مقالة منهجية

أداة STFEEG: أداة تحليل تخطيط الدماغ الكهربائي المكاني والزمني لواجهات التصوير الحركي بين الدماغ والحاسوب

DOI:

10.3791/70425

⸱

مارس 10, 2026

 ,  ,  , 
1School of Integrated Circuits, Shandong University, 2Shenzhen Research Institute of Shandong University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الدراسة بروتوكولا موحدا وقابلا للتكرار لتنفيذ أداة تحليل تخطيط الدماغ المكاني-الزمني-الترددي (STFEEG) لفك ترميز تخطيط الدماغ الكهربائي الكهربائي للصور الحركية، وتشمل التقسيم القابل للتكوين بين المكان-الزمان-التردد، واستخراج الميزات المعتمد على الأنماط المكانية المشتركة (CSP)، وخوارزميات التصنيف المتعددة، وقدرات التصور.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أظهرت واجهات الصور الحركية-الدماغ-الحاسوب (MI-BCIs) إمكانات كبيرة في إعادة التأهيل العصبي وعلوم الأعصاب المعرفية. ومع ذلك، لا يزال سير عمل MI-EEG الموحد والقابل للتكرار لتحليل الميزات المكانية-الزمنية-القابلة للتكوين محدودا، وتتطلب العديد من خطوط الأنابيب ضبط إعدادات ومعامل معقدة مع تفسير محدود، مما يعيق النشر العملي والتعميم. لمعالجة هذه التحديات، تم تطوير أداة STFEEG لتوفير سير عمل سهل الاستخدام وموحد وقابل للتفسير لفك تشفير EEG في نماذج MI. يتيح STFEEG-Tool تكوين دقيق للتقسيم الزمني، ونطاق التردد، والمكان، مما يسمح باستخراج ميزات MI متعددة المقاييس. تدمج صندوق الأدوات خوارزميات استخراج الميزات المتعددة، بما في ذلك الأنماط المكانية الشائعة (CSP) وCSP القائم على التباعد (div-CSP)، إلى جانب مصنفات متنوعة مثل آلات المتجهات الداعمة (SVMs)، ومصنف الانحدار الحاجز، ومصنف الحبل. تم توفير خريطة طبوغرافية ديناميكية لفروة الرأس عبر الزمن والتردد لتلخيص الأنماط المكانية عبر مقاطع الزمن والتردد ودعم تفسير نتائج فك التشفير. بشكل عام، يعمل STFEEG-Tool كمنصة قابلة للتكرار والتوسعة لتحليل MI-EEG الدقيق الحبيبات، مما يسهل ترجمة خطوط فك التشفير الدقيقة إلى تطبيقات عملية موجهة للمستخدم.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تمكن واجهات الدماغ والحاسوب (MI-BCIs) من التواصل المباشر بين الدماغ البشري والأجهزة الخارجية دون الحاجة إلى نشاط العضلات الطرفية1. في السنوات الأخيرة، تم تطبيق تقنية MI-BCI على نطاق واسع في إعادة التأهيل العصبي2، والسيطرة المساعدة3، والتفاعل بين الإنسان والكمبيوتر4. تسلط هذه التطبيقات الضوء على الحاجة إلى سير عمل تحليلي سهل الوصول وقابل للتكرار يمكن للباحثين والأطباء اعتماده بشكل موثوق، بما في ذلك المستخدمين ذوي الخبرة البرمجية المحدودة.

