STFEEG-工具：一种用于运动影像脑机接口的时空频率脑电分析工具

摘要

本研究提出了一套标准化且可重复的方案，用于实现运动影像EEG解码的时空频率脑电分析工具（STFEEG），结合可配置的时空频率分割、基于通用空间模式（CSP）的特征提取、多分类算法及可视化功能。

摘要

运动影像-脑机接口（MI-BCI）在神经康复和认知神经科学领域展现出显著潜力。然而，用于可配置时空频率特征分析的标准化且可重复的MI-EEG工作流程仍然有限，许多流程需要复杂的配置和参数调优，且解释性有限，这阻碍了实际部署和泛化。为应对这些挑战，开发了STFEEG工具，为MI范式中的脑电解码提供用户友好、标准化且可解释的工作流程。STFEEG-Tool支持时间、频带和空间分割的细粒度配置，从而提取多尺度MI特征。该工具箱集成了多种特征提取算法，包括常见空间模式（CSP）和基于散度的CSP（div-CSP），以及各种分类器，如支持向量机（SVM）、脊回归分类器和套索分类器。提供动态时频头皮拓扑图，用于总结跨时频段的空间模式，并支持解码结果的解读。总体而言，STFEEG-Tool作为一个可重复且可扩展的细粒度MI-EEG分析平台，促进了细粒度解码流程向实用用户化应用的转化。

引言

运动影像脑机接口（MI-BCI）使人脑与外部设备之间能够直接通信，无需周围^{肌肉活动。}近年来，MI-BCI技术广泛应用于神经康复²、辅助控制³和人机交互⁴。这些应用凸显了研究人员和临床医生（包括编程能力有限用户）能够可靠采用且可重复的分析工作流程的需求。

传统的心肌-脑电图解码方法主要基于空间滤波和线性分类框架。诸如通用空间模式⁵（CSP）和基于发散的CSP⁶（div-CSP）等方法已被广泛用于从多通道脑电信号中提取判别空间特征。为了进一步提取不同频率成分的特征，滤波器组CSP⁷（FBCSP）和子频段CSP ^8,9（SBCSP）已被广泛探索。此外，时间分割被整合进特征提取过程，将每次试验划分为多个时间区间，从而捕捉不断演变的判别模式，进一步提升解码性能 10,11,12。为了提升提取特征的可辨性，引入了多种特征选择策略以减少冗余并减轻过拟合 13,14,15。在分类方面，传统机器学习模型如支持向量机¹⁶和正则化回归分类器^17、18、19因其可解释性和计算效率而被广泛使用。

尽管这些方法有效，但通常以定制的数据集特定代码库实现，增加了系统性重用和独立验证的复杂性。已有多种基于图形用户界面（GUI）的软件平台支持脑电分析和脑机交互（BCI）研究。例如，EEGLAB²⁰ 提供了全面的功能套件，用于脑电预处理、时频分析、特征提取、分类和高级可视化。其高度模块化且可扩展的架构使得在脑电图研究领域得到广泛应用。BCILAB²¹与EEGLAB集成，集成了100多种信号处理和机器学习算法，涵盖整个解码流程，从预处理到分类。同样，OpenViBE²² 提供了一个可视化编程环境，用于设计实时 BCI 工作流程，用户可以通过图形化连接模块化组件来组装信号处理流水线。该平台特别适合在线脑电采集和实时刺激-反应范式，并被广泛应用于交互式脑机接口（BCI）应用的开发和测试。此外，PyNoetic是一个模块化的Python框架，用于无代码脑电图脑机接口开发，通过集成图形界面支持数据采集、预处理、特征提取和分类，实现端到端的BCI工作流程^构建。与早期需要大量手动配置或脚本的工具不同，PyNoetic 为流水线设计提供了更高层次的抽象，使得能够灵活组装和重新配置处理阶段，而无需低层编程。在许多MI-EEG研究中，这些平台已支持常规预处理、传统特征提取以及基线解码和评估。

