أداة STFEEG: أداة تحليل تخطيط الدماغ الكهربائي المكاني والزمني لواجهات التصوير الحركي بين الدماغ والحاسوب
مارس 10, 2026
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.
يطور هذا العمل صندوق أدوات قائم على واجهة المستخدم الرسومية لصور محركات الشبكة الممتعة، وفك تشفير EEG، والتحليل القابل للتفسير للتردد المكاني والزمني. تفتقر المنصات الحالية إلى تكوين متكامل للشبكة الممتعة المكانية والزمنية والترددية مع تصور بديهي لتحليل تخطيط الدماغ الكهربائي للصور الحركية. للبدء، قم بتحميل أداة STFEEG من المستودع الإلكتروني.
قم بفك ضغط الملف المحمل في مجلد محلي وابحث عن ملف المثبت، STFEEG-Tool. MLAPPINSTALL، في المحتوى المستخرج. انقر مرتين على STFEEG-Tool.
mlappinstall لتشغيل المثبت واتباع التعليمات الظاهرة على الشاشة لإكمال التثبيت. بعد تنزيل ملف MAT-file المثالي، قم بتشغيل واجهة المستخدم الرسومية لأداة STFEEG لفتح نافذة تحليل EEG الخاص بصور المحركات. في لوحة تحميل البيانات، انقر على المتصفح بجانب مسار البيانات واختر المجلد الذي يحتوي على ملف MAT المعد.
الآن، اضغط على المتصفح بجانب حفظ المسار واختر مجلد الإخراج للنتائج. انقر على تحميل في لوحة تحميل البيانات لاستيراد ملف MAT. في لوحة استراتيجية التقسيم في واجهة المستخدم الرسومية الرئيسية، انقر على تعديل لفتح نافذة تكوين التقسيم حيث تم توفير إعدادات المعلمات الافتراضية بالفعل.
لتكوين النوافذ الزمنية، اختر تبويب نوافذ زمنية في نافذة التكوين. أدخل قيم البداية والنهاية والفترات لتعريف النوافذ الزمنية. ثم اضغط على إضافة لإضافة النوافذ المولدة إلى القائمة.
لحذف نافذة موجودة، انقر بزر الفأرة الأيمن على الصف المقابل في الجدول واختر حذف. لتكوين نطاقات تردد بنك المرشح، اختر تبويب نطاقات التردد في نافذة التكوين. أدخل قيم البداية والنهاية والفترة لتعريف نطاقات التردد.
ثم اضغط على إضافة لإضافة النطاقات المولدة إلى القائمة. لحذف نطاق تردد موجود، انقر بزر الفأرة الأيمن على الصف المقابل في الجدول واختر حذف. لتكوين التقسيم المكاني حسب مجموعات القنوات، اختر تبويب التقسيم المكاني في نافذة التكوين.
انقر على المتصفح بجانب مجموعات القنوات لاختيار ملف MAT-تعريف مجموعة القنوات. انقر على استبدال لتحميل ملف مجموعة القنوات المختار وتحديث قائمة مجموعات أرقام القنوات. إذا تم اختيار ملف موقع القناة في موقع القناة، تقوم الأداة أيضا بتحميله لعرض الرؤية اللاحقة.
انقر على OK في أسفل نافذة التقسيم لتطبيق النوافذ الزمنية المحدثة، ونطاقات التردد، والتقسيم المكاني. يتم تحديث لوحة استراتيجية التقسيم في واجهة المستخدم الرسومية الرئيسية وفقا لذلك. في لوحة تكوين التصنيف، اختر طريقة استخراج الميزات من القائمة المنسدلة.
اضبط nCSP للاحتفاظ بالميزات من كلا طرفي متجه الميزات. ثم اختر المصنفات بتحديد المربعات المقابلة. قم بتعيين رقم نطاقات الاختيار لتحديد عدد المقاطع أو الميزات الدقيقة التي يتم الاحتفاظ بها في الاختيار القائم على الغلاف.
قم بتعيين التحقق المتقاطع لتحديد عدد الطيات الخاصة بالتحقق المتقاطع k-fold على بيانات القطار وتسمية القطار. ثم انقر على التحقق المتقاطع لإجراء التحقق المتقاطع k-fold. راجع ملخص الأداء المعروض في لوحة النتائج.
راجع خريطة الزمن والتردد الطبوغرافية لتحديد الأنماط التمييزية عبر الزمن والتكرار ومناطق فروة الرأس. راجع خريطة أهمية مجموعة الأقطاب لتحديد مجموعات القنوات التي تساهم بشكل أكبر في فك الترميز. أوضحت خريطة الطبوغرافيا الزمنية والترددية التوزيع المكاني لأنماط تخطيط الدماغ التمييزية عبر مقاطع التردد والزمن.
قامت خريطة دلالة مجموعة الأقطاب بقياس مساهمة مجموعات الأقطاب المحددة مسبقا في أداء فك الترميز. قام هذا البروتوكول بتوحيد فك الشيفرة، والتقييم الكمي، وتصور أنماط تخطيط الدماغ الكهربائي الحركية الخاصة بالموضوع. التحدي الرئيسي هو ضمان بقاء تصنيف المعالجة المسبقة والتقسيم متعدد المقاييس مرنا وقابلا للتطبيق عبر مجموعات بيانات مختلفة.
