STFEEG-Tool: Ein räumlich-temporal-frequentes EEG-Analysewerkzeug für motorische Bildbildung von Gehirn-Computer-Schnittstellen
March 10th, 2026
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.
Diese Arbeit entwickelt einen GUI-basierten Werkzeugkasten für unterhaltsame Gittermotorbildbildung, EEG-Dekodierung und interpretierbare räumlich-zeitliche Frequenzanalyse. Bestehende Plattformen verfügen nicht über integrierte, spanische, temporale und Frequenz-Konfigurationen mit intuitiver Visualisierung für die EEG-Analyse der motorischen Bildbildung. Um zu beginnen, laden Sie das STFEEG-Tool aus dem Online-Repository herunter.
Entpacke die heruntergeladene Datei in einen lokalen Ordner und finde die Installationsdatei STFEEG-Tool. mlappinstall, im extrahierten Inhalt. Doppelklicke auf STFEEG-Tool.
mlappinstall, um den Installer zu starten und die Anweisungen auf dem Bildschirm zu befolgen, um die Installation abzuschließen. Nach dem Herunterladen der Beispiel-MAT-Datei öffnen Sie die grafische Benutzeroberfläche des STFEEG Tools, um das Fenster Motor Imagery EEG Analysis zu öffnen. Im Datenlade-Panel klicken Sie neben Data Path auf Browser und wählen Sie den Ordner aus, der die vorbereitete MAT-Datei enthält.
Klicken Sie nun auf Browser neben Pfad speichern und wählen Sie einen Ausgabeordner für Ergebnisse aus. Klicken Sie im Datenlade-Panel auf Laden, um die MAT-Datei zu importieren. Im Segmentierungsstrategie-Panel der grafischen Hauptoberfläche klicken Sie auf Bearbeiten, um das Segmentierungskonfigurationsfenster zu öffnen, in dem bereits die Standardparametereinstellungen angegeben sind.
Um die temporalen Fenster zu konfigurieren, wählen Sie im Konfigurationsfenster den Tab Temporal Windows. Geben Sie die Start-, End- und Intervallwerte ein, um zeitliche Fenster zu definieren. Klicken Sie dann auf Hinzufügen, um die generierten Fenster an die Liste anzuhängen.
Um ein bestehendes Fenster zu löschen, klicken Sie mit der rechten Maustaste auf die entsprechende Zeile in der Tabelle und wählen Sie Löschen. Um die Filterbank-Frequenzbänder zu konfigurieren, wählen Sie im Konfigurationsfenster den Reiter Frequenzbänder aus. Geben Sie die Start-, End- und Intervallwerte ein, um Frequenzbänder zu definieren.
Klicken Sie dann auf Hinzufügen, um die generierten Bänder der Liste hinzuzufügen. Um ein bestehendes Frequenzband zu löschen, klicken Sie mit der rechten Maustaste auf die entsprechende Zeile in der Tabelle und wählen Sie Löschen. Um die räumliche Segmentierung nach Kanalgruppen zu konfigurieren, wählen Sie im Konfigurationsfenster den Reiter Räumliche Segmentierung.
Klicken Sie auf Browser neben Channel Groups, um eine MAT-Datei zur Kanalgruppendefinition auszuwählen. Klicken Sie auf Ersetzen, um die ausgewählte Kanalgruppendatei zu laden und die Liste der Kanalnummern zu aktualisieren. Wenn eine Kanal-Speicherdatei in Channel Location ausgewählt wurde, lädt das Tool sie auch für nachfolgende Skalp-Visualisierungen.
Klicken Sie auf OK am unteren Rand des Segmentierungsfensters, um die aktualisierten temporalen Fenster, Frequenzbänder und räumliche Segmentierung anzuwenden. Das Segmentierungsstrategie-Panel der Haupt-Grafikbenutzeroberfläche wird entsprechend aktualisiert. Im Panel Classification Configuration wählen Sie im Dropdown-Menü die Feature Extraction-Methode aus.
Stellen Sie nCSP so ein, dass Merkmale von beiden Enden des Merkmalsvektors erhalten bleiben. Wählen Sie dann die Klassifikatoren aus, indem Sie die entsprechenden Kästchen ankreuzen. Stellen Sie die Selection Bands Number ein, um anzugeben, wie viele feinkörnige Segmente oder Merkmale in der Wrapper-basierten Auswahl erhalten bleiben.
Setze Cross-Validation ein, um die Anzahl der Faltungen für k-fold Crossvalidierung auf Zugdaten und Zugetikett anzugeben. Klicken Sie dann auf Cross-Validation, um k-fache Cross-Validation durchzuführen. Überprüfen Sie die Leistungsübersicht, die im Ergebnispanel angezeigt wird.
Überprüfen Sie die Zeit-Frequenz-Topographische Karte, um diskriminierende Muster über Zeit, Frequenz und Kopfhautregionen zu identifizieren. Überprüfen Sie die Electrode Group Significance Map, um Kanalgruppen zu identifizieren, die am meisten zur Dekodierung beitragen. Die Zeit-Frequenz-Topographische Karte illustrierte die räumliche Verteilung diskriminierender EEG-Muster über Frequenz- und Zeitsegmente.
Die Electrode Group Significance Map quantifizierte den Beitrag vordefinierter Elektrodengruppen zur Dekodierungsleistung. Dieses Protokoll standardisierte sowohl die quantitative Bewertung als auch die Visualisierung subjektspezifischer motorischer Bild-EEG-Muster. Eine zentrale Herausforderung besteht darin, sicherzustellen, dass Vorverarbeitungsklassifizierung und multiskalige Segmentierung flexibel und praktikabel über verschiedene Datensätze hinweg bleiben.
Dieser Workflow kann interpretierbare Analysen subjektspezifischer Unterschiede erkennen und die Entwicklung adaptiverer und verallgemeinerbarer MI-EEG-Dekodierungsmodelle steuern.
View the full transcript and gain access to thousands of scientific videos
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.
