Explore Pro

Mobilny wzmacniacz do rejestracji EEG, EMG i EKG

Explore Pro rejestruje sygnały bioelektryczne (ExG) w konfiguracjach 8, 16, 32 i 64 kanałów. Wejście typu true DC i rozdzielczość 24 bitów pozwalają rejestrować również składowe wolnozmienne. Dane są przesyłane przez Bluetooth z częstotliwością do 1 kHz, a zapis do pamięci wewnętrznej może przebiegać z częstotliwością do 8 kHz. Wzmacniacz waży 27 g (producent podaje też wartość 36 g), co pozwala mocować go na czepku także u dzieci i podczas intensywnego ruchu. Czas pracy wynosi 10-12 godzin; producent podaje obie wartości na różnych stronach, więc dla wybranej konfiguracji warto potwierdzić go przed zakupem.

Czujnik ruchu, wyzwalanie i synchronizacja

Urządzenie ma czujnik ruchu 9D. Znaczniki zdarzeń mogą pochodzić z oprogramowania, z wejścia przewodowego (TTL, 8 bitów) albo z wyzwalacza bezprzewodowego. Do synchronizacji kilku urządzeń i uczestników służy Hypersync, który osobno opisujemy w katalogu.

Oprogramowanie i dostęp do danych

Oprogramowanie producenta jest bezpłatne. Explore Desktop (Windows, macOS, Linux) służy do podglądu i zapisu, Explore Mobile (iOS, Android) do rejestracji w terenie, Explore Signals (Windows, macOS, Linux) do przeglądu i wizualizacji nagrań, w tym redukcji artefaktów ruchowych, a biblioteka ExplorePy do dostępu do danych z poziomu Pythona. Dane można udostępniać w czasie rzeczywistym przez interfejs API ExplorePy, BrainFlow, LSL i NeuroPype. Do analizy służą między innymi EEGLAB i MNE-Python, a przez BrainFlow dostępne są także MATLAB, C++ i Java.

Integracje z innym sprzętem

Producent opisuje trzy integracje sprzętowe. Explore Pro współpracuje z Pupil Labs Neon, okularowym eye trackerem, a oba sygnały są rejestrowane na wspólnej osi czasu przez LSL. Czujniki PLUX Biosignals dodają do zapisu aktywność elektrodermalną, oddychanie, saturację, temperaturę i siłę. Soterix Medical dostarcza platformy do stymulacji tDCS/tES i HD-tDCS/HD-tES, które można łączyć z rejestracją EEG. W badaniach nad bólem producent wskazuje także integrację z LabBench.io.

Współpraca z iMotions

Explore Pro integruje się z iMotions przez Lab Streaming Layer (LSL). Sygnał EEG jest rejestrowany razem z eye trackingiem, analizą mimiki i pozostałymi sensorami na wspólnej osi czasu. W iMotions potrzebny jest moduł EEG oraz iMotions Core.

Zastosowania

Producent wskazuje interfejsy mózg-komputer, hyperscanning, badania snu, potencjały wywołane (ERP) w układzie bezprzewodowym, mobilne obrazowanie mózgu i ciała (MoBI) podczas ruchu, jednoczesną rejestrację EEG i ruchu gałek ocznych, badania bólu i stymulacji czuciowej, EEG rozwojowe oraz neuronaukę słuchu.

Elektrody i czepki

Przy zakupie systemu można dobrać układ kabli, rodzaj elektrod dla każdego kanału oraz czepek. Opisujemy je w pozycji Elektrody i czepki Mentalab.

Wybrane publikacje z użyciem urządzeń Mentalab

Lista pochodzi ze strony producenta (https://mentalab.com/selected-publications/) i obejmuje prace z różnych dyscyplin. Nie wszystkie opisują wyłącznie model Explore Pro.

EEG spoczynkowe

• Dirik, H. B., Darendeli, A., & Ertan, H. (2023). The new wireless EEG device Mentalab Explore is a valid and reliable system for the measurement of resting state EEG spectral features. Brain Research, 1798, 148164. doi:10.1016/j.brainres.2022.148164

EKG i EMG

• Friman, S., Vehkaoja, A., & Perez-Macias, J. M. (2022). The Use of Wrist EMG Increases the PPG Heart Rate Accuracy in Smartwatches. 2022 IEEE Sensors. doi:10.1109/JSEN.2022.3219297
• Ozturk, O., Golparvar, A., & Yapici, M. K. (2021). Smart Armband with Graphene Textile Electrodes for EMG-based Muscle Fatigue Monitoring. 2021 IEEE Sensors. doi:10.1109/sensors47087.2021.9639564

