Auditiv mismatch negativity (MMN) är en neurologisk hjärnrespons som visar hur känslig hjärnan är för auditiva förändringar. Perceptuell load teorin argumenterar att krävande visuella sökuppgifter eliminerar auditiva distraktorer från att bearbetas i arbetsminnet. Syftet är att observera event-related potential (ERP) händelser för att se om avvikande ljud exkluderas under hög visuell belastning. Ett korsmodalt uppmärksamhetstest utfördes där deltagarna (N = 26) fick utföra en visuell sökuppgift med två svårighetsgrader samtidigt som de skulle ignorera tonfrekvenser som spelades upp i bakgrunden. Resultatet visade auditiv MMN-respons under både låg och hög visuell belastning. Det fanns ingen tydlig skillnad på MMN mellan låg och hög belastning. Hörselcortex registrerade en avvikande ton i oddball och att samma ton fanns i kontroll-upplägget. Argument för att distraktorer bearbetas under kontrollerad uppmärksamhet. Ytterligare studier med större stickprov och olika ljudfrekvenser, naturliga och icke naturliga, krävs för att se hur ljuden påverkar bearbetningsprocessen.

Diss. (sammanfattning) Umeå : Umeå universitet, 2006. / Härtill 5 uppsatser.

Vid elektroencefalografi (EEG) används intermittent ljusstimulering för att detektera eventuell fotoparoxysmal reaktion (PPR) hos patienter, som tecken på en fotosensitivitet och stöd för en misstanke om epilepsi. Intermittent ljusstimulering innebär att patienten exponeras för en stroboskoplampa som ger ljus med frekvenser mellan 1–60 Hz. PPR karaktäriseras av spikes, spike-waves eller polyspike-waves som uppkommer bilateralt och synkront, symmetriskt och generaliserat. Intermittent ljusstimulering är en provokation som utförs vid rutin-EEG som tolkas på Skånes universitetssjukhus mellan 6 månader och 70 års ålder. Studier har dock visat att PPR sällan provoceras fram i äldre åldersgrupper. För äldre åldersgrupper kan det istället vara till större förmån att använda andra former av provokationer. Syftet med studien var att kartlägga förekomsten av PPR i olika åldersgrupper. Åldersfördelningen studerades på patienter med PPR som undersökts med rutin-EEG vilka tolkades på Skånes universitetssjukhus under perioden 2017-2020. Av 4050 rutin-EEG hade 3821 utfört intermittent ljusstimulering. Av dessa hade 1,4 % PPR med ett medelvärde av åldern på 17 år och standardavvikelse på 10 år. PPR var vanligare hos yngre (p<0,001) och 91 % av patienterna med PPR var under 30 år. PPR var även vanligare hos kvinnor (p<0,001) och motsvarade 84 % av undersökningarna med PPR. Konklusionen av studien är att PPR är vanligare hos kvinnor och patienter under 30 år. / Electroencephalography (EEG) uses intermittent photic stimulation to detect possible photoparoxysmal response (PPR) in patients, as a sign of photosensitivity and as a contribution in the diagnosis of a suspected epilepsy. Intermittent photic stimulation means that the patient is exposed to flashing lights from a stroboscope lamp that provides light with frequencies between 1–60 Hz. PPR is characterized by spikes, spike-waves or polyspike-waves that occur bilaterally and synchronously, symmetrically and generalized. Intermittent photic stimulation is a provocation performed during routine-EEG that is interpreted at Skåne university hospital between 6 months and 70 years of age. However, studies have shown that PPR is rarely provoked in older age groups. For older age groups, it may instead be a greater advantage of using other forms of provocative methods. The purpose of this study was to map how common PPR is in different age groups. The age distribution was studied on patients with PPR who were examined with a routine EEG that was interpreted at Skåne university hospital during the period 2017-2020. Of the 4050 routine EEG, 3821 had performed intermittent photic stimulation. Of these 1.4 % had PPR with a mean age value of 17 years and a standard deviation of 10 years. PPR was more common in younger age groups (p<0.001) and 91% of the patients with PPR were younger than 30 years old. PPR was also more common in females (p <0.001), corresponding to 84 % of the examinations with PPR. The conclusion of the study is that PPR is more common in females and in patients younger than 30 years old.

