מאמר שיטה

STFEEG-Tool: כלי לניתוח EEG בתדר מרחבי-זמני לממשקי דימות מוטורי מוח-מחשב

DOI:

10.3791/70425

⸱

10 במרץ 2026

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

במאמר זה

סיכום

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

מחקר זה מציג פרוטוקול סטנדרטי וניתן לשחזור ליישום כלי ניתוח EEG בתדר מרחבי-זמני (STFEEG) לפענוח EEG בתמונות מוטוריות, הכולל סגמנטציה מרחבית-זמנית-תדרית ניתנת להגדרה, חילוץ תכונות מבוסס תבניות מרחביות נפוצות (CSP), אלגוריתמים מרובים לסיווג ויכולות ויזואליזציה.

תקציר

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

ממשקי דימוי מוטורי-מוח-מחשב (MI-BCIs) הוכיחו פוטנציאל משמעותי לשיקום נוירולוגי ולנוירו-מדע קוגניטיבי. עם זאת, זרימת עבודה סטנדרטית וניתנת לשחזור MI-EEG לניתוח תכונות מרחבי-זמני-תדר ניתנת לקונפיגורציה נותרה מוגבלת, ורבים מהצינורות דורשים כוונון קונפיגורציה ופרמטרים מורכבים עם פרשנות מוגבלת, מה שמקשה על פריסה מעשית והכללה. כדי להתמודד עם אתגרים אלו, פותח כלי STFEEG לספק זרימת עבודה ידידותית למשתמש, סטנדרטי וניתן לפענוח EEG בפרדיגמות MI. STFEEG-Tool מאפשר קונפיגורציה מדויקת של סגמנטציה זמנית, תדרית ומרחבית, ומאפשרת חילוץ של תכונות MI רב-קניות. ארגז הכלים משלב מספר אלגוריתמים לחילוץ תכונות, כולל דפוסים מרחביים נפוצים (CSP) ו-CSP מבוסס דיברגנס (div-CSP), לצד מסווגים שונים, כגון מכונות וקטוריות תמיכה (SVMs), מסווג רגרסיה של רכס, ומסווג לאסו. מפת טופוגרפית דינמית של קרקפת זמן-תדר מסופקת לסיכום דפוסים מרחביים על פני מקטעי זמן-תדר ותמיכה בפרשנות תוצאות פענוח. בסך הכל, STFEEG-Tool משמש כפלטפורמה ניתנת לשחזור ולהרחבה לניתוח MI-EEG מדויק, ומקלה על תרגום צינורות פענוח מדויקים ליישומים מעשיים ומוכווני משתמש.

מבוא

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

דימוי מוטורי ממשקי מוח-מחשב (MI-BCIs) מאפשרים תקשורת ישירה בין המוח האנושי למכשירים חיצוניים מבלי לדרוש פעילות שרירים היקפית1. בשנים האחרונות, טכנולוגיית MI-BCI יושמה באופן נרחב בשיקום נוירולוגי2, בקרה מסייעת3, ובאינטראקציה בין אדם למחשב4. יישומים אלו מדגישים את הצורך בתהליכי ניתוח נגישים וניתנים לשחזור שניתן לאמץ באופן אמין על ידי חוקרים ורופאים, כולל משתמשים עם מומחיות תכנות מוגבלת.

גישות פענוח MI-EEG קונבנציונליות מבוססות בעיקר על סינון מרחבי ומסגרות סיווג ליניאריות. שיטות כמו תבנית מרחבית משותפת5 (CSP) ו-CSP6 מבוסס סטייה (div-CSP) שימשו רבות להפקת תכונות מרחביות מובחנות מאותות EEG מרובי ערוצים. כדי להפיק תכונות נוספות בין רכיבי תדר שונים, נבדקו לעומק Filter Bank CSP7 (FBCSP) ו-CSP 8,9 תת-תדר (SBCSP). בנוסף, סגמנטציה זמנית שולבה בתהליך חילוץ התכונות על ידי חלוקת כל ניסוי למספר מרווחי זמן, מה שמאפשר לכידת דפוסים מובחנים מתפתחים ולשפר עוד יותר את ביצועי הפענוח 10,11,12. כדי לשפר את ההבחנה של תכונות שהופקו, הוצגו אסטרטגיות שונות לבחירת תכונות להפחתת כפילויות ולהפחתת התאמת יתר 13,14,15. לצורך סיווג, מודלים מסורתיים של למידת מכונה כמו מכונות וקטורתמיכה 16 ומסווגי רגרסיהרגרסיה 17,18,19 ממשיכים להיות בשימוש נרחב בשל יכולת הפרשנות והיעילות החישובית שלהם.

