Kilka elektrod na skórze głowy słyszy, jak Twój mózg reaguje na to, co widzisz. Z dokładnością do tysięcznych części sekundy.
rzadki bodziecczęsty bodziec0ms
To prawdziwa średnia reakcja z badania ERP CORE, zapisana elektrodą nad tyłem głowy i zwolniona ok. 3 razy. Poświata na korze pokazuje, jak ta reakcja rozkłada się na skórze głowy, a nie gdzie powstaje. Zestaw EEG na modelu to ilustracja.
Z zapisu, który na pierwszy rzut oka wygląda jak szum, powstaje litera na ekranie, lot drona, przejazd bolidem bez kierownicy i odpowiedź na pytanie, w której sekundzie reklama przyciągnęła uwagę…
Jak elektroda na Twojej głowie słyszy pracę neuronów?
Pojedynczy neuron jest dla elektrody na skórze głowy niesłyszalny. Dzielą je płyn, kość i skóra, a jego sygnał to drobny ułamek tego, co dociera do elektrody. Słychać dopiero tłum.
W korze stoją obok siebie neurony piramidowe, ustawione równolegle jak drzewa w zagajniku. Gdy tysiące z nich dostają sygnał w tej samej chwili, ich drobne prądy sumują się w pole, które da się zmierzyć na skórze głowy. Według modelu taki sygnał może stać się wykrywalny, gdy razem zadziała od 10 do 50 tysięcy komórek (Murakami i Okada, 2006).
Co słyszy elektroda, gdy pracuje jeden neuron, a co, gdy cały obszar kory?
To schemat, a nie pomiar. Liczby pochodzą z modelu Murakamiego i Okady (2006) i z pomiarów Tao i in. (2005), według których sygnał na skórze głowy staje się widoczny dopiero wtedy, gdy w tym samym rytmie pracuje od 10 do 50 tysięcy komórek, czyli obszar kory rzędu 10 cm².
10 cm²kory, która pracuje w tym samym rytmie, wystarcza zwykle, żeby elektroda na skórze głowy ją usłyszała
To mniej więcej kwadrat o boku 3 cm. Zespół Johna Ebersole'a rejestrował jednocześnie sygnał z elektrod leżących na samej korze i z elektrod na skórze głowy. Gdy aktywność obejmowała ponad 10 cm² kory, na skórze widać ją było w 90 na 100 przypadków. Gdy obejmowała mniej niż 6 cm², nie widać jej było nigdy (Tao i in., 2005). Jedna elektroda EEG zbiera więc sygnał z obszaru co najmniej tej wielkości (Buzsáki i in., 2012).
Ta sama fizyka daje EEG największą zaletę. Prąd w tkance płynie natychmiast, więc elektroda odbiera zmianę w chwili, w której zachodzi, z dokładnością do milisekund. Rezonans magnetyczny mierzy coś innego, czyli napływ krwi do pracujących miejsc, a ta odpowiedź osiąga szczyt dopiero po 5-6 sekundach (Glover, 2011).
Kiedy pomiar zauważa reakcję
czas od bodźca do szczytu sygnału, w sekundach
EEG, reakcja na twarz
rezonans magnetyczny
Jak dokładnie pokazuje miejsce
ile centymetrów kory zlewa się w jeden obraz na skórze
EEG, napięcie na skórze
EEG po obliczeniowym wyostrzeniu
Czas reakcji na twarz według ERP CORE (Kappenman i in., 2021), szczyt odpowiedzi w rezonansie według Glovera (2011), rozdzielczość przestrzenna według Burle'a i in. (2015). Każdy panel ma własną skalę.
W zamian EEG słabiej mówi, gdzie coś się dzieje. Czaszka przewodzi prąd znacznie gorzej niż mózg, w modelach przyjmuje się nawet ok. 30 razy gorzej, i rozmywa obraz, przez co na skórze głowy zlewa się w jedno od 5 do 9 cm kory. Obliczeniowe wyostrzenie zapisu zmniejsza ten obszar do 2-3 cm (Burle i in., 2015). EEG odpowiada więc najpierw na pytanie „kiedy”, a dopiero potem „gdzie”.
To, co elektroda słyszy w spoczynku, czyli rytmy alfa, beta i theta, opisuje strona o falach mózgowych. Równie dużo mówi chwila, w której mózg reaguje na konkretną rzecz. Najpierw jednak trzeba założyć zestaw.
Część 1 z 5 · Źródło · 2/3
Porównania sprzętu u ludzi
Czy na badanie EEG musisz iść do szpitala?
Na hasło EEG widzisz pewnie czepek pełen kabli, chłodny żel we włosach i kozetkę w pracowni. Tak nadal wygląda wiele badań, ale do sprawdzenia reakcji na reklamę albo półkę sklepową żel i kable przestały być konieczne.
Obok czepków z żelem są dziś zestawy z suchymi elektrodami, które dotykają skóry przez włosy, i lekkie zestawy bezprzewodowe bez jednego kabla. Badacze porównali suchy i mokry czepek na tych samych osobach, w obu przypadkach z 19 elektrodami. Reakcja na rzadki bodziec przypadała w obu na niemal tę samą chwilę, 396 i 388 milisekund po nim. Suchy czepek zakładało się szybciej, a 74 na 100 osób wolało właśnie jego (Hinrichs i in., 2020).
Zapis da się też wynieść z pracowni. W jednym z badań osoby z lekkim, bezprzewodowym zestawem EEG chodziły na zewnątrz, a komputer rozpoznawał ich reakcję na rzadki dźwięk w 69 na 100 prób, podczas gdy w pomieszczeniu w 77 na 100 (Debener i in., 2012). W przeglądzie badań z mobilnym EEG połowa zestawów miała nie więcej niż 14 elektrod (Niso i in., 2023).
Bezprzewodowy zestaw konsumencki z 14 elektrodami porównano z laboratoryjnym systemem badawczym przy tych samych reakcjach mózgu. Późne reakcje na dźwięk wyszły w obu podobnie, ze zgodnością 0,74-0,80 w skali, w której 1 oznacza zgodność pełną (Badcock i in., 2013). Większe znaczenie od rodzaju sprzętu ma zresztą to, kogo się bada. W porównaniu kilku systemów różnice między osobami odpowiadały za 32 na 100 zmienności wyników, a różnice między systemami za 9 (Melnik i in., 2017).
Czy badania sprzed dekady mówią coś o dzisiejszym sprzęcie? Mówią o nim niewiele, bo pierwsze porównania bezprzewodowego EEG z laboratoryjnym robiono na wczesnych generacjach takich zestawów (Debener i in., 2012; Badcock i in., 2013). Od tamtej pory sprzęt bardzo się zmienił. Przegląd z 2023 roku opisał już 48 bezprzewodowych systemów EEG (Niso i in., 2023), a w porównaniu z 2020 roku suche elektrody dawały reakcje niemal w tych samych chwilach co mokre (Hinrichs i in., 2020). Wyniki starszych badań opisują więc to, co EEG potrafiło wtedy, i nie da się ich wprost przenieść na dzisiejszy sprzęt.
Laboratoria takie jak Neuroinsight Lab nie poprzestają na gotowym sprzęcie. Dopracowują istniejące rozwiązania tak, żeby jeszcze lepiej sprawdzały się tam, gdzie ludzie podejmują prawdziwe decyzje, na przykład przy zakupach w sklepie.
Kolejne zestawy idą jeszcze dalej, bo elektrody zaczynają w nich znikać z widoku.
Część 1 z 5 · Źródło · 3/3
Badania u ludzi i zgłoszenie patentowe
Czy EEG zmieści się w Twoich słuchawkach?
Jedziesz rano do pracy ze słuchawkami w uszach. Zamiast samych głośników mają na końcówkach elektrody, które przez cały czas zapisują pracę Twojego mózgu. Nikt obok nawet tego nie zauważy.
Takie EEG z ucha bada się od ponad dekady. Sygnał z kanału słuchowego jest słabszy niż ze skóry głowy i w jednym z pierwszych badań reakcje na dźwięk były ok. 10 razy słabsze (Kidmose i in., 2013), ale mimo to wystarcza do wielu zadań. Komputer oceniał z elektrod w uchu stadia snu przez 80 nocy, a jego zgodność z oceną specjalisty badacze uznali za znaczną (Mikkelsen i in., 2019). W późniejszym badaniu robił to także w domach badanych (Tabar i in., 2023).
Czy z ucha da się odczytać, kogo słuchasz? Częściowo tak. Gdy osoby słuchały dwóch mówców naraz, z 10 drobnych elektrod naklejonych wokół ucha komputer wskazywał tego, na którym się skupiały, w 69 na 100 przypadków, a pełny czepek w 85 (Mirkovic i in., 2016). Takie elektrody wokół ucha działały przy tym ponad 7 godzin bez pogorszenia kontaktu ze skórą, z zapisem prosto do smartfona (Debener i in., 2015).
Słuchawkami z elektrodami interesuje się już jeden z największych producentów elektroniki. W lipcu 2023 roku opublikowano zgłoszenie patentowe Apple, złożone na początku tego roku. Opisuje końcówkę słuchawki dousznej z wieloma elektrodami, z których urządzenie samo wybiera te o najlepszym kontakcie ze skórą, żeby mierzyć m.in. elektryczną aktywność mózgu (Apple Inc., 2023). Zgłoszenie patentowe nie jest jeszcze produktem, ale pokazuje kierunek.
Drugi kierunek to elektrody, które nakleja się jak tymczasowy tatuaż. Folia elektrody z przewodzącego polimeru miała grubość 1,5 mikrometra, czyli była kilkadziesiąt razy cieńsza od ludzkiego włosa, i rejestrowała pracę mózgu zarówno w EEG, jak i w magnetoencefalografii (Ferrari i in., 2020). Z takiego tatuażu na twarzy zapisano 6 godzin snu w domu (Shustak i in., 2019). W innym badaniu dwie bezprzewodowe naklejki zastąpiły ponad 15 czujników używanych w pracowni snu (Kwon i in., 2023).
