1. High-density surface EMG + EEG recordings of isometric ankle dorsiflexion, imaginary movement and GO/NO-GO tasks (HybridNeuro project)Nina Murks, Matej Kramberger, Leon Kutoš, Aleš Holobar, Matjaž Divjak, Ciaran McGeady, Dario Farina, 2026, complete scientific database of research data Abstract: This dataset was prepared in the context of the HybridNeuro project (https://www.hybridneuro.feri.um.si/). It contains a collection of simultaneous EMG and EEG recordings from 20 healthy volunteers. The main purpose of data collection was to assess the sensitivity of corticomuscular coherence detection estimated by the proposed motor unit-based EEG filters and compare it to the classical EEG processing techniques.
Surface EMG was recorded from the tibialis anterior muscle during isometric ankle dorsiflexions using 13 x 5 electrode array with 8mm interelectrode distance (model GR08MM1305 from OT Bioelettronica, Torino, Italy).
EEG was recorded with a 64 channel EEG cap (model EEG-Cap64 from OT Bioelettronica, Torino, Italy).
Both EMG and EEG were recorded simultaneously using the same amplifier (model Quattrocento from OT Bioelettronica, Torino, Italy) at 16 bit resolution and 2048 Hz sampling frequency.
For each participant, 25 tasks were recorded with total length of approximately 37 minutes. Each task's data is stored in a separate file in Matlab format (.MAT). Total dataset size is 26.9 GB.
Keywords: surface high density electromyogram (HDEMG), electroencephalogram (EEG), dataset, tibialis anterior, isometric ankle dorsiflexion, GO/NO-GO task, imaginary movement, corticomuscular coherence, motor unit filter, HybridNeuro
Published in DKUM: 06.01.2026; Views: 0; Downloads: 31
 Research data (1,36 GB)
This document has many files! More... |
2. EEG + High-density surface EMG recordings of right tibialis anterior muscle during isometric ankle dorsiflexion (HybridNeuro project)Blanka Zicher, Ciaran McGeady, Dario Farina, Nina Murks, Matjaž Divjak, 2025, complete scientific database of research data Abstract: This dataset was prepared in the context of the HybridNeuro project (https://www.hybridneuro.feri.um.si/). It contains a collection of simultaneous EMG and EEG recordings from 7 healthy volunteers. The main purpose of data collection was to investigate the role of beta-band oscillations in motor control by examining how cortical beta activity propagates to the motor unit pool and can be measured at the peripheral level using high-density EMG.
Surface EMG was recorded using 64-channel electrode grids arranged in a 13 × 5 configuration with one missing corner electrode and an interelectrode distance of 4 mm (OT Bioelettronica, Torino, Italy). Signals were amplified (150 V/V), sampled at 2048 Hz using a Quattrocento system (OT Bioelettronica, Torino, Italy), and band-pass filtered between 20 and 500 Hz. Different grid placements were employed to maximize the number of motor units decomposed from the EMG signals.
EEG signals were recorded with 31 active gel-based electrodes positioned according to the International 10–20 system, with FCz as the reference electrode (actiCAP, Brain Products GmbH, Gilching, Germany). Signals were amplified and sampled at 1 kHz using a BrainVision actiCHamp Plus system (Brain Products GmbH, Gilching, Germany).
EEG, EMG, and the exerted force signals were temporally synchronized using a common digital trigger sent to both recording systems.
Participants performed 2 repetitions of 4 sets of trapezoidal submaximal isometric contractions using the right tibialis anterior muscle, at 4 different contraction levels. Total task length was 640 s (not including rests). Each task's data is stored in a separate file in Matlab format (.MAT). Total dataset size is 8.5 GB.