למרות יעילותן, גישות אלו מיושמות בדרך כלל בבסיסי קוד מותאמים אישית ספציפיים למאגר נתונים, מה שמסבך שימוש חוזר שיטתי ואימות עצמאי. פותחו מספר פלטפורמות תוכנה מבוססות ממשק משתמש גרפי (GUI) לתמיכה בניתוח EEG ומחקר BCI. לדוגמה, EEGLAB20 מציע חבילת פונקציות מקיפה לעיבוד מקדים של EEG, ניתוח זמן-תדירות, חילוץ תכונות, סיווג והדמיה מתקדמת. הארכיטקטורה המודולרית והניתנת להרחבה שלו אפשרה אימוץ רחב בתחום המחקר EEG. BCILAB21, בשילוב עם EEGLAB, משלב מעל 100 אלגוריתמים לעיבוד אותות ולמידת מכונה החוצים את כל צינור הפענוח, מהעיבוד המוקדם ועד הסיווג. באופן דומה, OpenViBE22 מציע סביבת תכנות ויזואלית לעיצוב זרימות עבודה בזמן אמת של BCI, שבה משתמשים יכולים להרכיב צינורות עיבוד אותות על ידי קישור גרפי של רכיבים מודולריים. הפלטפורמה מתאימה במיוחד לרכישת EEG מקוונת ופרדיגמות גירוי-תגובה בזמן אמת, ושימשה רבות בפיתוח ובדיקות של יישומי BCI אינטראקטיביים. בנוסף, PyNoetic, מסגרת מודולרית של פייתון לפיתוח ממשקי EEG מוח-מחשב ללא קוד, מאפשרת בניית תהליכי עבודה BCI מקצה לקצה באמצעות ממשק גרפי משולב התומך ברכישת נתונים, עיבוד מוקדם, חילוץ תכונות וסיווג23. בניגוד לכלים קודמים שדרשו תצורה ידנית משמעותית או סקריפטים, PyNoetic מציעה רמת הפשטה גבוהה יותר לעיצוב צינורות, המאפשרת הרכבה והגדרה מחדש גמישה של שלבי עיבוד ללא תכנות ברמה נמוכה. במחקרי MI-EEG רבים, פלטפורמות אלו כבר יכולות לתמוך בעיבוד מוקדם שגרתי, חילוץ תכונות קונבנציונלי, ופענוח והערכה בסיסיים.

מספר פלטפורמות מבוססות GUI תומכות בניתוח MI-EEG באמצעות עיבוד מוקדם סטנדרטי, חילוץ תכונות ופענוח בסיסי (טבלה 1). עם זאת, הן חסרות אופטימיזציה לפירוק מרחב וזמן תדר דק, כולל חלוקה מרחבית מוגדרת על ידי המשתמש והדמיה חוצת תחומים. כדי לענות על צרכים מתודולוגיים אלו, הוצע בעבר מסגרת פענוח מדויקת של מרחב-זמן-תדר עבור MI-EEG24 , המדומה יחד קבוצות אלקטרודות מרחביות, תת-תחומי תדרים ומקטעים זמניים לשיפור ביצועי הפענוח ושיפור הפרשנות הרב-תחומית. בהתבסס על מסגרת זו, פותח כלי ניתוח EEG בתדר מרחבי-זמני (STFEEG-Tool) כארגז כלים מבוסס ממשק משתמש גרפי (GUI) שמתקן פענוח MI-EEG דק בתוך תהליך עבודה שניתן לקונפיגורציה ולשחזור, תוך שמירה על תואם לשרשראות כלים קיימות.

