Artículo de método

STFEEG-Tool: Una herramienta de análisis de EEG espacio-temporal-frecuencia para imágenes motoras Interfaces cerebro-ordenador

DOI:

10.3791/70425

⸱

10 de marzo de 2026

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

En este artículo

Resumen

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

Este estudio presenta un protocolo estandarizado y reproducible para implementar la herramienta de análisis EEG Espacio-Temporal-Frecuencia (STFEEG) para la decodificación de EEG por imágenes motoras, incorporando segmentación configurable espacio-temporal-frecuencia, extracción de características basada en Patrones Espaciales Comunes (CSP), múltiples algoritmos de clasificación y capacidades de visualización.

Resumen

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

Las interfaces de imagen motora-cerebro-ordenador (MI-BCIs) han demostrado un potencial significativo para la neurorrehabilitación y la neurociencia cognitiva. Sin embargo, un flujo de trabajo MI-EEG estandarizado y reproducible para el análisis de características espacio-temporal-frecuencia configurable sigue siendo limitado, y muchas canaletas requieren configuración y ajuste de parámetros complejos con interpretabilidad limitada, dificultando su despliegue y generalización práctica. Para abordar estos desafíos, se desarrolló una herramienta STFEEG para proporcionar un flujo de trabajo fácil de usar, estandarizado e interpretable para la decodificación de EEG en paradigmas de MI. STFEEG-Tool permite una configuración detallada de segmentación temporal, de banda de frecuencia y espacial, permitiendo la extracción de características MI multiescala. La caja de herramientas integra múltiples algoritmos de extracción de características, incluyendo patrones espaciales comunes (CSP) y CSP basado en divergencia (div-CSP), junto con varios clasificadores, como máquinas de vectores de soporte (SVMs), Clasificador de Regresión de Crestas y Clasificador de Lazo. Se proporciona un mapa topográfico dinámico de la cuerda cabelluda en tiempo-frecuencia para resumir los patrones espaciales a través de segmentos de tiempo-frecuencia y apoyar la interpretación de los resultados de la decodificación. En general, STFEEG-Tool sirve como una plataforma reproducible y extensible para análisis MI-EEG de grano fino, facilitando la traducción de pipelines de decodificación de grano fino en aplicaciones prácticas orientadas al usuario.

Introducción

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

Las interfaces cerebro-ordenador por imagen motora (MI-BCIs) permiten la comunicación directa entre el cerebro humano y dispositivos externos sin requerir actividad muscularperiférica 1. En los últimos años, la tecnología MI-BCI se ha aplicado ampliamente enneurorrehabilitación 2, controlasistivo 3 e interacciónhumano-ordenador 4. Estas aplicaciones ponen de manifiesto la necesidad de flujos de trabajo de análisis accesibles y reproducibles que puedan ser adoptados de forma fiable por investigadores y clínicos, incluidos usuarios con conocimientos limitados en programación.

Los enfoques convencionales de decodificación MI-EEG se basan predominantemente en marcos de filtrado espacial y clasificación lineal. Métodos como el Common SpatialPattern 5 (CSP) y el CSP6 basado en divergencia (div-CSP) se han utilizado ampliamente para extraer características espaciales discriminativas de señales EEG multicanal. Para extraer aún más características a través de componentes de frecuencia distintos, se han explorado extensamente elCSP 7 del Banco de Filtros (FBCSP) y el CSP Sub-banda 8,9 (SBCSP). Además, la segmentación temporal se ha integrado en el proceso de extracción de características dividiendo cada ensayo en múltiples intervalos de tiempo, permitiendo capturar patrones discriminativos en evolución y mejorando aún más el rendimiento dedecodificación 10,11,12. Para mejorar la discriminabilidad de las características extraídas, se han introducido diversas estrategias de selección de características para reducir la redundancia y mitigar el sobreajuste 13,14,15. Para la clasificación, los modelos tradicionales de aprendizaje automático como las máquinas de vectores de soporte16 y los clasificadores de regresiónregularizada 17, 18 y 19 continúan utilizándose ampliamente debido a su interpretabilidad y eficiencia computacional.

