Name: STFEEG-Tool: Ein räumlich-temporal-frequentes EEG-Analysewerkzeug für motorische Bildbildung von Gehirn-Computer-Schnittstellen (Video) | JoVE Journal
Uploaded: 2026-03-10T13:00:00.000+00:00
Duration: 5 min 36 s
Description: Erfahren Sie die räumlich-temporal-frequente Analyse von Motor-Imagery-EEG-Daten mit dem STFEEG-Tool. Diese GUI-basierte Toolbox ermöglicht standardisierte, reproduzierbare und interpretierbare Dekodierung für Gehirn-Computer-Schnittstellen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

<table><tbody><tr><td>MATLAB</td><td>MathWorks</td><td>Version R2024a</td><td>Softwareumgebung für numerisches Rechnen, Signalverarbeitung und GUI-Entwicklung.</td></tr><tr><td>Werkzeugkiste der Signalverarbeitung</td><td>MathWorks</td><td>https://ww2.mathworks.cn/en/products/signal.html</td><td>Werkzeugkasten für digitale Filterung und Zeit-Frequenz-Analyse</td></tr><tr><td>Werkzeugkasten für Statistik und maschinelles Lernen</td><td>MathWorks</td><td>https://ww2.mathworks.cn/en/products/statistics.html</td><td>Werkzeugkasten für Modelltraining und statistische Analyse</td></tr></tbody></table>

stfeeg-tool: ein räumlich-temporal-frequentes eeg-analysewerkzeug für motorische bildbildung von gehirn-computer-schnittstellen

STFEEG-Tool: A Spatial-Temporal-Frequency EEG Analysis Tool for Motor Imagery Brain-Computer Interfaces

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

Motor imagery-brain-computer interfaces (MI-BCIs) have demonstrated significant potential for neurorehabilitation and cognitive neuroscience. However, a ...

stfeeg-tool-spatial-temporal-frequency-eeg-analysis-tool-for-motor

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Wir stellen eine Methode zum Sammeln electrocorticographic Signale für die Forschung von Menschen, die sich einer invasiven Monitoring-Epilepsie sind. Wir zeigen, wie das BCI2000 Software-Plattform für die Datenerfassung, Signalverarbeitung und Stimulus Präsentation zu nutzen. Insbesondere zeigen wir, Sigfried, ein BCI2000-basiertes Tool für die Echtzeit-funktionelles Brain Mapping.

Aufnahme Menschliche Electrocorticographic (ECoG) Signale für neurowissenschaftliche Forschung und Real-time Funktionelle kortikale Mapping

Wir verwenden magneto-und Elektroenzephalographie (MEG / EEG) mit anatomischen Information durch Magnetresonanztomographie (MRI) aufgenommenen kombiniert, um die Dynamik des kortikalen Netzwerk mit auditorischen Aufmerksamkeit zugeordnet abzubilden.

Mapping Kortikale Dynamics Mit Simultaneous MEG / EEG und anatomisch eingeschränkt Minimum-Norm Schätzungen: ein Auditory Achtung Beispiel

Dieses Papier beschreibt ein Verfahren zur Erfassung und Auswertung der Elektroenzephalographie (EEG) während der gleichzeitigen Daten transkranielle Magnetstimulation (TMS) durch Aktivierungen mit der funktionellen Magnetresonanztomographie (fMRI) zeigten geführt. Verfahren zum Entfernen von Artefakten TMS und Extraktion von evozierten Potenziale wird ebenso beschrieben wie Überlegungen Paradigmen Design und Versuchsaufbau.

Extrahieren von visuell evozierten Potentiale von EEG-Daten aufzeichnen Während fMRI-geführte Transkranielle Magnetstimulation

Die Überwachung der Gehirnaktivität während aufrechter motorischer Aufgaben ist von großem Wert, wenn es darum geht, die neuronale Ursache von Bewegungsstörungen zu untersuchen. Hier demonstrieren wir ein Protokoll, das funktionelle Nahinfrarotspektroskopie mit einer kontinuierlichen Überwachung der Muskel- und kinematischen Aktivität bei 4 Arten von motorischen Aufgaben kombiniert.