STFEEG-Tool משלב הכנת נתונים, עיבוד מוקדם, סגמנטציה של מרחב-זמן-תדר, חילוץ תכונות, בחירת תכונות מבוססות עטיפה, סיווג והדמיה לצינור מאוחד. במקום להחליף את ארגזי הכלים הקיימים של EEG, הוא משלים אותם באמצעות מפרט פרמטרים שקוף, ביצוע עקבי בצינורות והמחשה מודלית לתמיכה בניתוח מדויק.

התרומות העיקריות של עבודה זו הן בשלוש היבטים. ראשית, STFEEG-Tool מספק זרימת עבודה ידידותית למשתמש, מקצה לקצה עם תצורת פרמטרים סטנדרטית לפענוח MI-EEG מדויק. שנית, היא מאפשרת סגמנטציה מרחבית-זמנית ותדרית רב-קנית בקנה מידה, כולל פירוק מרחבי מוגדר על ידי המשתמש, שאינו זמין באופן עקבי בפלטפורמות כלליות. שלישית, הוא משפר את הפרשנות באמצעות מפות טופוגרפיות של זמן-תדר ומפות משמעות של קבוצות אלקטרודות, המסכמות תרומות מובחנות וחושפות דפוסים רלוונטיים ל-MI ספציפיים לנושאים בין תחומים.

ארגז הכלים הוא קוד פתוח וזמין בכתובת: https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

הנתונים ששימשו בפרוטוקול זה התקבלו ממאגרי נתונים זמינים לציבור, שאינם מזוהים. נהלי איסוף הנתונים המקוריים בוצעו בהתאם לסטנדרטים האתיים של המוסדות השונים; לכן, לא נדרשה אישור מוסדי נוסף לניתוח משני זה.

איור 1 ממחיש את תהליך העבודה הכולל של כלי ניתוח אלקטרואנצפלוגרפיה בתדר מרחבי-טמפורלי. עקבו אחר השלבים הבאים כדי להגדיר כל מודול ולשחזר את פרוטוקול הפענוח העדין של זמן תדר מרחבי. התוכנה שבה השתמשו במחקר זה מופיעה בטבלת החומרים.

1. הכנת התוכנה וחבילת STFEEG-Tool

  1. התקן סביבת מחשוב נומרית התומכת בעיבוד קבצי MAT ובביצוע ממשק גרפי (ראו טבלת חומרים).
  2. הורידו את STFEEG - כלי מהמאגר המקוון, פתחו אותו לתיקייה מקומית, ומצאו את קובץ המתקין STFEEG-Tool.mlappinstall.
  3. לחצו פעמיים על STFEEG - Tool.mlappinstall, ופעל לפי ההוראות שעל המסך כדי להשלים את ההתקנה.
  4. פתח את לשונית האפליקציה, וודא ש-STFEEG-Tool מופיע ברשימת האפליקציות המותקנות (איור 2), ולחץ עליו כדי להפעיל את הממשק הגרפי (איור 3).

2. הכנת קובץ נתוני הקלט MAT-file

  1. צור קובץ MAT - (.mat) המכיל ארבעה משתנים בשם TrainData, TrainLabel, TestData ו-TestLabel.
    1. אחסון TrainData ו-TestData כמערכים תלת-ממדיים בגודל Nניסויים × Nערוצים × Nנקודות זמן.
    2. אחסן את TrainLabel ו-TestLabel כ-N ניסויים × וקטורים של עמודה אחת של תוויות מחלקות שלמות, תוך קידוד עקבי בין קבוצות אימון ומבחן.
      הערה: בנה TrainData ו-TestData מסשנים או בלוקי הקלטה שאינם חופפים כדי למנוע דליפת מידע.
  2. ודא ש-TrainData ו-TestData חולקים את אותו סדר ערוץ ותדירות דגימה (Hz).
  3. (אופציונלי) הורד את קובץ ה-MAT לדוגמה (Data.mat) המבוסס על BCI Competition IV 2a מהמאגר הציבורי כדי לבדוק במהירות את התוכנה.