A pesar de su eficacia, estos enfoques suelen implementarse en bases de código personalizadas y específicas de cada conjunto de datos, lo que complica la reutilización sistemática y la verificación independiente. Se han desarrollado varias plataformas de software basadas en interfaces gráficas de usuario (GUI) para apoyar el análisis EEG y la investigación en BCI. Por ejemplo, EEGLAB20 ofrece un conjunto completo de funciones para el preprocesamiento de EEG, análisis tiempo-frecuencia, extracción de características, clasificación y visualización avanzada. Su arquitectura altamente modular y extensible ha permitido una adopción generalizada en el campo de investigación EEG. BCILAB21, en integración con EEGLAB, incorpora más de 100 algoritmos de procesamiento de señales y aprendizaje automático que abarcan toda la cadena de decodificación, desde el preprocesamiento hasta la clasificación. De manera similar, OpenViBE22 ofrece un entorno de programación visual para diseñar flujos de trabajo BCI en tiempo real, en el que los usuarios pueden ensamblar pipelines de procesamiento de señal enlazando gráficamente componentes modulares. La plataforma es especialmente adecuada para la adquisición de EEG en línea y paradigmas de respuesta estímulo-respuesta en tiempo real, y ha sido ampliamente utilizada en el desarrollo y prueba de aplicaciones interactivas de BCI. Además, PyNoetic, un framework modular en Python para el desarrollo de interfaces cerebro-ordenador EEG sin código, permite la construcción de flujos de trabajo BCI de extremo a extremo mediante una interfaz gráfica integrada que soporta adquisición de datos, preprocesamiento, extracción de características y clasificación23. A diferencia de herramientas anteriores que requieren una configuración manual o scripting sustancial, PyNoetic ofrece un nivel más alto de abstracción para el diseño de pipelines, permitiendo ensamblaje y reconfiguración flexibles de etapas de procesamiento sin programación de bajo nivel. En muchos estudios MI-EEG, estas plataformas ya pueden soportar preprocesamiento rutinario, extracción convencional de características y decodificación y evaluación de línea base.

Varias plataformas basadas en interfaz gráfica soportan análisis MI-EEG mediante preprocesamiento estandarizado, extracción de características y decodificación de línea base (Tabla 1). Sin embargo, carecen de optimización para la descomposición en tiempo de frecuencia espacial de grano fino, incluyendo la partición espacial definida por el usuario y la visualización entre dominios. Para responder a estas necesidades metodológicas, se propuso previamente un marco de decodificación espacio-temporal-frecuencia de grano fino para MI-EEG24 , que modelaba conjuntamente grupos de electrodos espaciales, subbandas de frecuencia y segmentos temporales para mejorar el rendimiento de la decodificación y mejorar la interpretabilidad multidominio. Basándose en este marco, la herramienta de análisis EEG Espacio-Temporal-Frecuencia (STFEEG-Tool) fue desarrollada como una caja de herramientas basada en interfaz gráfica de usuario (GUI) que estandariza la decodificación MI-EEG de grano fino dentro de un flujo de trabajo configurable y reproducible, manteniéndose compatible con las cadenas de herramientas existentes del EEG.

STFEEG-Tool integra la preparación de datos, preprocesamiento, segmentación espacio-temporal-frecuencia, extracción de características, selección de características basada en envoltorios, clasificación y visualización en una cadena unificada. En lugar de sustituir las cajas de herramientas EEG establecidas, las complementa mediante una especificación transparente de los parámetros, una ejecución consistente de la tubería y una visualización informada por modelos para apoyar análisis detallados.

Las principales contribuciones de este trabajo son tres. Primero, STFEEG-Tool ofrece un flujo de trabajo de interfaz gráfica de extremo a extremo fácil de usar con configuración de parámetros estandarizada para una decodificación MI-EEG de grano fino. En segundo lugar, permite la segmentación espacio-temporal-frecuencia multiescala, incluyendo la descomposición espacial definida por el usuario, que no está disponible de forma consistente en plataformas de propósito general. En tercer lugar, mejora la interpretabilidad mediante mapas topográficos tiempo-frecuencia y mapas de significación por grupo de electrodos que resumen contribuciones discriminativas y revelan patrones relevantes para MI específicos del sujeto en dominios.

La caja de herramientas es de código abierto y está disponible en: https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

Los datos utilizados en este protocolo se obtuvieron de conjuntos de datos públicos y desidentificados. Los procedimientos originales de recogida de datos se llevaron a cabo conforme a los estándares éticos de las respectivas instituciones; por lo tanto, no se requirió aprobación institucional adicional para este análisis secundario.

La Figura 1 ilustra el flujo de trabajo general de la Herramienta de Análisis de Electroencefalografía Espacio-Temporal-Frecuencia. Sigue los pasos siguientes para configurar cada módulo y reproducir el protocolo de decodificación de frecuencia espacial y tiempo de gran detalle. El software utilizado en este estudio está listado en la Tabla de Materiales.