The recent advances in deep learning have made it state-of-the-art for many different tasks, making its potential usefulness for analyzing electroencephalography (EEG) data appealing. This study aims at automatic feature extraction and classification of likeability, valence, and arousal elicited by auditory stimuli from music by training deep neural networks (DNNs) on  minimally pre-processed multivariate EEG time series. Two data sets were collected, the first containing 840 samples from 21 subjects, the second containing 400 samples from a single subject. Each sample consists of a 30 second EEG stream which was recorded during music playback. Each subject in the multiple subject data set was played 40 different songs from 8 categories, after which they were asked to self-label their opinion of the song and the emotional response it elicited. Different pre- processing and data augmentation methods were tested on the data before it was fed to the DNNs. Three different network architectures were implemented and tested, including a one-dimensional translation of ResNet18, InceptionTime, and a novel architecture built upon from InceptionTime, dubbed EEGNet. The classification tasks were posed both as a binary and a three-class classification problem. The results from the DNNs were compared to three different methods of handcrafted feature extraction. The handcrafted features were used to train LightGBM models, which were used as a baseline. The experiments showed that the DNNs struggled to extract relevant features to discriminate between the different targets, as the results were close to random guessing. The experiments with the baseline models showed generalizability indications in the data, as all 36 experiments performed better than random guessing. The best results were a classification accuracy of 64 % and an AUC of 0.638 for valence on the multiple subject data set. The background study discovered many flaws and unclarities in the published work on the topic. Therefore, future work should not rely too much on these papers and explore other network architectures that can extract the relevant features to classify likeability and emotion from EEG data. / Djupinlärning har visat sig vara effektivt för många olika uppgifter, vilket gör det möjligt att det även kan användas för att analysera data från elektroencefalografi (EEG). Målet med denna studie är att genom två egeninsamlade dataset försöka klassificera huruvida någon gillar en låt eller inte samt vilka känslor låten väcker genom att träna djupa neurala nätverk (DNN) på minimalt pre-processade EEG-tidsserier.  För det första datasettet samlades 840 dataexempel in från 21 deltagare. Dessa fick lyssna på 30-sekunders snuttar av 40 olika låtar från 8 kategorier varvid de fick svara på frågor angående vad de tyckte om låten samt vilka känslor den väckte. Det andra datasettet samlade in 400 dataexempel från endast en deltagare. Datan blev behandlad med flera olika metoder för att öka antalet träningsexempel innan det blev visat för de neurala nätverken. Tre olika nätverksarkitekturer implementerades och testades; en endimensionell variant av ResNet18, InceptionTime samt en egenbyggd arkitektur som byggde vidare på InceptionTime, döpt till EEGNet. Nätverken tränades både för binär och tre-klass klassificering.  Resultaten från nätverken jämfördes med tre olika metoder för att bygga egna prediktorer från EEG-datan. Dessa prediktorer användes för att träna LightGBM modeller, vars resultat användes som baslinje. Experimenten visade att DNNsen hade svårt att extrahera relevanta prediktorer för att kunna diskriminera mellan de olika klasserna, då resultaten var nära till godtyckligt gissande. Experimenten med LightGBM modellerna och de handgjorda prediktorerna visade dock indikationer på att det finns relevant information i datan för att kunna prediktera ett visst utfall, då alla 36 experiment presterade bättre än godyckligt gissande. Det bästa resultatet var 64 % träffsäkerhet för valens och binär klassificering, med en AUC på 0.638, för datasettet med många deltagare. Bakgrundsstudien upptäckte många oklarheter och fel i flera av de artiklar som är publicerade på ämnet. Framtida arbete bör därför inte förlita sig på denna alltför mycket. Den bör fokusera på att utveckla arkitekturer som klarar att extrahera de relevanta prediktorer som behövs för att kunna prediktera huruvida någon tycker om en låt eller inte samt vilka känslor denna väckte.