تعتمد طرق فك التشفير التقليدية بنظام MI-EEG بشكل رئيسي على أطر الترشيح المكاني والتصنيف الخطي. تم استخدام طرق مثل النمط المكانيالمشترك 5 (CSP) وCSP6 القائم على التباعد (div-CSP) على نطاق واسع لاستخراج الميزات المكانية التمييزية من إشارات EEG متعددة القنوات. لاستخراج الميزات عبر مكونات تردد مميزة، تم استكشاف بنك المرشحCSP 7 (FBCSP) وCSP 8,9 تحت النطاق (SBCSP) بشكل موسع. بالإضافة إلى ذلك، تم دمج التقسيم الزمني في عملية استخراج الميزات من خلال تقسيم كل تجربة إلى فترات زمنية متعددة، مما يسمح بالتقاط أنماط تمييزية متطورة وتعزيز أداء فك التشفير 10,11,12. لتعزيز التمييز بين الميزات المستخرجة، تم تقديم استراتيجيات اختيار ميزات مختلفة لتقليل التكرار والتخفيف من الإفراط في التركيب 13,14,15. بالنسبة للتصنيف، لا تزال نماذج تعلم الآلة التقليدية مثل آلات الدعم المتجه16 ومصنفات الانحدار المنتظمة 17,18,19 تستخدم على نطاق واسع بسبب قابليتها للتفسير وكفاءتها الحسابية.

على الرغم من فعاليتها، عادة ما يتم تنفيذ هذه الأساليب في قواعد شيفرة مخصصة وخاصة بمجموعة البيانات، مما يعقد إعادة الاستخدام المنهجي والتحقق المستقل. تم تطوير عدة منصات برمجية تعتمد على واجهة المستخدم الرسومية (GUI) لدعم تحليل تخطيط الدماغ الكهربائي وأبحاث BCI. على سبيل المثال، يقدم EEGLAB20 مجموعة شاملة من الوظائف للمعالجة المسبقة لتخطيط الدماغ الكهربائي، وتحليل الزمن والتردد، واستخراج الميزات، والتصنيف، والتصوير المتقدم. مكنت بنيتها المعيارية والقابلة للتوسعة الواسعة من تبني واسع في مجال أبحاث تخطيط الدماغ الكهربائي. يدمج BCILAB21، بالتكامل مع EEGLAB، أكثر من 100 خوارزمية لمعالجة الإشارات وتعلم الآلة تغطي كامل خط فك الترميز، من المعالجة المسبقة إلى التصنيف. وبالمثل، يوفر OpenViBE22 بيئة برمجة بصرية لتصميم سير عمل BCI في الوقت الحقيقي، حيث يمكن للمستخدمين تجميع خطوط معالجة الإشارات عن طريق ربط المكونات المعيارية بشكل رسومي. المنصة مناسبة بشكل خاص لاكتساب تخطيط الدماغ عبر الإنترنت ونماذج الاستجابة المحفزة في الوقت الحقيقي، وقد استخدمت على نطاق واسع في تطوير واختبار تطبيقات تفاعلية لتحليل الإشارات البحرية. بالإضافة إلى ذلك، يتيح PyNoetic، وهو إطار عمل معياري بلغة بايثون لتطوير واجهات EEG بدون كود في الدماغ والحاسوب من البداية إلى النهاية من خلال واجهة مستخدم متكاملة تدعم جمع البيانات، والمعالجة المسبقة، واستخراج الميزات، والتصنيف23. على عكس الأدوات السابقة التي تتطلب تكوينا يدويا كبيرا أو برمجة نصية، يقدم باي نوتيك مستوى أعلى من التجريد لتصميم خطوط الأنابيب، مما يتيح تجميع مرنة وإعادة تكوين مراحل المعالجة دون الحاجة إلى برمجة منخفضة المستوى. في العديد من دراسات MI-EEG، يمكن لهذه المنصات دعم المعالجة المسبقة الروتينية، واستخراج الميزات التقليدي، وفك التشفير والتقييم الأساسي.

تدعم عدة منصات تعتمد على واجهة المستخدم الرسومية تحليل MI-EEG من خلال المعالجة المسبقة الموحدة، واستخراج الميزات، وفك التشفير الأساسي (الجدول 1). ومع ذلك، فهي تفتقر إلى التحسين لتحليل التردد المكاني الدقيق في الزمن، بما في ذلك التقسيم المكاني الذي يحدده المستخدم والتصور عبر المجالات. لتلبية هذه الاحتياجات المنهجية، تم اقتراح إطار عمل دقيق لتحليل التردد المكاني والزماني لنظام MI-EEG24 ، يجمع بين مجموعات الأقطاب المكانية، ونطاقات التردد الفرعية، والمقاطع الزمنية لتحسين أداء فك التشفير وتعزيز قابلية التفسير متعددة المجالات. استنادا إلى هذا الإطار، تم تطوير أداة تحليل EEG بالتردد المكاني الزمني (STFEEG-Tool) كصندوق أدوات قائم على واجهة المستخدم الرسومية (GUI) توحيد فك تشفير MI-EEG الدقيق ضمن سير عمل قابل للتكوين والتكرار مع البقاء متوافقا مع سلاسل أدوات EEG الحالية.

