Article de méthode

STFEEG-Tool : Un outil d’analyse EEG spatio-temporel-fréquence pour l’imagerie motrice Interfaces cerveau-ordinateur

DOI :

10.3791/70425

⸱

10 mars 2026

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

Dans cet article

Résumé

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

Cette étude présente un protocole standardisé et reproductible pour mettre en œuvre l’outil d’analyse EEG Spatial-Temporel-Fréquence (STFEEG) pour le décodage EEG par imagerie motrice, intégrant une segmentation spatial-temporelle-fréquence configurable, l’extraction de caractéristiques basée sur les Common Spatial Patterns (CSP), des algorithmes de classification multiples et des capacités de visualisation.

Résumé

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

Les interfaces imagerie motrice-cerveau-ordinateur (MI-BCIs) ont démontré un potentiel significatif pour la neuroréhabilitation et les neurosciences cognitives. Cependant, un flux de travail MI-EEG standardisé et reproductible pour une analyse configurable des caractéristiques spatiales-temporelles-fréquentielles reste limité, et de nombreux pipelines nécessitent une configuration complexe et un réglage des paramètres avec une interprétabilité limitée, ce qui entrave le déploiement pratique et la généralisation. Pour relever ces défis, un outil STFEEG a été développé afin de fournir un flux de travail convivial, standardisé et interprétable pour le décodage EEG dans les paradigmes MI. STFEEG-Tool permet une configuration fine de segmentation temporelle, de bande de fréquence et spatiale, permettant l’extraction de caractéristiques MI multi-échelles. La boîte à outils intègre plusieurs algorithmes d’extraction de caractéristiques, y compris les patrons spatiaux communs (CSP) et les CSP basés sur la divergence (div-CSP), ainsi que divers classificateurs, tels que les machines à vecteurs de support (SVM), le classificateur de régression de crête et le classificateur de lasso. Une carte topographique dynamique du cuir chevelu temps-fréquence est fournie pour résumer les schémas spatiaux à travers les segments temps-fréquence et soutenir l’interprétation des résultats de décodage. Dans l’ensemble, STFEEG-Tool sert de plateforme reproductible et extensible pour une analyse MI-EEG fine, facilitant la traduction de pipelines de décodage à grains fins en applications pratiques et orientées utilisateur.

Introduction

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

Les interfaces cerveau-ordinateur par imagerie motrice (MI-BCI) permettent une communication directe entre le cerveau humain et les dispositifs externes sans nécessiter d’activité musculairepériphérique 1. Ces dernières années, la technologie MI-BCI a été largement appliquée enneuroréhabilitation 2, contrôleassisté 3 et interaction homme-machine4. Ces applications soulignent la nécessité de flux de travail d’analyse accessibles et reproductibles, qui peuvent être adoptés de manière fiable par les chercheurs et cliniciens, y compris les utilisateurs ayant une expertise limitée en programmation.

Les approches conventionnelles de décodage MI-EEG reposent principalement sur le filtrage spatial et les cadres de classification linéaire. Des méthodes telles que le Common SpatialPattern 5 (CSP) et le CSP6 basé sur la divergence (div-CSP) ont été largement utilisées pour extraire des caractéristiques spatiales discriminatives des signaux EEG multicanaux. Pour extraire davantage les caractéristiques à travers différentes composantes de fréquence, leCSP 7 (FBCSP) et le CSP 8,9 en sous-bande (SBCSP) ont été largement explorés. De plus, la segmentation temporelle a été intégrée au processus d’extraction des caractéristiques en divisant chaque essai en plusieurs intervalles de temps, permettant de capturer des motifs discriminants évolutifs et d’améliorer encore la performance dedécodage 10,11,12. Pour améliorer la discriminabilité des caractéristiques extraites, diverses stratégies de sélection de caractéristiques ont été introduites afin de réduire la redondance et d’atténuer le surappoint13, 14, 15. Pour la classification, les modèles traditionnels d’apprentissage automatique tels que les machines à vecteurs de support16 et les classificateurs de régressionrégularisée 17, 18, 19 continuent d’être largement utilisés en raison de leur interprétabilité et de leur efficacité computationnelle.