Najbliżej badań konsumenckich jest naklejka na czoło. Bezprzewodowy e-tatuaż z baterią ważył 8,1 grama i kosztował poniżej 20 dolarów, a z jego zapisu oceniano obciążenie umysłowe podczas zadania na pamięć roboczą (Huh i in., 2025). To ten sam neurokorelant, który na tej stronie nazywamy przeciążeniem poznawczym.
8,1 gważyła bezprzewodowa naklejka EEG na czoło razem z baterią
Słuchawki z EEG to wciąż kierunek na przyszłość, a zapis z dzisiejszych zestawów już teraz pokazuje, co mózg robi w pierwszej sekundzie po bodźcu.
Część 2 z 5 · Wzorzec · 1/4
Prawdziwe dane, 40 osób
Co robi Twój mózg w pierwszej sekundzie po tym, jak coś zobaczysz?
Spoglądasz na kogoś w tłumie. Zanim pomyślisz, kto to jest, a nawet zanim zauważysz, że patrzysz na twarz, Twój mózg już wie, że to twarz. Trwa to krócej niż mrugnięcie.
W zapisie EEG takie chwile mają nazwy. Każda reakcja to fala o stałym kształcie, która pojawia się w określonym czasie po bodźcu. Litera w nazwie mówi, czy fala idzie w górę (P), czy w dół (N), a liczba, po ilu mniej więcej milisekundach. Ich przebiegi zebrano w otwartej bazie ERP CORE z Kalifornii. Na jej potrzeby 40 osób wykonało sześć klasycznych zadań, a badacze udostępnili wszystkie zapisy (Kappenman i in., 2021).
Wybierz, co pokażesz mózgowi, i obejrzyj jego pierwszą sekundę
Średnie z ERP CORE (Kappenman i in., 2021), wartości dla wybranej elektrody, czas od pokazania bodźca. Dane: ERP CORE, Emily S. Kappenman i Steven J. Luck, licencja CC BY-SA 4.0; wykres na tej samej licencji.
Po ok. 130 milisekundach reakcja mózgu na twarz najbardziej różni się od reakcji na samochód. Widać to nad tyłem głowy po prawej stronie, a samą falę opisano w latach dziewięćdziesiątych jako N170 (Bentin i in., 1996).
130 mspo tylu milisekundach mózg reaguje na zdjęcie twarzy inaczej niż na zdjęcie samochodu
A co, jeśli na coś w ogóle nie zwracasz uwagi? W zadaniu z dźwiękami osoby oglądały niemy film i miały ignorować dźwięki w tle. Mózg i tak wyłapywał każdy dźwięk, który odstawał od reszty, ok. 190 milisekund po nim. Ta fala, MMN, powstaje bez udziału uwagi (Näätänen i in., 2007).
Rzadki bodziec, na który czekasz, wywołuje największą falę w całej sekundzie. Jej szczyt, nazwany P3, wypada ok. 400 milisekund po bodźcu nad tyłem głowy. To ta sama krzywa, która rysuje się w nagłówku tej strony, a opisano ją po raz pierwszy w 1965 roku (Sutton i in., 1965).
Najpóźniej przychodzi sens. Gdy słowo nie pasuje do poprzedniego, fala N400 skręca w dół ok. 300-400 milisekund po nim. Im mniej spodziewasz się słowa, tym głębsza jest fala (Kutas i Hillyard, 1980; Kutas i Federmeier, 2011).
Wszystkie te fale trwają ułamki sekundy i mają po kilka mikrowoltów, czyli są ponad sto tysięcy razy słabsze niż napięcie zwykłej baterii AA. Jak w ogóle da się je zobaczyć?
Część 2 z 5 · Wzorzec · 2/4
Prawdziwe dane i badania metodyczne
Dlaczego jedno Twoje spojrzenie na reklamę mówi tak niewiele?
Pojedynczy zapis po jednym bodźcu wygląda jak szum. Reakcja na twarz ginie w nim jak jeden głos na stadionie. W tym samym czasie oddychasz, mrugasz, przełykasz ślinę i myślisz o kolacji.
Z pomocą przychodzi uśrednianie. Gdy ten sam rodzaj bodźca pojawia się kilkadziesiąt razy, to, co przypadkowe, znosi się, a zostaje to, co wraca zawsze w tej samej chwili. Krzywe w poprzednim rozdziale to średnie z wielu tysięcy prób zebranych od 40 osób (Kappenman i in., 2021).
Ile prób trzeba uśrednić, żeby z szumu wyłoniła się reakcja?
To schemat działania uśredniania, a nie zapis jednej osoby. Kształt fali to średnia P3 z ERP CORE (Kappenman i in., 2021), a szum dodaje strona.
Ile prób potrzeba, zależy od fali. Badacze z Kalifornii policzyli to dla fali, którą mózg wysyła po własnym błędzie. Przy 8 błędnych próbach na osobę badanie wykrywało prawdziwy efekt w ok. połowie przypadków, przy 16 w ponad 80 na 100 (Boudewyn i in., 2018). Znaczenie miała przy tym nie tylko liczba prób, ale też liczba osób i siła samego efektu (Jensen i MacDonald, 2023).
Dlatego dobre badanie EEG pokazuje ten sam materiał, scenę albo rodzaj bodźca wiele razy, a wynik liczy dla grupy. Pojedyncze spojrzenie na reklamę mówi niewiele, a z każdym kolejnym powtórzeniem i każdą kolejną osobą reakcja rysuje się wyraźniej.
Uśredniona fala mówi, że mózg zareagował. Czy mówi też, co pomyślał?
Część 2 z 5 · Wzorzec · 3/4
Definicje i metodologia
Czy EEG przeczyta Twoje myśli?
W filmach wystarczy założyć opaskę, a na ekranie pojawiają się wspomnienia bohatera. Mogłoby się intuicyjnie wydawać, że skoro EEG słyszy mózg, to słyszy też myśli. Słyszy jednak coś innego.
Neurokorelantślad w zapisie, który regularnie pojawia się razem z procesemmierzymy
≠
Myślto, co w tej chwili przeżywasznie odczytujemy
Neurokorelant, czyli korelat neuronalny, to aktywność mózgu, która regularnie towarzyszy danemu procesowi. Mówi, kiedy i jak mózg zareagował, a nie, jaka była treść przeżycia.
Korelat ma w neuronauce ściśle określone znaczenie. Filozof David Chalmers opisał neuronalny korelat świadomości jako najmniejszy układ w mózgu, którego stan odpowiada danemu przeżyciu (Chalmers, 2000). Wszystko zależy od słowa „odpowiada”, bo korelat idzie w parze z procesem, ale nie jest jego zapisem.
Skąd więc wiadomo, co znaczy fala P3? Z eksperymentów, w których z góry ustalono, co i kiedy pojawia się przed oczami osoby badanej. Kłopot zaczyna się przy odwrotnym kierunku, gdy z samej fali chce się wywnioskować, co człowiek myślał. Psycholog Russell Poldrack nazwał to wnioskowaniem wstecz i pokazał, że nie jest ono logicznie pewne. Nawet aktywność w obszarze Broki, kojarzonym z mową, podnosiła szansę, że ktoś akurat zajmował się językiem, tylko z 50 do 69 na 100 (Poldrack, 2006).
Z falami EEG jest podobnie. P3 rośnie przy rzadkim bodźcu, przy zaskoczeniu i przy bodźcu, który jest dla kogoś ważny. Sama fala nie mówi, który z tych powodów zadziałał. Mówi to dopiero sposób, w jaki zaprojektowano badanie, czyli to, co pokazano, komu i w jakiej kolejności. Badacze świadomości pokazali zresztą, że w takich porównaniach łatwo pomylić korelat z tym, co go poprzedza albo z niego wynika (Aru i in., 2012; Koch i in., 2016).
Na tej samej zasadzie działają pisanie spojrzeniem, lot dronem i przejazd bolidem bez kierownicy. Maszyna nie odgaduje myśli, tylko uczy się rozpoznawać kilka wyraźnie różnych stanów mózgu jednej osoby i przypisuje im znaczenie ustalone wcześniej. Tak samo powstają wskaźniki, którymi opisuje się uwagę albo zaangażowanie.
Część 2 z 5 · Wzorzec · 4/4
Badania u ludzi
Z czego da się odczytać Twoją uwagę, zaangażowanie i stres?
Oglądasz ten sam spot dwa razy. Za pierwszym razem z ciekawością, za drugim myśląc o mailu, który czeka na odpowiedź. Na ekranie wszystko jest takie samo, a w zapisie EEG obie projekcje wyglądają inaczej.
Nie widać w nim słowa „ciekawość”. Widać zmiany rytmów nad różnymi częściami kory, które w badaniach regularnie idą w parze z uwagą, wysiłkiem umysłowym czy napięciem. Na nich opierają się neurokorelanty, czyli wskaźniki, z których korzystają badania konsumenckie.
Uwaga
Rytm alfa słabnie nad obszarem kory, który zajmuje się bodźcem, i rośnie nad tym, który mózg w tej chwili wycisza (Foxe i Snyder, 2011). W zadaniu na czujność alfa zaczynała rosnąć nawet 20 sekund przed przegapieniem celu (O'Connell i in., 2009).
Zaangażowanie poznawcze
Wskaźnik opracowano w NASA, żeby automatyka w kokpicie wiedziała, kiedy pilot przestaje śledzić zadanie. Porównuje szybki rytm beta z wolniejszymi alfa i theta (Pope i in., 1995). W nowszym badaniu odróżniał pracę umysłową od odpoczynku w 81 na 100 przypadków (Natalizio i in., 2024).