تدمج STFEEG-Tool إعداد البيانات، والمعالجة المسبقة، وتقسيم التردد المكاني-الزمني، واستخراج الميزات، واختيار الميزات المعتمدة على الأغلفة، والتصنيف، والتصور في خط أنابيب موحد. بدلا من استبدال صناديق أدوات EEG المعتمدة، يكملها من خلال تحديد المعلمات الشفاف، وتنفيذ خطوط الأنابيب المتسقة، والتصور المستند إلى النماذج لدعم التحليل الدقيق الدقيق.

المساهمات الرئيسية لهذا العمل ثلاثية. أولا، يوفر STFEEG-Tool سير عمل واجهة مستخدم رسومية سهل الاستخدام من البداية إلى الطرف مع تكوين معلمات موحد لفك ترميز MI-EEG الدقيق الحبيبات. ثانيا، يتيح تقسيم الترددات المكانية والزمنية متعددة المقاييس، بما في ذلك التحليل المكاني المعرف من قبل المستخدم، والذي لا يتوفر باستمرار على المنصات متعددة الأغراض. ثالثا، يعزز قابلية التفسير من خلال خرائط طبوغرافية زمنية-ترددية وخرائط دلالة مجموعات الأقطاب الكهربائية التي تلخص المساهمات التمييزية وتكشف عن أنماط ذات صلة بالمعلومات التقنية الخاصة بالموضوع عبر المجالات.

صندوق الأدوات مفتوح المصدر ومتوفر على: https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم الحصول على البيانات المستخدمة في هذا البروتوكول من مجموعات بيانات متاحة للجمهور وغير محددة الهوية. تم إجراء إجراءات جمع البيانات الأصلية وفقا للمعايير الأخلاقية للمؤسسات المعنية؛ لذلك، لم تكن هناك حاجة إلى موافقة مؤسسية إضافية لهذا التحليل الثانوي.

يوضح الشكل 1 سير العمل العام لأداة تحليل تخطيط كهربائية الدماغ المكاني-الصدغي. اتبع الخطوات التالية لتكوين كل وحدة وإعادة إنتاج بروتوكول فك التشفير المكاني الدقيق الحبيبات في الوقت المكاني. البرنامج المستخدم في هذه الدراسة مدرج في جدول المواد.

1. إعداد البرنامج وحزمة أدوات STFEEG

  1. قم بتثبيت بيئة حوسبة رقمية تدعم معالجة ملفات MAT وتنفيذ واجهة المستخدم الرسومية (انظر جدول المواد).
  2. قم بتنزيل أداة STFEEG - من المستودع الإلكتروني، وقم بفك ضغطها في مجلد محلي، وابحث عن ملف التثبيت STFEEG-Tool.mlappinstall.
  3. انقر مرتين على STFEEG - Tool.mlappinstall، واتبع التعليمات الظاهرة على الشاشة لإكمال التثبيت.
  4. افتح تبويب التطبيقات، وتأكد من ظهور أداة STFEEG في قائمة التطبيقات المثبتة (الشكل 2)، وانقر عليها لتشغيل واجهة المستخدم الرسومية (الشكل 3).