Malgré leur efficacité, ces approches sont généralement mises en œuvre dans des bases de code personnalisées et spécifiques à chaque ensemble de données, ce qui complique la réutilisation systématique et la vérification indépendante. Plusieurs plateformes logicielles basées sur interfaces graphiques (GUI) ont été développées pour soutenir l’analyse EEG et la recherche en BCI. Par exemple, EEGLAB20 propose une suite complète de fonctions pour le prétraitement EEG, l’analyse temps-fréquence, l’extraction de caractéristiques, la classification et la visualisation avancée. Son architecture hautement modulaire et extensible a permis une adoption large dans le domaine de la recherche EEG. BCILAB21, en intégration avec EEGLAB, intègre plus de 100 algorithmes de traitement du signal et d’apprentissage automatique couvrant l’ensemble du pipeline de décodage, du prétraitement à la classification. De même, OpenViBE22 propose un environnement de programmation visuelle pour concevoir des flux de travail BCI en temps réel, dans lequel les utilisateurs peuvent assembler des pipelines de traitement du signal en liant graphiquement des composants modulaires. La plateforme est particulièrement adaptée à l’acquisition en ligne d’EEG et aux paradigmes stimulus-réponse en temps réel, et a été largement utilisée dans le développement et les tests d’applications interactives de BCI. De plus, PyNoetic, un cadre Python modulaire pour le développement d’interfaces cerveau-ordinateur EEG sans code, permet la construction de flux de travail BCI de bout en bout via une interface graphique intégrée prenant en charge l’acquisition de données, le prétraitement, l’extraction de fonctionnalités etla classification 23. Contrairement aux outils antérieurs qui nécessitent une configuration manuelle ou un script important, PyNoetic offre un niveau d’abstraction plus élevé pour la conception de pipelines, permettant un assemblage et une reconfiguration flexibles des étapes de traitement sans programmation de bas niveau. Dans de nombreuses études MI-EEG, ces plateformes peuvent déjà prendre en charge le prétraitement de routine, l’extraction conventionnelle de caractéristiques, ainsi que le décodage et l’évaluation de baseline.

Plusieurs plateformes basées sur une interface graphique prennent en charge l’analyse MI-EEG via un prétraitement standardisé, l’extraction de caractéristiques et le décodage de base (Tableau 1). Cependant, ils manquent d’optimisation pour la décomposition en fréquence spatiale en temps précis, incluant la partition spatiale définie par l’utilisateur et la visualisation inter-domaine. Pour répondre à ces besoins méthodologiques, un cadre de décodage spatial-temporel en fréquence à grains finis pourMI-EEG 24 a été proposé auparavant, modélisant conjointement les groupes d’électrodes spatiales, les sous-bandes de fréquence et les segments temporels afin d’améliorer la performance de décodage et d’améliorer l’interprétabilité multi-domaine. S’appuyant sur ce cadre, l’outil d’analyse EEG spatial-temporel-fréquence (STFEEG-Tool) a été développé comme une boîte à outils basée sur une interface graphique (GUI) qui standardise le décodage MI-EEG à grain fin au sein d’un flux de travail configurable et reproductible tout en restant compatible avec les chaînes d’outils EEG existantes.

STFEEG-Tool intègre la préparation des données, le prétraitement, la segmentation spatiale-temporelle-fréquentielle, l’extraction de caractéristiques, la sélection de caractéristiques par enveloppement, la classification et la visualisation dans un pipeline unifié. Plutôt que de remplacer les boîtes à outils EEG établies, il les complète grâce à une spécification transparente des paramètres, une exécution cohérente du pipeline et une visualisation informée par le modèle pour soutenir une analyse en granularité.

Les principales contributions de ce travail sont triples. Tout d’abord, STFEEG-Tool offre un flux de travail utilisateur de bout en bout avec une configuration standardisée des paramètres pour un décodage MI-EEG en grain fin. Deuxièmement, elle permet une segmentation multi-échelle spatio-temporel-fréquence, y compris la décomposition spatiale définie par l’utilisateur, qui n’est pas systématiquement disponible sur les plateformes à usage général. Troisièmement, elle améliore l’interprétabilité grâce à des cartes topographiques temps-fréquence et des cartes de signification par groupe d’électrodes qui résument les contributions discriminatives et révèlent des motifs pertinents pour les MI spécifiques au sujet à travers les domaines.

La boîte à outils est open source et disponible à : https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

Les données utilisées dans ce protocole ont été obtenues à partir de jeux de données publiques et désidentifiés. Les procédures initiales de collecte des données ont été menées conformément aux normes éthiques des institutions respectives ; par conséquent, aucune approbation institutionnelle supplémentaire n’a été requise pour cette analyse secondaire.

La Figure 1 illustre le flux de travail global de l’outil d’analyse d’électroencéphalographie spatial-temporelle-fréquence. Suivez les étapes ci-dessous pour configurer chaque module et reproduire le protocole de décodage spatial-fréquence-temps à grain fin. Le logiciel utilisé dans cette étude est listé dans le tableau des matériaux.

