активности мозга респондентов. Респонденты находились в комнате по 5–7 человек, но могли по желанию покидать ее во время перерывов. В исследовании принимали участие две группы испытуемых, одна из них работала с функцией Productivity, определяющей длительность их рабочих сессий и перерывов. Контрольная группа самостоятельно выбирала время для отдыха и его продолжительность. Досуг во время перерывов не был регламентирован. Общая длительность исследования, включающая настройку и калибровку оборудования, составила 6 часов — с 10:00 до 16:00.
При анализе данных сравнения метрик ЭЭГ проводились отдельно для всех рабочих сессий и всех перерывов. Для этого непрерывная запись ЭЭГ для каждого испытуемого была разделена на фрагменты, соответствующие работе и перерывам, которые впоследствии объединялись в две отдельные записи, содержащие данные об активности мозга во время всех рабочих сессий и всех периодов отдыха. При сравнении показателей использовались стандартные статистические тесты.
Результаты и обсуждения
Респонденты и субъективные впечатления от исследования
Согласно проведенному опросу, участники исследования в среднем тратят на работу 42,05 ± 6,9 часов в неделю (mean ± SD), при этом 53,8% респондентов не имели нормированного рабочего графика. Кроме того, все опрошенные сообщили, что иногда работают сверхурочно, а также в выходные. Четкого плана работы придерживались лишь 61,5%, тогда как остальные предпочитали импровизировать. Кроме того, более 70% респондентов сообщили, что часто откладывают задачи на последний момент, не решаются приступить к выполнению новой задачи, сталкиваются с прокрастинацией, зарабатываются настолько, что иногда забывают поесть. 65,7% назвали себя трудоголиками.
Наиболее частыми впечатлением от работы с функцией Productivity Mind Tracker BCI стала недостаточная продолжительность рабочих сессий и перерывов, респондентам хотелось больше времени провести за работой, а потом сделать более длительный перерыв.
Среднее время отдыха и работы
У группы, работающей с функцией Productivity, отдых в среднем занимал 8,25 ± 1,7 минуты, а продолжительность рабочей сессии составила 27,41 ± 4,0 минуты. В среднем за 6 часов работы они сделали 6,7 перерывов. У контрольной группы среднее время отдыха составило 20,08 ± 5,3 минуты, работа занимала 86,67 ± 14,8 минуты. В среднем они делали 3,3 перерыва.
Изменение метрик электроэнцефалограммы
На рисунке 1 представлено изменение усредненных по респондентам значений параметра fatigue во время всего периода работы и отдыха. Для определения наличия трендов в данных использовался статистический тест Манна — Кендалла. На графиках продолжительность времени работы и перерыва отличается для двух экспериментальных групп из-за различий в регламенте рабочего процесса.
Согласно проведенному опросу, участники исследования в среднем тратят на работу 42,05 ± 6,9 часов в неделю (mean ± SD), при этом 53,8% респондентов не имели нормированного рабочего графика. Кроме того, все опрошенные сообщили, что иногда работают сверхурочно, а также в выходные. Четкого плана работы придерживались лишь 61,5%, тогда как остальные предпочитали импровизировать. Кроме того, более 70% респондентов сообщили, что часто откладывают задачи на последний момент, не решаются приступить к выполнению новой задачи, сталкиваются с прокрастинацией, зарабатываются настолько, что иногда забывают поесть. 65,7% назвали себя трудоголиками.
Наиболее частыми впечатлением от работы с функцией Productivity Mind Tracker BCI стала недостаточная продолжительность рабочих сессий и перерывов, респондентам хотелось больше времени провести за работой, а потом сделать более длительный перерыв.
Среднее время отдыха и работы
У группы, работающей с функцией Productivity, отдых в среднем занимал 8,25 ± 1,7 минуты, а продолжительность рабочей сессии составила 27,41 ± 4,0 минуты. В среднем за 6 часов работы они сделали 6,7 перерывов. У контрольной группы среднее время отдыха составило 20,08 ± 5,3 минуты, работа занимала 86,67 ± 14,8 минуты. В среднем они делали 3,3 перерыва.
Изменение метрик электроэнцефалограммы
На рисунке 1 представлено изменение усредненных по респондентам значений параметра fatigue во время всего периода работы и отдыха. Для определения наличия трендов в данных использовался статистический тест Манна — Кендалла. На графиках продолжительность времени работы и перерыва отличается для двух экспериментальных групп из-за различий в регламенте рабочего процесса.
Рисунок 1. Изменения параметра fatigue в течение последовательности всех рабочих периодов (А) и перерывов (Б). Точками обозначены усредненные по группе значения параметра для каждой минуты. Линии соответствуют линейной регрессии, цветом выделена область вокруг них, соответствующая 95%-ному доверительному интервалу.