2. إعداد ملف بيانات الإدخال MAT-file

  1. أنشئ ملف MAT - (.mat) يحتوي على أربعة متغيرات تسمى TrainData، TrainLabel، TestData، وTestLabel.
    1. تخزين TrainData وTestData كمصفوفات ثلاثية الأبعاد بحجم Nتجارب × Nقنوات × Nنقاط زمنية.
    2. تخزين TrainLabel و TestLabel كN تجارب × متجهات عمود واحد لتسميات الفئات الصحيحة، باستخدام ترميز متسق عبر مجموعات التدريب والاختبار.
      ملاحظة: قم بإنشاء بيانات TrainData و TestData من جلسات غير متداخلة أو كتل تسجيل لمنع تسرب المعلومات.
  2. تأكد من أن TrainData وTestData يشتركان في نفس ترتيب القناة وتكرار أخذ العينات (Hz).
  3. (اختياري) قم بتنزيل ملف MAT النموذجي المرفق (Data.mat) المستند إلى BCI Competition IV 2a من المستودع العام لاختبار البرنامج بسرعة.

3. تشغيل واجهة المستخدم والمسارات المحددة

  1. شغل واجهة المستخدم الرسومية STFEEG - Tool لفتح نافذة تحليل MI-EEG (الشكل 3).
  2. في لوحة تحميل البيانات ، انقر على المتصفح بجانب مسار البيانات واختر المجلد الذي يحتوي على ملف MAT المعد.
  3. تأكد من أن تردد أخذ العينة Fs المعروض في واجهة المستخدم يتطابق مع تردد أخذ عينات مجموعة البيانات (هرتز).
  4. انقر على المتصفح بجانب حفظ المسار واختر مجلد إخراج لتخزين النتائج (مثل ملفات التكوين، ملفات النماذج، والتسميات المتوقعة).
  5. (اختياري) حدد مسار النموذج بناء على الاستخدام المقصود.
    1. لحفظ نموذج أثناء التدريب، انقر على المتصفح بجانب مسار النموذج واختر مجلد وجهة؛ إذا ترك مسار النموذج فارغا، يقوم البرنامج تلقائيا بحفظ النموذج في حفظ المسار.
    2. لتحميل نموذج مدرب مسبقا للاختبار، انقر على المتصفح بجانب مسار النموذج واختر المجلد الذي يحتوي على ملفات النموذج المحفوظة.
  6. انقر على تحميل في لوحة تحميل البيانات لاستيراد ملف MAT. يقوم البرنامج تلقائيا بفحص المتغيرات المطلوبة والمسارات المختارة، ويقوم بتحميل مجموعة البيانات إذا لم يتم الإبلاغ عن أي أخطاء.

4. تكوين المعالجة المسبقة (تصفية تمرير النطاق)

  1. استخدم إعدادات مرشح تمرير النطاق الافتراضية المعروضة في واجهة المستخدم الرسومية (Order = 5، Fc1 = 5 Hz، Fc2 = 35 Hz، نوع الفلتر = IIR) ما لم تكن هناك حاجة لتكوين معالجة مسبقة مختلف.
  2. (اختياري) أدخل ترتيب المرشح لتجاوز القيمة الافتراضية.
  3. (اختياري) أدخل ترددات القطع الدنيا والعليا (Fc1 و Fc2) بالهرتز لتجاوز القيم الافتراضية.
  4. (اختياري) اختر نوع الفلتر من القائمة المنسدلة لتجاوز الخيار الافتراضي.
  5. انقر على موافقة لتأكيد تكوين المعالجة المسبقة. إذا لم تجر أي تغييرات، يقوم البرنامج بتطبيق الإعدادات الافتراضية المعروضة في اللوحة.

