Articolo metodologico

STFEEG-Tool: Uno strumento di analisi EEG per immagini motorie e interfacce cervello-computer

DOI:

10.3791/70425

⸱

10 marzo 2026

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

In questo articolo

Sommario

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

Questo studio presenta un protocollo standardizzato e riproducibile per implementare lo strumento di analisi EEG Space-Temporal-Frequency (STFEEG) per la decodifica EEG con immagini motorie, incorporando segmentazione configurabile spazio-temporale-frequenza, estrazione di caratteristiche basata su Common Spatial Patterns (CSP), algoritmi di classificazione multipla e capacità di visualizzazione.

Abstract

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

Le interfacce di immagini motorie-cervello-computer (MI-BCI) hanno dimostrato un potenziale significativo per la neuroriabilitazione e le neuroscienze cognitive. Tuttavia, un flusso di lavoro MI-EEG standardizzato e riproducibile per l'analisi delle caratteristiche spazio-temporali configurabile rimane limitato, e molte pipeline richiedono configurazioni complesse e accordi dei parametri con interpretabilità limitata, ostacolando l'implementazione pratica e la generalizzazione. Per affrontare queste sfide, è stato sviluppato uno strumento STFEEG per fornire un flusso di lavoro facile da usare, standardizzato e interpretabile per la decodifica EEG nei paradigmi MI. STFEEG-Tool consente una configurazione fine della segmentazione temporale, a banda di frequenza e spaziale, consentendo l'estrazione di caratteristiche MI multiscala. La cassetta degli attrezzi integra molteplici algoritmi di estrazione delle caratteristiche, inclusi i common spatial patterns (CSP) e il CSP basato sulla divergenza (div-CSP), insieme a vari classificatori, come le macchine a vettori di supporto (SVM), il classificatore di regressione di cresta e il classificatore a lasso. Viene fornita una mappa topografica dinamica tempo-frequenza del cuoio capelluto per riassumere i modelli spaziali tra segmenti tempo-frequenza e supportare l'interpretazione dei risultati di decodifica. Nel complesso, STFEEG-Tool funge da piattaforma riproducibile ed estensibile per un'analisi MI-EEG a grana fine, facilitando la traduzione di pipeline di decodifica a grana fine in applicazioni pratiche e orientate all'utente.

Introduzione

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

Le interfacce cerebro-computer a immagine motoria (MI-BCI) consentono una comunicazione diretta tra il cervello umano e dispositivi esterni senza richiedere attività muscolareperiferica 1. Negli ultimi anni, la tecnologia MI-BCI è stata ampiamente applicata nellaneuroriabilitazione 2, nel controlloassistivo 3 e nell'interazione uomo-computer4. Queste applicazioni evidenziano la necessità di flussi di lavoro di analisi accessibili e riproducibili che possano essere adottati in modo affidabile da ricercatori e clinici, inclusi utenti con competenze limitate in programmazione.

Gli approcci convenzionali di decodifica MI-EEG si basano prevalentemente su filtraggio spaziale e quadri di classificazione lineare. Metodi come il Common SpatialPattern 5 (CSP) e il CSP6 basato sulla divergenza (div-CSP) sono stati ampiamente utilizzati per estrarre caratteristiche spaziali discriminative da segnali EEG multicanale. Per estrarre ulteriormente caratteristiche tra componenti di frequenza distinte, sono stati ampiamente esplorati il Filter Bank CSP7 (FBCSP) e il CSP Sub-band 8,9 (SBCSP). Inoltre, la segmentazione temporale è stata integrata nel processo di estrazione delle caratteristiche dividendo ogni tentativo in più intervalli di tempo, permettendo la cattura di pattern discriminatori in evoluzione e migliorando ulteriormente le prestazioni di decodifica 10,11,12. Per aumentare la discriminabilità delle caratteristiche estratte, sono state introdotte varie strategie di selezione delle caratteristiche per ridurre la ridondanza e mitigare l'overfitting 13,14,15. Per la classificazione, i modelli tradizionali di machine learning come le macchine a vettori di supporto16 e i classificatori di regressioneregolarizzati 17, 18, 19 continuano a essere ampiamente utilizzati grazie alla loro interpretabilità e efficienza computazionale.

