Name: STFEEG-Tool : Un outil d’analyse EEG spatio-temporel-fréquence pour l’imagerie motrice Interfaces cerveau-ordinateur (Vidéo) | JoVE Journal
Uploaded: 2026-03-10T13:00:00.000+00:00
Duration: 5 min 36 s
Description: Découvrez l'analyse EEG spatio-temporelle-fréquence pour les interfaces cerveau-ordinateur basées sur l'imagerie motrice. Cet outil GUI standardise l'extraction de caractéristiques et le décodage interprétable des signaux EEG.

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>Environnement logiciel pour le calcul numérique, le traitement du signal et le développement d’interfaces graphiques.</td></tr><tr><td>Boîte à outils de traitement du signal</td><td>MathWorks</td><td>https://ww2.mathworks.cn/en/products/signal.html</td><td>Boîte à outils pour le filtrage numérique et l’analyse temps-fréquence</td></tr><tr><td>Boîte à outils statistiques et apprentissage automatique</td><td>MathWorks</td><td>https://ww2.mathworks.cn/en/products/statistics.html</td><td>Boîte à outils pour l’entraînement des modèles et l’analyse statistique</td></tr></tbody></table>

stfeeg-tool : un outil d’analyse eeg spatio-temporel-fréquence pour l’imagerie motrice interfaces cerveau-ordinateur

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

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

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

Recherche

JoVE Journal

Neuroscience

Neurosciences

Nous présentons une méthode pour collecter des signaux electrocorticographic des fins de recherche de l'homme qui sont en cours de surveillance d'épilepsie invasive. Nous montrons comment utiliser la plate-forme BCI2000 logiciels pour la collecte des données, traitement du signal et la présentation du stimulus. Plus précisément, nous démontrons Sigfried, un outil basé sur BCI2000 en temps réel la cartographie fonctionnelle du cerveau.

Enregistrement de l&#39;homme (Electrocorticographic ECoG) Signaux pour la recherche neuroscientifique et en temps réel la cartographie fonctionnelle corticale

Nous utilisons et magnéto-électroencéphalographie (MEG / EEG), combinées avec des informations anatomiques capturée par imagerie par résonance magnétique (IRM), pour cartographier la dynamique du réseau cortical associé à l'attention auditive.

Cartographie dynamique corticales à l&#39;aide MEG / EEG simultanés et anatomique contrainte minimum-norm Budget: un exemple L&#39;attention auditive

Ce document décrit une méthode de collecte et d'analyse de l'électroencéphalographie (EEG) des données lors de la stimulation magnétique transcrânienne concurrente (TMS) guidée par activations révélées par imagerie par résonance magnétique fonctionnelle (IRMf). Une méthode pour TMS artefact enlèvement et l'extraction des événements liés potentiels est décrite ainsi que les considérations en matière de conception de paradigme et expérimental.

Extraction Potentiels évoqués visuels de l&#39;EEG données enregistrées pendant l&#39;IRMf guidée stimulation magnétique transcrânienne

La surveillance de l’activité cérébrale pendant les tâches motrices debout est d’une grande valeur pour l’étude de la source neuronale des troubles du mouvement. Ici, nous démontrons un protocole qui combine la spectroscopie proche infrarouge fonctionnelle avec la surveillance continue de l’activité musculaire et cinématique pendant 4 types de tâches motrices.

Près fonctionnelle spectroscopie infrarouge des régions sensorielles et motrices cérébrales avec simultanée cinématique et EMG surveillance Pendant tâches motrices

L’IRM de connectivité fonctionnelle à l’état de repos a identifié des anomalies chez des patients atteints d’un large éventail de troubles neuropsychiatriques, y compris l’épilepsie due à des malformations du développement cortical. La stimulation magnétique transcrânienne en combinaison avec l’EEG peut démontrer que les patients atteints d’épilepsie ont une hyperexcitabilité corticale dans les régions où la connectivité est anormale.

Une méthode Multimodal Imaging- et basée Stimulation-de l&#39;évaluation de connectivité liés excitabilité cérébrale chez les patients atteints d&#39;épilepsie

Un EEG-IRMf multimodal méthode, dite de la source EEG spatio-temporelle sont limitées IRMf imagerie méthode, l’imagerie est décrite ici. La méthode présentée emploie des cartes sous IRMf conditionnellement-active ou prieurs, pour guider la localisation des sources EEG d’une manière qui améliore la spécificité spatiale et limite des résultats erronés.

Simultanées EEG et IRM fonctionnelle enregistrement et analyse d’intégration pour l’imagerie dynamique activité corticale

Le but de cette étude est de fournir une référence importante pour le fonctionnement clinique standard de l’interface cerveau-ordinateur par imagerie motrice (MI-BCI) pour la dysfonction motrice des membres supérieurs après un AVC.

Imagerie motrice Interface cerveau-ordinateur dans la rééducation de la dysfonction motrice des membres supérieurs après un AVC

La magnétoencéphalographie (MEG) et l’électroencéphalographie à haute densité (HD-EEG) sont rarement enregistrées simultanément, bien qu’elles fournissent des informations de confirmation et complémentaires. Ici, nous illustrons le dispositif expérimental d’enregistrement simultané de la MEG et de l’HD-EEG et la méthodologie d’analyse de ces données visant à localiser les zones cérébrales épileptogènes et éloquentes chez les enfants atteints d’épilepsie résistante aux médicaments.

Imagerie de source électromagnétique dans l’évaluation préchirurgicale d’enfants atteints d’épilepsie résistante aux médicaments

L’imagerie motrice dans un environnement de réalité virtuelle a de nombreuses applications dans les systèmes d’interface cerveau-ordinateur. Ce manuscrit décrit l’utilisation d’avatars numériques personnalisés qui ressemblent aux participants exécutant des mouvements imaginés par le participant dans un environnement de réalité virtuelle afin de renforcer l’immersion et le sentiment d’appartenance corporelle.

Performance d’imagerie motrice à travers des jumeaux numériques incarnés dans un environnement d’interface cerveau-ordinateur basé sur la réalité virtuelle

Un nouveau protocole de stimulation magnétique transcrânienne personnalisée en combinaison avec la cartographie par électroencéphalographie (TMS-EEG) des réseaux corticaux, informé par plusieurs modalités de données d’imagerie par résonance magnétique (IRM).

TMS-EEG guidé par neuroimagerie pour la cartographie du réseau cortical en temps réel

Découvrez l'analyse EEG spatio-temporelle-fréquence pour les interfaces cerveau-ordinateur basées sur l'imagerie motrice. Cet outil GUI standardise l'extraction de caractéristiques et le décodage interprétable des signaux EEG.

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

Explorer plus de vidéos