STFEEG-Tool : Un outil d’analyse EEG spatio-temporel-fréquence pour l’imagerie motrice Interfaces cerveau-ordinateur
10 mars 2026
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.
Ce travail développe une boîte à outils basée sur une interface graphique pour l’imagerie motrice en grille, le décodage EEG et l’analyse spatio-temporelle-fréquence interprétable. Les plateformes existantes manquent de configuration intégrée de la grille ludique spatiale, temporelle et fréquentielle avec une visualisation intuitive pour l’analyse EEG par imagerie motrice. Pour commencer, téléchargez STFEEG Tool depuis le dépôt en ligne.
Décompressez le fichier téléchargé dans un dossier local et localisez le fichier d’installation, STFEEG-Tool. mlappinstall, dans le contenu extrait. Double-cliquez sur STFEEG-Tool.
mlappinstall pour lancer l’installateur et suivre les instructions à l’écran pour finaliser l’installation. Après avoir téléchargé le fichier MAT d’exemple, lancez l’interface graphique STFEEG Tool pour ouvrir la fenêtre d’analyse EEG de l’imagerie motrice. Dans le panneau de chargement des données, cliquez sur Navigateur à côté de Chemin des données et sélectionnez le dossier contenant le fichier MAT préparé.
Maintenant, cliquez sur Navigateur à côté de Enregistrer le chemin et sélectionnez un dossier de sortie pour les résultats. Cliquez sur Charger dans le panneau de chargement des données pour importer le fichier MAT. Dans le panneau Stratégie de segmentation de l’interface graphique principale, cliquez sur Modifier pour ouvrir la fenêtre de configuration de Segmentation où les paramètres par défaut sont déjà fournis.
Pour configurer les fenêtres temporelles, sélectionnez l’onglet Fenêtres temporelles dans la fenêtre de configuration. Entrez les valeurs de début, de fin et d’intervalle pour définir les fenêtres temporelles. Ensuite, cliquez sur Ajouter pour ajouter les fenêtres générées à la liste.
Pour supprimer une fenêtre existante, faites un clic droit sur la ligne correspondante du tableau et sélectionnez Supprimer. Pour configurer les banques de fréquences des banques de filtres, sélectionnez l’onglet Bandes de fréquence dans la fenêtre de configuration. Entrez les valeurs de début, de fin et d’intervalle pour définir les bandes de fréquence.
Puis cliquez sur Ajouter pour ajouter les bandes générées à la liste. Pour supprimer une bande de fréquences existante, faites un clic droit sur la ligne correspondante du tableau et sélectionnez Supprimer. Pour configurer la segmentation spatiale par groupes de canaux, sélectionnez l’onglet Segmentation spatiale dans la fenêtre de configuration.
Cliquez sur Navigateur à côté de Groupes de canaux pour sélectionner un fichier MAT de définition de groupe de canaux. 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 Localisation de canal, l’outil le charge également pour des visualisations ultérieures du cuir chevelu.
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. Le panneau Stratégie de segmentation de l’interface graphique principale est mis à jour en conséquence. Dans le panneau de configuration de classification, sélectionnez la méthode d’extraction de caractéristiques dans le menu déroulant.
Régler nCSP pour conserver les caractéristiques des deux extrémités du vecteur de caractéristiques. Ensuite, sélectionnez les classificateurs en cochant les cases correspondantes. Définissez le numéro de bandes de sélection pour spécifier combien de segments ou de caractéristiques à grain fin sont conservés dans la sélection basée sur le wrapper.
Définissez la validation croisée pour spécifier le nombre de plis pour la validation croisée k-fold sur les données du train et l’étiquette du train. Ensuite, cliquez sur Validation croisée pour effectuer une validation croisée k-fold. Examinez le résumé des performances affiché dans le panneau Résultats.
Consultez la carte topographique temps-fréquence pour identifier des motifs discriminatifs dans le temps, la fréquence et les régions du cuir chevelu. Consultez la carte de signification des groupes d’électrodes pour identifier les groupes de canaux qui contribuent le plus au décodage. La carte topographique temps-fréquence illustrait la distribution spatiale des schémas EEG discriminatifs à travers les segments fréquentiels et temporels.
La carte de signification des groupes d’électrodes quantifiait la contribution des groupes d’électrodes prédéfinis à la performance de décodage. Ce protocole standardisait à la fois le décodage de l’évaluation quantitative et la visualisation des schémas EEG d’imagerie motrice spécifiques au sujet. Un défi clé est de garantir que la classification pré-traitement et la segmentation multi-échelle restent flexibles et praticables entre différents ensembles de données.
Ce flux de travail peut détecter une analyse interprétable des différences spécifiques au sujet et guider le développement de modèles de décodage MI-EEG plus adaptatifs et généralisables.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
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.
