由于严格控制的环境和任务，以及神经成像技术的局限性，以实验室为基础的研究占据了认知神经科学的主导地位。在真实和虚拟环境中进行采集和操控技术的进步为更好地在自然环境中研究人脑的行为提供了便利。由于技术和制造工艺的进步，EEG采集设备的便携性不断提升，包括微型硬件（hardware miniaturization）、活动电极放大器（active-electrode amplification）、干电极技术（dry-electrode technologies）和柔性电子（flexible electronics）。活动电极位于电极电路板上，可有效放大电极上的电压，从而降低放大器的输入阻抗。干电极在机械力的作用下使电极贴合头皮，在头皮和电极点之间并不需要使用凝胶等电解质。本文将重点介绍活动电极放大和干电极技术的应用，检测在理想实验室环境等条件中使用干电极采集EEG数据的质量和事件相关电位（ERP）的信号有效性。有关干电极系统的噪声水平（noise levels）和统计功效（statistical power）的信息将有助于研究者了解在实验室环境之外利用该技术进行教育实验研究设计的不足和局限。EEG和ERP信号采集的统计功效在很大程度上会受生理和环境非神经伪迹的影响。生理伪迹包括眼动、肌电、心电、皮肤电和电极漂移等。生理伪迹是不可避免的，在一定程度上可以用信号处理技术来进行拒绝或校正以尽可能地减少。环境噪音包括工频干扰、室内任何电子设备、手机和其他无线电频率信号产生的线路噪音。环境噪音可以通过一些其他方式减轻。放大器一般具有共模噪声抑制功能，以消除多个电极共有的任何伪迹信号，消除头皮和放大器之间的导线产生的噪声。共模抑制噪声在电极间阻抗较高的情况下效果较差，因为电极间的差异被放大。电极间阻抗表示头皮和电极之间交流电流的反向流动。连接电极和放大器的导线起着信号传输的作用，在进行信号传输时可能会进入额外的环境噪声。在研究中，研究者可以通过清洁皮肤、在头皮和电极点间填充电解质凝胶等技术降低电极间阻抗，但这些方法技术可能会导致被试不适以及需要很高的时间成本。传统上，由于EEG放大器需要一定的低阻抗输入，因此需要较低的电极间阻抗才能从头皮获得相应的电压信号。电极采集的放大器的作用就是在允许更高的电极阻抗的同时尽量减少噪音。主要表现为：放大头皮源处的电压差异并降低对环境噪声的敏感性。与低电极间阻抗（< 5 kΩ）相比，即使采用活动电极放大，高电极间阻抗（10~190 kΩ）也会增加低频噪声，从而降低ERP的统计功效。这种低频噪声可以通过高通滤波进行校正，从而避免统计功效的降低，但进行高通滤波ERP成分中的慢波成分会失真。对同一系统中有源电极和无源电极采集的数据进行比较，发现：在极低的电极间阻抗水平（< 5 kΩ）下，无源电极略有益处；而在中等阻抗水平（< 5 0 kΩ）下，在相同的试次数下，有源电极数据具有更低的环境噪声和更大的统计功效。从理论上讲，活性电极放大在极高的电极间阻抗水平（>300 kΩ）下应该更加有益，而无需使用皮肤制剂或电解质凝胶，就像在新的干电极技术中一样。与中等程度的电极间阻抗相比，电极间阻抗非常高的活动眼图（EOG）记录的噪声增加，尤其是在快速眼动变化阶段。因此，问题仍然是这种增加的噪声在多大程度上影响EEG和ERP采集噪声和统计功效。某公司（见原文）提供的镀金干电极新系统为测试干电极的有效性提供了一种新方法。干电极在不需要凝胶填充的前提下直接接触头皮，这很大程度上减少了数据记录前期准备工作的时间成本。在使用灵活性增强的同时，并通过放大信号加以缓解采集系统可能记录到的更多噪声。干电极提供了长期连续记录的可能性，并能适用于老龄化、婴儿和患者群体以及体育、驾驶、教室和营销等应用环境。然而，目前还不知道极高的电极间阻抗水平会产生多少额外的噪声，或者这些额外的噪声会对EEG和ERP记录产生什么影响。目前的研究将Kappenman和Luck（2010）以及Laszlo和同事（2014）的实验设计和分析策略扩展到具有极高电极间阻抗的新型干电极。每个被试单独完成一项auditory oddball 任务并在任务进行中使用以下三种电极进行EEG数据采集：被动低阻抗湿电极（Passive Wet；<10 kΩ），主动中等阻抗湿电极（Active Wet；<50 kΩ；均使用电解质凝胶降低阻抗），或新型活性干电极（Active Dry；>300 kΩ）。并在其中比较功率谱、基线噪声水平、ERP波形和脑地形图以及P3的统计显著性。关于新型主动放大干电极系统的有效性对于了解该领域这些新技术的统计功效有特别的意义。本文发表在Psychophysiology杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料）思影曾做过干电极相关文章解读，如感兴趣请点击以下链接，结合阅读：
