یکی از رایجترین گزینههای مرجع در تحقیقات EEG، مرجع میانگین مشترک یا CAR است که مقدار هر کانال را نسبت به میانگین تمام کانالهای روی پوست سر مجدداً محاسبه میکند.
CAR به عنوان یک پیشفرض برای پاکسازی نویز شهرت دارد. این روش تقریباً به طور خودکار در خطوط لوله BCI، مقالات منتشر شده و جعبهابزارهای متنباز ظاهر میشود. اما نگاهی دقیقتر به تحقیقات موجود، تصویری را نشان میدهد که پیچیدهتر از آن چیزی است که شهرت آن نشان میدهد.
این مطلب ریاضیات پشت CAR، فرضهایی که به آنها وابسته است و شرایطی که در آن این فرضها با شکست مواجه میشوند را بررسی میکند.
مرجع میانگین مشترک (CAR) در EEG چیست؟
هر الکترود پوست سر، ولتاژ را نسبت به یک کانال مرجع یا مجموعه کوچکی از کانالهای مرجع که در زمان ثبت انتخاب شدهاند، اندازهگیری میکند. گزینههای رایج شامل یک الکترود منفرد روی لاله گوش، ماستوئیدهای متصل در پشت گوش، یا یک ناحیه بر روی پوست سر مانند Cz است.
مشکل مرجع تکناحیهای این است که هرگز کاملاً «بیصدا» نیست. اگر خود الکترود مرجع نویز یا فعالیت مغزی را دریافت کند، این آلودگی از تمام کانالهای دیگر کسر میشود، زیرا سیگنال هر کانال نسبت به آن تعریف میشود.
مرجع میانگین مشترک (CAR) با استفاده از نوع متفاوتی از مرجع که در آن میانگین ولتاژ در کل آرایه الکترود در هر لحظه از زمان ثبت میشود، این مشکل را دور میزند. CAR به جای کسر مقدار یک الکترود از بقیه، میانگین تمام الکترودها را از تکتک الکترودها کسر میکند.
در تئوری، این میانگین به عنوان یک نقطه مرجع پایدارتر و «بیصداتر» نسبت به هر الکترود فیزیکی منفرد عمل میکند، زیرا به جای یک مکان، از اطلاعات کل پوست سر استفاده میکند.
CAR در تحقیقات BCI
به همین دلیل است که CAR در تحقیقات رابط مغز و رایانه بسیار زیاد دیده میشود. به عنوان مثال، یک مطالعه منتشر شده در مجله بینالمللی مهندسی و فناوری، CAR را به عنوان یکی از دوازده روش مرجعگذاری مجدد برای یک سیستم هجاکننده P300 (سیستمی که پاسخ مغزی خاصی را هنگام تمرکز کاربر روی یک حرف یا نماد هدف تشخیص میدهد) آزمایش کرد و گزارش داد که CAR مناسبترین تکنیک در میان روشهای آزمایششده است.
علاوه بر این، یک مطالعه در سال 2025 از CAR به عنوان یک مرحله پیشپردازش استاندارد در یک خط لوله طبقهبندی تصویرسازی حرکتی استفاده کرد و هدف آن را افزایش نسبت سیگنال به نویز توصیف نمود.
نحوه محاسبه فرمول CAR
مکانیسم CAR یک جبر ساده است، نه یک مدل آماری که برای اثبات کارکرد ریاضی خود به داده نیاز داشته باشد. برای آرایهای از N الکترود که هر کدام ولتاژی را در زمان t ثبت میکنند و به صورت V₁(t)، V₂(t) تا Vₙ(t) نوشته میشوند، مقدار تبدیلشده با CAR برای هر الکترود منفرد i برابر است با:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
به زبان ساده، برای یافتن CAR برای یک الکترود خاص، خوانش اولیه آن را در یک میلیثانیه مشخص در نظر بگیرید و میانگین خوانش تمام الکترودهای پوست سر را در همان میلیثانیه دقیق کسر کنید.
کاربردهای مرجع میانگین مشترک در EEG
انتخاب روش مرجع مناسب، موفقیت ارزیابیهای تشخیصی و مطالعات پژوهشی پیچیده را تعیین میکند.
