Methodenartikel

STFEEG-Tool: Ein räumlich-temporal-frequentes EEG-Analysewerkzeug für motorische Bildbildung von Gehirn-Computer-Schnittstellen

DOI:

10.3791/70425

⸱

10. März 2026

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

In diesem Artikel

Zusammenfassung

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

Diese Studie präsentiert ein standardisiertes und reproduzierbares Protokoll zur Implementierung des Spatial-Temporal-Frequency EEG Analysis Tool (STFEEG) zur EEG-Dekodierung motorischer Bildgestaltung, das konfigurierbare räumlich-zeitliche Frequenzsegmentierung, auf Basis von Common Spatial Patterns (CSP)-basierter Merkmalextraktion, mehrere Klassifikationsalgorithmen und Visualisierungsfunktionen integriert.

Zusammenfassung

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

Motorische Bild-Gehirn-Computer-Schnittstellen (MI-BCIs) haben ein bedeutendes Potenzial für Neurorehabilitation und kognitive Neurowissenschaften gezeigt. Ein standardisierter und reproduzierbarer MI-EEG-Workflow für konfigurierbare räumlich-zeitliche Frequenz-Feature-Analyse bleibt jedoch begrenzt, und viele Pipelines erfordern komplexe Konfigurationen und Parameterabstimmungen mit begrenzter Interpretierbarkeit, was die praktische Implementierung und Verallgemeinerung erschwert. Um diese Herausforderungen zu bewältigen, wurde ein STFEEG-Tool entwickelt, das einen benutzerfreundlichen, standardisierten und interpretierbaren Workflow für EEG-Dekodierung in MI-Paradigmen bereitstellt. STFEEG-Tool ermöglicht eine feinkörnige Konfiguration zeitlicher, frequenzbandiger und räumlicher Segmentierung, wodurch die Extraktion von multiskaligen MI-Merkmalen ermöglicht wird. Das Werkzeugkasten integriert mehrere Feature-Extraction-Algorithmen, darunter Common Spatial Patterns (CSP) und divergenzbasierte CSP (div-CSP), zusammen mit verschiedenen Klassifikatoren wie Support Vector Machines (SVMs), Ridge Regression Classifier und Lasso Classifier. Eine dynamische Zeit-Frequenz-Skalptopographiekarte wird bereitgestellt, um räumliche Muster über Zeit-Frequenz-Segmente zusammenzufassen und die Interpretation der Dekodierungsergebnisse zu unterstützen. Insgesamt dient STFEEG-Tool als reproduzierbare und erweiterbare Plattform für feinkörnige MI-EEG-Analysen, die die Übersetzung feinkörniger Dekodierpipelines in praktische, benutzerorientierte Anwendungen erleichtert.

Einleitung

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

Motorische Bildbildung: Gehirn-Computer-Schnittstellen (MI-BCIs) ermöglichen eine direkte Kommunikation zwischen dem menschlichen Gehirn und externen Geräten, ohne periphere Muskelaktivitäterforderlich zu sein 1. In den letzten Jahren wurde die MI-BCI-Technologie weitgehend in der Neurorehabilitation2, der assistativen Kontrolle3 und der Mensch-Computer-Interaktion4 eingesetzt. Diese Anwendungen unterstreichen den Bedarf an zugänglichen und reproduzierbaren Analyse-Workflows, die von Forschern und Klinikern, einschließlich Nutzer mit begrenzter Programmierkompetenz, zuverlässig übernommen werden können.

Konventionelle MI-EEG-Dekodierungsansätze basieren überwiegend auf räumlicher Filterung und linearen Klassifikationsrahmen. Methoden wie Common Spatial Pattern5 (CSP) und divergenzbasierte CSP6 (div-CSP) wurden weit verbreitet eingesetzt, um diskriminierende räumliche Merkmale aus Mehrkanal-EEG-Signalen zu extrahieren. Um Features über verschiedene Frequenzkomponenten hinweg weiter zu extrahieren, wurden Filter Bank CSP7 (FBCSP) und Subband CSP 8,9 (SBCSP) umfassend erforscht. Darüber hinaus wurde zeitliche Segmentierung in den Merkmalsextraktionsprozess integriert, indem jeder Versuch in mehrere Zeitintervalle unterteilt wird, was die Erfassung sich entwickelnder diskriminierender Muster ermöglicht und die Dekodierungsleistung weiter verbessert 10,11,12. Um die Unterscheidbarkeit extrahierter Features zu verbessern, wurden verschiedene Merkmalsauswahlstrategien eingeführt, um Redundanz zu reduzieren und Überanpassungzu mindern. Für die Klassifikation werden traditionelle Machine-Learning-Modelle wie Support VectorMachines 16 und regularized regressionclassifiers 17,18,19 aufgrund ihrer Interpretierbarkeit und Recheneffizienz weiterhin weit verbreitet verwendet.