This project added to the sparse body of research on the neural underpinnings of turn-taking with an electroencephalography (EEG) investigation of spontaneous conversation. Eighteen participants (3 male, 15 female, mean age 29.79), recruited and participating in pairs, underwent EEG hyperscanning as they conversed on a freely chosen topic for 45 minutes. In line with previous research, it was predicted that a time-frequency analysis of the EEG might reveal either increased power at around 10 Hz (the location of one of two components of the mu rhythm, an oscillation possibly involved in motor preparation for speech), or reduced alpha (8-12 Hz) power (reflecting non-motor aspects of turn preparation) prior to taking one’s turn. Increased power between 8-12 Hz was observed around 1.5 and 1 second preceding turn-taking, but similar power increases also occurred prior to turn-yielding and the conversation partner continuing after a pause, and a reduction in alpha power was found in turn-taking relative to listening to the other speaker continue after a pause. It is unclear whether this activity reflected motor or non-motor aspects of turn preparation, but the spontaneous conversation paradigm proved feasible for investigating brain activity coupled to turn-taking despite the methodological obstacles. / Detta forskningsprojekt bedrar till ett ämne där relativt få studier har genomförts med en elektroencefalografi- (EEG-) undersökning av hjärnaktivitet som är kopplad till turtagning i spontant samtal. Arton deltagare (3 män, 15 kvinnor, medelålder 29,79) som rekryterades och deltog i par, genomgick EEG-hyperscanning medan de pratade om ett fritt valt ämne i 45 minuter. Det förutsades att en tidsfrekvensanalys av EEG kan avslöja antingen ökad effekt vid cirka 10 Hz (vilket motsvarar en av två komponenter i mu-rytmen, en oscillation som eventuellt är involverad i motoriska förberedelser för tal) eller reducerad alfaeffekt (8 -12 Hz) (vilket möjligen återspeglar icke-motoriska aspekter av turtagningsförberedelser) innan man tar sin tur. Ökad effekt mellan 8-12 Hz observerades ungefär 1,5 och 1 sekund före turtagning, men liknande ökningar inträffade också innan samtalspartnern tog sin tur eller fortsatte efter en paus, och en minskning av alfaeffekt observerades när turtagning jämfördes till kontexter där försökspersonerna lyssnade när den andra talaren fortsatte efter en paus. Det är oklart om denna aktivitet återspeglade motoriska eller icke-motoriska aspekter av turtagningsförberedelser, men det visar sig vara möjligt att undersöka hjärnaktivitet kopplad till spontant samtal på ett rimligt sätt trots paradigmens metodologiska svårigheter. / Hidden events in turn-taking

Parkinson’s disease (PD) is one of the most common neurodegenerative brain disorders, commonly diagnosed and monitored via clinical examinations, which can be imprecise and lead to a delayed or inaccurate diagnosis. Therefore, recent research has focused on finding biomarkers by analyzing brain networks’ neural activity to find abnormalities associated with PD pathology. Brain signals can be measured using Magnetoencephalography (MEG) or Electroencephalogram (EEG), which have demonstrated their practical use in decoding neural activity. Nevertheless, interpreting and labeling human neural activity measured using MEG/EEG is yet a