STFEEG-Tool: Una herramienta de análisis de EEG espacio-temporal-frecuencia para imágenes motoras Interfaces cerebro-ordenador
10 de marzo de 2026
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.
Este trabajo desarrolla una caja de herramientas basada en interfaz gráfica para la recreativa imagen motora, decodificación EEG y análisis espacio-temporal interpretable. Las plataformas existentes carecen de una configuración integrada de cuadrícula divertida espacial, temporal y frecuencia, con visualización intuitiva para el análisis EEG de imágenes motoras. Para empezar, descarga STFEEG Tool desde el repositorio en línea.
Descomprime el archivo descargado en una carpeta local y localiza el archivo instalador, STFEEG-Tool. mlappinstall, en el contenido extraído. Haz doble clic en STFEEG-Tool.
mlappinstall para iniciar el instalador y seguir las instrucciones en pantalla para completar la instalación. Después de descargar el archivo MAT de ejemplo, inicia la interfaz gráfica de STFEEG Tool para abrir la ventana de Análisis EEG de Imágenes Motoras. 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.
Ahora, haz clic en Navegador junto a Guardar ruta y selecciona una carpeta de salida para ver resultados. Haz clic en Cargar en el panel de Carga de Datos para importar el archivo MAT. En el panel de Estrategia de Segmentación de la interfaz gráfica principal, haz clic en Editar para abrir la ventana de configuración de Segmentación, donde ya se proporcionan los parámetros predeterminados.
Para configurar las ventanas temporales, selecciona la pestaña Ventanas temporales en la ventana de configuración. Introduce los valores de inicio, final e intervalo para definir ventanas temporales. Luego haz clic en Añadir para añadir las ventanas generadas a la lista.
Para eliminar una ventana existente, haz clic derecho en la fila correspondiente de la tabla y selecciona Eliminar. Para configurar las bandas de frecuencia del banco de filtros, seleccione la pestaña de Bandas de Frecuencia en la ventana de configuración. Introduce los valores de inicio, final e intervalo para definir las bandas de frecuencia.
Luego haz clic en Añadir para añadir las bandas generadas a la lista. Para eliminar una banda de frecuencia existente, haz clic derecho en la fila correspondiente de la tabla y selecciona Eliminar. Para configurar la segmentación espacial por grupos de canales, seleccione la pestaña de Segmentación Espacial en la ventana de configuración.
Haz clic en Navegador junto a Grupos de canales para seleccionar un archivo MAT de definición de grupo de canales. Haz clic en Reemplazar para cargar el archivo de grupo de canales seleccionado y actualizar la lista de Grupos de Números de Canal. Si un archivo de localización de canal ha sido seleccionado en Ubicación de Canal, la herramienta también lo carga para visualizaciones posteriores del cuero cabelludo.
Haz clic en OK en la parte inferior de la ventana de Segmentación para aplicar las ventanas temporales, bandas de frecuencia y segmentación espacial actualizadas. El panel de Estrategia de Segmentación de la interfaz gráfica principal se actualiza en consecuencia. En el panel de Configuración de Clasificación, selecciona el método de Extracción de Características en el menú desplegable.
Configura nCSP para conservar características de ambos extremos del vector de características. Luego selecciona los clasificadores marcando las casillas correspondientes. Establece el Número de Bandas de Selección para especificar cuántos segmentos o características de grano fino se conservan en la selección basada en envoltorios.
Configura la validación cruzada para especificar el número de pliegues para la validación cruzada k-fold sobre los datos del tren y la etiqueta del tren. Luego haz clic en Cross-Validation para realizar la k-fold cross-validation. Revisa el resumen de desempeño que se muestra en el panel de Resultados.
Revisa el Mapa Topográfico Tiempo-Frecuencia para identificar patrones discriminativos a lo largo del tiempo, la frecuencia y las regiones del cuero cabelludo. Revisa el Mapa de Significación de Grupos de Electrodos para identificar los grupos de canales que más contribuyen a la decodificación. El Mapa Topográfico Tiempo-Frecuencia ilustró la distribución espacial de los patrones discriminativos de EEG entre segmentos de frecuencia y temporales.
El Electrode Group Significance Map cuantificó la contribución de grupos de electrodos predefinidos al rendimiento de decodificación. Este protocolo tanto estandarizó la evaluación cuantitativa de decodificación como la visualización de patrones EEG de imágenes motoras específicas del sujeto. Un desafío clave es asegurar que la clasificación previa al procesamiento y la segmentación multiescala sigan siendo flexibles y prácticas entre diferentes conjuntos de datos.
Este flujo de trabajo puede detectar análisis interpretables de diferencias específicas de cada sujeto y guiar el desarrollo de modelos de decodificación MI-EEG más adaptativos y generalizables.
Vea la transcripción completa y acceda a miles de videos científicos
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.
