STFEEG-Tool: כלי לניתוח EEG בתדר מרחבי-זמני לממשקי דימות מוטורי מוח-מחשב
10 במרץ 2026
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.
עבודה זו מפתחת ארגז כלים מבוסס ממשק גרפי לדימות מנועי רשת מהנים, פענוח EEG וניתוח תדרים מרחבי-זמניים שניתן לפרש. פלטפורמות קיימות חסרות תצורת רשת משולבת במרחב, זמן ותדר עם ויזואליזציה אינטואיטיבית לניתוח EEG של תמונות מוטוריות. כדי להתחיל, הורידו את כלי STFEEG מהמאגר המקוון.
פתח את הקובץ שהורד לתיקייה מקומית ומצא את קובץ המתקין, STFEEG-Tool. mlappinstall, בתוכן שנחלץ. לחצו פעמיים על STFEEG-Tool.
mlappinstall כדי להפעיל את המתקין ולעקוב אחרי ההוראות שעל המסך כדי להשלים את ההתקנה. לאחר הורדת קובץ MAT-file לדוגמה, הפעל את ממשק המשתמש הגרפי של STFEEG Tool כדי לפתוח את חלון ניתוח EEG של תמונות מוטוריות. בלוח טעינת הנתונים, לחץ על דפדפן ליד נתיב הנתונים ובחר את התיקייה המכילה את קובץ ה-MAT המוכן.
עכשיו, לחץ על דפדפן ליד Save Path ובחר תיקיית פלט לתוצאות. לחץ על טעינה בלוח טעינת הנתונים כדי לייבא את קובץ ה-MAT. בפאנל אסטרטגיית הסגמנטציה בממשק המשתמש הגרפי הראשי, לחץ על עריכה כדי לפתוח את חלון קונפיגורציית הסגמנטציה שבו כבר מוצגות הגדרות הפרמטרים ברירת המחדל.
כדי להגדיר את חלונות הזמן, בחר בלשונית Temporal Windows בחלון ההגדרה. הזן את ערכי ההתחלה, הסיום והאינטרוול כדי להגדיר חלונות זמניים. לאחר מכן לחץ על Add כדי להוסיף את החלונות שנוצרו לרשימה.
כדי למחוק חלון קיים, לחץ קליק ימני על השורה המתאימה בטבלה ובחר מחק. כדי להגדיר תחומי תדרים של בנק המסננים, בחר בלשונית תחומי תדרים בחלון ההגדרות. הזן את ערכי ההתחלה, הסוף והמרווחים כדי להגדיר תחומי תדרים.
לאחר מכן לחץ על הוסף כדי להוסיף את הרצועות שנוצרו לרשימה. כדי למחוק תחום תדרים קיים, לחץ קליק ימני על השורה המתאימה בטבלה ובחר מחיקה. כדי להגדיר סגמנטציה מרחבית לפי קבוצות ערוצים, בחר בלשונית Spatial Segmentation בחלון ההגדרה.
לחץ על דפדפן ליד קבוצות הערוצים כדי לבחור קובץ MAT-בהגדרת קבוצת ערוצים. לחץ על Replace כדי לטעון את קובץ קבוצות הערוצים הנבחר ולעדכן את רשימת קבוצות מספרי הערוצים. אם נבחר קובץ מיקום ערוץ במיקום ערוץ, הכלי גם טוען אותו לוויזואליזציות נוספות של הקרקפת.
לחצו על OK בתחתית חלון הסגמנטציה כדי להחיל את חלונות הזמן, תחומי התדרים והסגמנטציה המרחבית המעודכנים. לוח אסטרטגיית הסגמנטציה בממשק המשתמש הגרפי הראשי מתעדכן בהתאם. בלוח תצורת הסיווג, בחר בשיטת Feature Extraction מתוך תפריט הנפתח.
הגדר את nCSP לשמור על תכונות משני קצות וקטור התכונות. לאחר מכן בחר את המסווגים על ידי סימון התיבות המתאימות. הגדר את מספר תחומי הבחירה כדי לציין כמה מקטעים או תכונות עדינות נשמרים בבחירה מבוססת מעטפת.
הגדר אימות צולב כדי לציין את מספר הקיפולים עבור אימות צולב k-fold על נתוני הרכבת ותווית הרכבת. לאחר מכן לחצו על Cross-Validation כדי לבצע אימות צולב k-fold. עיין בסיכום הביצועים המוצג בפאנל התוצאות.
עיין במפת הטופוגרפיה של זמן-תדירות כדי לזהות דפוסים מובחנים לאורך זמן, תדירות ואזורים בקרקפת. בדוק את מפת המשמעות של קבוצת האלקטרודות כדי לזהות קבוצות ערוצים התורמות ביותר לפענוח. המפה הטופוגרפית של זמן-תדר הדגימה את ההתפלגות המרחבית של דפוסי EEG מובחנים בין קטעי תדר וזמן.
מפת המשמעות של קבוצת האלקטרודות כימתה את תרומתן של קבוצות אלקטרודות מוגדרות מראש לביצועי פענוח. פרוטוקול זה תקן הן את הערכת כמותית והן את ההמחשה של דפוסי EEG של דימות מוטורי ספציפי לנבדק. אתגר מרכזי הוא להבטיח שסיווג קדם-עיבוד וסגמנטציה רב-קנית יישארו גמישים ומעשיים בין מאגרי נתונים שונים.
תהליך עבודה זה יכול לזהות ניתוח ניתן לפענוח של הבדלים ספציפיים לנושא, ולהנחות פיתוח מודלים אדפטיביים וכלליים יותר של MI-EEG.
צפו בתמליל המלא וקבלו גישה לאלפי סרטונים מדעיים
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.