У обеих групп значение параметра fatigue снижалось на протяжении всей рабочей сессии (z = -5,696, p < 0,001 и z=-7,2945, p < 0,001 для контрольной и Productivity-группы соответственно), однако у группы Productivity этот спад был выражен более ярко, а кроме того, наблюдалось снижение показателя fatigue и во время отдыха (z = -7,205, p < 0,001), тогда как у контрольной группы достоверных изменений выявлено не было. Это может свидетельствовать о том, что группа Productivity меньше уставала от монотонности работы и оставалась более сосредоточенной и сфокусированной на задаче на протяжении всего исследования.
Об увеличении вовлеченности в рабочий процесс группы, работавшей с функцией Productivity, свидетельствуют и изменения индекса концентрации, представленные на рисунке 2.
Об увеличении вовлеченности в рабочий процесс группы, работавшей с функцией Productivity, свидетельствуют и изменения индекса концентрации, представленные на рисунке 2.
Рисунок 2. Изменения индекса концентрации в течение последовательности всех рабочих периодов (А) и перерывов (Б). Точками обозначены усредненные по группе значения параметра для каждой минуты. Линии соответствуют линейной регрессии, цветом выделена область вокруг них, соответствующая 95%-ному доверительному интервалу.
Увеличение индекса концентрации было показано только для группы Productivity (z = 5,571, p < 0,001 для рабочего времени и z = 5,544, p < 0,001 для отдыха), тогда как для контрольной группы достоверных изменений выявлено не было.
Другим показателем, изменения которого наблюдались во время исследования, стал cognitive score (рис. 3). Эта метрика отражает когнитивную нагрузку человека и рассчитывается исходя из индивидуальной пиковой частоты альфа-ритма (Bazanova & Aftanas, 2008). При пиковой частоте альфа-ритма ниже 10 Гц она представляет собой отношение спектральной плотности мощности бета-ритма к сумме спектральной плотности мощности альфа- и тета-ритмов, при пиковой частоте альфа-ритма выше 10 Гц, как отношение спектральной плотности мощности верхнего альфа-диапазона к нижнему альфа-диапазону.
Другим показателем, изменения которого наблюдались во время исследования, стал cognitive score (рис. 3). Эта метрика отражает когнитивную нагрузку человека и рассчитывается исходя из индивидуальной пиковой частоты альфа-ритма (Bazanova & Aftanas, 2008). При пиковой частоте альфа-ритма ниже 10 Гц она представляет собой отношение спектральной плотности мощности бета-ритма к сумме спектральной плотности мощности альфа- и тета-ритмов, при пиковой частоте альфа-ритма выше 10 Гц, как отношение спектральной плотности мощности верхнего альфа-диапазона к нижнему альфа-диапазону.
Рисунок 3. Изменения сognitive score в течение последовательности всех рабочих периодов (А) и перерывов (Б). Точками обозначены усредненные по группе значения параметра для каждой минуты. Линии соответствуют линейной регрессии, цветом выделена область вокруг них, соответствующая 95%-ному доверительному интервалу.
Достоверный рост сognitive score был обнаружен для рабочих периодов группы Productivity (z = 3,368, p < 0,001). Кроме того, сравнение различий сognitive score (рис. 4) в течение 5 минут до и после перерыва показало более сильное снижение этого параметра у группы Productivity (критерий Манна — Уитни, z = 12,0, p < 0,05).
Рисунок 4. Сравнение изменений параметра сognitive score до/после перерыва для контрольной и Productivity-групп. По оси y отложена разность в условных единицах сognitive score.
Это результат может свидетельствовать о более значительном снижении когнитивной нагрузки во время отдыха у группы Productivity и, как следствие, о его большей эффективности.
Заключение
Таким образом, организация рабочего процесса с помощью функции Productivity Mind Tracker BCI способствует снижению значений индексов ЭЭГ, ассоциированных с утомляемостью, увеличению концентрации на рабочем процессе, большей когнитивной нагрузке во время работы и ее снижению во время отдыха. При этом опросы участников исследования показали, что субъективные ощущения о необходимости перерыва сильно отличаются от рекомендации функции Productivity, опирающихся на показатели ЭЭГ. Это может быть связано с привычкой работать в определенном режиме, который, по-видимому, не является оптимальным с точки зрения работы мозга, так как отсутствие своевременного перерыва способствует накоплению усталости и снижению когнитивных функций, которые уже не может восполнить более поздний, хотя и более продолжительный, отдых.
