Increasing the Mobility of EEG Data Collection Using a Latte Panda Computer
Notice bibliographique
Résumé
Abstract Background Electroencephalography (EEG) experiments often require several computers to ensure accurate stimulus presentation and data collection. However, this requirement can make it more difficult to perform such experiments in mobile settings within, or outside, the laboratory New Method Computer miniaturisation and increasing processing power allow for EEG experiments to become more portable. Our goal is to show that a Latte Panda, a small Windows 10 computer, can be used to accurately collect EEG data in a similar manner to a laptop. Using a stationary bike, we also demonstrate that the Latte Panda will allow for more portable EEG experiments. Results Significant and reliable MMN and P3 responses, event-related potentials (ERPs) typically associated with auditory oddball tasks, were observed and were consistent when using either the laptop or Latte Panda for EEG data collection. Similar MMN and P3 ERPs were also measured in the sitting and stationary biking conditions while using a Latte Panda for data collection. Comparison with Existing Method Data recorded by the Latte Panda computer produced comparable and equally reliable results to the laptop. As well, similar ERPs during sitting and biking would suggest that EEG experiments can be conducted in more mobile situations despite the increased noise and artefacts associated with muscle movement. Conclusions Our results show that the Latte Panda is a low-cost, more portable alternative to a laptop computer for recording EEG data. Such a device will further allow for more portable and mobile EEG experimentation in a wider variety of environments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».