Your brain on bikes: P3, MMN/N2b, and baseline noise while pedaling a stationary bike
Notice bibliographique
Résumé
Increasingly, there is a trend to measure brain activity in more ecologically realistic scenarios. Normally, the confines of the laboratory and sedentary tasks mitigate sources of electrical noise on EEG measurement. Moving EEG outside of the lab requires understanding of the impact of complex movements and activities on traditional EEG and ERP measures. Here, we recorded EEG with active electrodes while participants were either riding or sitting on a stationary bike in an electrical and sound-attenuated chamber in the lab. Participants performed an auditory oddball task, pressing a button when they detected rare target tones in a series of standard frequent tones. We quantified both the levels of spectral, single-trial baseline, and ERP baseline noise, as well as classic MMN/N2b and P3 ERP components measured during both biking and sitting still. We observed slight increases in posterior high frequency noise in the spectra, and increased noise in the baseline period during biking. However, morphologically and topographically similar MMN/N2b and P3 components were measured reliably while both biking and sitting. A quantification of the power to reliably measure ERPs as a function of the number of trials revealed slight increases in the number of trials needed during biking to achieve the same level of power. Taken in sum, our results confirm that classic ERPs can be measured reliably during biking activities in the lab. Future directions will employ these techniques outside the lab in ecologically valid situations.
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 ».