EEG Datasets - Nuevo
Dataset EEG de sueño
Este proyecto busca ayudar a superar las brecha entre la monitorización del sueño con sistemas de polisomnografía clínica (PSG) y la tecnología EEG wearable.
El registro de datos incluye 128 noches de grabaciones simultáneas de un Sistema PSG de la marca Micromed PSG y la banda EEG wearable de Bitbrain Ikon Sleep.
Las etapas del sueño se etiquetaron vía consenso de 3 expertos. Se utilizó un modelo de deep learning para el etiquetado automático de las fases del sueño, tanto con datos PSG como con los de la banda Ikon Sleep. Se obtuvo en ambos casos una coherencia con las etiquetas de los expertos superior al 85%.
El dataset incluye:
- Datos de 128 noches grabadas simultáneamente con PSG y EEG wearable.
- Etiquetas de las etapas de sueño aprobadas por consenso e IA para ambos sistemas.
Dataset EEG Textil
El artículo presenta la primera prenda textil de EEG capaz de medir la actividad cerebral con una precisión comparable a los sistemas de EEG seco de última generación.
El dataset utiliza un EEG textil (banda EEG wearable Ikon de Bitbrain), conectado a un amplificador móvil y probado frente a un sistema estándar de EEG seco.
La innovación radica en una capa de sensores EEG compuesta en su totalidad de hilos y textiles inteligentes, sin metales ni plásticos. El sistema EEG basado en textiles ofrece mayor comodidad, mientras que los resultados muestran registros comparables, aunque con más artefactos en condiciones adversas.
Dataset EEG de sistemas secos y basados en gel y agua
Este estudio analizó si las señales de EEG de las acciones de alcance y agarre podían ser decodificadas con sistemas de EEG móviles.
Estas acciones son esenciales para la interacción y la independencia, y aunque se han estudiado sus correlatos neuronales, su aplicabilidad a sistemas de EEG wearable para uso doméstico sigue siendo un reto.
El dataset incluye la utilización de sistemas de EEG wearable de Bitbrain, el dispositivo de EEG Versatile con sensores de agua y el equipo de EEG Hero con sensores secos. Las grabaciones con sistemas EEG con sensores de gel en un entorno de laboratorio sirvieron como estándar de referencia.
Los resultados confirmaron que las señales EEG eran identificables con sistemas de EEG wearable. Un enfoque de decodificación multiclase reveló señales de baja frecuencia en el dominio del tiempo (LFTD) que eran decodificables, con precisiones del 62,3 % para el dispositivo con sensores de agua, 56,4 % para el equipo con sensores secos y 61,3 % para el sistema basado en sensores de gel.