1. Preparación del software y del paquete STFEEG-Tool

  1. Instala un entorno de computación numérica que soporte el procesamiento de archivos MAT y la ejecución de interfaces gráficas (véase Tabla de Materiales).
  2. Descarga STFEEG - Tool desde el repositorio online, descomprime en una carpeta local y localiza el archivo instalador STFEEG-Tool.mlappinstall.
  3. Haz doble clic en STFEEG - Tool.mlappinstall, y sigue las instrucciones en pantalla para completar la instalación.
  4. Abre la pestaña de App, confirma que STFEEG-Tool aparece en la lista de aplicaciones instaladas (Figura 2) y haz clic en ella para abrir la interfaz gráfica (Figura 3).

2. Preparación del archivo MAT de datos de entrada

  1. Crea un archivo MAT (.mat) que contenga cuatro variables llamadas TrainData, TrainLabel, TestData y TestLabel.
    1. Almacenar TrainData y TestData como matrices 3D de tamaño Nensayos ×N canales × Npuntos de tiempo.
    2. Almacenar TrainLabel y TestLabel como Nensayos × vectores de 1 columna de etiquetas de clase entera, usando una codificación consistente entre conjuntos de entrenamiento y prueba.
      NOTA: Construye TrainData y TestData a partir de sesiones o bloques de grabación no solapados para evitar fugas de información.
  2. Asegúrese de que TrainData y TestData compartan el mismo orden de canal y frecuencia de muestreo (Hz).
  3. (Opcional) Descarga el archivo MAT de ejemplo proporcionado (Data.mat) basado en la Competición IV 2a de BCI desde el repositorio público para probar rápidamente el software.

3. Lanzamiento de la interfaz gráfica y rutas establecidas

  1. Lanzar la interfaz gráfica STFEEG - Herramienta para abrir la ventana de Análisis MI-EEG (Figura 3).
  2. En el panel de Carga de Datos , haz clic en Navegador junto a Ruta de Datos y selecciona la carpeta que contiene el archivo MAT preparado.
  3. Confirma que la frecuencia de muestreo Fs mostrada en la interfaz gráfica coincide con la frecuencia de muestreo (Hz) del conjunto de datos.
  4. Haz clic en Navegador junto a Guardar Ruta y selecciona una carpeta de salida para almacenar resultados (por ejemplo, archivos de configuración, archivos de modelo y etiquetas predichas).
  5. (Opcional) Especifica la ruta del modelo según el uso previsto.
    1. Para guardar un modelo durante el entrenamiento, haz clic en Navegador junto a Ruta del Modelo y selecciona una carpeta de destino; si la ruta del modelo queda vacía, el software guarda automáticamente el modelo en la ruta de guardar.
    2. Para cargar un modelo preentrenado para la prueba, haz clic en Navegador junto a Ruta del Modelo y selecciona la carpeta que contiene los archivos guardados del modelo.
  6. Haz clic en Cargar en el panel de Carga de Datos para importar el archivo MAT. El software comprueba automáticamente las variables requeridas y los caminos seleccionados, y carga el conjunto de datos si no se reportan errores.

4. Configuración del preprocesamiento (filtrado pasa banda)

  1. Utiliza los ajustes predeterminados de filtro pasa-banda mostrados en la interfaz gráfica (Orden = 5, Fc1 = 5 Hz, Fc2 = 35 Hz, tipo filtro = IIR) a menos que se requiera una configuración de preprocesamiento diferente.
  2. (Opcional) Introduce el orden del filtro para anular el valor por defecto.
  3. (Opcional) Introduce las frecuencias de corte inferior y superior (Fc1 y Fc2) en Hz para anular los valores por defecto.
  4. (Opcional) Selecciona el tipo de filtro en el menú desplegable para anular la opción por defecto.
  5. Haz clic en OK para confirmar la configuración de preprocesamiento. Si no se realizan cambios, el software aplica los ajustes predeterminados que aparecen en el panel.

