EdaMove 3 – EDA- und Aktivitätssensor

Mit dem EdaMove 3 steht Forschern das umfassendste Gerät für das Messen und Analysieren von elektrodermaler (Galvanic Skin Response) und körperlicher Aktivität bereit. Der EdaMove 3 ist in der Lage Daten über einen Zeitraum von bis zu 4 Wochen zu speichern und ermöglicht es so Forschern emotionale Affekte noch klarer zu isolieren und zu verstehen.

Der EdaMove 3 verbindet unseren erstklassigen Akzelerometer (in all unseren Sensoren der Move 3 Reihe verbaut), einen hochqualitativen EDA-Sensor sowie eine Bluetooth Smart-Schnittstelle, die es dem Sensor ermöglicht mit unserer bekannten Experience Sampling Plattform movisensXS zu interagieren. Durch diese Interaktion können Fragebögen basierend auf veränderten physiologischen Parametern getriggert werden.

Weitere Parameter wie skin conductance level (SCL), skin conductance responses (SCR) oder auch Aktivitätsklassen/-intensitäten können aus den aufgezeichneten Rohdaten des EDA-Signals und der 3D Beschleunigung mit Hilfe der movisens Analyse-Software DataAnalyzer berechnet werden.

Der zusätzlich zu der Bewegung aufgenommene barometrische Druck und die Temperatur erlauben eine präzisere Analyse der Daten. Diese Parameter ermöglichen es Artefakte, die typischerweise die Auswertung von EDA-Daten im ambulanten Setting erschweren, zu identifizieren und dementsprechend zu isolieren. Der EdaMove 3 wird mit einem Band entweder am Hand- oder Sprunggelenk getragen und verfügt über mehrfachverwendbare nicht-polarisierende, gesinterte Ag/AgCl-Elektroden.


Nachfolgemodell kennenlernen

Für kostenfreies Studentenprojekt bewerben

 


Top-Features

  • Live Analyse der Daten auf dem Sensor
  • Bluetooth-Smart Schnittstelle
  • Entspricht allen maßgeblichen EDA-Standards
  • Perfekte Signalqualität auch im Alltag
  • Exakte und validierte Erkennung von Alltagsaktivitäten
  • Exakte und validierte Energieumsatzbestimmung
  • Ablageerkennung
  • Nachhaltige Daten durch offenes Rohdatenformat
  • Praktikable und einfache Handhabung in Studien
  • Java API für USB (Windows)
  • API: Beispielimplementierung für Bluetooth Smart (Android)

Anwendungen

  • Interaktives Ambulantes Assessment
  • Mobiles Langzeit-Monitoring der Elektro-dermalen Aktivität
  • Psycho-physiologisches Monitoring
  • Untersuchung des autonomen Nervensystems
  • Verhaltensmonitoring
  • klinische Psychologie
  • Affective computing
  • Integration in komplexe Systeme

Dazu passende Produkte und Dienstleistungen

EdaMove 3

Zubehör und Verbrauchsmaterial

Für verschiedene Sensoren

SensorTrigger
movisensXS-Feature für Interaktives Assessment

Kopplung der physiologischen Sensoren mit movisensXS

Smartphone mit movisensXS

movisensXS
Experience Sampling Plattform

Smartphone-basiertes Experience Sampling

Schulungs-Icon

Beratung und Schulung

Customizing-Icon

Kundenspezifische Anpassungen

Downloads

Newsletter
  • Wir arbeiten ständig an der Weiterentwicklung unserer Produkte. Damit Sie diese Verbesserungen nutzen können, informieren wir Sie mit unserem Newsletter regelmäßig darüber. Bitte melden sie sich hier dazu an.
Software
Dokumentation
Beispieldaten
Externe Tools

Technische Daten

Energieversorgung

Lithium-Polymer Batterie

Batteriespannung

3,0 - 4,2 V

Anzahl der Ladezyklen

300 (with 1C/1C > 80%)

Interner Speicher

4 GB

Maximale Messdauer

4 Wochen

Batterlaufzeit

~ 5 Tage

Ladedauer

~ 1 Stunde

Größe (B x H x D)

62,3 x 38,6 x 11,5 mm

Gewicht

31 g

Interne Sensoren

EDA Sensor:

Exosomatische Methode, Konstantspannung, DC, 0,5 V

Auflösung: 14 bit, Eingangsbereich 2 µS - 100 µS

Bandbreite: DC - 8 Hz

Abtastrate: 32 Hz

3D Beschleunigungssensor:

Messbereich: +/- 8 g

Rauschen: 4 mg

Abtastrate: 64 Hz

Drucksensor:

Messbereich: 300 - 1100 hPa

Rauschen: 0,03 hPa

Abtastrate: 8 Hz

Temperatursensor:

Abtastrate: 1 Hz

Live Analyse

EDA SCL mean

Temp mean

Movement Acceleration

Step count

charging

State of charge

Anzeigen und Rückmeldungen

LED, 3-farbig

Vibrationsalarm

Marker

Schnittstellen

Micro-USB, Bluetooth Smart (4.0)

API

Java API für USB (Windows)

Beispielimplementierung für Bluetooth Smart (Android)

Tragepositionen

Handgelenk, Knöchel

Umgebungsbedingungen

Temperatur:

-20 °C - 60 °C

0 °C - 45 °C während Ladevorgang

Feuchtigkeit:

0 - 75 % Relative Luftfeuchtugkeit

Luftdruck:

300 to 1100 hPa absolut

Garantie

1 Jahr

Literatur und Validierung

  • A Comparison between Laboratory and Wearable Sensors in the Context of Physiological Synchrony.
    J.-J. van Beers & Thammasan N. Stuhldreher I.-V. & A.-M. Brouwer (2020) in: ICMI '20: Proceedings of the 2020 International Conference on Multimodal Interaction. Read more...
  • Moments That Matter? On the Complexity of Using Triggers Based on Skin Conductance to Sample Arousing Events Within an Experience Sampling Framework..
    S. van Halem & E. van Roekel & L. Kroencke et al. (2020). Read more...
  • Evaluating Usability Aspects of a Mixed Reality Solution for Immersive Analytics in Industry 4.0 Scenarios.
    B. Hoppenstedt & T. Probst & M. Reichert et al. (2020). Read more...
  • Social anxiety is associated with heart rate but not gaze behavior in a real social interaction..
    L. Rösler & S. Göhring & M. Strunz et al. (2020) in: Journal of Behavior Therapy and Experimental Psychiatry (70). Read more...
  • Measuring Behavior 2020-21.
    A. Spink & J. Barski & A.-M. Brouwer et al. (2020) in: 13-15 October 2021, Kraków, Poland. Read more...
  • Physiological synchrony in EEG, electrodermal activity and heart
    rate reflects shared selective auditory attention.
    I.-I. Stuhldreher & N. Thammasan & J.-B.-F. van Erp et al. (2020) in: Journal of Neural Engineering (17). Read more...
  • Applicability of Immersive Analytics in Mixed Reality: Usability Study.
    Burkhard Hoppenstedt (2019). Read more...
  • Electrodermal activity patterns in sleep stages and their utility for sleep versus wake classification.
    Anne Herlan & Jörg Ottenbacher & Johannes Schneider et al. (2018) in: Journal of sleep research (28). Read more...
  • A mixed-methods study of physiological reactivity to domain-specific problem solving: methodological perspectives for process-accompanying research in VET.
    Tobias Kärner (2017) in: Empirical Research in Vocational Education and Training (9). Read more...
  • Estudo piloto em câmara climática: efeito da luz natural em aspectos de saúde e bem-estar não relacionados à visão.
    Cintia Akemi Tamura & Eduardo Leite Krüger (2016) in: Ambiente Construído (16). Read more...
  • Detecting cognitive underload in train driving: A physiological approach.
    Dan Basacik & Sam Waters & Nick Reed (2015). Read more...
  • Mobile Sensors for Multiparametric Monitoring in Epileptic Patients.
    Stefan Hey & Panagiota Anastasopoulou & André Bideaux et al. (2015) in: Cyberphysical Systems for Epilepsy and Related Brain Disorders: Multi-parametric Monitoring and Analysis for Diagnosis and Optimal Disease Management. Read more...
  • A personalized and reconfigurable cyberphysical system to handle multi-parametric data acquisition and analysis for mobile monitoring of epileptic patients.
    A. Bideaux & P. Anastasopoulou & S. Hey et al. (2014) in: Sensing and Control S&C BArcelona, Spain. Read more...
  • Evaluation of environmental effects on the measurement of electrodermal activity under real-life conditions.
    Dorothee Kapp & Kristina Schaaff & Jörg Mathias Ottenbacher et al. (2014) in: Biomedical Engineering / Biomedizinische Technik (59).
  • Komfortgewinn für Passagiere auf Langstreckenflügen durch den Einsatz chronobiologisch angepasster LED-Kabinenbeleuchtung.
    A. Leder & J. Krajewski & S. Schnieder (2013) in: Deutscher Luft- und Raumfahrtkongress 2013, Stuttgart. Read more...
  • Publication recommendations for electrodermal measurements.
    WALTON T ROTH & MICHAEL E DAWSON & DIANE L FILION (2012) in: Psychophysiology (49).

Weitere Publikationen finden Sie hier.