5. تكوين استراتيجية التقسيم الدقيق

  1. في لوحة استراتيجية التقسيم في واجهة المستخدم الرئيسية، انقر على تعديل لفتح نافذة تكوين التقسيم .
  2. قم بتكوين النوافذ الزمنية.
    1. اختر تبويب Temporal Windows .
    2. راجع قائمة النوافذ الموجودة في الجدول (الشكل 4).
    3. (اختياري) لإضافة نوافذ، أدخل قيم البداية والنهاية والفاصل ، ثم انقر على إضافة لإضافة النوافذ المولدة إلى القائمة.
    4. (اختياري) لحذف نافذة موجودة، انقر بزر الفأرة الأيمن على الصف المقابل في الجدول واختر حذف.
  3. قم بتكوين نطاقات تردد بنك المرشحات.
    1. اختر تبويب نطاقات التردد (الشكل 5).
    2. راجع قائمة نطاق التردد الحالية المعروضة في الجدول.
    3. (اختياري) لإضافة نطاقات، أدخل قيم البداية (Hz)، والنهاية (Hz)، والفواصل ، ثم اضغط على Add لإضافة النطاقات المولدة إلى القائمة.
    4. (اختياري) لحذف نطاق موجود، انقر بزر الفأرة الأيمن على الصف المقابل في الجدول واختر حذف.
  4. قم بتكوين التقسيم المكاني حسب مجموعات القنوات (الشكل 6).
    1. اختر تبويب التقسيم المكاني .
    2. راجع تعيينات مجموعات القنوات في قائمة مجموعات أرقام القنوات .
    3. (اختياري) لاستبدال تكوين مجموعة القنوات الحالي، انقر على المتصفح بجانب مجموعات القنوات لاختيار ملف MAT تعريف مجموعة القنوات.
    4. (اختياري) لتمكين التصورات البصرية لفروة الرأس، انقر على المتصفح بجانب موقع القناة لتحديد ملف موقع القناة لقنوات مجموعة البيانات.
      ملاحظة: يوفر المستودع العام ملفات savedChCell.mat (تعريفات مجموعات القنوات) و channel_locations_22ch.txt (إحداثيات فروة الرأس ذات 22 قناة لمسابقة BCI IV 2a)، والتي يمكن استخدامها مباشرة مع بيانات الأمثلة المرفقة.
    5. (اختياري) انقر على استبدال لتحميل ملف مجموعة القنوات المحدد وتحديث قائمة مجموعات أرقام القنوات . إذا تم اختيار ملف موقع القناة في موقع القناة، تقوم الأداة أيضا بتحميله لعرض لاحق لفروة الرأس (الشكل 7).
  5. قم بتطبيق إعدادات التقسيم وتحقق من ذلك.
    1. بعد إكمال الإعدادات في جميع علامات التبويب، انقر على OK في أسفل نافذة التقسيم لتطبيق النوافذ الزمنية المحدثة، ونطاقات التردد، والتقسيم المكاني.
    2. ارجع إلى واجهة المستخدم الرئيسية وتأكد من أن نطاقات الزمن، ونطاقات التردد، ومجموعات القنوات المحدثة تنعكس في لوحة استراتيجية التقسيم.

6. تكوين استخراج الميزات، والمصنفات، والتحقق المتقاطع

  1. في لوحة تكوين التصنيف ، اختر طريقة استخراج الميزات من القائمة المنسدلة.
    ملاحظة: أوصاف مفصلة ل CSP و div-CSP متوفرة في الملف التكميلي 1.
  2. قم بتعيين nCSP لاختيار ميزات CSP من كلا طرفي متجه الميزات. تحتفظ الأداة بأول nCSP ومكونات nCSP الأخيرة (2 × nCSP إجمالا).
  3. اختر المصنف (أو المصنفات) بتحديد المربعات المقابلة (SVM، Ridge-Optimal، Lasso-Optimal).
    ملاحظة: تم توفير أوصاف للمصنفات الثلاثة في الملف التكميلي 2.
  4. قم بتعيين أرقام نطاقات الاختيار لتحديد عدد المقاطع/الميزات الدقيقة التي يتم الاحتفاظ بها في الاختيار القائم على التغليف.
  5. قم بتعيين التحقق المتقاطع لتحديد عدد الطيات الخاصة بالتحقق المتقاطع k-fold على TrainData/TrainLabel.
  6. (اختياري) تمكين Parallel من تسريع العمليات الحسابية عند تقييم عدة مقاطع ومصنفات، إذا توفرت موارد حسابية كافية.
  7. انقر على Cross - Validation لإجراء التحقق المتقاطع k-fold على TrainData/TrainLabel ودرب النموذج النهائي، ثم اختبر النموذج النهائي على TestData/TestLabel.
    ملاحظة: إذا تم اختيار عدة مصنفات، تقوم الأداة تلقائيا باختيار وحفظ النموذج الذي يتمتع بدقة تحقق متقاطعة بأعلى دقة، ثم تستخدمه لتقييم مجموعات الاختبار.