干电极无线EEG系统 V.S. 湿电极有线EEG系统
共有8名被试参与了实验（平均年龄21.52岁；年龄范围19~25岁；4名女性）。每个被试在不同的日期内分别完成在三种电极条件（Passive Wet、Active Wet、Active Dry；顺序平衡）记录的数据。所有被试均为右利手，裸视或矫正视力正常，无神经病史。所有被试均签署了知情同意书，并按10美元/小时获得报酬，实验获研究伦理委员会的批准。在三种电极记录条件下，被试都完成一项auditory oddball 任务，以测量对目标音调的P3反应。扬声器播放两种不同频率音调中的一种（1500或1000 Hz；采样频率16384 Hz；一个通道；持续16 ms时间；2 ms线性上升和下降），偏差刺激音调始终为1500 Hz。扬声器的音量和声音输出对于每个被试和条件都保持不变。要求被试的坐着不动，注视着黑色背景中央1°大小的白色+注视点，在整个auditory oddball任务中保持不变。每当听到偏差刺激的音调时，参与者只需移动右手的手指（放在他们面前的桌子上），按下键盘上的空格键。被试与LED显示器的距离为57厘米，显示器的刷新频率为120 Hz。在Windows7 PCS上用Matlab R2012B的和Psychophysics toolbox呈现刺激。分别通过华硕Striker GTX760和 Xonar DSX声卡进行视频和音频的输出。在声音刺激出现的同时，刺激计算机中的并口将8位TTL脉冲发送到EEG放大器，作为用于ERP平均的数据的Marker。在这三种电极记录条件下，每个被试都完成了三个Block ，每个Block有250个试次，总共750个试次。每个试次有1/5的可能性成为目标试次。每个试次中声音呈现的时间间隔为1000~1500 ms的随机，间隔之后呈现音调。下一个试次在随机间隔后立即开始，被试在随后的间隔时间内对目标做出反应。测试的三种电极类型分别是被动低阻抗湿电极（Passive Wet；actiCAP Passive；<10 kΩ），主动中等阻抗湿电极（Active Wet；<50 kΩ；均使用电解质凝胶降低阻抗），或新型活性干电极（Active Dry；>300 kΩ）。对于Passive Wet，在每次记录开始时测量电极间阻抗。对于Active Wet，阻抗不是直接测量的，而是根据制造商提供的建议使用指南从数据质量推断出来的。在单独的记录过程中，使用相同的设置技术，使用ImpBox（大脑）测量这些活动条件下的电极间阻抗。所有电极排列按照10-20系统（Fp2、F3、Fz、F4、T7、C3、Cz、C4、T8、P7、P3、Pz、P4、P8和Oz）。在所有三种情况下，接地电极都被嵌入在电极帽的Fpz位置中。在这三种条件下，电解质凝胶都被应用到这个接地电极上。在线参考电极为左耳垂上的电极，离线时数据重参考时使用左右耳垂电极的算术平均值。在Passive Wet和Active Wet条件下，使用Ag/AgCl针形电极，使用Supervic电解质凝胶，并使用钝针头对电极点和头皮之间进行填充以降低阻抗。在Passive Wet条件下使用凝胶，电极间阻抗降低至<10 kΩ，直到在Active Wet条件下数据质量良好为止（在单个研究中推测约为50 kΩ）。在Passive Wet和Active Wet条件下，用电解质凝胶降低耳垂电极的阻抗。活性干电极由镀金的金属尖端组成，这些金属尖端穿过参与者的头发并触压其头皮。对镀金金属尖端进行物理操作，更换较长的尖端，或对其施加外部压力（通过Pro wrap），直到数据质量足以记录。在活性干电极中，将扁平的电极夹在耳朵上，未使用电解质凝胶。除了15个EEG电极、2个参考电极和接地电极外，在所有三种情况下，从左眼上方和下方以及每只眼睛外侧1cm处安放电极记录垂直和水平眼电。