Przeciążenie poznawcze
Gdy pamięć robocza ma za dużo do utrzymania, theta nad środkiem czoła rośnie, a alfa nad ciemieniem słabnie (Gevins i in., 1997). Wzrost thety przy obciążeniu potwierdziła analiza 24 badań z udziałem 723 osób (Chikhi i in., 2022).
Stres
W stresie rytm alfa słabnie, co pokazało zestawienie 34 badań z udziałem 1213 osób (Vanhollebeke i in., 2022).
Relaks
Rozluźnienie idzie w parze z mocniejszym rytmem alfa. W 56 badaniach nad medytacją uważności alfa i theta zwykle rosły (Lomas i in., 2015).
Zainteresowanie
Gdy coś przyciąga i chce się do tego zbliżyć, lewa część kory czołowej bywa aktywniejsza od prawej. Badacze nazywają to motywacją zbliżania (Harmon-Jones i Gable, 2018).
Panel to schemat działania na przykładowym spocie, a nie zapis z badania. Opisy kart podsumowują wyniki badań nad rytmami EEG.
Czy taki wskaźnik działa u każdego tak samo? Nie zawsze, i od tego w dużej mierze zależy jakość badania. Rytmy różnią się między ludźmi, a te same zmiany mogą wywołać zmęczenie, senność albo napięcie mięśni twarzy. Już lekki skurcz mięśnia zaburzał zapis w paśmie powyżej 12 Hz (Goncharova i in., 2003), a model rozpoznający stres u znanych sobie osób trafiał w 87,6 na 100 przypadków, u nowych w 60,5 (Fu i in., 2022).
Dlatego neurokorelanty mówią najwięcej przy porównaniu momentów tego samego materiału u tej samej osoby, na przykład kolejnych sekund spotu, elementów strony albo wersji opakowania. Ruchy oczu trzeba przy tym odróżnić od pracy mózgu, i tu pomaga eye-tracking. W Neuroinsight Lab własne algorytmy liczą neurokorelanty z EEG, a eye-tracking pokazuje, na co w tej samej chwili patrzyła osoba badana.
Wskaźniki, z których korzystamy, wyrastają z modeli uczenia maszynowego, czyli algorytmów, które uczą się rozpoznawać stany mózgu na wielu nagraniach. Rozwija się je od ponad dziesięciu lat, a producent zestawów, na których pracujemy, zebrał ponad 100 milionów minut zapisów EEG poza laboratorium, w ponad 100 krajach. Nasze algorytmy łączą te wskaźniki z eye-trackingiem i z przebiegiem samego materiału, sekunda po sekundzie.
Ta sama zasada, czyli stan mózgu rozpoznany i zamieniony w polecenie, pozwala sterować maszynami.
Część 3 z 5 · Działanie · 1/4
Eksperymenty z EEG u ludzi
Czy da się pisać bez klawiatury i bez implantu?
Na ekranie stoi 40 pól z literami i każde mruga w swoim tempie. Patrzysz na jedno z nich, a po sekundzie na górze ekranu pojawia się właśnie ta litera. Nie dotykasz niczego.
Kora wzrokowa podchwytuje rytm tego, na co patrzysz. Gdy światło miga 12 razy na sekundę, w zapisie znad tyłu głowy pojawia się rytm o częstotliwości 12 Hz, a przy 13 razach na sekundę rytm 13 Hz. Wystarczy więc, że każda litera miga inaczej, a komputer odczyta z rytmu kory, na którą z nich patrzysz.
Jak komputer odczytuje, na którą literę patrzysz?
Kliknij literę, na którą „patrzysz”.
To schemat według badania Chena i in. (2015), a nie zapis. W badaniu litery migały od 8 do 15,8 razy na sekundę. Na stronie pulsują kilka razy wolniej i łagodnie, bo szybkie miganie może być niebezpieczne dla osób z padaczką światłoczułą. Przy włączonym w systemie ograniczeniu ruchu pola nie pulsują wcale.
Tak zbudowany speller z Pekinu pozwalał pisać nawet do 60 znaków na minutę, czyli ok. 12 słów. Każda litera migała przez 0,5 sekundy, kolejne 0,5 sekundy dostawał wzrok na przejście do następnej, a komputer rozpoznawał właściwą w 91 na 100 przypadków (Chen i in., 2015).
60 znakówna minutę, tyle w najlepszych próbach dało się pisać samym spojrzeniem i zapisem EEG, bez implantu i bez ruchu dłoni
W 1988 roku taki system pozwalał wpisać 2,3 znaku na minutę. Litery rozbłyskiwały tam wierszami i kolumnami, a komputer szukał fali P3, tej samej co w nagłówku tej strony, w chwili rozbłysku właściwej litery (Farwell i Donchin, 1988). Dziś to samo zadanie działa u większości ludzi. Ze 100 osób, które spróbowały spellera opartego na P3, 72,8 na 100 napisało wymagane słowo bez żadnego błędu (Guger i in., 2009).
Przeciętna osoba pisze na klawiaturze komputera ok. 52 słowa na minutę (Dhakal i in., 2018), więc pisanie wzrokiem nie zastąpi klawiatury. Dla kogoś, kto nie może poruszać dłońmi, ma za to ogromne znaczenie.
To po co wszczepiać elektrody do mózgu? Na początku 2024 roku Noland Arbaugh, który od 8 lat nie poruszał rękami ani nogami, dostał implant Neuralink. Ma on 1024 elektrody na 64 nitkach, z których każda jest cieńsza od włosa (Neuralink, 2024a). Nitki wszczepione w korę zbierają sygnały wprost z neuronów, dzięki czemu Arbaugh sterował kursorem tak płynnie, że grał z przyjaciółmi w szachy i w Mario Kart. W pierwszej sesji osiągnął 4,6 bita na sekundę, później 8, a inżynierowie firmy posługujący się myszką mieli ok. 10. Wymagało to jednak operacji, a w pierwszych tygodniach część nitek wysunęła się z mózgu i wyniki chwilowo spadły (Neuralink, 2024b).
Część tego, co obiecują implanty, EEG robi już bez otwierania czaszki. Pisze się spojrzeniem, jak w spellerze z Pekinu, z wynikiem do 5,32 bita na sekundę (Chen i in., 2015). Dwie z trzech osób z porażeniem nauczyły się jeździć wózkiem sterowanym EEG (Tonin i in., 2022), a 68 osób w kolejnych sesjach coraz płynniej prowadziło ramię robota (Edelman i in., 2019). Zadania w tych badaniach były inne niż w teście Neuralinka, więc liczby nie są wprost porównywalne. Jedna różnica jest za to zasadnicza, bo EEG zakłada się w kilka minut i zdejmuje po badaniu, a implant wymaga operacji mózgu.
Część 3 z 5 · Działanie · 2/4
Eksperymenty z EEG u ludzi
Czy przelecisz dronem przez pierścień, nie ruszając ręką?
W hali wiszą dwa pierścienie. Między nimi lata mały dron, a osoba w czepku EEG siedzi bez ruchu i patrzy na niego. Dron skręca w lewo, wznosi się i przelatuje przez pierścień.
Badacze z Minnesoty nauczyli tego 5 osób. Każda wyobrażała sobie ruch lewej dłoni, prawej albo obu naraz, a komputer zamieniał te wyobrażenia na skręt w lewo, w prawo i wznoszenie drona. Najlepsza osoba trafiała w 90,5 na 100 celów (LaFleur i in., 2013).
90,5 na 100celów trafiała najlepsza osoba, sterując dronem wyłącznie wyobrażonym ruchem dłoni
Na razie nie jest to szybsze niż zwykły pilot. W ciągu 4 minut osoby przelatywały przez średnio 3,1 pierścienia, a z klawiaturą przez 12 (LaFleur i in., 2013). Przed lotem trenowały w symulatorze łącznie ok. 5 godzin przez 3 miesiące. Badanie pokazało jednak, że wyobrażony ruch dłoni da się zamienić na lot w trzech wymiarach.
W kolejnych badaniach łączono kilka sygnałów naraz. Gdy do wyobrażenia ruchu dodano migające pola, jak w spellerze z Pekinu, dron przelatywał przez bramkę w 92 na 100 prób (Duan i in., 2019). Strona o falach mózgowych pokazuje na prawdziwym zapisie, jak działa samo wyobrażenie ruchu i jak cichnie przy nim rytm nad korą ruchową.
Dron w hali leci powoli. Sterowanie bez użycia rąk sprawdzono jednak także przy znacznie większej prędkości, na torze wyścigowym.
Część 3 z 5 · Działanie · 3/4
Relacje prasowe i eksperymenty u ludzi
Czy da się prowadzić bolid F1 samymi myślami?
Bolid Formuły 1 rusza z miejsca, choć nie ma kierownicy ani pedałów. W kokpicie siedzi człowiek, który od 18. roku życia nie porusza rękami ani nogami. Na głowie ma bezprzewodowy zestaw EEG.
Przejazd Rodriga Hübnera Mendesa, Velo Città, Mogi Guaçu (Brazylia), 2017. Film udostępniony w serwisie YouTube.
Rodrigo Hübner Mendes przejechał tak w 2017 roku tor Velo Città w Brazylii. Przejazd przygotowała telewizja Globo z instytutem, który Mendes prowadzi, a pracowało przy nim ponad 100 osób. Według organizatorów była to pierwsza jazda bolidem F1 prowadzonym przez osobę z tetraplegią (Meio & Mensagem, 2017). Bolid nie miał kierownicy, dźwigni zmiany biegów ani pedałów (London, 2018).