7. عرض النتائج والتصورات

  1. بعد النقر على Cross - التحقق في الخطوة 6، راجع ملخص الأداء المعروض في لوحة النتائج ، بما في ذلك دقة التحقق/الكابا، دقة الاختبار/الكابا، ووقت التدريب لكل مرحلة ووقت الاختبار لكل مرحلة. سجل هذه القيم للإبلاغ عنها.
    ملاحظة: يتم الإبلاغ عن دقة التحقق/كابا كمتوسط دقة التحقق المتقاطع k-fold/kappa25 المحسوبة على TrainData/TrainLabel. يتم الإبلاغ عن دقة الاختبار/كابا كمتوسط دقة مجموعة الاختبار/كابا25 التي يتم الحصول عليها من خلال تقييم أفضل نموذج من كل طي على TestData/TestLabel ومتوسط نتائج الاختبار عبر الطيات.
  2. افحص مخرجات التصور المعروضة في لوحة النتائج .
    1. راجع خريطة التردد الزمني لتحديد الأنماط التمييزية عبر الزمن والتكرار ومناطق فروة الرأس.
    2. راجع خريطة أهمية مجموعة الأقطاب لتحديد مجموعات القنوات التي تساهم بشكل أكبر في فك الترميز.
      ملاحظة: التعريفات التفصيلية، وإجراءات البناء، وإرشادات التفسير لكلتا الخريطتين موفرة في الملف التكميلي 3.
  3. (اختياري) قم بإجراء تقييم اختبار فقط باستخدام نموذج مدرب مسبقا.
    1. انقر على Test Load Model لتحميل نموذج مدرب مسبقا من Model Path وتقييمه على الإدخال الحاليT estData/TestLabel.
    2. اختر مجلد مسار النموذج المحفوظ أثناء التدريب (الخطوة 3.5) وحافظ على هيكل الدليل دون تغيير. تأكد من أن model.mat موجود في المجلد المحدد وparam.mat في المجلد الأب، حيث أن كلاهما مطلوب لتحميل النموذج وإعادة إنتاج التصورات.
    3. تأكد من أنه في هذا الوضع، تبلغ واجهة المستخدم الرسومية عن دقة الاختبار ووقت الاختبار لكل طي للنموذج المحمل، وتقوم لوحات التصور بتحديث وفقا لذلك.
    4. (اختياري) حدد النتائج المصدرة في دليل الحفظ، والذي يتضمن تسميات متوقعة وصحيحة لمزيد من الاختبارات الإحصائية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم التحقق من صحة أداة STFEEG في كل من مسابقة BCI IV 2a26 وBCI Competition III 3a27، ونجح النظام في تنفيذ خط فك التشفير الكامل في كلتا الحالتين. تم اتباع بروتوكول الجلسات الثابتة في مسابقة BCI IV 2a: التدريب في الجلسة الأولى وتقييم الجلسة الثانية التي تم عقدها، تم تسجيلها في يومين منفصلين. تحت نفس التكوين المستخدم في إطار التردد المكاني-الزمني الدقيق المبلغ عنهسابقا 24، أعادت STFEEG-Tool إنتاج الأداء الأصلي على BCI Co...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تصميم STFEEG-Tool كصندوق أدوات خاص ب MI-EEG يكمل أنظمة EEG المعتمدة مثل EEGLAB20، BCILAB21، OpenViBE22، PyNoetic23. بينما توفر هذه المنصات مكونات مرنة لفك ترميز MI، قد يتطلب التكوين المكاني-الزمني الدقيق والتفسير المستند إلى النموذج تكاملا إضافيا عبر خطوات المعالجة. وهذا يكون ذا صلة خاصة عندما يتم تضمين تحليل مجموعة الأقطاب الكهربائية الصريح. وبناء عليه، يوفر STFEEG-Tool سير عمل واجهة مستخد...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون لا يفرضون أي تضارب مصالح.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد دعم هذا العمل جزئيا من المؤسسة الوطنية للعلوم الطبيعية في الصين (رقم 62401342 و62271291)، ومؤسسة العلوم الطبيعية في مقاطعة شاندونغ (رقم ZR2024QF092 و ZR2024LZH007 و ZR2025ZD24)، ومؤسسة البحث الأساسي الأساسي والتطبيقي في قوانغدونغ (رقم 2025A15150111826)، وبرنامج البحث الأساسي في شنتشن (رقم JCYJ20250604124702003)، والمختبر الرئيسي الرئيسي لمقاطعة سيتشوان للفلسفة والعلوم الاجتماعية لذكاء اللغة في التعليم الخاص (رقم YYZN-2025-11)، والبرنامج الوطني الرئيسي للبحث والتطوير في الصين (رقم 2024YFC2418300 و2024YFC2418303)، والمختبر الرئيسي للحوسبة الاجتماعية والذكاء الإدراكي (جامعة داليان للتكنولوجيا)، وزارة التعليم (رقم SCCl2025YB02).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
ماتلابماث ووركس<القوي>الإصدار R2024aبيئة برمجية للحوسبة الرقمية، ومعالجة الإشارات، وتطوير واجهة المستخدم الرسومية.
صندوق أدوات معالجة الإشارةماث ووركسhttps://ww2.mathworks.cn/en/products/signal.htmlصندوق أدوات للترشيح الرقمي وتحليل الزمن والتردد
صندوق أدوات الإحصاء وتعلم الآلةماث ووركسhttps://ww2.mathworks.cn/en/products/statistics.htmlصندوق أدوات لتدريب النماذج والتحليل الإحصائي