1. Préparation du logiciel et du package STFEEG-Tool

  1. Installez un environnement de calcul numérique qui prend en charge le traitement des fichiers MAT et l’exécution par interface graphique (voir Tableau des matériaux).
  2. Téléchargez STFEEG - Tool depuis le dépôt en ligne, décompressez-le dans un dossier local, puis localisez le fichier d’installation STFEEG-Tool.mlappinstall.
  3. Double-cliquez sur STFEEG - Tool.mlappinstall, et suivez les instructions à l’écran pour terminer l’installation.
  4. Ouvrez l’onglet App, confirmez que STFEEG-Tool apparaît dans la liste des applications installées (Figure 2), puis cliquez dessus pour lancer l’interface graphique (Figure 3).

2. Préparation du fichier MAT des données d’entrée

  1. Créez un fichier MAT (.mat) contenant quatre variables nommées TrainData, TrainLabel, TestData et TestLabel.
    1. Stockez TrainData et TestData sous forme de tableaux 3D de taille Nessais × Ncanaux × Npoints temporels.
    2. Stockez TrainLabel et TestLabel sous forme de Nessais × vecteurs d’une colonne d’étiquettes de classes entières, en utilisant un encodage cohérent entre les ensembles d’entraînement et de test.
      REMARQUE : Construisez TrainData et TestData à partir de sessions ou blocs d’enregistrement non chevauchants afin d’éviter la fuite d’information.
  2. Assurez-vous que TrainData et TestData partagent le même ordre de canal et la même fréquence d’échantillonnage (Hz).
  3. (Optionnel) Téléchargez le fichier MAT d’exemple fourni (Data.mat) basé sur la BCI Competition IV 2a depuis le dépôt public pour tester rapidement le logiciel.

3. Lancement de l’interface graphique et de la définition des chemins

  1. Lancez l’interface graphique STFEEG - outil pour ouvrir la fenêtre d’analyse MI-EEG (Figure 3).
  2. Dans le panneau Chargement des données , cliquez sur Navigateur à côté de Chemin des données et sélectionnez le dossier contenant le fichier MAT préparé.
  3. Confirmez que la fréquence d’échantillonnage Fs affichée dans l’interface graphique correspond à la fréquence d’échantillonnage (Hz) du jeu de données.
  4. Cliquez sur Navigateur à côté de Enregistrer le chemin et sélectionnez un dossier de sortie pour stocker les résultats (par exemple, fichiers de configuration, fichiers modèles et étiquettes prédites).
  5. (Optionnel) Spécifiez le chemin du modèle en fonction de l’usage prévu.
    1. Pour enregistrer un modèle pendant l’entraînement, cliquez sur Navigateur à côté de Chemin du modèle et sélectionnez un dossier de destination ; si le chemin du modèle est laissé vide, le logiciel sauvegarde automatiquement le modèle dans le chemin de sauvegarde.
    2. Pour charger un modèle préentraîné pour les tests, cliquez sur Navigateur à côté de Chemin du modèle et sélectionnez le dossier contenant les fichiers de modèles sauvegardés.
  6. Cliquez sur Charger dans le panneau de chargement des données pour importer le fichier MAT. Le logiciel vérifie automatiquement les variables requises et les chemins sélectionnés, et charge le jeu de données si aucune erreur n’est signalée.

4. Configuration du prétraitement (filtrage passe-bande)

  1. Utilisez les paramètres par défaut du filtre passe-bande affichés dans l’interface graphique (Ordre = 5, Fc1 = 5 Hz, Fc2 = 35 Hz, type de filtre = IIR) sauf si une configuration de prétraitement différente est requise.
  2. (Optionnel) Entrez l’ordre du filtre pour écraser la valeur par défaut.
  3. (Optionnel) Entrez les fréquences de coupure inférieure et supérieure (Fc1 et Fc2) en Hz pour remplacer les valeurs par défaut.
  4. (Optionnel) Sélectionnez le type de filtre dans le menu déroulant pour remplacer l’option par défaut.
  5. Cliquez sur OK pour confirmer la configuration du prétraitement. Si aucun changement n’est effectué, le logiciel applique les réglages par défaut affichés dans le panneau.