Trotz ihrer Effektivität werden diese Ansätze typischerweise in individuell angepassten, datensatzspezifischen Codebasen implementiert, was eine systematische Wiederverwendung und unabhängige Verifikation erschwert. Mehrere grafische Benutzeroberflächen (GUI)-basierte Softwareplattformen wurden entwickelt, um EEG-Analyse und BCI-Forschung zu unterstützen. Zum Beispiel bietet EEGLAB20 eine umfassende Funktionsweise für EEG-Vorverarbeitung, Zeit-Frequenz-Analyse, Merkmalsextraktion, Klassifikation und fortgeschrittene Visualisierung. Seine hochgradig modulare und erweiterbare Architektur hat eine breite Einführung im EEG-Forschungsfeld ermöglicht. BCILAB21 integriert in Integration mit EEGLAB über 100 Signalverarbeitungs- und Machine-Learning-Algorithmen, die die gesamte Dekodierungspipeline von der Vorverarbeitung bis zur Klassifikation abdecken. Ähnlich bietet OpenViBE22 eine visuelle Programmierumgebung zum Entwerfen von Echtzeit-BCI-Workflows, in der Nutzer Signalverarbeitungs-Pipelines zusammensetzen können, indem modulare Komponenten grafisch verknüpft werden. Die Plattform eignet sich besonders gut für Online-EEG-Erfassung und Echtzeit-Stimulus-Response-Paradigmen und wurde weit verbreitet bei der Entwicklung und Erprobung interaktiver BCI-Anwendungen eingesetzt. Darüber hinaus ermöglicht PyNoetic, ein modulares Python-Framework für die Entwicklung von no-code-EEG-Gehirn-Computer-Schnittstellen, den End-to-End-BCI-Workflow-Aufbau durch eine integrierte GUI, die Datenerfassung, Vorverarbeitung, Feature-Extraktion und Klassifikation23 unterstützt. Im Gegensatz zu früheren Werkzeugen, die umfangreiche manuelle Konfigurationen oder Skripte erfordern, bietet PyNoetic ein höheres Abstraktionsniveau für das Pipeline-Design und ermöglicht flexible Montage und Neukonfiguration von Verarbeitungsstufen ohne Low-Level-Programmierung. In vielen MI-EEG-Studien können diese Plattformen bereits routinemäßige Vorverarbeitung, konventionelle Feature-Extraktion sowie Baseline-Dekodierung und -Auswertung unterstützen.

Mehrere GUI-basierte Plattformen unterstützen MI-EEG-Analyse durch standardisierte Vorverarbeitung, Feature-Extraktion und Baseline-Dekodierung (Tabelle 1). Allerdings fehlt ihnen die Optimierung für eine feinkörnige räumliche Frequenzzeitzerlegung, einschließlich benutzerdefinierter räumlicher Partitionierung und domänenübergreifender Visualisierung. Um diesen methodischen Anforderungen gerecht zu werden, wurde zuvor ein feingranuliertes Rahmenwerk zur räumlich-zeitlichen Frequenzdecodierung für MI-EEG24 vorgeschlagen, das gemeinsam räumliche Elektrodengruppen, Frequenzsubbänder und temporale Segmente modelliert, um die Dekodierleistung zu verbessern und die Interpretierbarkeit mehrerer Domänen zu erhöhen. Aufbauend auf diesem Framework wurde das Spatial-Temporal-Frequency EEG-Analysetool (STFEEG-Tool) als grafische Benutzeroberfläche (GUI)-basierte Werkzeugkiste entwickelt, die feingranulare MI-EEG-Dekodierung innerhalb eines konfigurierbaren und reproduzierbaren Workflows standardisiert und dabei mit bestehenden EEG-Toolchains kompatibel bleibt.

