Name: STFEEG-Tool: Una herramienta de análisis de EEG espacio-temporal-frecuencia para imágenes motoras Interfaces cerebro-ordenador (Video) | JoVE Journal
Uploaded: 2026-03-10T13:00:00.000+00:00
Duration: 5 min 36 s
Description: Descubre el análisis espacio-temporal-frecuencia de EEG de imágenes motoras con STFEEG-Tool. Esta interfaz gráfica estandariza la extracción de características y la clasificación para interfaces cerebro-ordenador.

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><fuerte>Versión R2024a</fuerte></td><td>Entorno de software para computación numérica, procesamiento de señales y desarrollo de interfaces gráficas.</td></tr><tr><td>Caja de herramientas de procesamiento de señales</td><td>MathWorks</td><td>https://ww2.mathworks.cn/en/products/signal.html</td><td>Caja de herramientas para filtrado digital y análisis tiempo-frecuencia</td></tr><tr><td>Caja de herramientas de estadística y aprendizaje automático</td><td>MathWorks</td><td>https://ww2.mathworks.cn/en/products/statistics.html</td><td>Caja de herramientas para el entrenamiento de modelos y el análisis estadístico</td></tr></tbody></table>

stfeeg-tool: una herramienta de análisis de eeg espacio-temporal-frecuencia para imágenes motoras interfaces cerebro-ordenador

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

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

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

Investigación

JoVE Journal

Neuroscience

Neurociencia

Se presenta un método para recoger las señales de electrocorticográfica con fines de investigación de los seres humanos que están sometidos a supervisión de la epilepsia invasiva. Se muestra cómo utilizar la plataforma de software BCI2000 de recogida de datos, procesamiento de señales y la presentación del estímulo. En concreto, se demuestra Sigfried, una herramienta basada en BCI2000 de mapas en tiempo real funcional del cerebro.

Grabación electrocorticográfica Humanos (ECoG) Las señales de la investigación neurocientífica y en tiempo real el mapeo cortical funcional

Usamos magneto-y electroencefalografía (MEG / EEG), combinada con la información anatómica capturado por resonancia magnética (MRI), para asignar la dinámica de la red cortical asociada con la atención auditiva.

Asignación Dinámica de trauma con MEG / estimaciones simultáneas norma mínima-EEG y anatómico limitado-un ejemplo: Atención Auditiva

En este trabajo se describe un método para la recopilación y análisis de datos de la electroencefalografía (EEG) durante la estimulación simultánea magnética transcraneal (TMS) guiado por activaciones reveladas con imágenes de resonancia magnética funcional (fMRI). Un método para la eliminación de artefactos TMS y extracción de potenciales relacionados con eventos se describe así como las consideraciones en el diseño de paradigma y montaje experimental.

La extracción de potenciales evocados visuales de datos EEG registradas durante guiada por resonancia magnética funcional Estimulación Magnética Transcraneal

La monitorización de la actividad cerebral durante las tareas motoras verticales es de gran valor cuando se investiga la fuente neural de los trastornos del movimiento. Aquí, demostramos un protocolo que combina la espectroscopia funcional de infrarrojo cercano con el monitoreo continuo de la actividad muscular y cinemática durante 4 tipos de tareas motoras.

Funcional Espectroscopia de Infrarrojo Cercano de las Regiones sensoriales y motoras del cerebro con simultánea cinemática y EMG Supervisión Durante las tareas motoras

La resonancia magnética de conectividad funcional en estado de reposo ha identificado anomalías en pacientes con una amplia gama de trastornos neuropsiquiátricos, incluida la epilepsia debida a malformaciones del desarrollo cortical. La estimulación magnética transcraneal en combinación con el EEG puede demostrar que los pacientes con epilepsia tienen hiperexcitabilidad cortical en regiones con conectividad anormal.

Un método multimodal Imaging- y basados ​​en la estimulación de evaluar relacionados con la conectividad cerebral excitabilidad en pacientes con epilepsia

Aquí se describe un multimodal de EEG-fMRI método, conocido como la fuente de EEG de la fMRI limitado espacio-temporal método, la proyección de imagen de la proyección de imagen. El método presentado emplea sub-mapas condicional-active fMRI o priores, para guiar la localización de la fuente de EEG de una manera que mejora la especificidad espacial y limita los resultados erróneos.

Concurrente EEG y MRI funcional grabación y análisis de integración de la proyección de imagen dinámica actividad Cortical

El propósito de este estudio es proporcionar una referencia importante para el funcionamiento clínico estándar de la interfaz cerebro-computadora de imágenes motoras (MI-BCI) para la disfunción motora de las extremidades superiores después de un accidente cerebrovascular.

Interfaz cerebro-computadora de imágenes motoras en la rehabilitación de la disfunción motora de las extremidades superiores después de un accidente cerebrovascular

La magnetoencefalografía (MEG) y la electroencefalografía de alta densidad (HD-EEG) rara vez se registran simultáneamente, aunque proporcionan información confirmatoria y complementaria. En este artículo, ilustramos la configuración experimental para el registro simultáneo de MEG y HD-EEG y la metodología para analizar estos datos con el objetivo de localizar áreas cerebrales epileptógenas y elocuentes en niños con epilepsia resistente a los medicamentos.

Imágenes de fuente electromagnética en la evaluación prequirúrgica de niños con epilepsia resistente a los medicamentos

Las imágenes motoras en un entorno de realidad virtual tienen amplias aplicaciones en los sistemas de interfaz cerebro-computadora. Este manuscrito describe el uso de avatares digitales personalizados que se asemejan a los participantes realizando movimientos imaginados por el participante en un entorno de realidad virtual para mejorar la inmersión y el sentido de propiedad del cuerpo.

Rendimiento de imágenes motoras a través de gemelos digitales incorporados en un entorno de interfaz cerebro-computadora habilitado para realidad virtual

Un protocolo novedoso para la estimulación magnética transcraneal personalizada en combinación con el mapeo de redes corticales por electroencefalografía (TMS-EEG), informado por múltiples modalidades de datos de imágenes de resonancia magnética (IRM).

TMS-EEG guiado por neuroimagen para el mapeo de redes corticales en tiempo real

Descubre el análisis espacio-temporal-frecuencia de EEG de imágenes motoras con STFEEG-Tool. Esta interfaz gráfica estandariza la extracción de características y la clasificación para interfaces cerebro-ordenador.

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

Explorar más videos