Keywords: surface high density electromyogram (HDEMG), electroencephalogram (EEG), dataset, tibialis anterior, isometric ankle dorsiflexion, beta-band oscillations, motor control, HybridNeuro
Published in DKUM: 06.01.2026; Views: 0; Downloads: 6
Research data (1,37 GB)
This document has many files! More... |
3. A personalized approach to understanding food cravings and intake : a study protocolSaša Zorjan, Sašo Karakatič, Marina Horvat, Satja Mulej Bratec, Živa Krajnc, 2025, original scientific article Abstract: Background: Studies on food craving and consumption often overlook the interconnectedness of risk factors, assuming uniform mechanisms that drive individuals to (over)consume food. This project seeks to address this gap by leveraging a precision health framework to explore whether multimodal clustering can predict weight and eating outcomes after six months, providing a more nuanced understanding of individual variability. Methods: The project will include a longitudinal study, encompassing several sub-studies where self-report, electrophysiological, and time series dynamic data will be collected at three time points. At baseline, participants will complete comprehensive assessments, including an electroencephalography (EEG) experiment and a one-week experience sampling study (ESM). Machine learning techniques will be employed to uncover distinct participant clusters, characterized by unique patterns of food consumption and weight changes over six months. Markers that best differentiate these profiles will be identified with explainable AI techniques, which aim to make machine learning model outputs understandable by highlighting the key features or patterns driving predictions, enabling personalized insights into key factors contributing to eating behaviors and weight management. Discussion: By exploring the variability of mechanisms influencing food consumption, eating regulation, and weight gain, we aim to uncover subgroups of individuals who are most affected by specific influences, such as stress, emotion regulation difficulties, or sleep deprivation. This project will advance theoretical understanding by integrating multimodal data and emphasizing idiographic methods to capture individual variability. Findings will provide a foundation for future research on precision approaches to eating behaviors and may offer insights into personalized strategies for prevention and management of both normative and disordered eating patterns.
Keywords: food cue reactivity, EEG, experienxe sampling methodology, personalized medicine, achine learning, explainable artificial inteligence
Published in DKUM: 19.12.2025; Views: 0; Downloads: 0
 Full text (1,60 MB)
This document has many files! More... |
4. Nahranim svoja čustva: razumevanje odnosa med čustvi in prehranjevanjem skozi procese, ki se odvijajo med reaktivnostjo na prehranske dražljaje : magistrsko deloAna Kolar, 2025, master's thesis Abstract: Čustva so tesno prepletena z našim vedenjem, kar se jasno odraža v prehranjevalnih navadah. Ljudje ne posegamo po hrani le takrat, ko smo fizično lačni, temveč tudi, ko smo čustveni. Prav takšno čustveno prehranjevanje pa se izkazuje za problematično, saj lahko vodi v čezmerno uživanje hrane in neugodne posledice za zdravje. Osrednji namen magistrskega dela je bil proučiti odnos med čustvi in prehranjevanjem, pri čemer smo se osredotočili na vprašanje, ali čustvena stanja predstavljajo pomemben napovednik v tem odnosu. Obenem nas je zanimalo, ali ta odnos spreminjata posameznikova izraženost poteze čustvenega prehranjevanja in težave s čustveno regulacijo. Naš raziskovalni pristop je temeljil na paradigmi reaktivnosti na prehranske dražljaje, ki smo jo skladno s konstrukti v interesu dopolnili še z vprašalniki emocionalnosti (PANAS), prehranjevalnega vedenja (DEBQ) in uravnavanja čustev (DERS-16). Udeleženci so prestali EEG-eksperiment, v katerem so ocenjevali hrepenenje po prikazanih vizualnih prehranskih dražljajih ob sočasnem merjenju možganske aktivnosti. Na vzorcu 58 mladih odraslih smo zaznali nekaj specifičnih učinkov pozitivnih čustvenih stanj, vendar v splošnem nismo potrdili glavnega napovednega učinka čustev na reaktivnost na prehranske dražljaje, prav tako pa tudi ne moderatorske vloge poteze čustvenega prehranjevanja in težav s čustveno regulacijo. Kljub odsotnosti pričakovanih učinkov pa raziskava prinaša dodano vrednost, saj smo ločeno obravnavali pozitivna in negativna čustvena stanja ter preučevali tako nevrofiziološke kot subjektivne vidike reaktivnosti na prehranske dražljaje ob upoštevanju njihove kalorične vrednosti. Tako razčlenjen pristop ponuja poglobljen vpogled v dinamiko odnosa med čustvi in prehranjevanjem, hkrati pa opaženi učinki pozitivnih čustvenih stanj nakazujejo, da je tem smiselno nameniti vidnejšo vlogo pri razumevanju čustvenega prehranjevanja.