STFEEG-Tool integriert Datenvorbereitung, Vorverarbeitung, räumlich-zeitliche Frequenzsegmentierung, Feature-Extraktion, wrapper-basierte Merkmalauswahl, Klassifikation und Visualisierung in eine einheitliche Pipeline. Anstatt etablierte EEG-Werkzeugkästen zu ersetzen, ergänzt es diese durch transparente Parameterspezifikation, konsistente Pipeline-Ausführung und modellbasierte Visualisierung, um feingranulare Analysen zu unterstützen.

Die Hauptbeiträge dieser Arbeit sind dreifach. Erstens bietet STFEEG-Tool einen benutzerfreundlichen, durchgängigen GUI-Workflow mit standardisierter Parameterkonfiguration für feingranulare MI-EEG-Dekodierung. Zweitens ermöglicht es eine multiskalale räumlich-zeitliche Frequenzsegmentierung, einschließlich benutzerdefinierter räumlicher Dekomposition, die auf allgemeinen Plattformen nicht durchgängig verfügbar ist. Drittens verbessert sie die Interpretierbarkeit durch zeit-frequente topografische Karten und Signifikanzkarten der Elektrodengruppen, die diskriminierende Beiträge zusammenfassen und subjektspezifische MI-relevante Muster über verschiedene Bereiche hinweg aufzeigen.

Der Werkzeugkasten ist Open Source und verfügbar unter: https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Die in diesem Protokoll verwendeten Daten stammen aus öffentlich verfügbaren, deidentifizierten Datensätzen. Die ursprünglichen Datenerhebungsverfahren wurden gemäß den ethischen Standards der jeweiligen Institutionen durchgeführt; daher war für diese Sekundäranalyse keine zusätzliche institutionelle Genehmigung erforderlich.

Abbildung 1 zeigt den gesamten Arbeitsablauf des Spatial-Temporal-Frequency Electroenzephalography Analysis Tools. Befolgen Sie die folgenden Schritte, um jedes Modul zu konfigurieren und das feinkörnige räumliche Frequenzzeit-Dekodierungsprotokoll zu reproduzieren. Die in dieser Studie verwendete Software ist in der Materialtabelle aufgeführt.

1. Vorbereitung der Software und des STFEEG-Tool-Pakets

  1. Installieren Sie eine numerische Rechenumgebung, die MAT-Dateiverarbeitung und GUI-Ausführung unterstützt (siehe Materialtabelle).
  2. Laden Sie STFEEG - Tool aus dem Online-Repository herunter, entpacken Sie es in einen lokalen Ordner und finden Sie die Installationsdatei STFEEG-Tool.mlappinstall.
  3. Doppelklicken Sie auf STFEEG - Tool.mlappinstall und folgen Sie den Anweisungen auf dem Bildschirm, um die Installation abzuschließen.
  4. Öffnen Sie den App-Tab, bestätigen Sie, dass STFEEG-Tool in der Liste der installierten Apps erscheint (Abbildung 2), und klicken Sie darauf, um die grafische Oberfläche zu öffnen (Abbildung 3).

2. Vorbereitung der MAT-Datei der Eingabedaten

  1. Erstellen Sie eine MAT-Datei (.mat) mit vier Variablen namens TrainData, TrainLabel, TestData und TestLabel.
    1. Speichere TrainData und TestData als 3D-Arrays der Größe NVersuche ×N Kanäle × NZeitpunkte.
    2. Speichern Sie TrainLabel und TestLabel als NVersuche × 1-Spalten-Vektoren von ganzzahligen Klassenlabels, wobei eine konsistente Codierung über Trainings- und Testsätze verwendet wird.
      HINWEIS: Erstellen Sie TrainData und TestData aus nicht überlappenden Sitzungen oder Aufzeichnungsblöcken, um Informationslecks zu verhindern.
  2. Stellen Sie sicher, dass TrainData und TestData die gleiche Kanalreihenfolge und dieselbe Abtastfrequenz (Hz) teilen.
  3. (Optional) Laden Sie die bereitgestellte Beispiel-MAT-Datei (Data.mat) basierend auf BCI Competition IV 2a aus dem öffentlichen Repository herunter, um die Software schnell zu testen.