Jak „pomyśleć” skręt w prawo? Mendes opowiadał, że żeby przyspieszyć, wyobrażał sobie, że świętuje gola, a żeby skręcić w prawo, że je coś pysznego (Goodwood, b.d.). Nie były to myśli „jedź” i „skręć”, tylko wyraźnie różne stany mózgu, które komputer nauczył się u niego rozpoznawać i którym przypisano polecenia. Działa to dokładnie tak, jak opisuje karta „Neurokorelant ≠ myśl”.
Rok później, na forum w Dubaju, Mendes zaproponował wyścig Lewisowi Hamiltonowi. Mistrz świata zgodził się wstępnie i od razu zaznaczył, że też chce jechać z zestawem EEG (London, 2018).
Nauka szuka dla EEG w samochodzie innej roli. Zamiast odbierać kierowcy kierownicę, ma mu pomóc szybciej zareagować. W symulatorze 18 osób jechało wirtualnym autem wyścigowym 100 km/h, 20 metrów za innym samochodem, który co jakiś czas gwałtownie hamował. Zamiar hamowania awaryjnego widać było w EEG, zanim stopa dotknęła pedału (Haufe i in., 2011).
Ile metrów hamowania zyskałby Twój mózg?
Gdy światła stopu przed Tobą zaświecą się na czerwono, naciśnij spację albo dotknij ekranu najszybciej, jak potrafisz.
Demonstracja przelicza Twój czas reakcji na drogę przy 100 km/h i pokazuje, ile metrów mniej wyszłoby, gdyby hamowanie ruszyło 130 milisekund wcześniej, jak w badaniu Haufego i in. (2011). Badani jechali w symulatorze, a tu wystarczy przycisk. Wyniki zostają w Twojej przeglądarce i nigdzie nie trafiają.
3,66 mkrótszej drogi hamowania przy 100 km/h daje rozpoznanie zamiaru hamowania z EEG i mięśni nogi o 130 milisekund wcześniej
System łączący EEG z pomiarem napięcia mięśni nogi rozpoznawał hamowanie awaryjne o 130 milisekund wcześniej niż system, który czekał na pedał. Przy 100 km/h to 3,66 metra krótszej drogi hamowania, czyli długość małego samochodu (Haufe i in., 2011). Ten sam zespół powtórzył badanie w prawdziwym aucie na torze (Haufe i in., 2014).
W wyścigach EEG może też mierzyć samego kierowcę. W badaniu z 2026 roku 15 kierowców jechało w symulatorze po wirtualnym torze Silverstone, a 4 elektrody śledziły ich obciążenie umysłowe w czasie jazdy (Terapaptommakol i in., 2026).
Część 3 z 5 · Działanie · 4/4
Eksperymenty z EEG u ludzi
Czy komputer może wiedzieć, że się pomylił, zanim mu to powiesz?
Kursor na ekranie skręca w złą stronę. Nic nie mówisz i nie klikasz, ale Twój mózg już zareagował. Wystarczyło, że zobaczył błąd.
Badacze ze Szwajcarii poprosili 5 osób, żeby sterowały kursorem klawiszami, a komputer co piąty raz celowo przesuwał go w złą stronę. System rozpoznawał z EEG ok. 79 na 100 takich pomyłek, i to na podstawie zapisu sprzed 3 miesięcy (Ferrez i Millán, 2008). Reakcja na cudzy błąd pojawia się w zapisie ok. 200-300 milisekund po nim (Chavarriaga i in., 2014).
Czy da się sterować komputerem, nie wiedząc o tym? Zespół z Berlina poprosił 19 osób, żeby tylko patrzyły, jak kursor wędruje po siatce w stronę celu. Nikt nie wiedział, że komputer odczytuje z EEG, czy dany ruch wydał się osobie dobry, czy zły. Z tą wiedzą kursor docierał do celu średnio w 13 ruchach zamiast 27 (Zander i in., 2016).
13 zamiast 27ruchów potrzebował kursor, gdy komputer odczytywał z EEG reakcję patrzącej osoby, choć ona sama nie wiedziała, że nim steruje
Takie ukryte sterowanie jest najbliżej tego, co dzieje się w badaniach konsumenckich, bo tam też nikt nie wydaje poleceń. Mózg reaguje na to, co widzi, a pomiar wyłapuje tę reakcję mimochodem. Czy w ten sam sposób da się sprawdzić, co się komuś podoba?
Część 4 z 5 · Ocena · 1/3
Badania z EEG u ludzi
Czy EEG wybierze Ci perfumy?
Wąchasz różę, a chwilę później coś zgniłego. Takie dwa zapachy EEG rozróżnia prawie bez pomyłek, bo u 13 osób komputer odróżniał je z zapisu w 99,9 na 100 przypadków (Hou i in., 2022).
A gdy zapachy różnią się mniej? Wtedy zadanie robi się trudniejsze. W badaniu z udziałem 23 osób komputer dzielił zapachy na przyjemne, neutralne i nieprzyjemne, a zgodność z oceną samych badanych była umiarkowana. Najtrudniej było odróżnić zapach przyjemny od neutralnego (Kroupi i in., 2016). U 29 kobiet testujących kremy reakcje z EEG wiązały się z ich ocenami, choć słabo (Cheon i in., 2025).
To dobra wiadomość dla każdego, kto projektuje produkt. EEG jest najczulsze tam, gdzie produkty wyraźnie się różnią, a przy wersjach bardzo do siebie podobnych potrzebuje więcej osób i powtórzeń. Nie ma też jednej „fali przyjemności”, którą wystarczy odczytać. W badaniach nad zapachami ten sam rytm w jednych pracach rósł, a w innych słabł (Sowndhararajan i Kim, 2016).
Jeszcze ciekawiej robi się wtedy, gdy zamiast pytać, co spodoba się jednej osobie, pytamy, co spodoba się milionom.
Część 4 z 5 · Ocena · 2/3
Badania z EEG u ludzi
Czy mózgi kilkudziesięciu słuchaczy wiedzą, która piosenka stanie się hitem?
Słuchasz nowej piosenki i uznajesz, że jest w porządku. Twoja ocena niewiele jednak zdradza o tym, czy piosenka się przyjmie, a zgranie mózgów kilkudziesięciu słuchaczy zdradza więcej.
W jednym z badań 30 osób słuchało 24 piosenek przy nagrywanym EEG. Liczyło się to, jak bardzo reakcje mózgów różnych osób szły w tych samych chwilach w tę samą stronę. Ta synchronia wyjaśniała ok. 40 na 100 różnic w liczbie późniejszych odtworzeń piosenek w serwisie streamingowym. Deklaracje tych samych osób nie przewidywały ich w istotny sposób (Leeuwis i in., 2021).
Jak obstawiasz, co lepiej przewidzi sukces, pytanie czy mózg?
Piosenki i odtworzenia w serwisieEEG: ok. 40 na 100 wyjaśnionych różnic, deklaracje: wynik nieistotny (Leeuwis i in., 2021)
Zwiastuny i sprzedaż biletówzgranie EEG w sali kinowej: r = 0,68, oceny widzów: r = 0,43 (Barnett i Cerf, 2017)
Zwiastuny i wpływy kasowe w USAdeklaracje: 1 na 100 wyjaśnionych różnic, z dodanym EEG: 3 na 100 (Boksem i Smidts, 2015)
Reklamy i ich oceny przez widownięEEG 12 osób: 66 na 100 wyjaśnionych różnic, deklaracje tej grupy: 59 (Dmochowski i in., 2014)
Każde badanie mierzyło sukces inaczej, więc liczby porównuj tylko w obrębie jednego wiersza.
W kinie, przy 13 zwiastunach, im bardziej zgrane były zapisy EEG 58 widzów, tym więcej biletów sprzedał potem film. Zgranie mózgów wiązało się ze sprzedażą wyraźniej niż oceny tych samych widzów (Barnett i Cerf, 2017). Zgranie oznacza, że materiał w tych samych chwilach porusza wielu ludzi naraz, niezależnie od tego, co potem o nim powiedzą.
Badacze z Rotterdamu pokazali 29 osobom 18 zwiastunów. Deklarowana chęć zapłaty za bilet wyjaśniała zaledwie 1 na 100 różnic we wpływach kasowych filmów w USA. Po dodaniu zapisu EEG z szybkiego rytmu gamma nad czołem było to 3 na 100 (Boksem i Smidts, 2015). Autorzy przypominają, że przy budżetach filmów rzędu dziesiątek milionów dolarów nawet takie trzykrotne poprawienie prognozy ma znaczenie.
Skoro tak, czy nie lepiej po prostu przestać pytać ludzi i od razu zakładać im czepki?
Część 4 z 5 · Ocena · 3/3
Porównania metod
Czy Twój mózg nie kłamie, a ankieta tak?
„Mózg nie kłamie” to jedno z ulubionych haseł neuromarketingu. Badania pokazują jednak, że mózg i ankieta nie są tu przeciwnikami, bo każde z nich odpowiada na inne pytanie.
Gdy chodzi o wybór jednej osoby, jej własne słowa bywają bardzo trafne. W jednym z badań przewidywano, który z dwóch produktów ktoś wybierze. Na podstawie samego EEG badacze trafiali w ok. 60 na 100 przypadków, a na podstawie rankingu, który osoba sama ułożyła, w 88 (Telpaz i in., 2015). Gdy zestawiono kilka metod przy prognozie skuteczności reklam, EEG mierzone w tamtym badaniu nie dodało nic ponad ankietę (Venkatraman i in., 2015). Oba porównania zrobiono jednak ponad dziesięć lat temu, na ówczesnym sprzęcie i ówczesnymi metodami analizy.
Pytaniemówi, co ktoś myśli o reklamie i co zamierza zrobićco i dlaczego
≠
Pomiarpokazuje, w której sekundzie i na co reagował mózgkiedy i jak
Pytanie i pomiar odpowiadają na różne pytania. Razem przewidują wybór lepiej niż każde z osobna (Hakim i in., 2021).