Keywords: čustveno prehranjevanje, čustvena stanja, težave s čustveno regulacijo, EEG, reaktivnost na prehranske dražljaje
Published in DKUM: 15.10.2025; Views: 0; Downloads: 38
Full text (2,53 MB) |
5. Classification of finger movements through optimal EEG channel and feature selectionMurside Degirmenci, Yilmaz Kemal Yuce, Matjaž Perc, Yalcin Isler, 2025, original scientific article Keywords: classification, finger movements, EEG, feature selection, applied physics
Published in DKUM: 22.07.2025; Views: 0; Downloads: 9
Full text (1,08 MB)
This document has many files! More... |
6. Vloga čustvene valence pri vplivu socialne opore na zaznavo bolečine : EEG raziskavaJana Verdnik, 2024, master's thesis Abstract: Ljudje smo nenehno vpeti v socialni kontekst, zato na naše doživljanje bolečine vplivajo tudi drugi posamezniki. Še posebej socialna opora bližnjega se kaže kot eden izmed dejavnikov, ki vpliva na posameznikovo zaznavanje bolečine, spremeni pa lahko tudi čustveno počutje in možgansko aktivnost ob bolečini. Namen magistrskega dela je bil preučiti vpliv socialne opore na doživljanje neprijetnosti bolečine in mediatorsko vlogo čustvene valence ter z bolečino povezanih EEG potencialov v tem odnosu. Izvedli smo EEG raziskavo, v kateri so udeleženke prejemale boleče električne impulze v dveh pogojih – med prisotnostjo romantičnega partnerja po video povezavi (socialna opora) ali njegovo odsotnostjo (odsotnost opore). Na vzorcu 40 udeleženk smo ugotovili, da je bila ob prisotnosti socialne opore ocena čustvene valence višja, predvsem pa ocena neprijetnosti nižja kot v pogoju brez nje. Z uporabo večnivojskih mediacijskih modelov smo nadalje pokazali, da imajo v odnosu med socialno oporo in neprijetnostjo bolečine mediatorsko vlogo tako čustvena valenca kot tudi zgodnji in pozni z bolečino povezani EEG potenciali, natančneje N100 in P300. Vsak izmed teh potrjenih mediatorjev ponuja ločeno razlago nižjih ocen neprijetnosti bolečinskih dražljajev ob socialni opori, načeli pa smo tudi preučevanje njihove morebitne medsebojne časovne dinamike, a ta še ni pojasnjena v celoti. Naši rezultati so večinoma skladni z obstoječo literaturo in tako predstavljajo nadgradnjo ter razširitev razumevanja tega področja.
Keywords: socialna opora, bolečina, čustvena valenca, EEG
Published in DKUM: 11.09.2024; Views: 33; Downloads: 68
Full text (1,93 MB) |
7. Vloga stila navezanosti pri vplivu socialne opore romantičnega partnerja na doživljanje bolečine : magistrsko deloAsja Flamiš, 2024, master's thesis Abstract: Za pomoč pri obvladovanju težkih situacij se pogosto obrnemo na ljudi, ki so nam blizu. Socialna opora kot oblika socialne regulacije zajema interakcije s pomembnimi drugimi, ki lahko pomagajo pri uravnavanju čustev in bolečine. Romantični partnerji so se skozi raziskave pokazali kot najučinkovitejši pri regulaciji doživljanja bolečine in tudi pri spremembah nevronske aktivnosti med procesiranjem bolečine. Iskanje in prejemanje opore pa sta odvisna od raznih dejavnikov, med njimi tudi od vrste navezanosti. Stil navezanosti namreč pogosto usmerja nivo in kakovost socialne opore. Namen magistrskega dela je bil proučiti vlogo stila navezanosti pri vplivu socialne opore romantičnega partnerja na doživljanje bolečine partnerke in nevrofiziološke indikatorje partnerkine bolečine. V sklopu EEG-študije smo na vzorcu 36 romantičnih parov ugotovili, da prisotnost romantičnega partnerja pozitivno vpliva na doživljanje neprijetnosti bolečine partnerke in na z bolečino povezane ERP-komponente N1, P3 in LPP. Dodatno pa naši izsledki kažejo, da stil navezanosti ne igra vloge pri vplivu romantičnega partnerja na doživljanje neprijetnosti partnerkine bolečine ali pri vplivu romantičnega partnerja na nevrofiziološke potenciale, povezane z doživljanjem in procesiranjem bolečine. Naše ugotovitve se skladajo z literaturo, ki predpostavlja, da socialna opora s strani romantičnega partnerja deluje kot naravni analgetik za lajšanje bolečine, hkrati pa izpostavljamo nekaj pomanjkljivosti in omejitev študije. Na raziskovalnem področju vidimo veliko priložnost za nadaljnje raziskovanje in izpeljavo pomembnih aplikacij, predvsem v klinični praksi za uvedbo socialne opore kot podporne oblike zdravljenja akutne in kronične bolečine.