3. Starten der GUI und Pfade festlegen

  1. Starten Sie die STFEEG - Tool GUI, um das MI-EEG-Analysefenster zu öffnen (Abbildung 3).
  2. Im Datenlade-Panel klicken Sie neben Data Path auf Browser und wählen Sie den Ordner aus, der die vorbereitete MAT-Datei enthält.
  3. Bestätigen Sie, dass die in der GUI angezeigte Abtastfrequenz Fs mit der Datensatz-Abtastfrequenz (Hz) übereinstimmt.
  4. Klicken Sie auf Browser neben Pfad speichern und wählen Sie einen Ausgabeordner aus, um Ergebnisse zu speichern (z. B. Konfigurationsdateien, Modelldateien und vorhergesagte Labels).
  5. (Optional) Spezifizieren Sie den Modellpfad basierend auf der beabsichtigten Nutzung.
    1. Um ein Modell während des Trainings zu speichern, klicken Sie neben Modellpfad auf Browser und wählen Sie einen Zielordner aus; wenn der Modellpfad leer bleibt, speichert die Software das Modell automatisch in Save Path.
    2. Um ein vortrainiertes Modell zum Testen zu laden, klicken Sie neben Modellpfad auf Browser und wählen Sie den Ordner aus, der die gespeicherten Modelldateien enthält.
  6. Klicken Sie im Datenlade-Panel auf Laden, um die MAT-Datei zu importieren. Die Software überprüft automatisch die erforderlichen Variablen und ausgewählten Pfade und lädt den Datensatz, wenn keine Fehler gemeldet werden.

4. Konfiguration der Vorverarbeitung (Bandpassfilterung)

  1. Verwenden Sie die in der GUI gezeigten Standard-Bandpassfiltereinstellungen (Order = 5, Fc1 = 5 Hz, Fc2 = 35 Hz, Filtertyp = IIR), sofern keine andere Vorverarbeitungskonfiguration erforderlich ist.
  2. (Optional) Geben Sie die Filterreihenfolge ein , um den Standardwert zu überschreiben.
  3. (Optional) Geben Sie die unteren und oberen Cutoff-Frequenzen (Fc1 und Fc2) in Hz ein, um die Standardwerte zu überschreiben.
  4. (Optional) Wählen Sie den Filtertyp im Dropdown-Menü aus, um die Standardoption zu überschreiben.
  5. Klicken Sie auf OK, um die Vorverarbeitungskonfiguration zu bestätigen. Wenn keine Änderungen vorgenommen werden, wendet die Software die im Panel angezeigten Standardeinstellungen an.

5. Konfiguration der feingranulierten Segmentierungsstrategie

  1. Im Segmentierungsstrategie-Panel der Haupt-GUI klicken Sie auf Bearbeiten , um das Segmentierungskonfigurationsfenster zu öffnen.
  2. Konfigurieren Sie temporale Fenster.
    1. Wählen Sie den Reiter Temporale Fenster.
    2. Überprüfen Sie die bestehende Fensterliste, die in der Tabelle (Abbildung 4) gezeigt wird.
    3. (Optional) Um Fenster hinzuzufügen, geben Sie die Start-, End- und Interval-Werte ein und klicken Sie auf Hinzufügen , um die generierten Fenster an die Liste anzuhängen.
    4. (Optional) Um ein bestehendes Fenster zu löschen, klicken Sie mit der rechten Maustaste auf die entsprechende Zeile in der Tabelle und wählen Sie Löschen.
  3. Konfigurieren Sie Filterbank-Frequenzbänder.
    1. Wählen Sie den Reiter Frequenzbänder (Abbildung 5).
    2. Überprüfen Sie die vorhandene Frequenzbandliste in der Tabelle.
    3. (Optional) Um Bänder hinzuzufügen, geben Sie die Werte Start (Hz), End (Hz) und Interval ein und klicken Sie auf Hinzufügen , um die generierten Bänder der Liste hinzuzufügen.
    4. (Optional) Um ein bestehendes Band zu löschen, klicken Sie mit der rechten Maustaste auf die entsprechende Zeile in der Tabelle und wählen Sie Löschen.
  4. Konfigurieren Sie die räumliche Segmentierung nach Kanalgruppen (Abbildung 6).
    1. Wählen Sie den Reiter Räumliche Segmentierung .
    2. Überprüfen Sie die Kanalgruppenzuweisungen in der Liste der Gruppen der Kanalnummern .
    3. (Optional) Um die aktuelle Kanalgruppenkonfiguration zu ersetzen, klicken Sie neben Kanalgruppen auf Browser, um eine MAT-Datei mit Kanalgruppendefinition auszuwählen.
    4. (Optional) Um Skalp-Visualisierungen zu aktivieren, klicken Sie auf Browser neben Channel Location , um die Kanal-Speicherdatei für die Datensatzkanäle auszuwählen.
      HINWEIS: Das öffentliche Repository stellt savedChCell.mat (Kanalgruppendefinitionen) und channel_locations_22ch.txt (22-Kanal-Skalpkoordinaten für BCI Competition IV 2a) bereit, die direkt mit den enthaltenen Beispieldaten verwendet werden können.
    5. (Optional) Klicken Sie auf Ersetzen, um die ausgewählte Kanalgruppendatei zu laden und die Liste der Gruppen der Kanalnummern zu aktualisieren. Wenn in Channel Location eine Kanal-Location-Datei ausgewählt wurde, lädt das Tool sie auch für nachfolgende Skalp-Visualisierungen (Abbildung 7).
  5. Wenden Sie die Segmentierungseinstellungen an und überprüfen Sie sie.
    1. Nachdem Sie die Einstellungen in allen Tabs abgeschlossen haben, klicken Sie unten im Segmentierungsfenster auf OK, um die aktualisierten zeitlichen Fenster, Frequenzbänder und räumliche Segmentierung anzuwenden.
    2. Kehren Sie zur Haupt-GUI zurück und bestätigen, dass die aktualisierten Zeitbänder, Frequenzbänder und Kanalgruppen im Segmentierungsstrategie-Panel dargestellt werden.