challenging task requiring vast of time and expertise. In addition, there is a risk of introducing bias or omitting important information not recognizable by humans. This thesis investigates whether it is possible to find meaningful features relevant to PD by uncovering the brain signals’ underlying structure using self-supervised learning (SSL), requiring no labels or hand-crafted features. Four experiments on one EEG and one MEG dataset were conducted to evaluate if the features found during the SSL were meaningful, including t-SNE, silhouette coefficient, Kolmogorov-Smirnov test, and classification performance. Additionally, transfer learning between the two datasets was tested. The SSL model, TS-TCC, was employed in this thesis due to its outstanding performance on two other EEGdatasets and its training efficiency. The evaluation of the EEG dataset inferred it was feasible to find meaningful features to distinguish PD from healthy controls to some extent using SSL. However, more investigations of reusing the features in a downstream task are needed. The evaluation of the MEG dataset did not reach the same satisfying result, the proposed reason, among others, was the amount of data. Lastly, transfer learning was unsuccessful in the setting of transforming knowledge from the EEG to the MEG dataset. / Parkinsons sjukdom är en av de mest förekommande neurodegenerativa hjärnsjukdomarna. Vanligtvis diagnostiseras och övervakas sjukdomen via kliniska undersökningar, dessa kan vara diffusa och leda till en fördröjd eller en felaktig diagnos. Den senaste forskning har därför fokuserat på att hitta nya biomarkörer, bland annat genom att analysera hjärnnätverkens neurala aktivitet för att hitta abnormiteter associerade med parkinsons patologi. Magnetoencefalografi (MEG) och elektroencefalogram (EEG) har visat sig vara bra tekniker för att avkoda neural aktivitet och kan därmed användas för att mäta hjärnsignaler. Dessvärre är det en utmanande uppgift att tolka och märka hjärnsignaler, det kräver mycket tid och expertis. Det finns också en risk att märkningen inte blir helt objektiv eller att viktig information som inte är upptäckbar av människor utelämnas. Denna avhandling undersöker om det är möjligt att hitta meningsfulla särdrag relevanta för parkinsons sjukdom medhjälp av självövervakad inlärning (SSL), som varken kräver etiketter eller handgjorda särdrag. För att utvärdera om särdragen funna av SSL är meningsfulla utfördes fyra experiment på ett EEG och ett MEG-dataset. Experimenten inkluderade tSNE, siluettkoefficienten, Kolmogorov-Smirnov-testet och klassificeringsprestanda. Dessutom utvärderades möjligheten att överföra särdrag mellan de två dataseten för att nå bättre resultat. TS-TCC användes som SSL modell i denna avhandling på grund av dess prestanda på två andra EEG-dataset och dess effektivitet när det kommer till träning. Utvärderingen av EEG-datat visade på att det var möjligt att hitta meningsfulla särdrag för att till viss del skilja patienter från friska kontroller. Däremot så behövs vidare undersökning av användandet av särdragen i en klassificerare. Utvärderingen av MEG-datat nådde inte samma tillfredsställande resultat; anledningen kan bland annat vara mängden data. Slutligen, det var inte möjligt att överföra särdrag mellan EEG och MEG-datat för att nå ett bättre resultat.