3. הפעלת המעבד הגרפי וקביעת מסלולים

  1. הפעל את ממשק המשתמש STFEEG - Tool לפתיחת חלון ניתוח MI-EEG (איור 3).
  2. בלוח טעינת הנתונים , לחץ על דפדפן ליד נתיב הנתונים ובחר את התיקייה שמכילה את קובץ ה-MAT המוכן.
  3. ודאו שתדר הדגימה Fs המוצג בממשק תואם לתדר הדגימה (Hz).
  4. לחץ על דפדפן לצד שמירת הנתיב ובחר תיקיית פלט לאחסון תוצאות (למשל, קבצי קונפיגורציה, קבצי מודל ותוויות צפויות).
  5. (אופציונלי) הגדר נתיב מודל בהתבסס על השימוש המיועד.
    1. כדי לשמור מודל במהלך האימון, לחץ על דפדפן ליד נתיב הדגם ובחר תיקיית יעד; אם נתיב המודל נשאר ריק, התוכנה שומרת אוטומטית את המודל ב-Save Path.
    2. כדי לטעון מודל מאומן מראש לבדיקה, לחץ על דפדפן ליד נתיב הדגם ובחר את התיקייה שמכילה את קבצי המודל השמורים.
  6. לחץ על טעינה בלוח טעינת הנתונים כדי לייבא את קובץ ה-MAT. התוכנה בודקת אוטומטית את המשתנים הנדרשים ואת הנתיבים הנבחרים, וטוענת את מערך הנתונים אם לא דווחו שגיאות.

4. הגדרת העיבוד המוקדם (סינון מעבר פס)

  1. השתמש בהגדרות ברירת המחדל של מסנן מעבר פס כפי שמוצגות בממשק המשתמש (סדר = 5, Fc1 = 5 הרץ, Fc2 = 35 הרץ, סוג מסנן = IIR) אלא אם נדרשת תצורת עיבוד מוקדם שונה.
  2. (אופציונלי) הזן את סדר המסנן כדי לעקוף את ערך ברירת המחדל.
  3. (אופציונלי) הזן את תדרי החיתוך התחתונים והעליונים (Fc1 ו-Fc2) בהרץ כדי לעקוף את ערכי ברירת המחדל.
  4. (אופציונלי) בחר את סוג המסנן מהתפריט הנפתח כדי לעקוף את האפשרות ברירת המחדל.
  5. לחץ על אישור כדי לאשר את תצורת העיבוד המוקדם. אם לא נעשו שינויים, התוכנה מפעילה את ההגדרות ברירת המחדל שמוצגות בפאנל.

5. הגדרת אסטרטגיית הסגמנטציה המדויקת

  1. בפאנל אסטרטגיית הסגמנטציה של המגרש הראשי, לחץ על עריכה כדי לפתוח את חלון קונפיגורציית הסגמנטציה .
  2. הגדר חלונות זמניים.
    1. בחר בלשונית Temporal Windows .
    2. בדוק את רשימת החלונות הקיימת המוצגת בטבלה (איור 4).
    3. (אופציונלי) כדי להוסיף חלונות, הזן את ערכי Start, End ו-Interval , ולחץ על Add כדי להוסיף את החלונות שנוצרו לרשימה.
    4. (אופציונלי) כדי למחוק חלון קיים, לחץ קליק ימני על השורה המתאימה בטבלה ובחר מחק.
  3. הגדר תחומי תדרים של בנק מסננים.
    1. בחר את לשונית תחומי התדרים (איור 5).
    2. בדוק את רשימת תדרים קיימת שמוצגת בטבלה.
    3. (אופציונלי) כדי להוסיף רצועים, הזן את ערכי התחלה (Hz), סוף (Hz) ו-Interval , ולחץ על Add כדי להוסיף את הפסים שנוצרו לרשימה.
    4. (אופציונלי) כדי למחוק תחום קיים, לחץ קליק ימני על השורה המתאימה בטבלה ובחר מחיקה.
  4. הגדר סגמנטציה מרחבית לפי קבוצות ערוצים (איור 6).
    1. בחר את לשונית הסגמנטציה המרחבית .
    2. בדוק את הקצאות קבוצות הערוצים ברשימת קבוצות מספרי הערוץ .
    3. (אופציונלי) כדי להחליף את תצורת קבוצת הערוצים הנוכחית, לחץ על דפדפן ליד קבוצות הערוצים כדי לבחור קובץ MAT-definition לקבוצת ערוצים.
    4. (אופציונלי) כדי לאפשר ויזואליזציות של הקרקפת, לחץ על דפדפן ליד מיקום הערוץ כדי לבחור את קובץ מיקום הערוץ עבור ערוצי מערך הנתונים.
      הערה: המאגר הציבורי מספק את savedChCell.mat (הגדרות קבוצות ערוצים) ו-channel_locations_22ch.txt (קואורדינטות קרקפת 22 ערוצים עבור BCI Competition IV 2a), שניתן להשתמש בהם ישירות עם נתוני הדוגמה המצורפים.
    5. (אופציונלי) לחץ על Replace כדי לטעון את קובץ קבוצת הערוצים שנבחר ולעדכן את רשימת קבוצות מספרי הערוץ . אם נבחר קובץ מיקום ערוץ במיקום ערוץ, הכלי גם טוען אותו לוויזואליזציות נוספות של הקרקפת (איור 7).
  5. יישם ואמת את הגדרות הסגמנטציה.
    1. לאחר השלמת ההגדרות בכל הלשוניות, לחץ על OK בתחתית חלון הסגמנטציה כדי להחיל את חלונות הזמן המעודכנים, תחומי התדרים והסגמנטציה המרחבית.
    2. חזרו לממשק המשתמש הראשי ווודאו שתחומי הזמן, תחומי התדרים וקבוצות הערוצים המעודכנים משתקפים בפאנל אסטרטגיית הסגמנטציה.