Interfejsy mózg-komputer

• Yang, L., & Van Hulle, M. M. (2023). Real-Time Navigation in Google Street View Using a Motor Imagery-Based BCI. Sensors, 23(3), 1704. doi:10.3390/s23031704
• Scheline Urdahl, P., Omsland, V., Molinas, M., & Soler, A. Effect of Ensemble Learning Techniques on RGB-evoked EEG Signal Classification for Locked-in Syndrome BCI Communication. Preprint. doi:10.13140/RG.2.2.20570.56001
• Cao, B., Jiang, X., Leong, D., Tsai, C. L. T., Chang, Y. C., & Do, T. (2025). EMD-Fuzzy: An Empirical Mode Decomposition Based Fuzzy Model for Cross-Stimulus Transfer Learning of SSVEP. arXiv:2501.17475. arxiv.org/abs/2501.17475
• Faisal, S. N., Do, T.-T. N., Torzo, T., Leong, D., Pradeepkumar, A., Lin, C.-T., & Iacopi, F. (2023). Noninvasive Sensors for Brain-Machine Interfaces Based on Micropatterned Epitaxial Graphene. ACS Applied Nano Materials, 6(7), 5440-5447. doi:10.1021/acsanm.2c05546

Neurologia

• Fakorede, S., Cheng, K., Pemberton, L., Liao, K., Sosnoff, J., Burns, J., & Devos, H. (2026). Standing Impairs Neural Efficiency in Alzheimer’s Disease: ERP Evidence of Cognitive-motor Interference. Archives of Physical Medicine and Rehabilitation, 107(5), e139. sciencedirect.com
• Sadeghi, M., Bristow, T., Fakorede, S., Liao, K., Palmer, J. A., Lyons, K. E., et al. (2024). The Effect of Sensory Reweighting on Postural Control and Cortical Activity in Parkinson’s Disease: A Pilot Study. Archives of Rehabilitation Research and Clinical Translation, 100368. sciencedirect.com
• Carrillo-de-la-Peña, M. T., Fernandes, C., Castro, C., PAINLESS Consortium, et al. (2024). Validity of central pain processing biomarkers for predicting the occurrence of oncological chronic pain: a study protocol. BMC Cancer, 24(1), 705. doi:10.1186/s12885-024-12455-8

Nauki o sporcie

• Ledwidge, P. S., McPherson, C. N., Faulkenberg, L., Morgan, A., & Baylis, G. C. (2025). A Comparison of Approaches for Motion Artifact Removal from Wireless Mobile EEG During Overground Running. Sensors, 25(15), 4810. doi:10.3390/s25154810
• Pirlot, T., Baron, B., Ravier, G., & Groslambert, A. (2025). Effect of Heat on Psycho-Physiological Responses During a Self-Paced Cycling Time Trial. Journal of Science and Cycling, 14(2), 1-4. proquest.com
• Dirik, H. B., & Ertan, H. (2024). Hemispheric synchronization patterns linked with shooting performance in archers. Behavioural Brain Research, 460, 114813. doi:10.1016/j.bbr.2023.114813
• Adoul, M. A., Patwardhan, A., Karim, M., Venkatesh, N., Teymourian, K., & Kour, R. (2026). EEG Signal Analysis in Golf Putting: Correlating Brain Activity with Putting Success. International Congress and Workshop on Industrial AI (s. 239-251). Springer Nature Switzerland. doi:10.1007/978-3-032-03725-1_17
• Dirik, H. B., di Fronso, S., & Ertan, H. Individual Alpha Peak Frequency Decreases Following Archery Shots. Preprint. doi:10.2139/ssrn.4631369

EEG zwierząt

• Delsart, A., Segning, C., Castel, A., Otis, C., Dumas, G., Moreau, M., et al. (2026). EEG-Based quantification of chronic pain in cats: A Proof-of-concept study using the Piq algorithm. The Veterinary Journal, 316, 106608. doi:10.1016/j.tvjl.2026.106608

Monitorowanie stresu

• Levy, F., Humbert, L., Salama-Daouda, O., Pellissier, S., Simson, J. P., Peyrefitte, S., et al. (2026). D STRESS, an objective and efficient virtual reality-based tool to detect subthreshold PTSD in military population. Journal of Psychiatric Research. sciencedirect.com
• Lee, G., & Lee, S. (2022). Feasibility of a Mobile Electroencephalogram (EEG) Sensor-Based Stress Type Classification for Construction Workers. Construction Research Congress 2022. American Society of Civil Engineers. doi:10.1061/9780784483985.033
• Marthinsen, A. J., Galtung, I., Cheema, A., Sletten, C., Andreassen, I. M., Sletta, Ø., et al. (2023). Psychological stress detection with optimally selected EEG channel using Machine Learning techniques. Italian Workshop on Artificial Intelligence for Human-Machine Interaction (AIxHMI 2023). ntnuopen.ntnu.no

Lokalizacja źródeł

• Soler, A., Giraldo, E., & Molinas, M. (2024). EEG source imaging of hand movement-related areas: an evaluation of the reconstruction and classification accuracy with optimized channels. Brain Informatics, 11(1). doi:10.1186/s40708-024-00224-z