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Guger, C., Ramoser, H., Pfurtscheller, G. Real-time EEG analysis with subject-specific spatial patterns for a brain-computer interface (BCI). IEEE Trans Rehabil Eng. 8 (4), 447-456 (2000).
  2. Chaudhary, U., Birbaumer, N., Ramos-Murguialday, A. Brain-computer interfaces for communication and rehabilitation. Nat Rev Neurol. 12 (9), 513-525 (2016).
  3. Khan, M. A., Das, R., Iversen, H. K., Puthusserypady, S. Review on motor imagery-based BCI systems for upper limb post-stroke neurorehabilitation: From designing to application. Comput Biol Med. 123, 103843(2020).
  4. Pfurtscheller, G., Neuper, C. Motor imagery and direct brain-computer communication. Proc IEEE. 89 (7), 1123-1134 (2001).
  5. Jiang, A., et al. Efficient CSP algorithm with spatio-temporal filtering for motor imagery classification. IEEE Trans Neural Syst Rehabil Eng. 28 (4), 1006-1016 (2020).
  6. Samek, W., Kawanabe, M., Müller, K. -R. Divergence-based framework for common spatial patterns algorithms. IEEE Rev Biomed Eng. 7, 50-72 (2013).
  7. Filter bank common spatial pattern (FBCSP) in motor imagery BCI. Ang, K. K., Chin, Z. Y., Zhang, H., Guan, C. Proc IEEE Int Joint Conf Neural Netw. (IJCNN), Hong Kong, , 2390-2397 (2008).
  8. Kumar, S., Sharma, A., Tsunoda, T. An improved discriminative filter bank selection approach for motor imagery EEG signal classification using mutual information. BMC Bioinformatics. 18 (16), 545(2017).
  9. Zhang, X., She, Q., Chen, Y., Kong, W., Mei, C., et al. Sub-band target alignment common spatial pattern in brain-computer interface. Comput Methods Programs Biomed. 207, 106150(2021).
  10. Yang, J., Ma, Z., Shen, T. Multi-time and multi-band CSP motor imagery EEG feature classification algorithm. Appl Sci. 11 (21), 10294(2021).
  11. Hwang, J., Park, S., Chi, J. Improving multi-class motor imagery EEG classification using overlapping sliding window and deep learning model. Electronics. 12 (5), 1186(2023).
  12. Liu, G., Tian, L., Zhou, W. Multiscale time-frequency method for multiclass motor imagery brain computer interface. Comput Biol Med. 143, 105299(2022).
  13. Liu, A., et al. Feature selection for motor imagery EEG classification based on the firefly algorithm and learning automata. Sensors. 17 (11), 2576(2017).
  14. Kabir, M. H., et al. Investigating feature selection techniques to enhance the performance of EEG-based motor imagery tasks classification. Mathematics. 11 (8), 1921(2023).
  15. Wang, A., An, N., Chen, G., Li, L., Alterovitz, G. Accelerating wrapper-based feature selection with k-nearest-neighbor. Knowl Based Syst. 83, 81-91 (2015).
  16. Andrews, S., Tsochantaridis, I., Hofmann, T. Support vector machines for multiple-instance learning. Adv Neural Inf Process Syst. 15, 577-584 (2002).