5. Configuración de la estrategia de segmentación de grano fino

  1. En el panel de Estrategia de Segmentación de la interfaz gráfica principal, haz clic en Editar para abrir la ventana de configuración de Segmentación .
  2. Configura ventanas temporales.
    1. Selecciona la pestaña Ventanas Temporales .
    2. Revisa la lista de ventanas existente que se muestra en la tabla (Figura 4).
    3. (Opcional) Para añadir ventanas, introduce los valores de Inicio, Fin e Intervalo , y haz clic en Añadir para añadir las ventanas generadas a la lista.
    4. (Opcional) Para eliminar una ventana existente, haz clic derecho en la fila correspondiente de la tabla y selecciona Eliminar.
  3. Configura las bandas de frecuencia del filtro y el banco.
    1. Seleccione la pestaña de Bandas de Frecuencia (Figura 5).
    2. Revisa la lista de bandas de frecuencia existente que se muestra en la tabla.
    3. (Opcional) Para añadir bandas, introduce los valores de Inicio (Hz), Fin (Hz) e Intervalo , y haz clic en Añadir para añadir las bandas generadas a la lista.
    4. (Opcional) Para eliminar una banda existente, haz clic derecho en la fila correspondiente de la tabla y selecciona Eliminar.
  4. Configurar la segmentación espacial por grupos de canales (Figura 6).
    1. Selecciona la pestaña de Segmentación Espacial .
    2. Revisa las asignaciones de grupos de canal en la lista de Grupos de Números de Canal .
    3. (Opcional) Para reemplazar la configuración actual de grupos de canales, haz clic en Navegador junto a Grupos de Canales para seleccionar un archivo MAT de definición de grupo de canales.
    4. (Opcional) Para habilitar visualizaciones de cuero cabelludo, haz clic en Navegador junto a Ubicación del canal para seleccionar el archivo de ubicación del canal para los canales del conjunto de datos.
      NOTA: El repositorio público proporciona savedChCell.mat (definiciones de grupos de canales) y channel_locations_22ch.txt (coordenadas de 22 canales para BCI Competition IV 2a), que pueden usarse directamente con los datos de ejemplo incluidos.
    5. (Opcional) Haz clic en Reemplazar para cargar el archivo de grupo de canales seleccionado y actualizar la lista de Grupos de Números de Canal . Si se ha seleccionado un archivo de ubicación de canal en Ubicación de Canal, la herramienta también lo carga para visualizaciones posteriores del cuero cabelludo (Figura 7).
  5. Aplica y verifica la configuración de segmentación.
    1. Tras completar los ajustes en todas las pestañas, haz clic en OK en la parte inferior de la ventana de Segmentación para aplicar las ventanas temporales actualizadas, las bandas de frecuencia y la segmentación espacial.
    2. Vuelve a la interfaz principal y confirma que las bandas de tiempo, bandas de frecuencia y grupos de canales actualizados se reflejan en el panel de Estrategia de Segmentación.

6. Configuración de la extracción de características, clasificadores y validación cruzada

  1. En el panel de Configuración de Clasificación , seleccione el método Extracción de Características en el menú desplegable.
    NOTA: Las descripciones detalladas de CSP y div-CSP se proporcionan en el Archivo Suplementario 1.
  2. Configura nCSP para seleccionar características CSP en ambos extremos del vector de características. La herramienta conserva los primeros componentes nCSP y los últimos nCSP (2 × características nCSP en total).
  3. Seleccione el/los clasificador(es) marcando las casillas correspondientes (SVM, Ridge-Óptimo, Lazo-Óptimo).
    NOTA: Las descripciones de los tres clasificadores se proporcionan en el Archivo Suplementario 2.
  4. Establecer el Número de Bandas de Selección para especificar cuántos segmentos/características de grano fino se conservan en la selección basada en envoltorios.
  5. Configura la validación cruzada para especificar el número de pliegues para la validación cruzada k-fold en TrainData/TrainLabel.
  6. (Opcional) Habilitar a Parallel para acelerar el cálculo cuando se evalúan múltiples segmentos y clasificadores, si hay recursos computacionales suficientes disponibles.
  7. Haz clic en Cross - Validation para realizar la validación cruzada k-fold en TrainData/TrainLabel y entrenar el modelo final, luego probar el modelo final en TestData/TestLabel.
    NOTA: Si se seleccionan varios clasificadores, la herramienta selecciona y guarda automáticamente el modelo con la mayor precisión en la validación cruzada, y luego lo utiliza para la evaluación del conjunto de pruebas.