对数据的肉眼检查，在所有三种情况下，使用电解质凝胶降低这些EOG电极的阻抗。这些双极通道记录使用辅助端口的V-amp放大器，使用一对BIP2AUX转换器，和固定在前额中央的一个单独的接地电极。对于所有三种电极类型，均用相同参数设置的V-amp 16-channel放大器采集EEG。采样率为500 Hz，分辨率为24位。使用0.1 Hz和30 Hz的在线带通滤波器以及60 Hz的陷波滤波器进行滤波。按照手册中的建议使用这些窄滤波器，以尽量减少有源干电极的高频噪声和低频漂移。所有这三种条件的EEG记录都在一个灯光昏暗和声音衰减的屋内，由电子医疗仪器，铜网覆盖着窗户。房间里唯一的电器设备是放大器、扬声器、键盘、鼠标和显示器。监护仪由采集室外的直流电源供电，键盘和鼠标在采集室插入USB，扬声器和放大器都由采集室外的电源供电。关闭电灯和风扇，内部电源插座上未接任何电器。在实验期间，任何发射或接收无线电波的设备（如手机）要么关闭，要么放在采集室外。使用Matlab R2012b和EEGLAB以及自定义脚本计算分析。在记录的EEG数据中标记Maker的时间，并用于构建定位到目标音调刺激和偏差音调刺激开始的1200 ms进行分段，从每个电极和试次的数据中减去- 200 ms基线期的平均电压。为了消除由于放大器阻塞和其他非生理因素造成的伪影，在进一步分析中删除任何通道（包括眼睛）上与基线电压差大于±750 μV的任何条件下的任何试次。为了保留尽可能多的试次用于功效分析，并允许每种电极类型的拒绝试次数量相等，使用了一个宽松的阈值。此时，使用基于回归的眼动校正程序来估计和消除由于眨眼以及水平和垂直眼动引起的脑电图中的伪迹。在使用基于模板的方法识别眨眼之后，该技术计算propagation factors作为回归系数，从每个电极处的信号预测垂直和水平眼动通道数据。然后从每个通道中减去眼睛通道数据，通过这些propagation factors进行加权，去除由眼球运动预测的脑电图中的任何方差。平均而言，伪迹拒绝使每个参与者在每个条件下的试次数大致相等，其中Passive Wet（Mtarg=152；rangetarg =137~166；Mstand =599；rangestand =545~628）、Active Wet（Mtarg =160；rangetarg =143~172；Mstand =586；rangestand =556~613）和Active Dry（Mtarg =158；rangetarg =137~181；Mstand =593；rangestand = 559~629），并从保留的试次中进行后续的分析，之后没有对数据进行更多地过滤。如果您对脑电数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第二十七届脑电数据处理中级班（南京，6.1-6.6)
第十六届脑电数据处理入门班（北京，6.10-15)
第二十八届脑电数据处理中级班（北京，6.20-25)
第九届任务态数据处理班（北京，5.27-6.1）
第十届眼动数据处理班（北京，6.27-7.2)
第十五届脑电数据处理入门班（重庆，7.12-17)
第十二届近红外脑功能数据处理班（上海，6.15-20)
第九届脑电信号数据处理提高班（上海，7.8-13)
第三届脑电机器学习数据处理班（上海，6.25-30）
第二十九届脑电数据处理中级班（上海，7.16-21)
数据处理业务介绍：
思影科技近红外脑功能数据处理服务
图1A中为被试在电极Pz的原始数据示例。我们用两种方法评估个体试次数据中的噪声。首先，如图1B所示，我们计算了每个EEG epoch的平均频谱。对于每个参与者，我们从电极Pz随机选择了545个试次。对于每个试次，我们通过对称地用零填充600个时间点epoch来计算快速傅里叶变换，为每个epoch生成1024个时间点序列，提供分辨率为0.488 Hz的频率单元。因为数据是用一个30Hz的在线低通滤波器采集的，所以我们只绘制了30 Hz的频谱图。然后对每个被试的545个epoch进行平均，然后将这些合并形成图1B中绘制的总平均频谱图。阴影区域表示参与者平均值的标准误差。从图中可以看出，Passive Wet和Active Wet的频谱几乎相同，而Active Dry的broad-band power增加。所有条件均显示了数据中预期的1/f频率结构，以及α的8~12 Hz频率范围内的典型峰值。