Simulation-based training has gained widespread attention recently as a response to drawbacks associated with traditional training approaches, such as high training costs (instructors, equipment, etc.), high risks (e.g. pilot training), and ethical issues (e.g. medical training), as well as a lack of availability of certain training environments (e.g. space exploration). Apart from their target training domains, many of aspects of simulations differ, such as their degree of physical realism (fidelity), scenarios (e.g. story), and pedagogical aspects (e.g. after-action reviews and collaborative learning). Among those aspects, designers have mostly focused on developing high-fidelity simulations with the expectation of increasing the effectiveness of training. However, some authors suggest that the above belief is a myth as researchers have failed to identify a linear relationship between the (physical) fidelity and training effectiveness of simulations.  Most researchers have therefore evaluated the correspondence between the behaviours of trainees in both real world and simulated contexts, however, the existing methods of simulation validation using behavioural measures have a number of drawbacks, such as the fact that they do not address certain complex phenomena of skills acquisition. Bridging the above knowledge gap, this research reports on empirical investigations using an improved methodology for validating training simulations. This research includes an investigation of the user experience of trainees, with respect to the acceptance of virtual scenarios provoking a similar psychophysiological response as in real world scenarios, and the training potential of simulations with respect to the positive transfer of training from a simulator to real world operational contexts. The most prominent features of the proposed methodology include the use of psychophysiological measures in addition to traditional behavioural measures and the use of natural (quasi-) experiments. Moreover, its conceptual framework was influenced by contemporary theories in cognitive science (e.g. constructivism and embodied cognition). The results of this research have several important theoretical and methodological implications, involving, for example, the dependency of the effectiveness of simulations on the perceived realism of trainees, which is more embodied than has been predicted by previous researchers, and the requirement of several different types/levels of adaptive training experience, depending on the type of trainee. / Träning i simulatorer har på senare år fått ökad uppmärksamhet som en respons på problem och svårigheter förknippade med traditionella träningsansatser, såsom höga kostnader (instruktörer och utrustning, etc.), hög risk (t.ex. träning av piloter), och etiska aspekter (t.ex. träning av kirurger), likaväl som avsaknaden av träningsmöjligheter och miljöer (t.ex. forskning om rymden). Bortsett från vad som specifikt tränas så skiljer sig simuleringar åt i ett flertal olika aspekter såsom fysisk realism (eng. fidelity), scenarier (handling) och pedagogiska aspekter (t.ex. genomgång efter övning och kollaborativt lärande).  Bland dessa aspekter så har designers ofta fokuserat att utveckla simuleringar med hög realism med förväntningen att detta ska göra träningen mer effektiv. Litteraturen antyder dock att denna föreställning inte stämmer och att de flesta simuleringar med hög realism inte har lyckats uppnå denna målsättning. En slutsats är därför att det finns ett behov av metoder som kan validera potentialen hos simuleringar avsedda att stödja träning – redan innan dessa används. Enligt litteraturen så är utbildningspotentialen hos en simulering starkt kopplad till hur väl den psykologiska effekten en simulering har, stämmer överens med en verklig upplevelse. Forskning har emellertid identifierat ett flertal svagheter hos existerande ansatser för att validera simuleringar; de är oftast baserade på prestations- och/eller subjektiva mätningar; de har fokuserat en eller ett fåtal psykologiska aspekter; och de bygger på traditionella teorier. Baserat på resultat från studier av en kör-simulator presenteras och föreslås i denna avhandling ett förbättrat ramverk för utvärdering. De mest centrala egenskaperna hos det föreslagna ramverket inbegriper användandet av psyko-fysiologiska mått tillsammans med mer traditionella mått; det konceptuella ramverket bygger på samtida teoretiska ansatser (tex konstruktivism och kroppslig kognition); samt användandet av fält (kvasi-) experiment. Utöver uppnåendet av uppsatta mål för forskningen så har resultaten ett flertal teoretiska och metodologiska implikationer. Bland dessa återfinns beroendet mellan effektiviteten hos en simulering och den upplevelse av realitet som de tränade har, vilken är mer grundläggande än vad som rapporterats i tidigare forskning, samt kravet på flera och olika typer av anpassning av träningsupplevelse för den tränade för att förhöja potentialen hos träningssimulatorer. / SIDA Funded National e-Learning Centre Project at the University of Colombo School of Computing, Sri Lanka