مجموعههای بالینی اغلب وضوح و ثبات را در اولویت قرار میدهند تا اطمینان حاصل کنند که متخصصان مغز و اعصاب میتوانند شاخصها را بدون تداخل آرتیفکتهای ناشی از مرجع شناسایی کنند. محققان هنگام نقشهبرداری از نحوه تأثیرگذاری مداخلهها بر فعالیتهای عصبی، این رویکرد جهانی را ترجیح میدهند؛ همانطور که در یافتههای مربوط به نوسانات تعدیلشده با تنفس نشان داده شده است، جایی که یک خط پایه خنثی برای جداسازی اثرات مرتبط با تنفس از ریتمهای عصبی محلی ضروری است.
هم در محیطهای بالینی و هم در علوم اعصاب تجربی، محققان به تفسیر مداوم دادهها متکی هستند که اعوجاجهای مصنوعی را به حداقل میرساند. این روش به حفظ شفافیت در هنگام مقایسه ثبتهای بیمار در جلسات یا مراکز مختلف کمک میکند.
تحلیلگران با استفاده از مرجعگذاری استاندارد اطمینان حاصل میکنند که تغییرات مشاهدهشده در دامنه، منعکسکننده تغییرات بیولوژیکی است نه تغییرات فنی در خط پایه. این موضع عینی از گزارشدهی تشخیصی واضحتر و نتایج معتبر در کاربردهای گسترده اندازهگیری امواج مغزی پشتیبانی میکند.
چگونه CAR نویز حالت مشترک را کاهش میدهد
استدلال برای CAR بر مفهومی به نام نویز حالت مشترک استوار است. این مفهوم به تداخلی اشاره دارد که تقریباً روی هر الکترود با قدرت تقریباً یکسانی ظاهر میشود، نه نویزی که مختص یک مکان خاص باشد.
نمونههای کلاسیک شامل نویز خط الکتریکی 50/60 هرتز از منابع برق مجاور، فعالیت عضلانی که از طریق هدایت بافتی در سراسر پوست سر پخش میشود، و انحرافات تدریجی ناشی از جابجایی جزئی الکترود روی پوست است.
از آنجا که این نوع نویز به طور گسترده در سراسر آرایه مشترک است، میانگینگیری از تمام کانالها با هم در تئوری باید تخمین مناسبی از آن مؤلفه نویز مشترک ایجاد کند. سپس کسر میانگین از هر کانال، بخش زیادی از آن تداخل مشترک را حذف میکند و در عین حال تفاوتهای بین کانالی را که احتمال بیشتری دارد فعالیت واقعی مغز را منعکس کنند، تا حد زیادی دستنخورده باقی میگذارد.
پیشفرضهای اصلی پشت CAR
منطق کاهش نویز CAR تنها در صورتی صادق است که چندین شرط در مورد دادهها برقرار باشد. این پیشفرضها به طور مداوم در کتابهای درسی و آموزشهای EEG توصیف شدهاند، هرچند تایید واقعی آنها در دنیای واقعی در شواهد موجود کمرنگ است.
فرض میانگین صفر. فرض بر این است که در هر لحظه، میانگین تمام ولتاژها در سراسر سر نزدیک به صفر است، به این معنی که فعالیتهای مثبت و منفی تقریباً یکدیگر را در سراسر پوست سر خنثی میکنند.
پوشش متراکم و یکنواخت الکترودها. فرض بر این است که آرایه سر را به اندازه کافی پوشش میدهد تا میانگین آن به آنچه یک نقطه مرجع در فاصله بینهایت دور از سر (و بنابراین از نظر الکتریکی خنثی) ثبت میکند، نزدیک باشد. پوشش پراکنده یا ناهموار این تقریب را ضعیف میکند.
عدم وجود یک منبع غالب منفرد. هیچ الکترود تکی، کانال معیوب یا آرتیفکت بزرگ (مانند پلک زدن شدید چشم) نباید آنقدر بزرگ باشد که به تنهایی میانگین را تحت تأثیر قرار داده و کج کند.
وقتی این سه شرط برقرار باشد، میانگین مانند یک نقطه مرجع واقعاً خنثی رفتار میکند. وقتی اینطور نباشد، خود میانگین دچار اعوجاج میشود و کسر یک میانگینِ اعوجاجیافته به جای رفع مشکلات قدیمی، مشکلات جدیدی را ایجاد میکند.