Keywords: socialna opora, regulacija bolečine, elektrofiziološki potenciali, stil navezanosti, EEG
Published in DKUM: 09.07.2024; Views: 130; Downloads: 47
Full text (3,35 MB) |
8. Analyzing EEG signal with Machine Learning in Python : graduation thesisEvgenija Siljanovska, 2023, undergraduate thesis Abstract: This thesis presents a comprehensive analysis of EEG data using Python libraries, MNE and machine learning techniques. The thesis focuses on utilizing these tools to extract valuable insights from EEG recordings. Our dataset consists of EEG data in the BrainVision format, acquired during a psychology experiment. The analysis involves preprocessing, filtering, segmentation, and visualization of the EEG data. Additionally, machine learning algorithms are employed to classify and predict patterns within the EEG signals. The findings showcase the effectiveness of Python, MNE, and machine learning in EEG analysis.
Keywords: EEG data, MNE, Machine learning, Analyzing
Published in DKUM: 17.08.2023; Views: 585; Downloads: 77
Full text (2,66 MB) |
9. Merjenje učinkovitosti kognitivnega treninga z EEG metodami : magistrsko deloBernarda Helbel, 2023, master's thesis Abstract: Kognitivni trening se v zadnjih letih vedno pogosteje omenja kot ena izmed intervencij za izboljšanje kognitivnih sposobnosti, vendar njegovi učinki na možgansko strukturo in funkcijo še niso popolnoma raziskani. Magistrsko delo je sistematični pregled literature, kjer se je preverjalo merjenje učinkovitosti kognitivnega treninga z EEG metodami. Kot instrumenti za raziskavo so bile uporabljene strokovne akademske znanstvene študije, ki so na voljo v elektronskih podatkovnih bazah Cobiss, EMERALD, PubMed, ProQuest in IOS Press. V vzorec so bili vključeni le recenzirani strokovni in akademski članki, ki so sovpadali s sledečimi vključitvenimi kriteriji; ključne iskalne besedne zveze: »cognitive training«, »eeg«, »electroencephalography« in v slovenskem jeziku: »kognitivni trening«, »eeg«, »elektroencefalografija«. Omejitveni kriteriji so bili: obdobje od leta 2010 do 2021, jezik slovenščina in angleščina. V pregled je bilo vključenih 24 raziskav s skupno 1159 udeleženci, starimi od 4,8 do 78,9 let, zdrave in kognitivno oškodovane populacije ter zelo heterogeni metodološki pristopi. Večina študij poroča o spremembah v nevrofizioloških parametrih, katerih glavno gonilo je kognitivni trening. Poročanja o bližnjem transferju so vzpodbudna, vendar so za trdne dokaze potrebne dodatne študije. Magistrsko delo definira relevantne študije ter predstavlja dodano vrednost glede na kvaliteto, z uporabo znanstvene metodologije združuje in evalvira njihove rezultate.
Keywords: cognitive training, electroencephalography (EEG), efficiency, computerized cognitive training
Published in DKUM: 10.07.2023; Views: 512; Downloads: 62
Full text (3,76 MB) |
10. Branje in obdelava signalov eeg - pristop s strojnim učenjem : diplomsko deloSašo Pavlič, 2019, undergraduate thesis Abstract: Diplomska naloga zajema spoznavanje in predstavitev z osnovami EEG-možganskih valov s pomočjo naprave Emotiv Insight. Zajeti EEG-podatki predstavljajo vhodne podatke v modelu strojnega učenja, s pomočjo katerega se je ugotavljalo, kdaj in kje se pojavljajo iskani vzorci. Eksperiment razvite metode zajema podatkov in uporabe modela se je izvedel tako, da se je testni subjekt izpostavil izmenjujočim izbranim slikam, ob tem pa so se z napravo Emotiv Insight zajeli EEG-možganski valovi. Zajeti EEG-podatki so služili kot zbirka podatkov, iz katere se je učil klasifikacijski model umetne nevronske mreže, ki uspešno razpoznava, kdaj je testni subjekt podvržen eni vrsti slik in kdaj drugi.
Keywords: EEG, možganski valovi, strojno učenje, BCI-naprava, snemanje podatkov
Published in DKUM: 13.11.2019; Views: 1398; Downloads: 122
Full text (1,57 MB) |
