HEROIC: a platform for remote collection of electroencephalographic data using consumer-grade brain wearables
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The growing number of portable consumer-grade electroencephalography (EEG) wearables offers potential to track brain activity and neurological disease in real-world environments. However, accompanying open software tools to standardize custom recordings and help guide independent operation by users is lacking. To address this gap, we developed HEROIC, an open-source software that allows participants to remotely collect advanced EEG data without the aid of an expert technician. The aim of HEROIC is to provide an open software platform that can be coupled with consumer grade wearables to record EEG data during customized neurocognitive tasks outside of traditional research environments. This article contains a description of HEROIC’s implementation, how it can be used by researchers and a proof-of-concept demonstration highlighting the potential for HEROIC to be used as a scalable and low-cost EEG data collection tool. Specifically, we used HEROIC to guide healthy participants through standardized neurocognitive tasks and captured complex brain data including event-related potentials (ERPs) and powerband changes in participants’ homes. Our results demonstrate HEROIC’s capability to generate data precisely synchronized to presented stimuli, using a low-cost, remote protocol without reliance on an expert operator to administer sessions. Together, our software and its capabilities provide the first democratized and scalable platform for large-scale remote and longitudinal analysis of brain health and disease.
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.
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) | 0,351 | 0,001 |
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 découle