There are several commercial electroencephalography (EEG) devices on the market; however, affordable devices are not versatile for diverse research applications. The purpose of this project was to investigate how to develop a low-cost, portable, single-channel EEG system for a research institute that could be used for neurofeedback-related applications in homecare. A device comparison was intended to examine what system requirements such a system would need to achieve the secondary objective of developing a neurofeedback application that demonstrates the functionalities of the new device. A portable, single-channel EEG device prototype was realized that consisted of an amplifier module called EEG Click, a single-board microcontroller, an electrode cable, some disposable wet electrode pads, and a custom 3D-printed headband. Three pieces of software were developed: firmware for the prototype, two supporting computer applications for data recording, and visual neurofeedback. The neurofeedback application replayed a first-person view roller coaster video at a varying frame rate based on the theta band's mean power spectral density (PSD). The prototype was compared against a commercial device, InteraXon MUSE 2 (Muse). Technical measurements included determining the amplitude-frequency characteristics and signal quality, such as signal-to-noise ratio (SNR), spurious-free dynamic range (SFDR), and total harmonic distortion (THD). Furthermore, four physiological measurements were performed on six human test subjects, aged between 21-31 (mean: 26.0, std: 3.11), to compare the altered brain activity and induced artifacts between the two devices. The four tests were respiratory exercise, head movement exercise, eye movement exercise, and paced auditory serial addition test (PASAT), where each measurement included several epochs with various stimuli. After the recordings, PSD was calculated for each bandpass filtered epoch, then the spectra were split into theta (4-8 Hz), alpha (8-12 Hz), and beta bands (12-30 Hz). The PSD values were averaged within each frequency band, and then these baseline-corrected mean values were the input for the repeated measures ANOVA statistical analysis. Results revealed that the amplitude-frequency characteristic of the prototype was low-pass filter-like and had a smaller slope than Muse's. The prototype's SNR, including and excluding the first five harmonics, was 6 dB higher, while SFDR and THD for the first five harmonics were roughly the same as Muse's. The two devices were comparable in detecting changes in most physiological measurements. Some differences between the two devices were that Muse was able to detect changes in respiratory activity in the beta band (F(8,16) = 2.510, p = .056), while the prototype was more sensitive to eye movement, especially lateral and circular eye movement in theta (F(2,8) = 9.144, p = .009) and alpha (F(2,8) = 6.095, p = .025) bands. A low-cost, portable EEG prototype was successfully realized and validated. The prototype was capable of performing homecare neurofeedback in the theta band. The results indicated it is worth exploring further the capabilities of the prototype. Since the sample size was too small, more complex physiological measurements with more test subjects would be more conclusive. Nevertheless, the findings are promising; the prototype may become a product once. / Det finns flera kommersiella EEG-apparater (elektroencefalografi) på marknaden; däremot är de prismässigt överkomliga apparaterna inte mångsidiga nog för olika forskningsapplikationer. Syftet med detta projekt var att undersöka hur man kan utveckla en billigt, portabelt, enkanaligt EEG-system för ett forskningsinstitut som skulle kunna användas för neurofeedbackrelaterade tillämpningar inom hemsjukvård. En apparatjämförelse var tänkt att undersöka vilka systemkrav ett sådant system skulle behöva uppnå för att realisera det sekundära målet att utveckla en neurofeedback-applikation för att demonstrera den nya apparatens funktioner. En prototyp av en bärbar, enkanalig EEG-apparat skapades som bestod av en