Bezprzewodowy system EEG Advanced Brain Monitoring B-Alert EEG X
Biometria

B-Alert EEG X

Advanced Brain Monitoring

Bezprzewodowy system do badań podstawowych parametrów EEG, szybki w konfiguracji, o szerokim zastosowaniu w badaniach marketingowych i UX.

  • Liczba kanałówX10 (9 kanałów EEG + 1 kanał EKG/EMG), X24 (20 kanałów EEG + 4 kanały EKG/EMG)
  • Częstotliwość próbkowania256 próbek/s (wszystkie kanały)
  • Zakres dynamiczny±1,000 µV
  • Impedancja wejściowatypowo 500 MΩ

Opis

Działa z iMotions. To urządzenie współpracuje z platformą badawczą iMotions w module EEG.

EEG, które podąża za Tobą wszędzie – B-Alert X

Mobilna technologia do zaawansowanej analizy EEG B-Alert X od Advanced Brain Monitoring to nowoczesny, bezprzewodowy system EEG, który został zaprojektowany z myślą o badaczach potrzebujących wysokiej jakości danych w elastycznym i łatwym w obsłudze formacie. System oferuje zaawansowaną funkcjonalność przy zachowaniu maksymalnej mobilności, dzięki czemu idealnie sprawdza się nie tylko w laboratoriach, ale również w środowiskach naturalnych i wirtualnych. Urządzenie jest często wykorzystywane w badaniach neuromarketingowych, UX, psychofizjologicznych, a także w analizie zmęczenia, monitoringu poznawczym i pracy zespołowej.

Dwa warianty – maksymalne dopasowanie B-Alert X dostępny jest w dwóch konfiguracjach, co pozwala dostosować system do potrzeb konkretnego projektu badawczego:

  • B-Alert X10 – 9 kanałów EEG oraz dodatkowy kanał EMG lub EKG
  • B-Alert X24 – aż 20 kanałów EEG oraz 4 kanały EMG/EKG

Oba systemy pracują z częstotliwością próbkowania 256 Hz, co zapewnia bardzo wysoką precyzję pomiarów oraz doskonałą jakość sygnału – niezależnie od miejsca prowadzenia badania.

Gotowy do działania w 10 minut Jednym z największych atutów systemu B-Alert jest jego szybkość i prostota konfiguracji – cały proces przygotowania zestawu do pracy trwa do 10 minut. Headset jest lekki, komfortowy i dostępny w różnych rozmiarach – pasuje zarówno na głowy dorosłych, jak i dzieci od 6. roku życia. Wbudowany akcelerometr rejestruje ruchy głowy, co pozwala analizować wpływ aktywności ruchowej na sygnały EEG.

Oprogramowanie, które robi różnicę Każdy system B-Alert wyposażony jest w intuicyjne oprogramowanie Essential, z możliwością rozszerzenia do wersji Live. Oprogramowanie pozwala na:

  • akwizycję i podgląd danych EEG w czasie rzeczywistym,
  • monitorowanie impedancji,
  • synchronizację z markerami zdarzeń,
  • zapis w formacie EDF (kompatybilnym z EEGLab),
  • automatyczne oczyszczanie sygnału z artefaktów (EMG, EOG, zakłócenia),
  • obliczenia wskaźników poznawczych w czasie rzeczywistym: poziomu zaangażowania, senności, obciążenia poznawczego,
  • dostęp do zaawansowanych metryk offline takich jak: stan afektywny, asymetria czołowa, HRV, supresja rytmu.

Dzięki pełnemu SDK, system B-Alert X może być również zintegrowany z aplikacjami firm trzecich – co daje ogromną elastyczność badaczom tworzącym własne środowiska badawcze czy rozwiązania typu closed-loop.

Badania tam, gdzie Ty System działa bezprzewodowo w zasięgu do 10 metrów i posiada akumulator wystarczający na ponad 12 godzin pracy. Dzięki temu sprawdza się w naturalnym otoczeniu uczestników – np. w testach UX, podczas jazdy, pracy zespołowej, czy też w rozszerzonej rzeczywistości (AR/VR).