多个基于图形界面的平台支持通过标准化预处理、特征提取和基线解码进行MI-EEG分析（见表1）。然而，它们缺乏针对细粒度时空分解的优化，包括用户自定义的空间划分和跨域可视化。为满足这些方法需求，此前提出了一个细粒度的MI-EEG²⁴ 时空频率解码框架，结合空间电极组、频率子带和时间段建模，以提升解码性能并增强多域可解释性。基于该框架，时空频率脑电分析工具（STFEEG-Tool）开发为基于图形用户界面（GUI）的工具箱，在可配置且可重复的工作流程中标准化细粒度的心肌脑电图解码，同时兼容现有脑电工具链。

STFEEG-Tool将数据准备、预处理、时空频率分割、特征提取、基于封装的特征选择、分类和可视化整合为统一的流程。它不是取代既有的EEG工具箱，而是通过透明的参数指定、一致的流水线执行和基于模型的可视化来补充这些工具箱，以支持细粒度分析。

本研究的主要贡献有三方面。首先，STFEEG-Tool提供用户友好的端到端图形界面工作流程，标准化参数配置，支持细粒度心肌脑电图解码。其次，它支持多尺度时空频率分割，包括用户自定义的空间分解，而这些在通用平台上并不常见。第三，通过时间-频率拓扑图和电极群显著图提升可解释性，总结判别贡献并揭示跨领域特定对象MI相关模式。

该工具箱为开源，访问网址为：https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

方案

该协议中使用的数据来自公开可得的去标识化数据集。最初的数据收集程序按照各自机构的伦理标准进行;因此，此次二次分析无需额外的机构批准。

图1 展示了时空-时空-频率脑电图分析工具的整体工作流程。请按照以下步骤配置每个模块，并重现细粒度的时空-时空解码协议。本研究所用软件列于 材料表中。

1. 软件和STFEEG工具包的准备

1. 安装支持MAT文件处理和图形界面执行的数值计算环境（见材料表）。
2. 从 在线仓库下载 STFEEG - 工具 ，解压到本地文件夹，找到安装文件 STFEEG-Tool.mlappinstall。
3. 双击 STFEEG - Tool.mlappinstall，按照屏幕上的说明完成安装。
4. 打开应用标签页，确认STFEEG-Tool出现在已安装的应用列表中（图2），然后点击它启动图形界面（图3）。

2. 输入数据MAT文件的准备

1. 创建一个包含四个变量的 MAT 文件（.mat ），分别名为 TrainData、 TrainLabel、 TestData 和 TestLabel。
   1. 将TrainData和 TestData 存储为三维数组，规模为 N个_试次 ×N个_信道 ×_{N个时间点}。
   2. 将 TrainLabel 和 TestLabel 存储为 N_次试验 × 整数类标签的单列向量，使用训练集和测试集间一致的编码。
      注意：从不重叠的会话或记录块构建 TrainData 和 TestData ，以防止信息泄露。
2. 确保 TrainData 和 TestData 共享相同的信道顺序和采样频率（Hz）。
3. （可选）从公开仓库下载基于BCI Competition IV 2a的示例MAT-file（Data.mat），以便快速测试软件。

3. 启动图形界面并设置路径

1. 启动 STFEEG工具 界面以打开MI-EEG分析窗口（见图3）。
2. 在数据加载面板中，点击“浏览器”，点击数据路径旁的“浏览器”，选择包含已准备好的MAT文件的文件夹。
3. 确认图形界面中显示的采样频率 F 与数据集采样频率（Hz）一致。
4. 点击 “浏览器 ”中的 “保存路径 ”，选择输出文件夹以存储结果（例如配置文件、模型文件和预测标签）。
5. （可选）根据预期用途指定 模型路径 。
   1. 要在训练过程中保存模型，点击模型路径旁的浏览器，选择目标文件夹;如果模型路径为空，软件会自动将模型保存到保存路径中。
   2. 要加载预训练模型进行测试，点击模型路径旁的浏览器，选择包含已保存模型文件的文件夹。
6. 点击数据加载面板中的“加载”以导入MAT文件。软件会自动检查所需的变量和选定路径，如果没有错误报告，就会加载数据集。