Po co więc w ogóle EEG? Bo ankieta mówi, co ktoś myśli o reklamie po jej obejrzeniu, a pomiar pokazuje, w której sekundzie coś się zmieniło. Gdy do odpowiedzi z ankiety dodano kilka miar z EEG, trafność przewidywania wyboru wzrosła z 64 do 68,5 na 100, a błąd prognozy dla całego rynku spadł o ok. 13 na 100 (Hakim i in., 2021).
Liczy się też to, jak pomiar jest zrobiony. Gdy kilka firm zmierzyło swoimi metodami „zaangażowanie” przy tych samych 8 reklamach, ich rankingi prawie się ze sobą nie zgadzały (Varan i in., 2015). Nazwa wskaźnika nie mówi więc jeszcze nic o jego wartości. Świadczy o niej dopiero metoda, która za nim stoi, i to, czy widać, na co osoba w tej chwili patrzyła.
Część 5 z 5 · Badanie · 1/2
Badania z EEG i eye-trackingiem
Na co patrzyły Twoje oczy w chwili, gdy mózg zareagował?
Stoisz przed półką z jogurtami. Twój wzrok skacze po opakowaniach trzy, cztery razy na sekundę, a każde spojrzenie trwa zwykle 200-300 milisekund (Nikolaev i in., 2016). Mózg często potrzebuje więcej czasu, żeby zareagować na to, co właśnie mignęło Ci przed oczami.
Zespół Olafa Dimigena nagrywał jednocześnie EEG i ruch oczu 30 osobom, które czytały zdania. Reakcja na słowo, którego się nie spodziewały, osiągała szczyt 384 milisekundy po pierwszym spojrzeniu na nie. W tej chwili w 96 na 100 przypadków oko zdążyło już skończyć pierwsze spojrzenie na to słowo, a w 75 na 100 patrzyło już na następne (Dimigen i in., 2011).
96 na 100razy oko zdążyło już zakończyć pierwsze spojrzenie na niespodziewane słowo, gdy mózg osiągał szczyt reakcji na nie
Bez eye-trackingu nie wiadomo więc, na co mózg reagował. Z nim można cofnąć się do chwili, w której wzrok padł na dany element, i sprawdzić, co działo się w mózgu w kolejnych milisekundach. Już ok. 150 milisekund po spojrzeniu EEG odróżnia szukany obiekt od przypadkowego (Kamienkowski i in., 2012).
Kliknij miejsce, na które padł wzrok, i sprawdź reakcję mózgu
To schemat działania połączonego pomiaru na wymyślonej półce, a nie zapis z badania.
Eye-tracking pomaga też oczyścić sam zapis. Każdy ruch oka zostawia w EEG ślad, a znając chwile spojrzeń, komputer wskazywał takie ślady prawie bezbłędnie (Plöchl i in., 2012). Połączenie obu pomiarów poprawia też przewidywanie decyzji. Przy pytaniu „kupi czy nie kupi” samo EEG trafiało w 74 na 100 przypadków, sam eye-tracking w 65, a oba razem w 84 (Usman i in., 2025).
Kupi czy nie kupi?
trafne przewidywania na 100; przerywana linia to zgadywanie
Idziesz z koszykiem przez sklep, w którym robisz zakupy co tydzień. Na nosie masz lekkie okulary do eye-trackingu, na głowie bezprzewodowy zestaw EEG. Nikt nie mówi Ci, na co patrzeć ani co włożyć do koszyka.
Tak wygląda badanie, które najwierniej oddaje prawdziwą decyzję. Na ekranie w pracowni ogląda się produkty w ciszy i bez pośpiechu, a na półce w sklepie każdy z nich walczy o uwagę z dziesiątkami innych, w hałasie i w biegu. Gdy te same produkty sprawdzono przy komputerze i na prawdziwej półce, w sklepie wyraźnie liczyło się też to, w którym miejscu stała marka i jak silna była (Bialkova i in., 2020).
Z reklamą telewizyjną jest podobnie. Wieczorem ogląda się ją na kanapie, z telefonem w dłoni i rozmową w tle, więc badamy ją właśnie tam, w salonie przed telewizorem. Im wierniej badanie odtwarza naturalne warunki, tym bliżej prawdziwych decyzji są jego wyniki.
W Neuroinsight Lab, które razem z NeuroEfektywnie tworzy Atlas mózgu, w każdym projekcie łączymy EEG z eye-trackingiem. Eye-tracking w okularach rejestruje ruch oczu 200 razy na sekundę i pokazuje, na co patrzy osoba badana. EEG pokazuje, jak w tej samej chwili reaguje jej mózg. Własne algorytmy liczą z zapisu neurokorelanty, takie jak uwaga, zainteresowanie, zaangażowanie poznawcze, przeciążenie poznawcze, stres i relaks, opisane w rozdziale o neurokorelantach.
Takie badania robimy tam, gdzie zapadają decyzje, czyli w sklepie przed półką, w domu przed telewizorem, w hali lotniska albo przed ekranem z aplikacją banku. Sprawdzamy reklamy w telewizji, internecie i na ulicy, ekspozycje w sklepie, opakowania, strony i aplikacje, ceny, przestrzenie i komunikaty o bezpieczeństwie.
Reklama
W której sekundzie spot traci uwagę?
Pokazujemy linię uwagi i przeciążenia na osi czasu spotu, a obok kadr, na który wtedy patrzyli widzowie.
Opakowanie
Czy logo zobaczą na półce, a nie tylko na zdjęciu?
Śledzimy ścieżkę wzroku przy prawdziwej półce i reakcję w chwili, gdy wzrok trafia na markę.
Strona i aplikacja
Gdzie ludzie gubią się po drodze do zakupu?
Wskazujemy miejsca, w których rośnie przeciążenie, zanim ktoś porzuci koszyk.
Przestrzeń
Czy oznakowanie prowadzi, czy męczy?
Badamy w terenie, na lotnisku, w galerii albo w szpitalu, bez laboratorium.
Jedno z naszych badań pokazało, że sam wzrok nie wystarcza. Przycisk na stronie był w eye-trackingu dobrze widoczny, a mimo to ludzie go nie klikali. Dopiero rozmowy z badanymi ujawniły, że przycisk wydawał się im dziwny. Dlatego w Neuroinsight Lab zawsze proponujemy połączenie metod.
Dla dociekliwych
Skąd elektroda wie, co robi Twoja kora?
Gdy neuron piramidowy dostaje sygnał na długim wypustku, który sięga w stronę powierzchni kory, do komórki wpływają jony. W jednym miejscu robi się więcej ładunku dodatniego, w drugim ujemnego, i komórka na chwilę staje się drobnym dipolem, czyli źródłem prądu z dwoma biegunami. Pojedynczy dipol jest bardzo słaby. Według modelu, żeby elektroda na skórze coś zarejestrowała, musi zadziałać naraz od 10 do 50 tysięcy takich komórek (Murakami i Okada, 2006).
Elektroda słyszy przede wszystkim wolniejsze prądy po stronie odbiorczej neuronu. Trwają dłużej niż impulsy, które neuron wysyła dalej, więc łatwiej się sumują, a ułożenie komórek równolegle sprawia, że się nie znoszą (Buzsáki i in., 2012). Dlatego EEG najlepiej słyszy korę leżącą blisko czaszki, a znacznie gorzej struktury położone głęboko w mózgu.
Elektroda mierzy zawsze różnicę napięć względem innego punktu, zwykle elektrody odniesienia. Prąd rozchodzi się w tkankach głowy na boki, więc każda elektroda słyszy też sąsiednie obszary. Obliczenie, ile prądu wpływa i wypływa w danym miejscu skóry głowy, częściowo cofa to rozmycie i zawęża obraz do 2-3 cm (Burle i in., 2015).
Co z tego wynika
Co możesz zrobić z tą wiedzą? Dziewięć wniosków z badań, od elektrody po decyzję.
Źródło
EEG słyszy tłum neuronów, a nie pojedyncze komórki
Na skórze głowy widać aktywność, która obejmuje zwykle ponad 10 cm² kory pracującej razem (Tao i in., 2005; Buzsáki i in., 2012).
Czas
Najmocniejszą stroną EEG jest czas
Reakcja na twarz pojawia się po ok. 0,13 sekundy, a sygnał w rezonansie magnetycznym osiąga szczyt po 5-6 sekundach (Kappenman i in., 2021; Glover, 2011).
Sprzęt
Dobry zapis można zrobić także poza laboratorium
Suche elektrody dają reakcje niemal w tych samych chwilach co mokre, a zapis udaje się także w ruchu i na zewnątrz (Hinrichs i in., 2020; Debener i in., 2012).
Wzorzec
Wiarygodność rośnie z liczbą powtórzeń i osób
Pojedyncza próba ginie w szumie, a fala wyłania się dopiero z uśrednienia wielu prób i wielu ludzi (Boudewyn i in., 2018).
Neurokorelant
EEG nie czyta myśli, tylko rozpoznaje stany
Ślad w zapisie towarzyszy procesowi, ale wnioskowanie z samego śladu wymaga dobrze zaprojektowanego badania (Chalmers, 2000; Poldrack, 2006).
Sterowanie
Rozpoznany stan da się zamienić w polecenie
Tak działa pisanie spojrzeniem, lot drona i przejazd bolidem bez kierownicy (Chen i in., 2015; LaFleur i in., 2013; Meio & Mensagem, 2017).
Szybkość
Mózg bywa szybszy niż ciało
System łączący EEG z pomiarem mięśni nogi rozpoznawał hamowanie awaryjne 130 milisekund wcześniej niż system czekający na pedał (Haufe i in., 2011).
Marketing
Zgranie mózgów widowni mówi o sukcesie więcej niż ich słowa
Synchronia EEG przewidywała odtworzenia piosenek i sprzedaż biletów lepiej niż deklaracje (Leeuwis i in., 2021; Barnett i Cerf, 2017).