يمكن لهذا السير إجراء اكتشاف التحليل القابل للتفسير للفروق الخاصة بالموضوع، وتوجيه تطوير نماذج فك ترميز MI-EEG أكثر تكيفا وقابلية للتعميم.
اعرض النص الكامل واحصل على الوصول إلى آلاف الفيديوهات العلمية
Overview
This article presents the STFEEG-Tool, a graphical user interface (GUI)-based toolbox designed for standardized, reproducible, and interpretable spatial-temporal-frequency analysis of motor imagery EEG (MI-EEG) data. The tool addresses the lack of integrated, user-friendly workflows for fine-grained MI-EEG feature extraction and decoding, supporting both research and practical neurorehabilitation applications.
Key Study Components
Area of Science
- Neuroengineering
- Brain-computer interfaces (BCI)
- Electroencephalography (EEG) analysis
Background
- Motor imagery-based BCIs are valuable for neurorehabilitation and cognitive neuroscience.
- Existing MI-EEG analysis pipelines often require complex configuration and lack interpretability.
- Standardized, reproducible workflows for spatial-temporal-frequency feature analysis are limited.
- Visualization and flexible segmentation are needed for practical deployment and generalization.
Purpose of Study
- To develop a user-friendly, standardized, and interpretable MI-EEG decoding workflow.
- To enable fine-grained configuration of temporal, frequency, and spatial segmentation for MI feature extraction.
- To integrate multiple feature extraction algorithms and classifiers within a single toolbox.
Methods Used
- Development and installation of the STFEEG-Tool GUI application.
- Loading of MI-EEG data and configuration of segmentation strategies (temporal windows, frequency bands, spatial channel groups).
- Selection of feature extraction methods (e.g., CSP, div-CSP) and classifiers (SVM, Ridge Regression, Lasso).
- Cross-validation and performance evaluation with dynamic time-frequency scalp topographical mapping and electrode group significance visualization.
Main Results
- STFEEG-Tool enables flexible, fine-grained segmentation and feature extraction from MI-EEG data.
- Integrated visualization tools (time-frequency topographical maps, electrode group significance maps) support interpretability of decoding results.
- The workflow standardizes quantitative evaluation and visualization of subject-specific MI-EEG patterns.
- The tool facilitates identification of discriminative EEG patterns and channel groups relevant to MI decoding.
Conclusions
- STFEEG-Tool provides a reproducible and extensible platform for MI-EEG analysis.
- The workflow supports interpretable, subject-specific analysis and guides development of adaptive MI-EEG decoding models.
- Flexible configuration and visualization enhance practical deployment and generalization across datasets.
Frequently Asked Questions
Executive Industry Relevance
Standardized, interpretable EEG analysis is critical for advancing motor imagery brain-computer interface (MI-BCI) research and translational neurotechnology. The STFEEG-Tool addresses reproducibility and workflow integration challenges by enabling fine-grained spatial-temporal-frequency feature extraction and robust quantitative evaluation. This capability supports predictive confidence and portfolio triage in early-stage neurotechnology and neurorehabilitation R&D.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables systematic interrogation of motor imagery neural signatures for target validation in neurotechnology pipelines.
- Supports biological de-risking by quantifying spatial, temporal, and frequency-specific EEG features.
- Facilitates predictive confidence through standardized, reproducible feature extraction and classification workflows.
Screening & Assay Development
- Prepares validated MI-EEG datasets for downstream algorithmic screening and classifier benchmarking.
- Standardizes segmentation and feature extraction, improving reproducibility and quantitative comparability across studies.
- Enables scalable, platform-ready workflows for evaluating new decoding algorithms or interventions.
Translational & Preclinical Research
- Aligns MI-EEG feature analysis with translational biomarker discovery for neurorehabilitation applications.
- Supports continuity from discovery through preclinical validation by enabling subject-specific and group-level analysis.
- Provides mechanistic de-risking for adaptive and generalizable MI-EEG decoding models.
Pipeline & Workflow Integration
The STFEEG-Tool integrates into the discovery-to-preclinical continuum by standardizing MI-EEG data segmentation, feature extraction, and classifier evaluation.
- Discovery Biology: Supports hypothesis testing and pathway clarification via interpretable spatial-temporal-frequency EEG analysis.
- Screening: Delivers reproducible, quantitative outputs for classifier and algorithm benchmarking.
- Analytics: Provides dynamic topographical and significance maps for robust statistical comparison of conditions.
- Translational Research: Enables biomarker alignment and subject-specific pattern identification for preclinical studies.
- Enterprise Reuse: Functions as a reusable, extensible platform for MI-EEG analysis across diverse datasets and research teams.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in MI-BCI research.
- Operational Value: Drives standardization, reproducibility, and scalability in EEG decoding workflows.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency by enabling robust, interpretable analysis.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of neurotechnology assets.
Implementation Considerations
- Requires expertise in EEG data handling and MI-BCI paradigms.
- Needs computational infrastructure for GUI-based analysis and visualization.
- Demands cross-team standardization of segmentation and feature extraction parameters.
- Supports adaptation across datasets with flexible configuration of temporal, frequency, and spatial segmentation.
- Practical limitations include ensuring preprocessing and segmentation remain robust across heterogeneous data sources.