Funktionale Nahinfrarotspektroskopie der die sensorischen und motorischen Hirnregionen mit Simultaneous kinematische und EMG-Überwachung Während Motor Aufgaben

Die MRT mit funktioneller Konnektivität im Ruhezustand hat Anomalien bei Patienten mit einer Vielzahl von neuropsychiatrischen Störungen identifiziert, einschließlich Epilepsie aufgrund von Fehlbildungen der kortikalen Entwicklung. Die transkranielle Magnetstimulation in Kombination mit dem EEG kann zeigen, dass Patienten mit Epilepsie in Regionen mit abnormaler Konnektivität eine kortikale Übererregbarkeit aufweisen.

Ein Multimodal Imaging- und Stimulations-basierte Verfahren zur Bewertung der Connectivity-bezogenen Erregbarkeit des Gehirns bei Patienten mit Epilepsie

Eine EEG-fMRT multimodale bildgebende Methode, bekannt als die raumzeitlichen fMRI eingeschränkt EEG Quelle bildgebendes Verfahren, wird hier beschrieben. Die vorgestellte Methode beschäftigt bedingt aktiv fMRI Sub-Maps oder Prioren, EEG Quelle Lokalisierung in einer Art und Weise zu führen, das verbessert die räumliche Spezifität und fehlerhafte Ergebnisse begrenzt.

Gleichzeitige EEG und funktionelle MRT-Aufnahme und Integration Analyse für dynamische kortikale Aktivität Imaging

Das Ziel dieser Studie ist es, eine wichtige Referenz für den klinischen Standardbetrieb der motorischen Bildsprache Gehirn-Computer-Schnittstelle (MI-BCI) bei motorischer Dysfunktion der oberen Gliedmaßen nach Schlaganfall zu liefern.

Motorische Vorstellungskraft Gehirn-Computer-Schnittstelle bei der Rehabilitation der motorischen Dysfunktion der oberen Gliedmaßen nach einem Schlaganfall

Die Magnetenzephalographie (MEG) und die High-Density-Elektroenzephalographie (HD-EEG) werden selten gleichzeitig aufgezeichnet, obwohl sie bestätigende und komplementäre Informationen liefern. In diesem Artikel veranschaulichen wir den experimentellen Aufbau zur gleichzeitigen Aufzeichnung von MEG und HD-EEG und die Methodik zur Analyse dieser Daten mit dem Ziel, epileptogene und eloquente Hirnareale bei Kindern mit medikamentenresistenter Epilepsie zu lokalisieren.

Bildgebung mit elektromagnetischen Quellen bei der präoperativen Beurteilung von Kindern mit arzneimittelresistenter Epilepsie

Motorische Bilder in einer Virtual-Reality-Umgebung haben breite Anwendungen in Gehirn-Computer-Schnittstellensystemen. Dieses Manuskript beschreibt die Verwendung personalisierter digitaler Avatare, die den Teilnehmern ähneln, die Bewegungen ausführen, die sich der Teilnehmer in einer Virtual-Reality-Umgebung vorstellt, um die Immersion und das Gefühl der Körperverantwortung zu verbessern.

Leistung der motorischen Bildgebung durch verkörperte digitale Zwillinge in einer Virtual-Reality-fähigen Gehirn-Computer-Schnittstellenumgebung

Ein neuartiges Protokoll für die personalisierte transkranielle Magnetstimulation in Kombination mit der Elektroenzephalographie (TMS-EEG) Kartierung kortikaler Netzwerke, das auf mehreren Datenmodalitäten der Magnetresonanztomographie (MRT) basiert.

Neuroimaging-gesteuertes TMS-EEG für die Echtzeit-Kartierung kortikaler Netzwerke

Erfahren Sie die räumlich-temporal-frequente Analyse von Motor-Imagery-EEG-Daten mit dem STFEEG-Tool. Diese GUI-basierte Toolbox ermöglicht standardisierte, reproduzierbare und interpretierbare Dekodierung für Gehirn-Computer-Schnittstellen.

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

Weitere Videos entdecken