为了计算第二个评估单试次EEG epoch噪声的估计值，我们从每个被试中随机选择300个standard-tone epochs，并计算每个试验的基线期均方根值（root mean square ，RMS）。我们选取每个音调开始之前的-200ms基线（100个时间点），以避免任何诱发的ERP活动对RMS测量的影响。RMS是对基线电压平均绝对差的度量，因此是EEG数据中单次试验噪声的有效评估指标。对于每个试次，我们平均每个脑电图电极的RMS值，然后平均每个被试的试次，然后计算被试的总平均RMS（基线期均方根值）。
A：在三种电极记录条件下，被试在Pz电极上的原始脑电图数据示例。B：Pz电极的单试次脑电功率谱，用零填充FFT计算每个被试545个标准听觉目标试次的脑电功率谱，首先在试次中取平均值，然后在被试中取平均值。阴影区域表示平均值的标准误差。C：300个随机标准刺激试次在200ms基线期间的10000次总平均均方根（RMS）值直方图。每个试次的电极上的值取平均值，然后是多个试次，然后是被试。D：显示1C中置换分布的平均值，误差线表示标准偏差。为了估计每种情况下数据中均方根的分布，我们采用了10000次置换检验，在置换中，每一个参与者都选择了不同的无替代的300个epoch。对于每个随机选择和每个电极条件，我们计算并记录总平均单试次的RMS。图1C显示了每次置换检验计算的总平均单试次RMS值的直方图。图1D显示了这些置换总平均单试次均方根分布的平均值和标准偏差的条形图。结果表明，均方根分布之间有明显的分离。Active Dry条件（MRMS-EEG=8.993；SDRMS-EEG =0.041）显示出明显较大的单试次噪声水平，与Passive Wet条件（MRMS-EEG=6.176；SDRMS-EEG =0.028；z=122.472；p<0.0001）和Active Wet条件（MRMS-EEG =6.238；SDRMS-EEG=0.023；Wilcoxon rank sum test；z=122.472；p<0.0001）相比是可靠的。Passive Wet的试次噪声低于主Active Wet（z=111.190；p<0.0001）。接下来，我们测量了基于试次平均ERPs中的噪声水平。图2A显示了标准和偏差音调下Pz电极的总平均ERP波形图，使用每个被试的所有无伪迹试次进行叠加平均。与预期一样，与标准声音刺激相比，偏差刺激诱发个体在250~450 ms的时间窗内产生了更多的正电位。我们对这个时间窗的P3成分进行进一步分析，对每个时间点平均值的标准误差进行分析后，发现：在Passive Wet和Active Wet条件下的误差水平非常接近，而在Active Dry条件下的标准误差要大得多。图2B显示了P3成分差异波的地形图，呈现出了在三种电极条件下典型的头皮中央后部分布。图2C显示了将每个被试的偏差音调刺激与标准音调刺激相减后的ERP差异波。在每种电极条件下，在约380 ms处观察到一个明显的峰值。由于使用相减法移除了被试间变异，因此阴影区域代表被试内平均值的标准误差。此外，该误差估计值与对该差值进行独立样本t检验（与0相比）基本一致。同样，对于Active Dry，被试内标准误差较大，而对于Passive Wet和Active Wet条件，被试内标准误差大致一样。运用单样本t检验将Pz电极点上的250~450 ms时间窗的差异波与0进行比较。结果表明，在Passive Wet（Mdiff =1.887；SDdiff =1.323；t（7）=4.032；p=.0025）、Active Wet（Mdiff=2.078；SDdiff =1.221；t（7）=4.813；p=.00097）和Active Dry （Mdiff =3.538；SDdiff=4.086；t（7）=2.449；p=.0221）三种条件下均发现显著的P3效应。