6. הגדרת חילוץ תכונות, מסווגים ואימות צולב

  1. בפאנל תצורת הסיווג , בחר את שיטת חילוץ התכונות מהתפריט הנפתח (נפתח).
    הערה: תיאורים מפורטים של CSP ו-div-CSP מסופקים בתיק המשלים 1.
  2. הגדר את nCSP לבחירת תכונות CSP משני קצות וקטור התכונות. הכלי שומר על הרכיב הראשון של nCSP והאחרונים (2 תכונות nCSP × בסך הכל).
  3. בחר את המסווג(ים) על ידי סימון התיבות המתאימות (SVM, Ridge-Optimal, Lasso-Optimal).
    הערה: תיאורים של שלושת המסווגים מסופקים בתיק המשלים 2.
  4. הגדר מספר רצועות בחירה כדי לציין כמה מקטעים/תכונות עדינות נשמרות בבחירה מבוססת עטיפה.
  5. הגדר אימות צולב כדי לציין את מספר הקיפולים עבור אימות צולב k-fold ב-TrainData/TrainLabel.
  6. (אופציונלי) אפשר ל-Parallel להאיץ את החישוב כאשר מוערכים מספר מקטעים ומסווגים, אם קיימים משאבים חישוביים מספקים.
  7. לחץ על Cross - Validation כדי לבצע אימות חוצה k-fold ב-TrainData/TrainLabel ולהפעיל את המודל הסופי, ואז לבדוק את המודל הסופי ב-TestData/TestLabel.
    הערה: אם נבחרים מספר מסווגים, הכלי בוחר ושומר אוטומטית את המודל עם הדיוק הגבוה ביותר של אימות צולב, ואז משתמש בו להערכת סט בדיקה.

7. צפייה בתוצאות ובהדמיות

  1. לאחר לחיצה על Cross - Validation בשלב 6, עיין בסיכום הביצועים המוצג בפאנל התוצאות , כולל דיוק אימות/קאפה, דיוק בדיקה/קפא, וזמן האימון לכל קיפול וזמן הבדיקה לפי הקיפול. רשום את הערכים האלה לדיווח.
    הערה: דיוק הוולידציה/קאפה מדווח כדיוק הצולב הממוצע של k-fold/kappa25 המחושב ב-TrainData/TrainLabel. דיוק המבחן/קאפה מדווח כממוצע דיוק קבוצת המבחן/קאפה25 שמתקבל על ידי הערכת המודל הטוב ביותר מכל קיפול ב-TestData/TestLabel וממוצע תוצאות המבחן בין הקיפולים.
  2. בדוק את פלטי הוויזואליזציה המוצגים בפאנל התוצאות .
    1. סקור את מפת הטופוגרפיה של זמן-תדירות כדי לזהות דפוסים מובחנים לאורך זמן, תדירות ואזורי קרקפת.
    2. בדוק את מפת המשמעות של קבוצת האלקטרודות כדי לזהות קבוצות ערוצים התורמות ביותר לפענוח.
      הערה: הגדרות מפורטות, נהלי בנייה והנחיות פרשנות לשתי המפות מסופקים בקובץ המשלים 3.
  3. (אופציונלי) הרץ הערכה לבדיקה בלבד באמצעות מודל מאומן מראש.
    1. לחץ על Test Load Model כדי לטעון מודל מאומן מראש מ-Model Path ולהעריך אותו על הקלט הנוכחיT estData/TestLabel.
    2. בחר את תיקיית Model Path שנשמרה במהלך האימון (שלב 3.5) ושמור על מבנה התיקיות שלה ללא שינוי. ודא ש-model.mat נמצא בתיקייה הנבחרת ו-param.mat בתיקיית האב, שכן שניהם נדרשים לטעינת המודל ולשחזור הויזואליזציות.
    3. אשר שבמצב זה, הממשק מדווח על דיוק בדיקה וזמן בדיקה לפי קיפול עבור המודל הטעון, ולוחות הוויזואליזציה מתעדכנים בהתאם.
    4. (אופציונלי) אתר את התוצאות המיוצאות בתיקיית השמירה, הכוללת תוויות צפויות ואמיתיות לבדיקות סטטיסטיות נוספות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