Potencjały wywołane

• Fakorede, S., Liao, K., Rogers, K., Cheng, K., Pemberton, L., Martin, L. E., & Devos, H. (2026). Inclusive mobile brain-body imaging achieves equivalent EEG data quality across racial groups. PLOS Digital Health, 5(8), e0001638. doi:10.1371/journal.pdig.0001638
• Fakorede, S., Alkhameys, F., Liao, K., Martin, L., & Devos, H. (2025). Neural evidence for attentional resource allocation to postural control using brain-body imaging. Behavioural Brain Research, 494, 115716. doi:10.1016/j.bbr.2025.115716
• Hernández-Chávez, A., Hamui-Sutton, L., Muñoz-Comonfort, A., & Sampieri-Cabrera, R. (2025). Effect of the Use of Electronic Media on the Cognitive Intelligence, Attention, and Academic Trajectory of Medical Students. Cureus, 17(2). cureus.com

Rzeczywistość wirtualna

• Maithani, V., & Asthana, M. K. (2026). Investigation of human defence responses in a virtual reality environment: an EEG study. Frontiers in Human Neuroscience, 20, 1924058. doi:10.3389/fnhum.2026.1924058
• Demirel, D., Keles, H. O., Modak, C., Basturk, K. K., Barker, J. R., & Halic, T. (2023). Multimodal Approach to Assess a Virtual Reality-Based Surgical Training Platform. International Conference on Human-Computer Interaction (s. 430-440). doi:10.1007/978-3-031-35634-6_30

Inżynieria neuronowa

• Golparvar, A., Ozturk, O., & Yapici, M. K. (2021). Gel-Free Wearable Electroencephalography (EEG) with Soft Graphene Textiles. 2021 IEEE Sensors, 1-4. doi:10.1109/SENSORS47087.2021.9639711
• Lee, G., Bae, J., & Lee, S. (2022). Paired electrodes- and constraint independent components analysis-based denoising to alleviate motion artifacts in electroencephalogram collected at construction sites. Proceedings of the 2022 European Conference on Computing in Construction. doi:10.35490/EC3.2022.186

Sen

• Sikder, N., Verkaar, L., Paltarzhytskaya, A., Acan, S., Krugliakova, E., Rosenblum, Y., et al. (2026). Wearanize+: A Multimodal Dataset for Evaluating Wearable Technologies in Sleep Research. Sleep Advances, 7(1), zpaf094.
• Biller, A. M., Fatima, N., Hamberger, C., Hainke, L., Plankl, V., Nadeem, A., Kramer, A., Hecht, M., & Spitschan, M. (2025). The Ecology of Human Sleep (EcoSleep) Project: Protocol for a longitudinal cohort repeated-measurement-burst study to assess the relationship between sleep determinants and sleep outcomes under real-world conditions across time of year. Journal of Sleep Research, 34(2), e14225. doi:10.1111/jsr.14225

Muzyka

• Tanaka, A., Sèdes, A., Bonardi, A., Whitmarsh, S., Fierro, D., & Di Maggio, F. (2023). Brain-Body Digital Musical Instrument Work-in-Progress. ISEA 2023 - 28th International Symposium on Electronic Art. hal.science
• Di Maggio, F., Tanaka, A., Fierro, D., & Whitmarsh, S. (2023). An Interactive Modular System for Electrophysiological DMIs. Proceedings of the 18th International Audio Mostly Conference (s. 79-84). doi:10.1145/3616195.3616226

Cyberbezpieczeństwo

• Krašovec, A., Baldini, G., & Pejović, V. (2024). Multimodal data for behavioural authentication in Internet of Things environments. Data in Brief, 55, 110697. doi:10.1016/j.dib.2024.110697

Badania terenowe

• Zieff, M. R., Miles, M., Mbale, E., Eastman, E., Ginnell, L., Williams, S. C., Jones, D. K., Alexander, D. C., Wijeratne, P. A., Gabard-Durnam, L. J., et al. (2024). Characterizing developing executive functions in the first 1000 days in South Africa and Malawi: The Khula Study. Wellcome Open Research, 9, 157. doi:10.12688/wellcomeopenres.19638.1

Mentalab GmbH to firma z Monachium, która projektuje i produkuje przenośne, bezprzewodowe wzmacniacze do rejestracji sygnałów EEG, EMG i EKG (ExG) na potrzeby badań naukowych.

Oferta obejmuje wzmacniacze Explore Pro w konfiguracjach od 8 do 64 kanałów, system synchronizacji Hypersync do badań z udziałem wielu osób, elektrody, czepki oraz bezpłatne oprogramowanie z otwartym interfejsem API (Explore Desktop, Explore Mobile, Explore Signals i biblioteka ExplorePy). Urządzenia są przeznaczone wyłącznie do badań i nie służą do diagnostyki ani terapii.