6. Konfiguration der Merkmalsextraktion, Klassifikatoren und Kreuzvalidierung

  1. Im Panel Klassifikationskonfiguration wählen Sie im Dropdown-Menü die Methode Feature Extraction aus.
    HINWEIS: Detaillierte Beschreibungen von CSP und div-CSP sind in Supplementary File 1 bereitgestellt.
  2. Stellen Sie nCSP ein, um CSP-Merkmale von beiden Enden des Merkmalsvektors auszuwählen. Das Tool behält die erste nCSP- und die letzten nCSP-Komponenten (insgesamt 2 × nCSP-Funktionen ).
  3. Wählen Sie die Klassifikator(en), indem Sie die entsprechenden Kästchen (SVM, Ridge-Optimal, Lasso-Optimal) ankreuzen.
    HINWEIS: Beschreibungen der drei Klassifikatoren sind in Supplementary File 2 bereitgestellt.
  4. Setze die Auswahl der Bandnummer , um anzugeben, wie viele feinkörnige Segmente/Features bei der Wrapper-basierten Auswahl erhalten bleiben.
  5. Setze Cross-Validation ein, um die Anzahl der Folds für k-fache Crossvalidierung auf TrainData/TrainLabel anzugeben.
  6. (Optional) Ermöglichen Sie Parallel, um die Berechnung zu beschleunigen, wenn mehrere Segmente und Klassifikatoren ausgewertet werden, sofern genügend Rechenressourcen zur Verfügung stehen.
  7. Klicken Sie auf Cross - Validation, um eine k-fache Cross-Validierung auf TrainData/TrainLabel durchzuführen und das Endmodell zu trainieren, dann das Endmodell auf TestData/TestLabel zu testen.
    HINWEIS: Wenn mehrere Klassifikatoren ausgewählt werden, wählt und speichert das Tool automatisch das Modell mit der höchsten Kreuzvalidierungsgenauigkeit und verwendet es dann für die Testset-Auswertung.