A：在Pz电极上计算所有“干净”试次的ERPs的总平均值，阴影区域表示平均值的标准误差。B：在250~450 ms 时间窗内（图2C中的黄色阴影区域），标准刺激和偏差刺激之间的P3差异成分的脑地形图。眼电电极和参考电极不包括在本地形图中（标准刺激-偏差刺激）。C：每种电极条件下的ERP差异波，阴影区域显示了该差异平均值的被试标准误差，差异波移除了被试间的差异。为了测量被试ERP总平均中的噪声水平，我们再次对基线的RMS值进行置换检验。该分析提供了与上述单试次RMS分析互补的信息，在这里，我们估算了数据中的EEG锁相的噪声量，与音调刺激呈现相比，该噪声量并未在所有试次中进行了平均。对于ERP总平均中的噪声量，在10000次置换中，每次置换均对300个标准刺激试次进行平均，这些试次是在从被试在某种条件下未被替换的“干净”试次中随机选取的。随后计算ERP基线的100个时间点的RMS。在EEG电极上平均这些RMS值，然后计算被试的总平均值。图3A显示了在每种情况下在10000次置换中计算的总平均RMS值的直方图。图3B显示了置换检验的10000次RMS平均值的条形图，误差条表示置换检验的标准误差。Active Dry系统（MRMS-ERP =0.573；SDRMS-ERP=0.023）的RMS值高于Passive Wet系统（MRMS-ERP =0.382；SDRMS-ERP=0.022；z=122.471；p<0.0001）和Active Wet系统（MRMS-ERP =0.374；SDRMS-ERP =0.019；z=122.471；p<.0001）。与Active Wet电极相比，Passive Wet电极显示出更大的ERP噪声（z=27.56，p<0.0001）。
A:ERP基线RMS值的直方图，使用300个标准刺激的10000次置换检验随机选择计算。对于每次置换，在试次中平均数据，并计算基线的RMS值。b：绘制10000次置换检验的平均值，误差线表示置换检验的标准差。基于Active Dry电极系统中的单试次平均噪声增加，以及在低阻抗下无源电极的噪声水平比有源电极略低等研究结果，研究者推测Active Dry电极将带来较低的统计功效。为了检验这一推测，我们使用了另一种置换检验方法，在保证标准刺激试次和偏差目标试次的比例为4:1的同时，更改了用于进行ERP平均的试次数量。在三种条件下，试次数量从4个标准刺激试次和1个偏差目标试次，到20个标准刺激试次，最多540个标准刺激试次和135个偏差目标试次。对于每一次试次数，从整个试次数量中随机进行不替换的10000次置换。
图4 ERP功效分析。
置换试次的结果，在保持标准刺激试次与偏差刺激试次的4:1比例的情况下，对10000次置换中的每一次选择的试次数目在5~ 625之间变化。对于每个试次数量的每次置换，随机选取的试次取平均值以计算被试的ERP。并计算偏差试次和标准试次之间P3成分的差异波，并与被试间的0进行单尾t检验（α=.05）。绘制了三种电极配置（Passive pet和Active pet电极重叠）中每种试次的10000次置换的比例，其中的显著差异未进行校准。0.8处的虚线表示在发现效应时达到80%统计功效的阈值。灰色线表示标准试次次数的平方根，但通过除以标准试次最大次数的平方根，将垂直轴上的数值调整到0到1之间。
对于每次置换，平均选取的单个试次，分别为每个被试创建目标偏差刺激和标准刺激建的ERP。然后在Pz电极上计算目标偏差刺激和标准刺激之间在时间窗为250~450 ms的差异值，然后在Pz电极上计算目标音调和标准音调之间的差异（250 ms到450 ms），并用单样本t检验将这些被试的的平均ERP差异与0分布进行比较（df=7，单尾，α=0.05）。图4描绘了10000次置换检验中获得显著性t值的比例与每次置换中样本量的关系。由图可知，在统计功效为0.8时，Passive Wet和Active Wet条件(35个偏差目标试次/140个标准刺激试次)达到p<0.05的显著差异时所需的试次数量低于Active Dry条件(125个偏差目标试次/500个标准刺激试次)。本研究表明，在三种电极系统记录的条件下，电极与皮肤间的高阻抗水平下，噪声水平升高。对原始数据进行肉眼检查、以及单试次脑电功率谱和均方根值的结果表明，即使对电极电压进行放大，仍会记录到较大的噪声。因此，Active Dry对高电极间的阻抗水平非常敏感。尽管有以上的不足，但Active Dry依然能够用于采集和测量经典的EEG和ERP信号。