An out-of-the-lab evaluation of dry EEG technology on a large-scale motor imagery brain-computer interface dataset
Notice bibliographique
Résumé
Abstract Objective . This study assesses the signal quality of state-of-the-art dry electroencephalography (EEG) under highly challenging, uncontrolled, real-world conditions and compares it to conventional wet EEG. Approach . EEG data from 530 participants recorded during a public exhibition were benchmarked against several established signal quality metrics, including spiking activity, kurtosis, auto-mutual information, spectral entropy, gamma-band power, and parameters extracted using the fitting oscillations and one-over F model. Additionally, ICLabel decomposition was applied to quantify artifact influences across EEG channels. Dry electrode results were compared with their equivalents extracted on two control datasets comprising 71 and 80 participants, respectively, recorded with wet EEG systems in laboratory, home, or clinical surroundings. Main results . The analysis revealed condition-specific susceptibility to artifacts for both EEG modalities. The dry EEG system exhibited substantial robustness in moderate-noise scenarios, with artifact profiles comparable to controlled wet EEG recordings. However, recordings obtained in highly dynamic conditions showed increased muscle artifacts and broadband activity, notably in frontal and temporal regions. Wet EEG systems, under controlled conditions, were overall less inflicted by artifacts, yet, fronto-central ocular and muscular artifacts were consistently present. ICLabel analysis further confirmed these findings, indicating similar proportions of brain-related activity across systems (approximately 31%–49.5%), but highlighted increased vulnerability to movement and environmental artifacts in dry EEG during dynamic tasks. Significance . In agreement with recent similar investigations, our findings demonstrate that dry EEG caps have significantly matured, achieving signal quality comparable to wet EEG systems even in challenging real-world conditions, provided appropriate artifact mitigation strategies are employed. These results affirm the practical readiness and broad feasibility of dry EEG technologies for diverse Brain–computer interface applications in naturalistic 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 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 | 0,001 | 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 | 0,001 | 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 ».