7. Visualización de los resultados y visualizaciones

  1. Después de hacer clic en Validación cruzada en el Paso 6, revisa el resumen de rendimiento mostrado en el panel de Resultados , incluyendo Precisión de Validación/Kappa, Exactitud de Prueba/Kappa y el Tiempo de Entrenamiento por pliegue y Tiempo de Prueba por pliegue. Registra estos valores para informar.
    NOTA: La precisión de validación/Kappa se informa como la precisión media k-fold de validación cruzada/kappa25 calculada en TrainData/TrainLabel. La precisión de prueba/Kappa se informa como la precisión media del conjunto de pruebas/kappa 25 obtenida evaluando el mejor modelo de cada pliegue en TestData/TestLabel y promediando los resultados de las pruebas entre pliegues.
  2. Inspecciona los resultados de visualización que se muestran en el panel de Resultados .
    1. Revisa el mapa topográfico tiempo-frecuencia para identificar patrones discriminativos a lo largo del tiempo, la frecuencia y las regiones del cuero cabelludo.
    2. Revisa el Mapa de Significación de Grupos de Electrodos para identificar los grupos de canales que más contribuyen a la decodificación.
      NOTA: Definiciones detalladas, procedimientos de construcción y directrices de interpretación para ambos mapas se proporcionan en el Archivo Suplementario 3.
  3. (Opcional) Realiza una evaluación solo de pruebas usando un modelo previamente entrenado.
    1. Haz clic en Test Load Model para cargar un modelo preentrenado desde Model Path y evaluarlo en la entrada actual TestData/TestLabel.
    2. Selecciona la carpeta Model Path guardada durante el entrenamiento (Paso 3.5) y mantén la estructura de directorios sin cambios. Asegúrate de que model.mat esté en la carpeta seleccionada y param.mat en la carpeta padre, ya que ambos son necesarios para cargar el modelo y reproducir las visualizaciones.
    3. Confirma que, en este modo, la interfaz gráfica informa de la Precisión de Prueba y el Tiempo de Prueba por pliegue para el modelo cargado, y los paneles de visualización se actualizan en consecuencia.
    4. (Opcional) Localiza los resultados exportados en el directorio de guardados, que incluye etiquetas predichas y verdaderas para realizar pruebas estadísticas adicionales.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

La herramienta STFEEG fue validada tanto en la BCI Competition IV 2a26 como en la BCI Competition III 3a27, y el sistema ejecutó con éxito toda la cadena de decodificación en ambos casos. Se siguió el protocolo fijo de sesiones cruzadas de la Competición BCI IV 2a: entrenamiento en la Sesión 1 y evaluación en la Sesión 2 que se realizaba, grabada en dos días separados. Bajo la misma configuración utilizada en el marco de frecuencia espacio-...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

STFEEG-Tool está diseñado como una caja de herramientas específica para MI-EEG que complementa ecosistemas de EEG establecidos como EEGLAB20, BCILAB21,OpenViBE 22, PyNoetic23. Aunque estas plataformas proporcionan componentes flexibles para la decodificación MI, la configuración espacio-temporal-frecuencia detallada y la interpretación informada por modelos pueden implicar una integración adic...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores no tienen conflictos de interés que declarar.

Agradecimientos

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

Este trabajo fue apoyado en parte por la Fundación Nacional de Ciencias Naturales de China (N.º 62401342 y N.º 62271291), la Fundación de Ciencias Naturales de la Provincia de Shandong (N.º ZR2024QF092, ZR2024LZH007 y ZR2025ZD24), la Fundación de Investigación Básica y Aplicada de Guangdong (N.º 2025A1515011826), el Programa de Investigación Fundamental de Shenzhen (N.º JCYJ20250604124702003), el Laboratorio Clave Provincial de Filosofía y Ciencias Sociales para la Inteligencia del Lenguaje en la Educación Especial (N.º YYZN-2025-11), el Programa Nacional Clave de Investigación y Desarrollo de China (Nº 2024YFC2418300 y 2024YFC2418303), y el Laboratorio Clave de Computación Social e Inteligencia Cognitiva (Universidad Tecnológica de Dalian), Ministerio de Educación (Nº SCCl2025YB02).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
MATLABMathWorksVersión R2024aEntorno de software para computación numérica, procesamiento de señales y desarrollo de interfaces gráficas.
Caja de herramientas de procesamiento de señalesMathWorkshttps://ww2.mathworks.cn/en/products/signal.htmlCaja de herramientas para filtrado digital y análisis tiempo-frecuencia
Caja de herramientas de estadística y aprendizaje automáticoMathWorkshttps://ww2.mathworks.cn/en/products/statistics.htmlCaja de herramientas para el entrenamiento de modelos y el análisis estadístico

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

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

Artículos relacionados