Kompletny ekosystem B-Alert X to więcej niż sam headset EEG – to kompleksowe narzędzie do prowadzenia wysokiej jakości badań poznawczych i emocjonalnych, gotowe do działania niemal od razu po rozpakowaniu. Dzięki zaawansowanym metrykom i łatwej obsłudze nawet przez osoby bez specjalistycznego szkolenia, urządzenie idealnie sprawdza się zarówno w instytutach badawczych, jak i firmach komercyjnych.

Zapraszamy do kontaktu – chętnie doradzimy, który wariant B-Alert X będzie odpowiedni dla Twoich badań.

Specyfikacja

Liczba kanałówX10 (9 kanałów EEG + 1 kanał EKG/EMG), X24 (20 kanałów EEG + 4 kanały EKG/EMG)
Częstotliwość próbkowania256 próbek/s (wszystkie kanały)
Zakres dynamiczny±1,000 µV
Impedancja wejściowatypowo 500 MΩ
Typ połączeniaBluetooth
Bateria - czas pracy8h/6h (Bluetooth), 16h (karta SD)
Zakres ruchów głowyakcelerometr 3-osiowy, 12-bit
ZasilanieUSB
Waga110 g
Wymiary6,85 x 4,85 x 2 cm
IntegracjaDziała z iMotions
Moduł iMotionsEEG

Publikacje

Wybrane prace naukowe ostatnich lat, w których opisano użycie tego urządzenia. Zestawienie powstało na podstawie przeszukiwania pełnych tekstów publikacji i nie jest pełną bibliografią.

  1. Marín-Morales, J., Altozano, A., Mura, F., Gómez-Zaragozá, L., Minissi, M. E., et al. (2026). Biosignal-based screening of depressive symptoms during affective conversations with virtual humans. npj Digital Medicine, 9(1), 869. doi:10.1038/s41746-026-03017-2
  2. Yun, J. H., Heaton, S., Wong, J. S., Klein, P., & Platt, M. L. (2026). Predicting entrepreneur fundraising success from focus group EEG data. PLOS One, 21(1), e0340606. doi:10.1371/journal.pone.0340606
  3. Fettrow, T., Stephens, C., Prinzel, L., Holbrook, J., Ballard, K., et al. (2025). Human Contributions to Safety Data Testbed Flight Simulation Study: Data Methods, Processing, and Quality. Scientific Data, 12(1), 1247. doi:10.1038/s41597-025-05336-7
  4. Qin, Y., Lee, R. T., Zhang, W., Sun, X., & Sajda, P. (2025). Physiologically informed predictability of a teammate’s future actions forecasts team performance. iScience, 28(5), 112429. doi:10.1016/j.isci.2025.112429
  5. Hibshman, D., & Riley, E. A. (2024). Vigilant Attention During Cognitive and Language Processing in Aphasia. Journal of Speech, Language, and Hearing Research, 67(9), 3133-3147. doi:10.1044/2024_jslhr-23-00168
  6. Dargahi Nobari, K., & Bertram, T. (2024). A multimodal driver monitoring benchmark dataset for driver modeling in assisted driving automation. Scientific Data, 11(1), 327. doi:10.1038/s41597-024-03137-y
  7. Feltman, K. A., Vogl, J. F., McAtee, A., & Kelley, A. M. (2024). Measuring aviator workload using EEG: an individualized approach to workload manipulation. Frontiers in Neuroergonomics, 5, 1397586. doi:10.3389/fnrgo.2024.1397586
  8. Taheri Gorji, H., Wilson, N., VanBree, J., Hoffmann, B., Petros, T., et al. (2023). Using machine learning methods and EEG to discriminate aircraft pilot cognitive workload during flight. Scientific Reports, 13(1), 2507. doi:10.1038/s41598-023-29647-0