4. 配置预处理（带通滤波）

1. 除非需要不同的预处理配置，否则请使用图形界面中显示的默认带通滤波器设置（Order = 5，Fc1 = 5 Hz，Fc2 = 35 Hz，滤波器类型 = IIR）。
2. （可选）输入过滤器 Order 来覆盖默认值。
3. （可选）输入下限和上截止频率（Fc1 和 Fc2），以Hz为单位，覆盖默认值。
4. （可选）从下拉菜单选择过滤器类型以覆盖默认选项。
5. 点击 确定 确认预处理配置。如果没有做任何更改，软件会应用面板中显示的默认设置。

5. 配置细粒度细分策略

1. 在主图形界面的 分段策略 面板中，点击 编辑 以打开 分段 配置窗口。
2. 配置时间窗口。
   1. 选择“ 时间窗口 ”标签。
   2. 请查看表格中现有的窗口列表（见图4）。
   3. （可选）要添加窗口，输入 开始、 结束和 区间 值，然后点击 添加 ，将生成的窗口附加到列表中。
   4. （可选）要删除已有的窗口，右键点击表格中对应的行，选择 删除。
3. 配置滤波器组频段。
   1. 选择“频带”标签（图5）。
   2. 请查看表格中现有的频段列表。
   3. （可选）要添加频段，输入 起始 （Hz）、 结束 （Hz）和 区间 数值，点击 添加 ，将生成的带添加到列表中。
   4. （可选）要删除已有的频段，右键点击表格中对应的行，然后选择 删除。
4. 按信道组配置空间分割（见图6）。
   1. 选择空间 分割 标签。
   2. 请查看“ 频道编号组 ”列表中的频道组分配。
   3. （可选）要替换当前的信道组配置，请点击“ 浏览器 ”中的 “信道组 ”旁边，选择信道组定义的MAT文件。
   4. （可选）要启用头皮可视化，请点击 “浏览器 ”中“ 通道位置 ”旁的通道-位置文件，选择数据集通道的通道-位置文件。
      注意：公共仓库提供 savedChCell.mat （信道组定义）和 channel_locations_22ch.txt （BCI 竞赛 IV 2a 的 22 信道头皮坐标），可直接与包含的示例数据一起使用。
   5. （可选）点击 替换 以加载所选的频道组文件并更新 频道编号 组列表。如果在 通道位置中选择了通道位置文件，工具也会加载该文件进行后续头皮可视化（见图7）。
5. 应用并验证分割设置。
   1. 完成所有标签页的设置后，点击分割窗口底部的确定，应用更新的时间窗口、频带和空间分割。
   2. 返回主图形界面，确认更新后的时带、频段和信道组已反映在 分段策略 面板中。

6. 配置特征提取、分类器和交叉验证

1. 在 分类配置 面板中，从下拉菜单选择 特征提取 方法。
   注意：CSP和div-CSP的详细描述见 补充文件1。
2. 设置 nCSP 从特征向量的两端选择CSP特征。该工具保留了第一个 nCSP 和最后一个 nCSP 组件（共 2 个 nCSP 功能×）。
3. 通过勾选相应的选项（SVM、脊最优、套索最优）来选择分类器。
   注意：三种分类器的描述见 补充文件2。
4. 设置 选择带数 以指定在基于包装器的选择中保留多少细粒度的片段/特征。
5. 设置 交叉验证 以指定 TrainData/TrainLabel 上 k 重交叉验证的折叠次数。
6. （可选）当多个段和分类器被评估时，如果计算资源充足，启用并行以加速计算。
7. 点击“交叉验证”，对TrainData/TrainLabel进行k折交叉验证，训练最终模型，然后在TestData/TestLabel上测试最终模型。
   注意：如果选择多个分类器，工具会自动选择并保存交叉验证准确率最高的模型，然后用于测试集评估。