Badanie
Pomiary uzupełniają się nawzajem
Eye-tracking mówi, na co ktoś patrzył, a EEG, jak w tej chwili zareagował mózg. Razem przewidywały decyzję lepiej niż osobno, a EEG dodane do ankiety poprawiało jej trafność (Dimigen i in., 2011; Usman i in., 2025; Hakim i in., 2021).
Źródła i siła dowodów
Na ile możesz na tym polegać?
Dobrze potwierdzone. Fizyczne źródło sygnału EEG i jego rozdzielczość czasowa (Buzsáki i in., 2012; Burle i in., 2015), przebiegi klasycznych potencjałów wywołanych, powtórzone w otwartym zbiorze ERP CORE (Kappenman i in., 2021), oraz działanie spellerów opartych na P3 i na migających polach u większości użytkowników (Guger i in., 2009; Guger i in., 2012; Lee i in., 2019).
Wyniki z pojedynczych zespołów. Lot dronem (LaFleur i in., 2013), wykrywanie zamiaru hamowania (Haufe i in., 2011; Haufe i in., 2014) i sterowanie kursorem mimochodem (Zander i in., 2016) opisały pojedyncze zespoły na kilku do kilkunastu osobach. Rozpoznawanie hamowania awaryjnego w symulatorze powtórzył później inny zespół (Liang i in., 2023).
Neurokorelanty. Wskaźniki uwagi, zaangażowania, przeciążenia, stresu, relaksu i zainteresowania opierają się na zmianach rytmów, które w badaniach regularnie towarzyszą tym stanom. Te same zmiany mogą wywołać senność, zmęczenie albo napięcie mięśni, a modele rozpoznają stany najpewniej u osób, na których zostały dopasowane (Goncharova i in., 2003; Fu i in., 2022). Przy zainteresowaniu i asymetrii czołowej wyniki badań są niejednoznaczne (Harmon-Jones i Gable, 2018; Ramsøy i in., 2018).
Preferencje i rynek. Związek EEG z sukcesem piosenek, zwiastunów i reklam pokazano w kilku niezależnych badaniach (Dmochowski i in., 2014; Boksem i Smidts, 2015; Barnett i Cerf, 2017; Leeuwis i in., 2021). W starszych porównaniach, z 2015 roku, EEG nie poprawiło prognoz ponad ankietę (Venkatraman i in., 2015; Telpaz i in., 2015), a firmy mierzące „zaangażowanie” różnymi metodami dochodziły do różnych wyników (Varan i in., 2015).
Sprzęt. Część badań sprzętowych i porównań z ankietą pochodzi sprzed dekady (Debener i in., 2012; Badcock i in., 2013; Venkatraman i in., 2015), gdy bezprzewodowe EEG było młodą technologią. Nowsze porównania wypadają dla niego lepiej (Hinrichs i in., 2020), a liczba dostępnych systemów szybko rośnie (Niso i in., 2023).
Przyszłość. EEG z ucha i z elektrod naklejanych sprawdzano dotąd głównie przy śnie i prostych zadaniach, często na kilku do kilkunastu osobach (Kaongoen i in., 2023). Słuchawki z elektrodami są na razie zgłoszeniem patentowym (Apple Inc., 2023).
Implanty. Wyniki implantu Neuralink pochodzą z komunikatu firmy, a nie z publikacji naukowej (Neuralink, 2024b).
Relacje prasowe. Przejazd bolidem F1 i zapowiedź wyścigu z Lewisem Hamiltonem są znane z relacji prasowych i nagrania, a nie z publikacji naukowej (Meio & Mensagem, 2017; London, 2018; Goodwood, b.d.).
Bibliografia
Apple Inc. (2023). Biosignal sensing device using dynamic selection of electrodes (Zgłoszenie patentowe US 2023/0225659 A1, opublikowane 20 lipca 2023). United States Patent and Trademark Office. https://patents.google.com/patent/US20230225659A1
Aru, J., Bachmann, T., Singer, W., & Melloni, L. (2012). Distilling the neural correlates of consciousness. Neuroscience & Biobehavioral Reviews, 36(2), 737-746. https://doi.org/10.1016/j.neubiorev.2011.12.003 [Crossref ✓, PubMed ✓]
Badcock, N. A., Mousikou, P., Mahajan, Y., de Lissa, P., Thie, J., & McArthur, G. (2013). Validation of the Emotiv EPOC® EEG gaming system for measuring research quality auditory ERPs. PeerJ, 1, e38. https://doi.org/10.7717/peerj.38 [Crossref ✓]
Barnett, S. B., & Cerf, M. (2017). A ticket for your thoughts: Method for predicting content recall and sales using neural similarity of moviegoers. Journal of Consumer Research, 44(1), 160-181. https://doi.org/10.1093/jcr/ucw083
Bentin, S., Allison, T., Puce, A., Perez, E., & McCarthy, G. (1996). Electrophysiological studies of face perception in humans. Journal of Cognitive Neuroscience, 8(6), 551-565. https://doi.org/10.1162/jocn.1996.8.6.551 [Crossref ✓, PubMed ✓]
Bialkova, S., Grunert, K. G., & van Trijp, H. (2020). From desktop to supermarket shelf: Eye-tracking exploration on consumer attention and choice. Food Quality and Preference, 81, 103839. https://doi.org/10.1016/j.foodqual.2019.103839
Boksem, M. A. S., & Smidts, A. (2015). Brain responses to movie trailers predict individual preferences for movies and their population-wide commercial success. Journal of Marketing Research, 52(4), 482-492. https://doi.org/10.1509/jmr.13.0572
Boudewyn, M. A., Luck, S. J., Farrens, J. L., & Kappenman, E. S. (2018). How many trials does it take to get a significant ERP effect? It depends. Psychophysiology, 55(6), e13049. https://doi.org/10.1111/psyp.13049 [Crossref ✓: online 2017, numer 2018]
Burle, B., Spieser, L., Roger, C., Casini, L., Hasbroucq, T., & Vidal, F. (2015). Spatial and temporal resolutions of EEG: Is it really black and white? A scalp current density view. International Journal of Psychophysiology, 97(3), 210-220. https://doi.org/10.1016/j.ijpsycho.2015.05.004 [Crossref ✓]
Buzsáki, G., Anastassiou, C. A., & Koch, C. (2012). The origin of extracellular fields and currents - EEG, ECoG, LFP and spikes. Nature Reviews Neuroscience, 13(6), 407-420. https://doi.org/10.1038/nrn3241 [Crossref ✓]
Chalmers, D. J. (2000). What is a neural correlate of consciousness? In T. Metzinger (Ed.), Neural correlates of consciousness: Empirical and conceptual questions (pp. 17-39). MIT Press. (Strony 17-39 - nie potwierdzono, w odczytanym tekście ich nie było; brak DOI.)
Chavarriaga, R., Sobolewski, A., & Millán, J. d. R. (2014). Errare machinale est: The use of error-related potentials in brain-machine interfaces. Frontiers in Neuroscience, 8, 208. https://doi.org/10.3389/fnins.2014.00208 (✔ Crossref)
Chen, X., Wang, Y., Nakanishi, M., Gao, X., Jung, T.-P., & Gao, S. (2015). High-speed spelling with a noninvasive brain-computer interface. Proceedings of the National Academy of Sciences, 112(44), E6058-E6067. https://doi.org/10.1073/pnas.1508080112 (✔ Crossref)
Cheon, H.-R., Kwon, G., Kim, Y., Kim, H., Lee, H. K., Shin, J. H., Yu, J., & Hwang, H.-J. (2025). Electroencephalography-based neural indicators of texture preference for cosmetic formulations. Frontiers in Neuroscience, 19, 1620806. https://doi.org/10.3389/fnins.2025.1620806
Chikhi, S., Matton, N., & Blanchet, S. (2022). EEG power spectral measures of cognitive workload: A meta-analysis. Psychophysiology, 59(6), e14009. https://doi.org/10.1111/psyp.14009
Debener, S., Emkes, R., De Vos, M., & Bleichner, M. (2015). Unobtrusive ambulatory EEG using a smartphone and flexible printed electrodes around the ear. Scientific Reports, 5, 16743. https://doi.org/10.1038/srep16743 [Crossref ✓]
Debener, S., Minow, F., Emkes, R., Gandras, K., & de Vos, M. (2012). How about taking a low-cost, small, and wireless EEG for a walk? Psychophysiology, 49(11), 1617-1621. https://doi.org/10.1111/j.1469-8986.2012.01471.x [Crossref ✓]
Dhakal, V., Feit, A. M., Kristensson, P. O., & Oulasvirta, A. (2018). Observations on typing from 136 million keystrokes. W: Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems (s. 1-12). ACM. https://doi.org/10.1145/3173574.3174220 (✔ Crossref)
Dimigen, O., Sommer, W., Hohlfeld, A., Jacobs, A. M., & Kliegl, R. (2011). Coregistration of eye movements and EEG in natural reading: Analyses and review. Journal of Experimental Psychology: General, 140(4), 552-572. https://doi.org/10.1037/a0023885
Dmochowski, J. P., Bezdek, M. A., Abelson, B. P., Johnson, J. S., Schumacher, E. H., & Parra, L. C. (2014). Audience preferences are predicted by temporal reliability of neural processing. Nature Communications, 5, 4567. https://doi.org/10.1038/ncomms5567
Duan, X., Xie, S., Xie, X., Meng, Y., & Xu, Z. (2019). Quadcopter flight control using a non-invasive multi-modal brain computer interface. Frontiers in Neurorobotics, 13, 23. https://doi.org/10.3389/fnbot.2019.00023 (✔ Crossref)
Edelman, B. J., Meng, J., Suma, D., Zurn, C., Nagarajan, E., Baxter, B. S., Cline, C. C., & He, B. (2019). Noninvasive neuroimaging enhances continuous neural tracking for robotic device control. Science Robotics, 4(31), eaaw6844. https://doi.org/10.1126/scirobotics.aaw6844 (✔ Crossref)