5. Configuration de la stratégie de segmentation fine

  1. Dans le panneau Stratégie de segmentation de l’interface graphique principale, cliquez sur Modifier pour ouvrir la fenêtre de configuration de la segmentation .
  2. Configurez les fenêtres temporelles.
    1. Sélectionnez l’onglet Fenêtres temporelles .
    2. Examinez la liste des fenêtres existante présentée dans le tableau (Figure 4).
    3. (Optionnel) Pour ajouter des fenêtres, saisissez les valeurs Start, End et Interval , puis cliquez sur Ajouter pour ajouter les fenêtres générées à la liste.
    4. (Optionnel) Pour supprimer une fenêtre existante, faites un clic droit sur la ligne correspondante du tableau et sélectionnez Supprimer.
  3. Configurez les bandes de fréquences filtre-banque.
    1. Sélectionnez l’onglet Bandes de fréquence (Figure 5).
    2. Examinez la liste existante des bandes de fréquence indiquée dans le tableau.
    3. (Optionnel) Pour ajouter des bandes, saisissez les valeurs Start (Hz), End (Hz) et Interval , puis cliquez sur Ajouter pour ajouter les bandes générées à la liste.
    4. (Optionnel) Pour supprimer une bande existante, faites un clic droit sur la ligne correspondante du tableau et sélectionnez Supprimer.
  4. Configurez la segmentation spatiale par groupes de canaux (Figure 6).
    1. Sélectionnez l’onglet Segmentation spatiale .
    2. Consultez les attributions de groupes de canaux dans la liste Groupes de numéros de canaux .
    3. (Optionnel) Pour remplacer la configuration actuelle du groupe de canaux, cliquez sur Navigateur à côté de Groupes de canaux pour sélectionner un fichier MAT de définition de groupe de canaux.
    4. (Optionnel) Pour activer les visualisations de scalp, cliquez sur Navigateur à côté de Emplacement de canal pour sélectionner le fichier de localisation des canaux du jeu de données.
      REMARQUE : Le dépôt public fournit savedChCell.mat (définitions de groupes de canaux) et channel_locations_22ch.txt (coordonnées scalp à 22 canaux pour BCI Competition IV 2a), qui peuvent être utilisés directement avec les données d’exemple incluses.
    5. (Optionnel) Cliquez sur Remplacer pour charger le fichier de groupe de canaux sélectionné et mettre à jour la liste des Groupes de numéros de canaux . Si un fichier de localisation de canal a été sélectionné dans Channel Location, l’outil le charge également pour des visualisations ultérieures du scalp (Figure 7).
  5. Appliquez et vérifiez les paramètres de segmentation.
    1. Après avoir terminé les réglages dans tous les onglets, cliquez sur OK en bas de la fenêtre de segmentation pour appliquer les fenêtres temporelles mises à jour, les bandes de fréquence et la segmentation spatiale.
    2. Retournez à l’interface graphique principale et confirmez que les bandes temporelles, bandes de fréquences et groupes de canaux mis à jour sont pris en compte dans le panneau de Stratégie de segmentation.

6. Configuration de l’extraction des caractéristiques, des classificateurs et de la validation croisée

  1. Dans le panneau de configuration de la classification , sélectionnez la méthode d’extraction de caractéristiques dans le menu déroulant.
    REMARQUE : Des descriptions détaillées du CSP et du div-CSP sont fournies dans le Fichier Supplémentaire 1.
  2. Définissez nCSP pour sélectionner les caractéristiques CSP des deux extrémités du vecteur de caractéristiques. L’outil conserve les premiers composants nCSP et les derniers nCSP (2 × fonctionnalités nCSP au total).
  3. Sélectionnez le(s) classificateur(s) en cochant les cases correspondantes (SVM, Ridge-Optimal, Lasso-Optimal).
    REMARQUE : Les descriptions des trois classificateurs sont fournies dans le Fichier Supplémentaire 2.
  4. Définir le nombre de bandes de sélection pour spécifier combien de segments/caractéristiques à grain fin sont conservés dans la sélection basée sur des enveloppes.
  5. Définissez la validation croisée pour spécifier le nombre de folds pour la validation croisée k-fold sur TrainData/TrainLabel.
  6. (Optionnel) Autoriser Parallel à accélérer le calcul lorsque plusieurs segments et classificateurs sont évalués, si suffisamment de ressources de calcul sont disponibles.
  7. Cliquez sur Cross - Validation pour effectuer une validation croisée k-fold sur TrainData/TrainLabel et entraîner le modèle final, puis tester le modèle final sur TestData/TestLabel.
    REMARQUE : Si plusieurs classificateurs sont sélectionnés, l’outil sélectionne et sauvegarde automatiquement le modèle avec la plus grande précision en validation croisée, puis l’utilise pour l’évaluation des ensembles de tests.