7. Betrachtung der Ergebnisse und Visualisierungen

  1. Nachdem Sie in Schritt 6 auf Cross - Validation geklickt haben, sehen Sie sich die Leistungszusammenfassung im Ergebnispanel an, einschließlich Validierungsgenauigkeit/Kappa, Testgenauigkeit/Kappa sowie der Per-fold Training Time und Per-fold Testing Time. Notieren Sie diese Werte zur Meldung.
    HINWEIS: Die Validierungsgenauigkeit/Kappa wird als mittlere k-fache Kreuzvalidierungsgenauigkeit/Kappa25 angegeben, berechnet auf TrainData/TrainLabel. Testgenauigkeit/Kappa wird als mittlere Testset-Genauigkeit/Kappa25 angegeben, die durch die Bewertung des besten Modells aus jedem Fold auf TestData/TestLabel und das Mittelnvergleich der Testergebnisse über die Falten erhalten wird.
  2. Überprüfen Sie die Visualisierungsergebnisse, die im Ergebnispanel angezeigt werden.
    1. Überprüfen Sie die zeit-frequenz-topografische Karte , um diskriminierende Muster über Zeit-, Frequenz- und Kopfhautregionen zu identifizieren.
    2. Überprüfen Sie die Electrode Group Significance Map, um Kanalgruppen zu identifizieren, die am meisten zur Dekodierung beitragen.
      HINWEIS: Detaillierte Definitionen, Bauverfahren und Interpretationsrichtlinien für beide Karten sind in Supplementary File 3 enthalten.
  3. (Optional) Führen Sie eine reine Testbewertung mit einem zuvor trainierten Modell durch.
    1. Klicken Sie auf Test Load Model, um ein vortrainiertes Modell aus Model Path zu laden und es auf der aktuellen Eingabe TestData/TestLabel auszuwerten.
    2. Wählen Sie den während des Training gespeicherten Modellpfad-Ordner aus (Schritt 3.5) und lassen Sie dessen Verzeichnisstruktur unverändert. Stellen Sie sicher, dass model.mat im ausgewählten Ordner und param.mat im Elternordner liegt, da beide benötigt werden, um das Modell zu laden und die Visualisierungen zu reproduzieren.
    3. Bestätigen Sie, dass in diesem Modus die GUI Testgenauigkeit und Per-fold Testing Time für das geladene Modell anzeigt und die Visualisierungspanels entsprechend aktualisiert werden.
    4. (Optional) Finden Sie die exportierten Ergebnisse im Speicherverzeichnis, das vorhergesagte und wahre Labels für weitere statistische Tests enthält.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Das STFEEG-Tool wurde sowohl im BCI Competition IV 2a26 als auch im BCI Competition III 3a27 validiert, und das System führte in beiden Fällen erfolgreich die vollständige Dekodierpipeline aus. Das feste Cross-Session-Protokoll des BCI-Wettbewerbs IV 2a wurde befolgt: Training in Sitzung 1 und Bewertung in der abgehaltenen Sitzung 2, die an zwei separaten Tagen aufgezeichnet wurde. Unter derselben Konfiguration wie im zuvor berichteten fein...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

STFEEG-Tool ist als MI-EEG-spezifisches Werkzeugkasten konzipiert, das etablierte EEG-Ökosysteme wie EEGLAB20, BCILAB21, OpenViBE22 und PyNoetic23 ergänzt. Während diese Plattformen flexible Komponenten für die MI-Dekodierung bereitstellen, kann eine feinkörnige räumlich-zeitliche Frequenzkonfiguration und modellbasierte Interpretation zusätzliche Integration über Verarbeitungsschritte hinweg ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Die Autoren haben keine Interessenkonflikte zu erklären.

Danksagungen

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

Diese Arbeit wurde unter anderem von der Nationalen Naturwissenschaftlichen Stiftung Chinas (Nr. 62401342 und Nr. 62271291), der Naturwissenschaftlichen Stiftung der Provinz Shandong (Nr.ZR2024QF092, ZR2024LZH007 und ZR2025ZD24), der Guangdong Foundation für Grundlagen- und Angewandte Grundlagenforschung (Nr. 2025A1515011826), dem Shenzhen Fundamental Research Program (Nr. JCYJ20250604124702003), dem Sichuan Provinzialen Schlüssellabor für Philosophie und Sozialwissenschaften für Sprachintelligenz in der Sonderpädagogik (Nr. YYZN-2025-11), das Nationale Schlüsselforschungs- und Entwicklungsprogramm Chinas (Nr. 2024YFC2418300 und 2024YFC2418303) sowie das Schlüssellabor für Soziales Rechnen und kognitive Intelligenz (Dalian University of Technology), Bildungsministerium (Nr. SCCl2025YB02).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
MATLABMathWorksVersion R2024aSoftwareumgebung für numerisches Rechnen, Signalverarbeitung und GUI-Entwicklung.
Werkzeugkiste der SignalverarbeitungMathWorkshttps://ww2.mathworks.cn/en/products/signal.htmlWerkzeugkasten für digitale Filterung und Zeit-Frequenz-Analyse
Werkzeugkasten für Statistik und maschinelles LernenMathWorkshttps://ww2.mathworks.cn/en/products/statistics.htmlWerkzeugkasten für Modelltraining und statistische Analyse

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

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

Verwandte Artikel