Farwell, L. A., & Donchin, E. (1988). Talking off the top of your head: Toward a mental prosthesis utilizing event-related brain potentials. Electroencephalography and Clinical Neurophysiology, 70(6), 510-523. https://doi.org/10.1016/0013-4694(88)90149-6 (✔ Crossref)
Ferrari, L. M., Ismailov, U., Badier, J.-M., Greco, F., & Ismailova, E. (2020). Conducting polymer tattoo electrodes in clinical electro- and magneto-encephalography. npj Flexible Electronics, 4, 4. https://doi.org/10.1038/s41528-020-0067-z [Crossref ✓]
Ferrez, P. W., & Millán, J. d. R. (2008). Error-related EEG potentials generated during simulated brain-computer interaction. IEEE Transactions on Biomedical Engineering, 55(3), 923-929. https://doi.org/10.1109/TBME.2007.908083 (✔ Crossref)
Foxe, J. J., & Snyder, A. C. (2011). The role of alpha-band brain oscillations as a sensory suppression mechanism during selective attention. Frontiers in Psychology, 2, 154. https://doi.org/10.3389/fpsyg.2011.00154
Fu, R., Chen, Y.-F., Huang, Y., Chen, S., Duan, F., Li, J., Wu, J., Jiang, D., Gao, J., Gu, J., Zhang, M., & Chang, C. (2022). Symmetric convolutional and adversarial neural network enables improved mental stress classification from EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 30, 1384-1400. https://doi.org/10.1109/TNSRE.2022.3174821
Gevins, A., Smith, M. E., McEvoy, L., & Yu, D. (1997). High-resolution EEG mapping of cortical activation related to working memory: Effects of task difficulty, type of processing, and practice. Cerebral Cortex, 7(4), 374-385. https://doi.org/10.1093/cercor/7.4.374
Glover, G. H. (2011). Overview of functional magnetic resonance imaging. Neurosurgery Clinics of North America, 22(2), 133-139. https://doi.org/10.1016/j.nec.2010.11.001 [PMC ✓; Crossref - odmowa z powodu limitu]
Goncharova, I. I., McFarland, D. J., Vaughan, T. M., & Wolpaw, J. R. (2003). EMG contamination of EEG: Spectral and topographical characteristics. Clinical Neurophysiology, 114(9), 1580-1593. https://doi.org/10.1016/S1388-2457(03)00093-2
Guger, C., Allison, B. Z., Großwindhager, B., Prückl, R., Hintermüller, C., Kapeller, C., Bruckner, M., Krausz, G., & Edlinger, G. (2012). How many people could use an SSVEP BCI? Frontiers in Neuroscience, 6, 169. https://doi.org/10.3389/fnins.2012.00169 (✔ Crossref)
Guger, C., Daban, S., Sellers, E., Holzner, C., Krausz, G., Carabalona, R., Gramatica, F., & Edlinger, G. (2009). How many people are able to control a P300-based brain-computer interface (BCI)? Neuroscience Letters, 462(1), 94-98. https://doi.org/10.1016/j.neulet.2009.06.045 (✔ Crossref; numer zeszytu nieweryfikowany)
Hakim, A., Klorfeld, S., Sela, T., Friedman, D., Shabat-Simon, M., & Levy, D. J. (2021). Machines learn neuromarketing: Improving preference prediction from self-reports using multiple EEG measures and machine learning. International Journal of Research in Marketing, 38(3), 770-791. https://doi.org/10.1016/j.ijresmar.2020.10.005
Harmon-Jones, E., & Gable, P. A. (2018). On the role of asymmetric frontal cortical activity in approach and withdrawal motivation: An updated review of the evidence. Psychophysiology, 55(1), e12879. https://doi.org/10.1111/psyp.12879
Haufe, S., Kim, J.-W., Kim, I.-H., Sonnleitner, A., Schrauf, M., Curio, G., & Blankertz, B. (2014). Electrophysiology-based detection of emergency braking intention in real-world driving. Journal of Neural Engineering, 11(5), 056011. https://doi.org/10.1088/1741-2560/11/5/056011 (✔ Crossref)
Haufe, S., Treder, M. S., Gugler, M. F., Sagebaum, M., Curio, G., & Blankertz, B. (2011). EEG potentials predict upcoming emergency brakings during simulated driving. Journal of Neural Engineering, 8(5), 056001. https://doi.org/10.1088/1741-2560/8/5/056001 (✔ Crossref)
Hinrichs, H., Scholz, M., Baum, A. K., Kam, J. W. Y., Knight, R. T., & Heinze, H.-J. (2020). Comparison between a wireless dry electrode EEG system with a conventional wired wet electrode EEG system for clinical applications. Scientific Reports, 10, 5218. https://doi.org/10.1038/s41598-020-62154-0 [Crossref ✓; licencja CC BY 4.0]
Hou, H.-R., Han, R.-X., Zhang, X.-N., & Meng, Q.-H. (2022). Pleasantness recognition induced by different odor concentrations using olfactory electroencephalogram signals. Sensors, 22(22), 8808. https://doi.org/10.3390/s22228808
Huh, H., Shin, H., Li, H., Hirota, K., Hoang, C., Thangavel, S., D’Alessandro, M., Feltman, K. A., Sentis, L., & Lu, N. (2025). A wireless forehead e-tattoo for mental workload estimation. Device, 3(8), 100781. https://doi.org/10.1016/j.device.2025.100781 [Crossref ✓; online 29.05.2025, numer sierpniowy 2025]
Jensen, K. M., & MacDonald, J. A. (2023). Towards thoughtful planning of ERP studies: How participants, trials, and effect magnitude interact to influence statistical power across seven ERP components. Psychophysiology, 60(7), e14245. https://doi.org/10.1111/psyp.14245 [Crossref ✓: online 2022, numer 2023]
Kamienkowski, J. E., Ison, M. J., Quiroga, R. Q., & Sigman, M. (2012). Fixation-related potentials in visual search: A combined EEG and eye tracking study. Journal of Vision, 12(7), 4. https://doi.org/10.1167/12.7.4
Kaongoen, N., Choi, J., Choi, J. W., Kwon, H., Hwang, C., Hwang, G., Kim, B. H., & Jo, S. (2023). The future of wearable EEG: A review of ear-EEG technology and its applications. Journal of Neural Engineering, 20(5), 051002. https://doi.org/10.1088/1741-2552/acfcda [Crossref ✓]
Kappenman, E. S., Farrens, J. L., Zhang, W., Stewart, A. X., & Luck, S. J. (2021). ERP CORE: An open resource for human event-related potential research. NeuroImage, 225, 117465. https://doi.org/10.1016/j.neuroimage.2020.117465 [PubMed ✓; Crossref - błąd klienta przy trzech próbach]
Kidmose, P., Looney, D., Ungstrup, M., Rank, M. L., & Mandic, D. P. (2013). A study of evoked potentials from ear-EEG. IEEE Transactions on Biomedical Engineering, 60(10), 2824-2830. https://doi.org/10.1109/TBME.2013.2264956 [Crossref ✓]
Koch, C., Massimini, M., Boly, M., & Tononi, G. (2016). Neural correlates of consciousness: Progress and problems. Nature Reviews Neuroscience, 17(5), 307-321. https://doi.org/10.1038/nrn.2016.22 [Crossref ✓, PubMed ✓]
Kroupi, E., Vesin, J.-M., & Ebrahimi, T. (2016). Subject-independent odor pleasantness classification using brain and peripheral signals. IEEE Transactions on Affective Computing, 7(4), 422-434. https://doi.org/10.1109/TAFFC.2015.2496310
Kutas, M., & Federmeier, K. D. (2011). Thirty years and counting: Finding meaning in the N400 component of the event-related brain potential (ERP). Annual Review of Psychology, 62, 621-647. https://doi.org/10.1146/annurev.psych.093008.131123 [Crossref ✓]
Kutas, M., & Hillyard, S. A. (1980). Reading senseless sentences: Brain potentials reflect semantic incongruity. Science, 207(4427), 203-205. https://doi.org/10.1126/science.7350657 [Crossref ✓, PubMed ✓]
Kwon, S., Kim, H. S., Kwon, K., Kim, H., Kim, Y. S., Lee, S. H., Kwon, Y.-T., Jeong, J.-W., Trotti, L. M., Duarte, A., & Yeo, W.-H. (2023). At-home wireless sleep monitoring patches for the clinical assessment of sleep quality and sleep apnea. Science Advances, 9(21), eadg9671. https://doi.org/10.1126/sciadv.adg9671 [Crossref ✓]
LaFleur, K., Cassady, K., Doud, A., Shades, K., Rogin, E., & He, B. (2013). Quadcopter control in three-dimensional space using a noninvasive motor imagery-based brain-computer interface. Journal of Neural Engineering, 10(4), 046003. https://doi.org/10.1088/1741-2560/10/4/046003 (✔ Crossref: tytuł, czasopismo, 2013)
Lee, M.-H., Kwon, O.-Y., Kim, Y.-J., Kim, H.-K., Lee, Y.-E., Williamson, J., Fazli, S., & Lee, S.-W. (2019). EEG dataset and OpenBMI toolbox for three BCI paradigms: An investigation into BCI illiteracy. GigaScience, 8(5), giz002. https://doi.org/10.1093/gigascience/giz002 (✔ Crossref)
Leeuwis, N., Pistone, D., Flick, N., & van Bommel, T. (2021). A sound prediction: EEG-based neural synchrony predicts online music streams. Frontiers in Psychology, 12, 672980. https://doi.org/10.3389/fpsyg.2021.672980