7. Visualisation des résultats et des visualisations

  1. Après avoir cliqué sur Validation Croisée à l’étape 6, examinez le résumé des performances affiché dans le panneau Résultats , incluant Précision de validation/Kappa, Exactitude de test/Kappa, et le temps d’entraînement par pliage et le temps de test par pliage. Notez ces valeurs pour les rapports.
    REMARQUE : La précision de validation/Kappa est rapportée comme la précision moyenne k-fold de validation croisée/kappa25 calculée sur TrainData/TrainLabel. La précision de test/Kappa est rapportée comme la précision moyenne de l’ensemble de tests/kappa 25 obtenue en évaluant le meilleur modèle de chaque pliage sur TestData/TestLabel et en faisant la moyenne des résultats des tests entre les plis.
  2. Inspectez les résultats de visualisation affichés dans le panneau Résultats .
    1. Examinez la carte topographique temps-fréquence pour identifier des motifs discriminants selon le temps, la fréquence et les régions du cuir chevelu.
    2. Consultez la carte de signification des groupes d’électrodes pour identifier les groupes de canaux qui contribuent le plus au décodage.
      REMARQUE : Des définitions détaillées, procédures de construction et directives d’interprétation pour les deux cartes sont fournies dans le Fichier Supplémentaire 3.
  3. (Optionnel) Effectuez une évaluation uniquement par tests à partir d’un modèle préalablement entraîné.
    1. Cliquez sur Test Load Model pour charger un modèle pré-entraîné depuis Model Path et l’évaluer sur l’entrée courante TestData/TestLabel.
    2. Sélectionnez le dossier Chemin du modèle enregistré pendant l’entraînement (étape 3.5) et gardez sa structure de répertoires inchangée. Assurez-vous que model.mat est dans le dossier sélectionné et param.mat dans le dossier parent, car les deux sont nécessaires pour charger le modèle et reproduire les visualisations.
    3. Confirmez que, dans ce mode, l’interface graphique indique la Précision de Test et le Temps de Test par pliage pour le modèle chargé, et que les panneaux de visualisation se mettent à jour en conséquence.
    4. (Optionnel) Localisez les résultats exportés dans le répertoire de sauvegarde, qui incluent les labels prédit et vrai pour des tests statistiques supplémentaires.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

L’outil STFEEG a été validé à la fois sur la BCI Competition IV 2a26 et la BCI Competition III 3a27, et le système a exécuté avec succès l’intégralité du pipeline de décodage dans les deux cas. Le protocole fixe inter-sessions de la Compétition BCI IV 2a a été suivi : formation lors de la Session 1 et évaluation lors de la Session 2 tenue, enregistrée sur deux jours distincts. Sous la même configuration utilisée dans le cadre spatial-tempor...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

STFEEG-Tool est conçu comme une boîte à outils spécifique à MI-EEG qui complète les écosystèmes EEG établis tels que EEGLAB20, BCILAB21,OpenViBE 22, PyNoetic23. Bien que ces plateformes fournissent des composants flexibles pour le décodage MI, une configuration spatio-temporelle fine et une interprétation informée par le modèle peuvent impliquer une intégration supplémentaire à travers les éta...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs n’ont aucun conflit d’intérêts à déclarer.

Remerciements

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

Ce travail a été partiellement soutenu par la Fondation nationale des sciences naturelles de Chine (n°62401342 et n°62271291), la Fondation des sciences naturelles de la province du Shandong (n°ZR2024QF092, ZR2024LZH007 et ZR2025ZD24), la Fondation de recherche fondamentale et appliquée du Guangdong (n°2025A1515011826), le Programme de recherche fondamentale de Shenzhen (n°JCYJ20250604124702003), le Laboratoire clé provincial du Sichuan de philosophie et de sciences sociales pour l’intelligence linguistique en éducation spécialisée (n°. YYZN-2025-11), le Programme national clé de recherche et développement de Chine (n° 2024YFC2418300 et 2024YFC2418303), ainsi que le Laboratoire clé d’informatique sociale et d’intelligence cognitive (Université de technologie de Dalian), ministère de l’Éducation (n° SCCl2025YB02).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
MATLABMathWorksVersion R2024aEnvironnement logiciel pour le calcul numérique, le traitement du signal et le développement d’interfaces graphiques.
Boîte à outils de traitement du signalMathWorkshttps://ww2.mathworks.cn/en/products/signal.htmlBoîte à outils pour le filtrage numérique et l’analyse temps-fréquence
Boîte à outils statistiques et apprentissage automatiqueMathWorkshttps://ww2.mathworks.cn/en/products/statistics.htmlBoîte à outils pour l’entraînement des modèles et l’analyse statistique

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

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

Articles connexes