便携式脑电采集分析系统SAGA
SAGA 32+/64+ 是一款便携式的EEG（脑电）数据采集系统。系统采用模块化设计，放大器和通讯单元之间可无线传输数据。系统特有的主动屏蔽电缆结合重力感应技术，使其更适用于自然情景，可提供生态效度更高的全无线EEG数据采集方案。
详情请咨询
便携式脑电采集分析系统SAGA
便携式脑电采集分析系统SAGA，产自于荷兰TMSi公司，可同时采集脑电、高密度肌电、心电、表面肌电、眼电、皮温、皮电、呼吸、压力、角度、加速度和血氧等多种生理数据。SAGA 设备用于脑电数据采集的优势在于其便携可穿戴的特点，可适配独特的环耳电极，加上主动屏蔽电缆结合重力感应技术，使其更加适合在自然情景中应用，提供了生态效度更高的脑电数据采集方案。
产品特点
便携可穿戴
单模块仅重700g，肩带和放大器支架协同实现可穿戴。
主动屏蔽抗干扰
主动屏蔽电缆结合重力感应技术，规避了工频和运动干扰。
高质量数据
纯直流放大器，硬件不做滤波，可获得高质量的原始数据。
24小时不间断测试
系统支持电池供电模式，电池更换过程中测试不中断。
适配多种电极
凝胶电极、环形凝胶电极、水电极以及独特的环耳电极可选。
多种生理传感器接入
脑电、高密度肌电、心电、眼电、加速度等生理数据同步测量。
放大器核心参数
|
单个模块体积 |
179x170x45(mm) |
|---|---|
|
重量 |
700g |
|
采样率 |
最大4096Hz |
|
分辨率 |
24位 |
|
模拟带宽 |
0-800Hz |
|
存储空间 |
32GB |
|
噪声 |
＜1μV(0.1-100 Hz) |
|---|---|
|
共模抑制比 |
+/-150mV |
|
输入范围 |
+/-150mV |
|
输入阻抗 |
>1 GΩ |
|
工作温度 |
5℃-30℃ |
|
功耗 |
充电使用时＜10w |
电极介绍
环耳阵列电极(cEEGrids)
用于耳周大脑活动的测量，佩戴隐形，在日常环境中使用的社会接受程度高。
应用领域：认知研究、 听觉注意、 脑机接口、 睡眠分期等
凝胶电极
凝胶不易干，适合长时间使用。主动屏蔽电缆整洁不裸露，数据质量高。
应用领域：行为认知、人因工程、社交互动、神经同步等
环形凝胶电极
凝胶不易干，可长时间使用。电极独立装配，可与fNIRS、tDCS、眼动结合。
应用领域：脑力负荷、EEG-fNIRS、EEG-fNI RS-tES等
呼吸、表面肌电、心电、眼电等其他电极
水电极清洁及装配方便，实验准备时间短，家庭环境和敏感人群适用。
应用领域：针对老年或儿童群体的研究、运动科学等
环形凝胶电极
可同步测量多种指标，也可同时获取心电、表面肌电、眼电等电生理数据。
应用领域：人因工程、睡眠研究等
数据采集软件
TMSi Polybench 软件
TMSi Polybench是SAGA系统配套的数据采集软件，可快速完成配置。如研究对数据采集过程有特殊需求，可自主搭建数据采集及分析流程，更改固有配置参数。
TMSi Python 接口
通过TMSi Python接口可以在Python环境下采集EEG 数据。同时支持实时数据图的绘制，并且集成了LSL实时数据流，可与外部软件进行实时数据传输。
TMSi MATLAB接口
通过TMSi MATLAB接口可在MATLAB环境中进行EEG数据的采集，支持将采集的数据转换成 EEGLAB可以读取的形式进行后续分析。
所属分类：
脑认知研究
关键词：
上一页
下一页
如何使用无限水电极帽？
发布时间：
2022年04月12日
如何使用耳周电极片？
发布时间：
2022年04月12日
如何使用SAGA进行SD卡测量？
发布时间：
2022年04月12日
如何使用WiFi连接SAGA设备？
发布时间：
2022年04月12日
快速采集程序上的设置和配置
发布时间：
2022年04月12日
快速采集程序上的信号查看
发布时间：
2022年04月12日
如何打开SAGA设备箱？
发布时间：
2022年04月12日
如何启动SAGA设备？
发布时间：
2022年04月12日
TMSi SAGA介绍
发布时间：
2021年08月25日
注意力是人类大脑功能的一个重要方面，在经常受到神经系统疾病的影响。客观的注意力评估可能有助于患者护理，包括诊断和预后。本文使用选择反应时任务，眼动和EEG组合来评临床中的视觉注意力。
作者：
Barone V, van Dijk JP, Debeij-van Hall MHJA, van Putten MJAM
来源：
Clinical EEG and Neuroscience
2022-09-14
施工过程中的安全事故大多归咎于工人自身，如何有效减少施工工人造成的事故成为施工安全管理的重要课题。本文基于建筑工程危险识别和神经管理的相关概念，使用EEG进行研究。
作者：
Zhang Zhiyu, Ding Zhikun*, Chen Weilin
来源：
Springer, Singapore
2022-09-02
为了实现分类和识别最基本的步态过程，如站立、坐姿等，该文提出了一种基于信号复杂性和各脑区信息熵的特征表示方法。通过对不同条件下的参数进行统计分析，将这些对不同动作敏感的特征确定为特征向量，并江支持向量机、线性判别分析和逻辑回归相结合，完成对这些动作的分类和识别。
作者：
Chang Wenwen*，Nie Wenchao，Yuan Yueting，Zhang Yuchan，Yan Guanghui
来源：
Authorea
2022-08-23
挖掘和提取驾驶过程中脑电信号的特征，实现对驾驶意图的更好检测是一项重大挑战。本文旨在研究转向过程中不同大脑区域之间的协作机制并提取空间特征。
作者：
Chang Wenwen*，Huang Wenqie，Yan Guanghui，Zhang Yuchan
来源：
IEEE China Automation Congress
2022-03-14
相关产品
如需详细了解请点击下方链接
详情请咨询
微信公众号