כלי STFEEG אומת הן ב-BCI Competition IV 2a26 והן ב-BCI Competition III 3a27, והמערכת ביצעה בהצלחה את צינור הפענוח המלא בשני המקרים. הפרוטוקול הקבוע של תחרות BCI IV 2a בוצע: אימון במפגש 1 והערכה במפגש 2 שהתקיים, שנרשמו בשני ימים נפרדים. באותה תצורה ששימשה במסגרת המרחב-זמן התדרית24 שדווחה קודם לכן, STFEEG-Tool שיחזר את הביצועים המקוריים על BCI Competition IV 2a, והשיג דיוק ממוצע של 83.68%24.

...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

STFEEG-Tool תוכנן כארגז כלים ייעודי ל-MI-EEG שמשלים אקוסיסטמות EEG מבוססות כגון EEGLAB20, BCILAB21, OpenViBE22, PyNoetic23. בעוד שפלטפורמות אלו מספקות רכיבים גמישים לפענוח MI, קונפיגורציה עדינה של מרחב-זמן-תדר ופרשנות מודלית עשויה לכלול אינטגרציה נוספת בין שלבי העיבוד. זה רלוונטי במיוחד כאשר כוללים פירוק מפורש של קבוצת האלקטרודות. בהתאם לכך, STFEEG-Tool מספק זרימת עבודה אחידה של ממשק גרפי עם פ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין ניגודי עניינים להצהיר עליהם.

תודות

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

עבודה זו נתמכה בחלקה על ידי הקרן הלאומית למדעי הטבע של סין (מס' 62401342 ו-62271291), קרן המדעים הטבעיים של מחוז שאנדונג (מס' ZR2024QF092, ZR2024LZH007 ו-ZR2025ZD24), קרן המחקר הבסיסי והיישומי של גואנגדונג (מס' 2025A1515011826), תוכנית המחקר הבסיסי של שנזן (מס' JCYJ20250604124702003), המעבדה המרכזית של מחוז סצ'ואן לפילוסופיה ומדעי החברה לאינטליגנציה לשונית בחינוך מיוחד (מס' YYZN-2025-11), תוכנית המחקר והפיתוח המרכזית הלאומית של סין (מס' 2024YFC2418300 ו-2024YFC2418303), והמעבדה המרכזית למחשוב חברתי ואינטליגנציה קוגניטיבית (אוניברסיטת דליאן לטכנולוגיה), משרד החינוך (מס' SCCl2025YB02).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
MATLABMathWorks<חזק>גרסה R2024aסביבת תוכנה למחשוב נומרי, עיבוד אותות ופיתוח GUI.
ארגז כלים לעיבוד אותותMathWorkshttps://ww2.mathworks.cn/en/products/signal.htmlארגז כלים לסינון דיגיטלי וניתוח זמן-תדירות
ארגז כלים לסטטיסטיקה ולמידת מכונהMathWorkshttps://ww2.mathworks.cn/en/products/statistics.htmlארגז כלים לאימון מודלים וניתוח סטטיסטי

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

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

מאמרים קשורים