7. 查看结果和可视化

1. 点击第6步的 交叉验证后，查看 结果 面板中显示的绩效摘要，包括 验证准确率/Kappa、 测试准确率/Kappa，以及 每折训练时间 和 每折测试时间。记录这些数值以便报告。
   注意：验证准确率/Kappa以TrainData/TrainLabel上计算的平均k倍交叉验证准确率/κ25来报告。测试准确率/Kappa报告为通过评估TestData/TestLabel上每个折叠中最佳模型并对测试结果进行平均所得的平均测试集准确率/κ25。
2. 检查 结果面板中 显示的可视化输出。
   1. 查看 时间-频率地形图 ，识别时间、频率和头皮区域的区分模式。
   2. 查看 电极群显著性图 ，识别对解码贡献最大的通道群。
      注意：两张地图的详细定义、施工程序和解释指南均见 补充文件3。
3. （可选）使用先前训练好的模型进行仅测试评估。
   1. 点击 测试负载模型，从 模型路径 加载预训练模型，并在当前输入T estData/TestLabel 上进行评估。
   2. 选择训练期间保存的 Model Path 文件夹（步骤 3.5），并保持其目录结构不变。确保 model.mat 位于所选文件夹中，param.mat 位于父文件夹中，因为两者都需要用于加载模型并重现可视化内容。
   3. 确认在此模式下，图形界面会报告加载模型的测试准确性和每折测试时间，并相应更新可视化面板。
   4. （可选）在存档目录中找到导出的结果，其中包含预测和真实标签，以便进一步统计测试。

结果

STFEEG-Tool在BCI竞赛IV 2a²⁶ 和BCI 竞赛III 3a²⁷上均进行了验证，系统在两者中均成功执行了完整的译码流水线。遵循BCI竞赛IV 2a的固定跨场次协议：第一场训练，第二场评估，分别录制两天。在先前报道的细粒度时空频率框架²⁴中使用的相同配置下，STFEEG-Tool在BCI Competition IV 2a上重现了原始性能，实现了83.68%的平均测试准确率²⁴。

如 图8右侧结果面板所示，验证、测试准确性和kappa被报告为模型性能的定量总结。在这些指标下方，时频拓扑图展示了辨别性脑电图在数据驱动的频率和时间段中的空间分布。这些地图通过平均每个片段内的时间频率分数（TFS）值计算，从而揭示时频域中受试者特定的激活特征。由此产生的地形图显...

讨论

STFEEG-Tool 被设计为专门针对心肌肌电（MI-EEG）的工具箱，补充了既有的脑电图生态系统，如 EEGLAB²⁰、BCILAB²¹、OpenViBE²²、PyNoetic²³。虽然这些平台为MI解码提供了灵活组件，但细粒度的时空频率配置和模型知情的解释可能需要跨处理步骤的额外整合。当包含显式电极基团分解时，这一点尤为重要。因此，STFEEG-Tool提供统一的图形界面工作流程，配备标准化输出和集成可视化，支持细粒度、多尺度MI-EEG解码。

获得有效的离线结果需要几个步骤。首先，确保输入MAT文件符合所需数据格式，并且关键元数据（通道顺序和采样频率）在训练集和测试集之间保持一致（步骤2.1和步骤2.2）。为防止数据泄露，训练和测试数据应由严格不重叠的会话或块构建。其次，STFEEG-Tool支持细粒度多尺度时频分段（...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
MATLAB	数学作品	版本 R2024a	用于数值计算、信号处理和图形界面开发的软件环境。
信号处理工具箱	数学作品	https://ww2.mathworks.cn/en/products/signal.html	数字滤波与时频分析工具箱
统计与机器学习工具箱	数学作品	https://ww2.mathworks.cn/en/products/statistics.html	模型训练与统计分析工具箱