Nonostante la loro efficacia, questi approcci sono tipicamente implementati in codebase personalizzate e specifiche per dataset, il che complica il riutilizzo sistematico e la verifica indipendente. Sono state sviluppate diverse piattaforme software basate su interfaccia grafica utente (GUI) per supportare l'analisi EEG e la ricerca BCI. Ad esempio, EEGLAB20 offre una suite completa di funzioni per la pre-elaborazione EEG, l'analisi tempo-frequenza, l'estrazione delle caratteristiche, la classificazione e la visualizzazione avanzata. La sua architettura altamente modulare ed estensibile ha permesso un'ampia adozione nel campo della ricerca EEG. BCILAB21, in integrazione con EEGLAB, incorpora oltre 100 algoritmi di elaborazione del segnale e apprendimento automatico che coprono l'intera pipeline di decodifica, dalla preprocessing alla classificazione. Analogamente,OpenViBE 22 offre un ambiente di programmazione visiva per progettare flussi di lavoro BCI in tempo reale, in cui gli utenti possono assemblare pipeline di elaborazione del segnale collegando graficamente componenti modulari. La piattaforma è particolarmente adatta all'acquisizione online di EEG e ai paradigmi stimolo-risposta in tempo reale, ed è stata ampiamente utilizzata nello sviluppo e nel test di applicazioni interattive BCI. Inoltre, PyNoetic, un framework modulare Python per lo sviluppo di interfacce cervello-computer EEG senza codice, consente la costruzione end-to-end di workflow BCI tramite un'interfaccia grafica integrata che supporta acquisizione dati, preprocessing, estrazione di funzionalità eclassificazione 23. A differenza degli strumenti precedenti che richiedono una consistente configurazione manuale o scripting, PyNoetic offre un livello di astrazione più elevato per la progettazione delle pipeline, consentendo l'assemblaggio e la riconfigurazione flessibili delle fasi di elaborazione senza programmazione a basso livello. In molti studi MI-EEG, queste piattaforme possono già supportare la pre-elaborazione di routine, l'estrazione convenzionale delle caratteristiche e la decodifica e valutazione di baseline.

Diverse piattaforme basate su GUI supportano l'analisi MI-EEG tramite preprocessing standardizzato, estrazione di caratteristiche e decodifica di base (Tabella 1). Tuttavia, mancano di ottimizzazione per la decomposizione a grana sottile in frequenza spaziale e tempo, inclusa la partizionazione spaziale definita dall'utente e la visualizzazione cross-dominio. Per rispondere a queste esigenze metodologiche, è stato precedentemente proposto un quadro di decodifica spazio-temporale in frequenza perMI-EEG 24 , che modellava congiuntamente gruppi di elettrodi spaziali, sottobande di frequenza e segmenti temporali per migliorare le prestazioni di decodifica e migliorare l'interpretabilità multidominio. Sulla base di questo quadro, lo strumento di analisi EEG Spazio-Temporale-Frequenza (STFEEG-Tool) è stato sviluppato come una cassetta degli attrezzi basata su interfaccia grafica utente (GUI) che standardizza la decodifica MI-EEG a grana fine all'interno di un flusso di lavoro configurabile e riproducibile, pur rimanendo compatibile con le toolchain EEG esistenti.

STFEEG-Tool integra la preparazione dei dati, la preelaborazione, la segmentazione spazio-temporale-frequenza, l'estrazione delle caratteristiche, la selezione, la classificazione e la visualizzazione delle caratteristiche basate su wrapper in una pipeline unificata. Invece di sostituire le cassette degli attrezzi EEG consolidate, le integra attraverso specifiche trasparenti dei parametri, esecuzione coerente della pipeline e visualizzazione informata dal modello per supportare un'analisi a grana fine.

I principali contributi di questo lavoro sono tre. Innanzitutto, STFEEG-Tool offre un flusso di lavoro GUI end-to-end, facile da usare e con configurazione standardizzata dei parametri per una decodifica MI-EEG a grana fine. In secondo luogo, consente la segmentazione spazio-temporale-frequenzale su scala multipla, inclusa la decomposizione spaziale definita dall'utente, che non è costantemente disponibile sulle piattaforme generiche. In terzo luogo, migliora l'interpretabilità attraverso mappe topografiche tempo-frequenza e mappe di significatività per gruppi di elettrodi che riassumono i contributi discriminatori e rivelano pattern MI specifici del soggetto tra i domini.