تست پیشفرضهای CAR با دادههای واقعی EEG
به عنوان مثال، با در نظر گرفتن یک ثبت EEG در حالت استراحت که به طور عمومی در دسترس است (مانند یک مجموعه داده استاندارد 64 کاناله) و محاسبه شکل موج میانگین جهانی قبل از اعمال CAR، اغلب مقادیری آشکار میشوند که از صفر منحرف هستند و گاهی این انحراف کاملاً محسوس است. این انحراف شواهد مستقیمی از وجود محتوای حالت مشترک در سیگنال خام است، که دقیقاً همان چیزی است که CAR برای حذف آن طراحی شده است. پس از اعمال CAR، همان میانگین جهانی بر اساس تعریف فرمول، در هر نقطه زمانی دقیقاً به صفر میرسد.
یک تست گویاتر شامل بررسی دورههایی (epochs) است که حاوی آرتیفکتهای بزرگ پلک زدن چشم هستند.
پلک زدن چشم نوسانات ولتاژ بزرگی ایجاد میکند که در الکترودهای پیشانی قویتر است اما به بخش زیادی از آرایه سرایت میکند. در طول این دورهها، میانگین جهانی قبل از CAR اغلب به شدت از صفر فاصله میگیرد، زیرا پلک زدن به طور یکنواخت توزیع نشده بلکه در یک قسمت از سر متمرکز شده است. هنگامی که CAR اعمال میشود، این آرتیفکت متمرکز در میانگین ادغام شده و با مقادیر کوچکتر در تکتک کانالها، از جمله کانالهای دور از چشم که در ابتدا تمیز بودند، دوباره توزیع میشود.
آنچه تحقیقات میگوید: شواهد متناقض از مطالعات BCI
مطالعه مذکور دوازده تکنیک مرجعگذاری مجدد را در سه مجموعه داده هجاکننده P300، هم در شرایط تست آفلاین و هم آنلاین مقایسه کرد و نتیجه گرفت که CAR مناسبترین تکنیک در میان هر دوازده روش بوده است. با این حال، در حالی که این مطالعه مقایسههای گرافیکی از دقت طبقهبندی و جدولهایی با جزئیات میانگین حداکثر نرخ بیت با انحراف معیار ارائه میدهد، اندازه اثر یا آزمونهای معنیداری آماری رسمی را بین روشها گزارش نمیدهد، که این امر میزان اطمینان به این رتبهبندی را محدود میکند.
از سوی دیگر، یک مطالعه در سال 2017 رویکرد متفاوتی را با یک کار تصویرسازی حرکتی و تصمیم به حرکت در پیش گرفت. یازده شرکتکننده حرکات مچ دست راست را انجام داده و تصور کردند، در حالی که EEG از 28 الکترود ثبت میشد. سیگنال با استفاده از هر دو روش CAR و مرجعگذاری لاپلاسین پردازش شد؛ یک روش فیلترینگ فضایی که به جای میانگین کل پوست سر، بر تفاوت بین یک الکترود مرکزی و همسایگان مجاور آن تمرکز دارد.
دقت طبقهبندی با استفاده از مرجعگذاری لاپلاسین بین 63.33% تا 100% برای حرکت تصورشده و 60% تا 96.67% برای حرکت واقعی متغیر بود، که در این میان طبقهبندهای k-nearest neighbor عملکرد بهتری نسبت به تحلیل ممیز درجه دوم داشتند. مرجعگذاری لاپلاسین در مجموع عملکرد بهتری نسبت به CAR داشت، اگرچه این مطالعه ارقام دقیق دقت CAR را برای مقایسه مستقیم گزارش نمیکند. این نتیجه نشان میدهد CAR ممکن است برای کارهایی که شامل فعالیت مغزی متمرکز و موضعی مرتبط با حرکت هستند، کمتر مناسب باشد.