  17. You, Y., Chen, W., Zhang, T. Motor imagery EEG classification based on flexible analytic wavelet transform. Biomed Signal Process Control. 62, 102069(2020).
  18. Jin, J., et al. Correlation-based channel selection and regularized feature optimization for MI-based BCI. Neural Netw. 118, 262-270 (2019).
  19. Chen, S., Li, N., Kong, X., Huang, D., Zhang, T. Electroencephalography-based motor imagery classification using multi-scale feature fusion and adaptive lasso. Big Data and Cogn Comput. 8 (12), 169(2024).
  20. Swartz Center for Computational Neuroscience. What is EEGLAB. , SCCN, University of California San Diego. https://sccn.ucsd.edu/eeglab/index.php (2025).
  21. Zander, T. O. BCILAB Documentation. , Available at: https://github.com/sccn/BCILAB/wiki/BCILAB-documentation (2020).
  22. Tarara, P., Przybył, I., Schöning, J., Gunia, A. Motor imagery-based brain-computer interfaces: An exploration of multiclass motor imagery-based control for Emotiv EPOC X. Front Neuroinform. 19, 1625279(2025).
  23. Singh, G., Chharia, A., Upadhyay, R., Kumar, V., Longo, L. Pynoetic: A modular Python framework for no-code development of EEG brain-computer interfaces. PLoS ONE. 20 (1), e0327791(2025).
  24. Liu, G., Zhang, R., Tian, L., Zhou, W. Fine-grained spatial-frequency-time framework for motor imagery brain-computer interface. IEEE J Biomed Health Inform. 29, 4121-4133 (2025).
  25. Allison, B. Z., Dunne, S., Leeb, R., Millán, J. D. R., Nijholt, A. Towards Practical Brain-Computer Interfaces: Bridging the Gap from Research to Real-World Applications. , Springer. Berlin. (2012).
  26. Ang, K. K., Chin, Z. Y., Wang, C., Guan, C., Zhang, H. Filter bank common spatial pattern algorithm on BCI competition IV datasets 2a and 2b. Front Neurosci. 6, 39(2012).
  27. Dornhege, G., Blankertz, B., Curio, G., Muller, K. -R. Boosting bit rates in noninvasive EEG single-trial classifications by feature combination and multiclass paradigms. IEEE Trans Biomed Eng. 51 (6), 993-1002 (2004).
  28. Das, R. K., Martin, A., Zurales, T., Dowling, D., Khan, A. A survey on EEG data analysis software. Sci. 5 (2), 23(2023).
  29. Omar, L. VT2: A Python Pipeline for EEG Processing [Master's thesis]. , ZHAW - Zurich University of Applied Sciences. Available at: https://www.zhaw.ch/storage/engineering/institute-zentren/cai/studentische_arbeiten/Spring_2024/VT2_MSE_24_PyThon_pipeline_lone.pdf (2024).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Motor Imagery EEGEEG DecodingSpatial Temporal FrequencyBrain Computer InterfaceFeature ExtractionCommon Spatial PatternsFrequency BandsCross ValidationTopographical MapChannel Groups

مقالات ذات صلة