förstärkarmodul kallad EEG Click, en enkortsmikrokontroller, en elektrodkabel, några utbytbara våta elektrodkuddar och ett 3D-tryckt specialpannband. Tre mjukvarodelar utvecklades: en firmware för prototypen och två stödjande datorapplikationer, en för datainspelning och en för visuell neurofeedback. Applikationen för neurofeedback spelade upp en berg-och-dalbana för förstapersonsvisning med en varierande bildhastighet baserat på thetabandets effektspektrumet (eng. power spectral density, PSD). Prototypen jämfördes mot en kommersiell apparat, InteraXon MUSE 2 (Muse). Tekniska mätningar inkluderade fastställande av amplitud-frekvensegenskaper och signalkvalitet, såsom signal-brusförhållande (eng. signal-to-noise ratio, SNR), spuriosfritt dynamiskt område (eng. spurious free dynamic range, SFDR) och total harmonisk distorsion (eng. total harmonic distortion, THD). Vidare utfördes fyra fysiologiska mätningar på sex mänskliga deltagare (medelålder: 26,0, std: 3,11) för att jämföra de två apparaterna med avseende på mätningar av den förändrade hjärnaktiviteten och inducerade artefakter. De fyra testerna var andningsövningar, huvudrörelseövningar, ögonrörelseövningar, och paced auditory serial addition test (PASAT), där varje mätning innehöll flera epoker med olika stimuli. Efter inspelningarna beräknades PSD för varje bandpassfiltrerad epok, sedan delades spektrumet upp i theta-, alpha- och beta-band. Medelvärdet för PSD-värdena kalkylerades för varje frekvensband och dessa baseline-korrigerade medelvärden var indata till den beroende ANOVA statistisk analysen. Resultaten avslöjade att amplitud-frekvenskarakteristiken för prototypen var lågpassfilterliknande och hade en mindre lutning än Muses. Prototypens SNR, inklusive och exklusive de första fem harmonik, var 6 dB högre, medan SFDR och THD för de första fem övertonerna var ungefär desamma som Muses. De två apparaterna var jämförbara när det gäller att upptäcka förändringar i de flesta fysiologiska mätningar. Vissa skillnader mellan de två apparaterna var att Muse kunde upptäcka förändringar i andningsaktivitet i beta-bandet (F(8,16) = 2,510, p = 0,056), medan prototypen var mer känslig för ögonrörelser, särskilt de laterala och cirkulära ögonrörelser, i theta-bandet (F(2,8) = 9,144, p = 0,009) och alfa-bandet (F(2,8) = 6,095, p = 0,025). Prototypen var generellt mer känslig för grundläggande hjärnaktivitet, buller från omgivningen och artefakter. Sammanfattningvis konstruerades en billig, bärbar EEG-prototyp, vilketvaliderades framgångsrikt. Den anpassade enheten kunde utföra neurofeedback för hemsjukvård. Resultaten visade att det är värt att utforska prototypens möjligheter ytterligare. Eftersom stickprovet var relativt litet skulle mer komplexa fysiologiska mätningar med flera testpersoner krävas för att fastställa framtida användningsområden. Icke desto mindre är resultaten lovande; prototypen kan bli en produkt en gång.

The implementation of portable electroencephalography (EEG) systems has been known to be complex. During ambulation, the integrity of recorded EEG signals is often impaired by motion artifacts and the time and effort required to set up the system is excessive. The use of single-channel EEG systems with dry, active electrodes (AEs) for signal acquisition is a topic of current interest. AEs are electrodes which have integrated bioamplifier circuitry and are known to be less susceptible to motion artifacts and environmental interference. In this report, the design of an AE preamplifier for the purpose of improving single-channel EEG recordings is presented. Initially, a thorough literature review was performed, exploring the available knowledge and state-of-the-art technology. Thereafter, the design specifications were set and the appropriate topology and circuit design techniques were selected to maximize the amplifier’s performance. Ultimately, three different preamplifier topologies were designed and their performance compared with one another as well as with established medical device standards and state-of-the-art AEs. The results of one preamplifier showed comparable performance with state-of-the-art AEs. Therefore, this topology was selected for a deep analysis and physical layout design. The layout of the selected preamplifier was designed and its parasitics extracted. The post layout performance of the design proved to be comparable to the schematic level performance, with a CMRR of 153dB, IRNV of 0.89µVRMS and an electrode offset tolerance of 450mV. The preamplifier design presented in this report has proven to be comparable with state-of-the-art AE preamplifiers and