Список литературы
Bazanova, O. M., & Aftanas, L. I. (2008). Individual measures of electroencephalogram alpha activity and non-verbal creativity. Neuroscience and Behavioral Physiology, 38(3). https://doi.org/10.1007/s11055-008-0034-y
Bennett, A. A., Gabriel, A. S., & Calderwood, C. (2019). Examining the Interplay of Micro-Break Durations and Activities for Employee Recovery: A Mixed-Methods Investigation. Journal of Occupational Health Psychology. https://doi.org/10.1037/ocp0000168
Freeman, F. G., Mikulka, P. J., Prinzel, L. J., & Scerbo, M. W. (1999). Evaluation of an adaptive automation system using three EEG indices with a visual tracking task. Biological Psychology, 50(1). https://doi.org/10.1016/S0301-0511(99)00002-2
Grammer, J. K., Xu, K., & Lenartowicz, A. (2021). Effects of context on the neural correlates of attention in a college classroom. Npj Science of Learning, 6(1). https://doi.org/10.1038/s41539-021-00094-8
Jap, B. T., Lal, S., Fischer, P., & Bekiaris, E. (2009). Using EEG spectral components to assess algorithms for detecting fatigue. Expert Systems with Applications, 36(2 PART 1). https://doi.org/10.1016/j.eswa.2007.12.043
Jing, D., Liu, D., Zhang, S., & Guo, Z. (2020). Fatigue driving detection method based on EEG analysis in low-voltage and hypoxia plateau environment. International Journal of Transportation Science and Technology, 9(4), 366–376. https://doi.org/10.1016/J.IJTST.2020.03.008
Kleeva, D., Ninenko, I., & Lebedev, M. (2023). Resting-state EEG recorded with gel-based versus consumer dry electrodes: spectral characteristics and across-device correlations. BioRxiv, 2023.08.09.552601. https://doi.org/10.1101/2023.08.09.552601
Scholz, A., Ghadiri, A., Singh, U., Wendsche, J., Peters, T., & Schneider, S. (2018). Functional work breaks in a high-demanding work environment: an experimental field study. Ergonomics, 61(2). https://doi.org/10.1080/00140139.2017.1349938
Scholz, A., Wendsche, J., Ghadiri, A., Singh, U., Peters, T., & Schneider, S. (2019). Methods in experimental work break research: A scoping review. In International Journal of Environmental Research and Public Health (Vol. 16, Issue 20). https://doi.org/10.3390/ijerph16203844
Bennett, A. A., Gabriel, A. S., & Calderwood, C. (2019). Examining the Interplay of Micro-Break Durations and Activities for Employee Recovery: A Mixed-Methods Investigation. Journal of Occupational Health Psychology. https://doi.org/10.1037/ocp0000168
Freeman, F. G., Mikulka, P. J., Prinzel, L. J., & Scerbo, M. W. (1999). Evaluation of an adaptive automation system using three EEG indices with a visual tracking task. Biological Psychology, 50(1). https://doi.org/10.1016/S0301-0511(99)00002-2
Grammer, J. K., Xu, K., & Lenartowicz, A. (2021). Effects of context on the neural correlates of attention in a college classroom. Npj Science of Learning, 6(1). https://doi.org/10.1038/s41539-021-00094-8
Jap, B. T., Lal, S., Fischer, P., & Bekiaris, E. (2009). Using EEG spectral components to assess algorithms for detecting fatigue. Expert Systems with Applications, 36(2 PART 1). https://doi.org/10.1016/j.eswa.2007.12.043
Jing, D., Liu, D., Zhang, S., & Guo, Z. (2020). Fatigue driving detection method based on EEG analysis in low-voltage and hypoxia plateau environment. International Journal of Transportation Science and Technology, 9(4), 366–376. https://doi.org/10.1016/J.IJTST.2020.03.008
Kleeva, D., Ninenko, I., & Lebedev, M. (2023). Resting-state EEG recorded with gel-based versus consumer dry electrodes: spectral characteristics and across-device correlations. BioRxiv, 2023.08.09.552601. https://doi.org/10.1101/2023.08.09.552601
Scholz, A., Ghadiri, A., Singh, U., Wendsche, J., Peters, T., & Schneider, S. (2018). Functional work breaks in a high-demanding work environment: an experimental field study. Ergonomics, 61(2). https://doi.org/10.1080/00140139.2017.1349938
Scholz, A., Wendsche, J., Ghadiri, A., Singh, U., Peters, T., & Schneider, S. (2019). Methods in experimental work break research: A scoping review. In International Journal of Environmental Research and Public Health (Vol. 16, Issue 20). https://doi.org/10.3390/ijerph16203844