Active Dry采集到了与在低阻抗水平下在有/无自动放大器下的1/f脑电功率谱、α频率范围内预期峰值等的结果基本一致。另外，宽带功率增加可能是因为Active Dry会增强对除生理噪声或环境噪声之外的特定频率噪声的采集。另一个原因可能是电极之间存在校准差异，尽管校准设置可能不是特定于电极的，同时不同材质的电极可能在校准差异之间发挥作用。Active Dry能够在实验室环境中在基线和ERP噪声水平略有增加的情形下采集到质量相对好的ERP波形以及脑地形图（如图2所示）。尽管如此，在头皮后部中心位置观察到目标偏差刺激和标准刺激之间的可靠差异，潜伏期约为400 ms。被试的时间窗和脑地形图与在同一放大器中使用更传统的Active和Passive电极技术采集的数据非常接近。此外，在Active Dry中，在每个被试的标准刺激的平均ERP中噪声水平有所增加，被试内的标准误差的大小也十分明显。此外，对ERP统计功效的研究发现，在既定的统计功效水平下，由于受到宽带噪声的影响，Active Dry的统计功效降低。在其他条件不变，如果要达到相同的统计功效，Active Dry电极所需的试次数量大约是Passive Wet和Active Wet电极的5倍左右。Active Dry电极统计功效降低的一个可能原因是在进行ERP平均时目标偏差刺激和标准刺激试次之间的额外方差增加。同时，Active Dry电极的使用还会受到实验室室温的限制，在未来的研究中需要加强在湿热环境中的更多应用研究。同时，未来的研究中需要关注放大器电压转换率、降低特定电极的阻抗水平（如：参考电极）、电容耦合等对Active Dry电极进行数据采集时噪声水平的影响。同时未来的研究应该在降低电极间阻抗水平的准备和Active Dry电极使用便利性之间寻找一个平衡点。此外，Active Dry电极系统的主要优点之一是应用的方便性和速度。虽然我们没有正式比较三种技术之间的准备时间，但干电极系统显然更快。对于在医院环境中对婴儿、老年人和患者进行的实验来说，节省的时间是一个重要的优势。但对于头发比较浓密的被试来说，准备工作特别耗时。因此，还必须考虑使用目标人群的特征，如毛发浓密度。Active Dry电极系统还减少了对不同被试进行连续记录之间的延迟，减少了每次记录之间清洗和干燥电极的时间。这对于教室、市场营销和设备演示等高吞吐量场景来说是一个核心的优势。Active Dry电极系统使用相对更安全，因为传统使用研磨剂和轻微的划伤，对参与者来说都是非常有创性的，并且会导致红色痕迹和不适（Luck，2014）。此外，这些方法通常用于去除皮肤上的死皮细胞和油脂，从而降低电极间阻抗，它们都有可能传播血液和生物流体传播的病原体。而Active Dry电极不受这些限制。此外，Active Dry电极系统中不需要填充电极凝胶，可以规避在长时间记录时可能因电极凝胶水分蒸发而导致电极间阻抗水平的改变。但Active Dry电极系统存在的一个问题是：数据采集的质量取决于电极与头皮之间的机械压力。因此采集到高质量的数据需要将机械压力均匀地作用在每个电极点与头皮之间，但这在某些头皮区域（如：颞叶等）的实现具有一定难度。因此，需要新的电极方法和材料来解决这些问题。此外，还需要进一步研究Active Dry电极系统在坐姿任务等更多自然任务中对运动伪迹的敏感性。当我们将这些技术转移到实验室之外时，需要使用类似的方法来测试ERP和EEG测量在这些新环境中的能力。目前的实验在射频屏蔽室中进行EEG数据采集，并对电噪声进行了优化控制，而在不受控制的环境中，Active Dry电极的噪声水平还需要进一步研究。此外，在为特定研究选择电极系统时，必须考虑的其他潜在问题。如：准备和清理所需的时间、电极导联线的放置和电极的重量等。综上所述，我们已经证明了一种新型Active Dry电极系统的有效性。研究结果表明，与Wet电极相比，Active Dry电极记录的宽带噪声增加，导致单个被试的ERP数据质量有一定下降，并导致统计功效降低。因此在获得统计显著性差异的效应时，需要更多的试次来达到同样的统计功效。然而，通过传统的实验室技术和范例，这些新的电极仍然能够可靠地测量经典的EEG和ERP信号，因此Active Dry电极系统为电生理学和认知神经科学界提供了一个重要的工具来利用新的实验技术。