demonstrates potential for the advancement of AE performance in single-channel EEG systems. / Implementeringen av bärbara elektroencefalografisystem (EEG) har varit känd för att vara komplex. Vid rörelse påverkas ofta reliabiliteten av de inspelade EEGsignalerna av rörelseartefakter samt av att tiden och det arbete som krävs för att ställa in systemet blir överdrivet lång. Användandet av singelkanals EEG-system, med torra aktiva elektroder (AE) under inspelningen, är ett aktuellt ämne. En AE är en elektrod som har en integrerad bioförstärkarkrets och är känd för att vara både mindre mottaglig för rörelseartefakter och för störning från omgivningen. I denna rapport presenteras utformningen av en AE-förförstärkare för singelkanals EEGinspelningar. Inledningsvis utfördes en grundlig litteraturöversikt där den rådande kunskapen och toppmoderna tekniken undersöktes. Därefter bestämdes designspecifikationerna, lämpliga topologier samt kretsdesigntekniker, för att maximera förstärkarens prestanda. Slutligen konstruerades tre olika förstärkares topologier och deras prestanda jämfördes med varandra liksom med etablerade medicin tekniska standarder och toppmoderna AE. Resultaten av en förförstärkare visade sig ha jämförbar prestanda med toppmoderna AE. Därför valdes denna topologi ut för en djupanalys och för fysisk layoutkonstruktion. Layouten för den valda förförstärkaren utformades och dess parasiter extraherades. Utformningen av postlayouten visade sig vara jämförbar med prestanda på en schematisk nivå, med en CMRR på 153dB, IRNV på 0.89µVRMS och en elektrodoffsettolerans på 450mV. Förförstärkarens design som presenteras i denna rapport har visat sig vara jämförbar med toppmoderna AE-förförstärkare och visar potential till framsteg för AEprestanda i singelkanals EEG-system

Trötthet i trafiken är ett stort problem i samhället. Det är särskilt farligt att trött framföra tunga lastbilar i trafiken eftersom dessa fordon är stora och har ofta livsavgörande roller vid inblandning i trafikolyckor. För att angripa problemet har det i denna rapport studerats kring vilket sömnstadie som är lämpligast att vakna under, i syfte att vakna pigg och alert samt vilka typer av tekniker och metoder som är lämpliga för att portabelt kunna detektera Rapid-Eye-Movement. Tidigare arbeten och studier har gjorts som påvisar att uppväckning i REM-sömn är optimalt för att känna sig alert. De valda metoderna är baserade på varianter av väletablerade tekniker som används för identifiering av sömnsteg. Elektrookulografi används för att mäta ögonrörelser med hjälp av fyra elektroder som är placerade på huvudet. Kroppsrörelser upptäcks genom en accelerometer som fästs på armen. Pulsmätningar görs och används för att räkna ut pulsvariansen under sömnen. Målet är att skapa en prototyp som ska känna av när användaren är i REM-sömn och sedan väcka användaren. Detta arbete är uppdelat i två inbyggda system som görs mellan två olika examensarbeten. Resultatet blev tre sensorer som fungerar individuellt. På grund av tidsbrist och en längre felsökning blev prototypen inte färdigställd. Innan sensorerna kan tillämpas i en produkt krävs det att ytterligare tester genomförs under monitorering av en sömnspecialist. / Tiredness in traffic is a major problem in society. It is especially dangerous to drive heavy trucks when tired because these vehicles are large and often have vital roles when involved in traffic accidents. To address the problem, this degree project has studied which sleep stage is most appropriate to wake up during, in order to wake up sharp and alert, and what types of techniques and methods are suitable for portable detection of Rapid-Eye-Movement. Previous work and studies have been done which indicates that awakening during REM sleep is optimal for feeling alert. The chosen methods are based on variants of well-established techniques that are used to identify sleep stages. Electrooculography is used to measure eye movements using four electrodes placed on the head. Body movements are detected by an accelerometer attached to the arm. Pulse measurements are made and used to calculate the pulse variation during sleep. The goal is to create a prototype which will know when the user is in REM sleep and then wake the user up. This work is divided into two embedded systems that are made between two different degree projects. The result was three sensors that worked individually. Due to lack of time and a longer troubleshooting, the prototype was not completed. Before the sensors can be used in a product, additional tests are required under the supervision of a sleep specialist.