در نهایت، مطالعه مذکور در سال 2025، روش CAR را به عنوان یک مرحله پیشپردازش اولیه در یک خط لوله شبکه عصبی پیچشی بزرگتر برای طبقهبندی تصویرسازی حرکتی گنجاند که شامل پنجرههای زمانی لغزان، تبدیل طیفی و استخراج باند فرکانسی نیز میشد. این خط لوله کامل به دقت 91.75% در یک مجموعه داده معیاری مسابقه دست یافت. این یک نتیجه عالی است، اما چون CAR تنها یکی از چندین مرحله پردازش بود، این مطالعه نمیتواند به ما بگوید چه مقدار از این دقت به خود CAR مربوط میشود و چه مقدار به معماری CNN، تکنیک پنجرهگذاری یا انتخاب باند فرکانسی بستگی دارد.
در مجموع، این سه مطالعه به یک نتیجه واحد نمیرسند. CAR در زمینه P300 عملکرد خوبی داشت، در زمینه تصویرسازی حرکتی ضعیفتر از روش جایگزین عمل کرد و در یک زمینه یادگیری عمیق با دقت بالا حضور داشت اما تأثیر آن ایزوله نشد. بنابراین، شواهد مورد بحث نشان میدهد که مزیت مستقل CAR همچنان نامشخص است و به نظر میرسد به شدت به نوع سیگنال مغزی اندازهگیریشده بستگی دارد.
هنگامی که CAR شکست میخورد: آرتیفکتها، آرایههای پراکنده و منابع متمرکز
الگوی موجود در این مطالعات با سه حالت شکست همخوانی دارد که در روششناسی EEG به طور گسترده مورد بحث قرار میگیرند اما در تحقیقات موجود تنها به طور جزئی توسط شواهد مستقیم پشتیبانی میشوند.
آرتیفکتهای بزرگ. یک رویداد منفرد با دامنه بالا، مانند پلک زدن شدید چشم یا یک پیک عضلانی، اگر نسبت به بقیه آرایه به اندازه کافی بزرگ باشد، میتواند بر محاسبات میانگین غالب شود. هنگامی که این اتفاق میافتد، CAR آرتیفکت را حذف نمیکند؛ بلکه نسخه اعوجاجیافتهای از آن را در تمام کانالها، از جمله کانالهایی که در ابتدا بدون آرتیفکت بودند، پخش میکند. این یک نتیجه مستقیم از فرمول CAR است تا یک یافته به طور جداگانه آزمایش شده، اما به طور منطقی از نمایشی که در ابتدای این مقاله توصیف شد، پیروی میکند.
آرایههای پراکنده. عملکرد CAR به این بستگی دارد که میانگین به یک نقطه مرجع خنثی نزدیک باشد، که این امر مستلزم پوشش نسبتاً متراکم و یکنواخت پوست سر است. با تنها چند الکترود، به عنوان مثال هشت تا شانزده کانال، میانگین برآورد بسیار ضعیفتری از آن نقطه خنثی خواهد بود و فرض پوشش که پشت CAR قرار دارد مستقیماً نقض میشود.
منابع متمرکز (کانونی). فعالیت مغزی که از یک ناحیه کوچک و موضعی سرچشمه میگیرد، به جای اینکه به طور گسترده در سراسر پوست سر پخش شود، میتواند مشابه یک سیگنال «محلی» رفتار کند که میانگینگیری کل آرایه CAR برای حفظ آن طراحی نشده است. از آنجا که CAR یک میانگین جهانی را کسر میکند، میتواند به طور جزئی سیگنالهایی را که به جای گسترده بودن، متمرکز هستند، خنثی کند.
حالت شکست | مسئله کلیدی |
|---|---|
آرتیفکتها | آرتیفکت بزرگ میانگین را منحرف میکند |
آرایههای پراکنده | الکترودهای بسیار کم، مرجع ضعیف |
منابع متمرکز | سیگنالهای محلی ممکن است تضعیف شوند |
چگونه نقاط ضعف CAR را کاهش دهیم
چندین اصلاح معمولاً در تمرینات EEG برای رفع این نقاط شکست توصیه میشود:
هنگامی که آرتیفکتهای بزرگ نگرانکننده هستند، قبل از محاسبه CAR، کانالهای خراب یا بخشهای پر از آرتیفکت را شناسایی و درونیابی یا حذف کنید.