La cassetta degli attrezzi è open source ed è disponibile su: https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

I dati utilizzati in questo protocollo sono stati ottenuti da dataset pubblici e non identificati. Le procedure originali di raccolta dati sono state condotte in conformità con gli standard etici delle rispettive istituzioni; Pertanto, non era necessaria un'ulteriore approvazione istituzionale per questa analisi secondaria.

La Figura 1 illustra il flusso di lavoro complessivo dello strumento di analisi dell'elettroencefalografia a frequenza spaziale-temporale. Segui i passaggi seguenti per configurare ogni modulo e riprodurre il protocollo di decodifica a grana spaziale in frequenza e tempo. Il software utilizzato in questo studio è elencato nella Tabella dei Materiali.

1. Preparazione del software e del pacchetto STFEEG-Tool

  1. Installare un ambiente di calcolo numerico che supporti l'elaborazione dei file MAT e l'esecuzione di GUI (vedi Tabella dei Materiali).
  2. Scarica STFEEG - Tool dal repository online, scomprimilo in una cartella locale e trova il file di installazione STFEEG-Tool.mlappinstall.
  3. Fai doppio clic su STFEEG - Tool.mlappinstall, e segui le istruzioni a schermo per completare l'installazione.
  4. Apri la scheda App, verifica che STFEEG-Tool appare nella lista delle app installate (Figura 2) e clicca sopra per avviare l'interfaccia grafica (Figura 3).

2. Preparazione del file MAT dei dati di input

  1. Crea un file MAT (.mat) contenente quattro variabili chiamate TrainData, TrainLabel, TestData e TestLabel.
    1. Memorizza TrainData e TestData come array 3D di dimensioni N trial ×canali N ×N punti temporali.
    2. Memorizza TrainLabel e TestLabel come Nprove × vettori di 1 colonna di etichette di classe intera, utilizzando una codifica coerente tra set di addestramento e test.
      NOTA: Costruire TrainData e TestData da sessioni o blocchi di registrazione non sovrapposti per prevenire la fuga di informazioni.
  2. Assicurati che TrainData e TestData condividano lo stesso ordine di canale e frequenza di campionamento (Hz).
  3. (Opzionale) Scarica il file MAT di esempio fornito (Data.mat) basato sulla BCI Competition IV 2a dal repository pubblico per testare rapidamente il software.

3. Avvio della GUI e dei percorsi impostati

  1. Avvia la GUI STFEEG - Tool per aprire la finestra di Analisi MI-EEG (Figura 3).
  2. Nel pannello Caricamento dati , clicca su Browser accanto a Percorso dati e seleziona la cartella che contiene il file MAT preparato.
  3. Conferma che la frequenza di campionamento F mostrata nell'interfaccia grafica corrisponda alla frequenza di campionamento (Hz) del dataset.
  4. Clicca su Browser accanto a Salva percorso e seleziona una cartella di output per memorizzare i risultati (ad esempio, file di configurazione, file di modello ed etichette previste).
  5. (Opzionale) Specifica il percorso del modello in base all'uso previsto.
    1. Per salvare un modello durante l'addestramento, clicca su Browser accanto a Percorso Modello e seleziona una cartella di destinazione; se il percorso del modello è lasciato vuoto, il software salva automaticamente il modello in Save Path.
    2. Per caricare un modello preaddestrato per il test, clicca su Browser accanto a Percorso Modello e seleziona la cartella che contiene i file del modello salvati.
  6. Clicca su Carica nel pannello Caricamento Dati per importare il file MAT. Il software controlla automaticamente le variabili richieste e i percorsi selezionati, e carica il dataset se non vengono segnalati errori.