Liang, X., Yu, Y., Liu, Y., Liu, K., Liu, Y., & Zhou, Z. (2023). EEG-based emergency braking intention detection during simulated driving. BioMedical Engineering OnLine, 22, 65. https://doi.org/10.1186/s12938-023-01129-4
Lomas, T., Ivtzan, I., & Fu, C. H. Y. (2015). A systematic review of the neurophysiology of mindfulness on EEG oscillations. Neuroscience & Biobehavioral Reviews, 57, 401-410. https://doi.org/10.1016/j.neubiorev.2015.09.018
Melnik, A., Legkov, P., Izdebski, K., Kärcher, S. M., Hairston, W. D., Ferris, D. P., & König, P. (2017). Systems, subjects, sessions: To what extent do these factors influence EEG data? Frontiers in Human Neuroscience, 11, 150. https://doi.org/10.3389/fnhum.2017.00150 [Crossref ✓]
Mikkelsen, K. B., Tabar, Y. R., Kappel, S. L., Christensen, C. B., Toft, H. O., Hemmsen, M. C., Rank, M. L., Otto, M., & Kidmose, P. (2019). Accurate whole-night sleep monitoring with dry-contact ear-EEG. Scientific Reports, 9, 16824. https://doi.org/10.1038/s41598-019-53115-3 [Crossref ✓]
Mirkovic, B., Bleichner, M. G., De Vos, M., & Debener, S. (2016). Target speaker detection with concealed EEG around the ear. Frontiers in Neuroscience, 10, 349. https://doi.org/10.3389/fnins.2016.00349 [Crossref ✓]
Murakami, S., & Okada, Y. (2006). Contributions of principal neocortical neurons to magnetoencephalography and electroencephalography signals. The Journal of Physiology, 575(3), 925-936. https://doi.org/10.1113/jphysiol.2006.105379 [Crossref ✓]
Näätänen, R., Paavilainen, P., Rinne, T., & Alho, K. (2007). The mismatch negativity (MMN) in basic research of central auditory processing: A review. Clinical Neurophysiology, 118(12), 2544-2590. https://doi.org/10.1016/j.clinph.2007.04.026 [Crossref ✓, PubMed ✓]
Natalizio, A., Sieghartsleitner, S., Schreiner, L., Walchshofer, M., Esposito, A., Scharinger, J., Pretl, H., Arpaia, P., Parvis, M., Solé-Casals, J., Sebastián-Romagosa, M., Ortner, R., & Guger, C. (2024). Real-time estimation of EEG-based engagement in different tasks. Journal of Neural Engineering, 21(1), 016014. https://doi.org/10.1088/1741-2552/ad200d
Nikolaev, A. R., Meghanathan, R. N., & van Leeuwen, C. (2016). Combining EEG and eye movement recording in free viewing: Pitfalls and possibilities. Brain and Cognition, 107, 55-83. https://doi.org/10.1016/j.bandc.2016.06.004
Niso, G., Romero, E., Moreau, J. T., Araujo, A., & Krol, L. R. (2023). Wireless EEG: A survey of systems and studies. NeuroImage, 269, 119774. https://doi.org/10.1016/j.neuroimage.2022.119774 [Crossref ✓; licencja CC BY-NC-ND 4.0]
O'Connell, R. G., Dockree, P. M., Robertson, I. H., Bellgrove, M. A., Foxe, J. J., & Kelly, S. P. (2009). Uncovering the neural signature of lapsing attention: Electrophysiological signals predict errors up to 20 s before they occur. Journal of Neuroscience, 29(26), 8604-8611. https://doi.org/10.1523/JNEUROSCI.5967-08.2009
Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: Identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in Human Neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278 [Crossref ✓]
Poldrack, R. A. (2006). Can cognitive processes be inferred from neuroimaging data? Trends in Cognitive Sciences, 10(2), 59-63. https://doi.org/10.1016/j.tics.2005.12.004 [Crossref ✓, PubMed ✓]
Pope, A. T., Bogart, E. H., & Bartolome, D. S. (1995). Biocybernetic system evaluates indices of operator engagement in automated task. Biological Psychology, 40(1-2), 187-195. https://doi.org/10.1016/0301-0511(95)05116-3
Ramsøy, T. Z., Skov, M., Christensen, M. K., & Stahlhut, C. (2018). Frontal brain asymmetry and willingness to pay. Frontiers in Neuroscience, 12, 138. https://doi.org/10.3389/fnins.2018.00138
Shustak, S., Inzelberg, L., Steinberg, S., Rand, D., David Pur, M., Hillel, I., Katzav, S., Fahoum, F., De Vos, M., Mirelman, A., & Hanein, Y. (2019). Home monitoring of sleep with a temporary-tattoo EEG, EOG and EMG electrode array: A feasibility study. Journal of Neural Engineering, 16(2), 026024. https://doi.org/10.1088/1741-2552/aafa05 [Crossref ✓]
Sowndhararajan, K., & Kim, S. (2016). Influence of fragrances on human psychophysiological activity: With special reference to human electroencephalographic response. Scientia Pharmaceutica, 84(4), 724-751. https://doi.org/10.3390/scipharm84040724
Sutton, S., Braren, M., Zubin, J., & John, E. R. (1965). Evoked-potential correlates of stimulus uncertainty. Science, 150(3700), 1187-1188. https://doi.org/10.1126/science.150.3700.1187 [Crossref ✓, PubMed ✓]
Tabar, Y. R., Mikkelsen, K. B., Shenton, N., Kappel, S. L., Bertelsen, A. R., Nikbakht, R., Toft, H. O., Henriksen, C. H., Hemmsen, M. C., Rank, M. L., Otto, M., & Kidmose, P. (2023). At-home sleep monitoring using generic ear-EEG. Frontiers in Neuroscience, 17, 987578. https://doi.org/10.3389/fnins.2023.987578 [Crossref ✓]
Tao, J. X., Ray, A., Hawes-Ebersole, S., & Ebersole, J. S. (2005). Intracranial EEG substrates of scalp EEG interictal spikes. Epilepsia, 46(5), 669-676. https://doi.org/10.1111/j.1528-1167.2005.11404.x [Crossref ✓, PubMed ✓]
Telpaz, A., Webb, R., & Levy, D. J. (2015). Using EEG to predict consumers' future choices. Journal of Marketing Research, 52(4), 511-529. https://doi.org/10.1509/jmr.13.0564
Terapaptommakol, W., Tripathee, Y., Phaoharuhansa, D., & Laohakangvalvit, T. (2026). Identifying neural correlates of cognitive workload in high-performance motorsport simulation: An integrated EEG and telemetry analysis of driver performance. Frontiers in Neuroergonomics, 7, 1765659. https://doi.org/10.3389/fnrgo.2026.1765659 (✔ Crossref)
Tonin, L., Perdikis, S., Kuzu, T. D., Pardo, J., Orset, B., Lee, K., Aach, M., Schildhauer, T. A., Martínez-Olivera, R., & Millán, J. d. R. (2022). Learning to control a BMI-driven wheelchair for people with severe tetraplegia. iScience, 25(12), 105418. https://doi.org/10.1016/j.isci.2022.105418 (✔ Crossref)
Usman, S. M., Khalid, S., Tanveer, A., Imran, A. S., & Zubair, M. (2025). Multimodal consumer choice prediction using EEG signals and eye tracking. Frontiers in Computational Neuroscience, 18, 1516440. https://doi.org/10.3389/fncom.2024.1516440
Vanhollebeke, G., De Smet, S., De Raedt, R., Baeken, C., van Mierlo, P., & Vanderhasselt, M.-A. (2022). The neural correlates of psychosocial stress: A systematic review and meta-analysis of spectral analysis EEG studies. Neurobiology of Stress, 18, 100452. https://doi.org/10.1016/j.ynstr.2022.100452
Varan, D., Lang, A., Barwise, P., Weber, R., & Bellman, S. (2015). How reliable are neuromarketers' measures of advertising effectiveness? Data from ongoing research holds no common truth among vendors. Journal of Advertising Research, 55(2), 176-191. https://doi.org/10.2501/JAR-55-2-176-191
Venkatraman, V., Dimoka, A., Pavlou, P. A., Vo, K., Hampton, W., Bollinger, B., Hershfield, H. E., Ishihara, M., & Winer, R. S. (2015). Predicting advertising success beyond traditional measures: New insights from neurophysiological methods and market response modeling. Journal of Marketing Research, 52(4), 436-452. https://doi.org/10.1509/jmr.13.0593
Zander, T. O., Krol, L. R., Birbaumer, N. P., & Gramann, K. (2016). Neuroadaptive technology enables implicit cursor control based on medial prefrontal cortex activity. Proceedings of the National Academy of Sciences, 113(52), 14898-14903. https://doi.org/10.1073/pnas.1605155114 (✔ Crossref)
Model mózgu i dane
Mózg: powierzchnia kory ze średniej grupowej HCP S1200 (Van Essen i in., 2013). Krzywe w nagłówku i w rozdziale o pierwszej sekundzie to średnie z otwartego zbioru ERP CORE (Kappenman i in., 2021), udostępnionego na licencji CC BY-SA 4.0 („ERP CORE by Emily S. Kappenman and Steven J. Luck”); wykresy z tych danych są na tej samej licencji. Poświata na korze w nagłówku pokazuje rozkład napięcia na skórze głowy rzutowany na model, a nie miejsce powstawania reakcji. Zestaw EEG na modelu, panel neurokorelantów, demonstracja migających liter, uśredniania i półki są ilustracjami, a nie zapisami z badań.
Van Essen, D. C., Smith, S. M., Barch, D. M., Behrens, T. E. J., Yacoub, E., & Ugurbil, K. (2013). The WU-Minn Human Connectome Project: An overview. NeuroImage, 80, 62-79. https://doi.org/10.1016/j.neuroimage.2013.05.041