هنگام کار با یک آرایه پراکنده (مثلاً ۸ تا ۱۶ کانال)، از CAR اجتناب کنید و از یک مرجع فیزیکی ثابت مانند ماستوئیدهای متصل استفاده کنید.
برای کارهایی که فعالیتهای مغزی متمرکز و موضعی را هدف قرار میدهند، مرجعگذاری لاپلاسین یا روشهای فضای منبع را در نظر بگیرید که به جای میانگین جهانی، بر گرادیانهای محلی تاکید دارند.
آیا CAR انتخاب مرجع مناسبی برای سیستم EEG شماست؟
CAR همچنان یک روش مرجعگذاری پرکاربرد با یک مبنای ریاضی واضح و منسجم است. این روش سیگنال میانگین را در سراسر آرایه به صفر میرساند و این امر اصولاً میتواند نویزی را که به طور گسترده و یکنواخت در سراسر پوست سر ظاهر میشود، حذف کند. این جذابیت تئوریک توضیح میدهد که چرا اغلب به عنوان یک مرحله پیشفرض در خطوط لوله EEG و BCI ظاهر میشود.
هر کسی که CAR را روی دادههای خود اعمال میکند باید به آن به عنوان یک پیشفرض منطقی نگاه کند تا یک بهبود تضمینشده. ارزش این را دارد که فرضهای آن (سیگنالی با میانگین تقریباً صفر، پوشش متراکم و یکنواخت الکترودها و عدم وجود آرتیفکت غالب) را به جای پذیرش خودکار، با تنظیمات ضبط و کار در حال انجام بررسی کنید.
در مواردی که احتمال برقراری این فرضها ضعیف است، بهویژه در آرایههای پراکنده یا کارهای متمرکز بر منابع مغزی موضعی، جایگزینهایی مانند مرجعگذاری لاپلاسین شایسته توجه جدی هستند.
چرا بررسی فرضهای مرجع EEG شما مهمتر از تنظیمات پیشفرض است
روش مرجع میانگین مشترک بر اساس ایده ساده ریاضیِ کسر میانگین کل پوست سر برای حذف نویزهای مشترک بین الکترودها ساخته شده است. این روش روی کاغذ بسیار عالی کار میکند، اما ثبتهای واقعی مغز به ندرت کاملاً همکاری میکنند. این الگوریتم همیشه میانگین الکترودها را به صفر میرساند، اما این تعادل اجباری، دید تمیزتری از فعالیت مغز را تضمین نمیکند—فقط اعداد را تراز میکند.
آنچه بیش از خودِ آرایش قرارگیری الکترودهای EEG (مونتاژ) اهمیت دارد این است که آیا تنظیمات ثبت با فرضهای اساسی مطابقت دارد یا خیر. پوشش متراکم و یکنواخت الکترودها و عدم وجود آرتیفکتهای شدید مانند پلک زدن چشم میتواند CAR را از یک میانبر پرخطر به ابزاری مفید تبدیل کند. برای آرایههای پراکنده یا کارهایی که نیاز به ثبت سیگنالهای مغزی کوچک و متمرکز دارند، همین مرحله میتواند آلودگی را پخش کرده و همان فعالیتی را که محقق امیدوار به شناسایی آن است تیره و تار کند.
نتیجهگیری از این تحقیق این نیست که CAR خوب یا بد است، بلکه استفاده از آن مستلزم بررسی آگاهانه شرایط دادهها است، نه اعتماد کورکورانه به یک تنظیم پیشفرض محبوب.
منابع
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
سوالات متداول
مرجع میانگین مشترک (CAR) در EEG چیست؟
CAR یک روش مرجعگذاری مجدد است که ولتاژ میانگین تمام الکترودهای پوست سر را از هر الکترود منفرد در هر نقطه زمانی کسر میکند. این روش یک مرجع فیزیکی منفرد را با میانگین کل پوست سر جایگزین میکند تا یک نقطه مرجع پایدارتر برای ثبت ایجاد کند.
CAR چگونه نویز را در سیگنالهای EEG کاهش میدهد؟
CAR نویز حالت مشترک را هدف قرار میدهد—تداخلی که به طور مشابه در بسیاری از الکترودها ظاهر میشود، مانند نویز خط برق یا فعالیت عضلانی. با میانگینگیری از تمام کانالها و کسر آن میانگین، نویز مشترک تا حد زیادی حذف میشود در حالی که تفاوتهای فعالیت مغزیِ مختص به هر کانال حفظ میگردد.
پیشفرضهای اصلی مورد نیاز برای عملکرد خوب CAR چیست؟
CAR فرض میکند که میانگین ولتاژ در کل پوست سر در هر لحظه نزدیک به صفر است، پوشش الکترودها متراکم و یکنواخت است، و هیچ آرتیفکت یا کانال واحدی بر میانگین غالب نیست. اگر این شرایط برقرار نباشد، میانگینِ محاسبهشده دچار اعوجاج میشود و کسر آن خطاهایی را ایجاد میکند.
چه زمانی CAR شکست میخورد یا آرتیفکت ایجاد میکند؟
CAR ممکن است با آرتیفکتهای بزرگ و موضعی مانند پلک زدن چشم با مشکل مواجه شود که میانگین را منحرف کرده و سپس در تمام کانالها پخش میشود. همچنین با آرایههای الکترودی پراکنده یا سیگنالهای مغزی بسیار متمرکز مشکل دارد، زیرا میانگین جهانی دیگر نشاندهنده یک مرجع خنثی نیست.
تحقیقات موجود درباره اثربخشی CAR چه میگویند؟
شواهد متناقض است. یک مطالعه نشان داد که CAR برای یک کار هجاکننده P300 به خوبی کار میکند، اما مطالعه دیگری نشان داد که مرجعگذاری لاپلاسین برای تصویرسازی حرکتی عملکرد بهتری از CAR دارد. مطالعه سوم از CAR در یک خط لوله موفق یادگیری عمیق استفاده کرد اما سهم خاص آن را ایزوله نکرد، بنابراین مزیت مستقل آن نامشخص است.
مرجعگذاری لاپلاسین چیست و چه تفاوتی با CAR دارد؟
مرجعگذاری لاپلاسین بر تفاوت ولتاژ بین یک الکترود مرکزی و همسایگان مجاور آن تأکید میکند و فعالیت مغزی محلی را برجسته میسازد. این روش در یک مطالعه تصویرسازی حرکتی عملکرد بهتری نسبت به CAR داشت که نشان میدهد برای تشخیص سیگنالهای متمرکز فضایی مناسبتر است.
چگونه میتوانم نقاط ضعف CAR را در صورت تمایل به استفاده از آن کاهش دهم؟
قبل از محاسبه CAR، کانالهای خراب و آرتیفکتهای بزرگ مانند پلک زدن را شناسایی و حذف یا درونیابی کنید. این کار از منحرف شدن میانگین کل پوست سر توسط یک کانال یا رویداد نویزی منفرد و آلوده شدن همه کانالها جلوگیری میکند.
هنگام پلک زدن در یک ثبت مرجعگذاریشده با CAR چه اتفاقی میافتد؟
پلک زدن چشم تغییرات ولتاژ شدیدی ایجاد میکند که در الکترودهای پیشانی متمرکز است. هنگامی که CAR اعمال میشود، تأثیر پلک زدن در میانگین جهانی لحاظ شده و سپس کسر میشود که این امر نسخه کوچکتر اما اعوجاجیافتهای از پلک زدن را در تکتک کانالها، حتی کانالهایی که در ابتدا تمیز بودند، پخش میکند.
آیا CAR واقعاً میانگین تمام کانالها را صفر میکند؟
بله، طبق تعریف، تبدیل CAR مجموع تمام ولتاژهای مرجعگذاریشده را در هر نقطه زمانی به صفر میرساند. با این حال، این ویژگی ریاضی تضمین نمیکند که سیگنال حاصل نمایش تمیزتری از فعالیت مغز باشد—این کار صرفاً شرطی را اعمال میکند که ممکن است با واقعیت مطابقت داشته باشد یا نداشته باشد.
Emotiv یک شرکت پیشرو در فناوری عصبی است که با ابزارهای در دسترس EEG و دادههای مغزی به پیشبرد پژوهشهای علوم اعصاب کمک میکند.
کریستین بورگوس