4. Configurazione della preelaborazione (filtraggio passa-banda)

  1. Usa le impostazioni predefinite del filtro passabanda mostrate nell'interfaccia grafica (Order = 5, Fc1 = 5 Hz, Fc2 = 35 Hz, tipo filtro = IIR) a meno che non sia necessaria una configurazione di preprocessing diversa.
  2. (Opzionale) Inserisci l'ordine del filtro per sovrascrivere il valore predefinito.
  3. (Opzionale) Inserisci le frequenze di cutoff inferiore e superiore (Fc1 e Fc2) in Hz per sovrascrivere i valori predefiniti.
  4. (Opzionale) Seleziona il tipo di filtro dal menu a tendina per sovrascrivere l'opzione predefinita.
  5. Clicca su OK per confermare la configurazione della pre-elaborazione. Se non vengono apportate modifiche, il software applica le impostazioni predefinite mostrate nel pannello.

5. Configurazione della strategia di segmentazione a grana fine

  1. Nel pannello Strategia di Segmentazione dell'interfaccia grafica principale, clicca su Modifica per aprire la finestra di configurazione Segmentazione .
  2. Configura le finestre temporali.
    1. Seleziona la scheda Finestre Temporali.
    2. Esamina la lista delle finestre esistente mostrata nella tabella (Figura 4).
    3. (Opzionale) Per aggiungere finestre, inserisci i valori Start, End e Interval , e clicca su Add per aggiungere le finestre generate all'elenco.
    4. (Opzionale) Per eliminare una finestra esistente, clicca con il tasto destro sulla riga corrispondente nella tabella e seleziona Elimina.
  3. Configura le bande di frequenza dei filtri.
    1. Seleziona la scheda Bande di frequenza (Figura 5).
    2. Esamina l'elenco delle bande di frequenza esistente mostrato nella tabella.
    3. (Opzionale) Per aggiungere bande, inserisci i valori Start (Hz), End (Hz) e Intervallo , e clicca su Add per aggiungere le bande generate all'elenco.
    4. (Opzionale) Per eliminare una banda esistente, clicca con il tasto destro sulla riga corrispondente nella tabella e seleziona Elimina.
  4. Configurare la segmentazione spaziale per gruppi di canali (Figura 6).
    1. Seleziona la scheda Segmentazione Spaziale .
    2. Rivedi le assegnazioni dei gruppi di canale nella lista Gruppi di Numeri di Canale .
    3. (Opzionale) Per sostituire la configurazione attuale del gruppo di canali, clicca su Browser accanto a Gruppi di canali per selezionare un file MAT per definizione di gruppo di canali.
    4. (Opzionale) Per abilitare visualizzazioni del cuoio capelluto, clicca su Browser accanto a Posizione del Canale per selezionare il file di localizzazione del canale per i canali del dataset.
      NOTA: Il repository pubblico fornisce savedChCell.mat (definizioni dei gruppi di canali) e channel_locations_22ch.txt (coordinate scalp a 22 canali per BCI Competition IV 2a), che possono essere usate direttamente con i dati di esempio inclusi.
    5. (Opzionale) Clicca su Invia per caricare il file del gruppo di canali selezionato e aggiornare la lista Gruppi di Numeri di Canale . Se un file di localizzazione del canale è stato selezionato in Posizione del Canale, lo strumento lo carica anche per visualizzazioni successive del cuoio capelluto (Figura 7).
  5. Applica e verifica le impostazioni di segmentazione.
    1. Dopo aver completato le impostazioni in tutte le schede, clicca su OK in basso nella finestra di Segmentazione per applicare le finestre temporali aggiornate, le bande di frequenza e la segmentazione spaziale.
    2. Torna all'interfaccia grafica principale e conferma che le bande temporali, le bande di frequenza e i gruppi di canali aggiornati siano riflessi nel pannello Strategia di Segmentazione.

6. Configurazione dell'estrazione delle caratteristiche, dei classificatori e della validazione incrociata

  1. Nel pannello Configurazione Classificazione , seleziona il metodo Estrazione Caratteristica dal menu a tendina.
    NOTA: Descrizioni dettagliate di CSP e div-CSP sono fornite nel File Supplementare 1.
  2. Imposta nCSP per selezionare le caratteristiche CSP da entrambe le estremità del vettore di caratteristiche. Lo strumento conserva i primi componenti nCSP e gli ultimi nCSP (in totale 2 × funzionalità nCSP ).
  3. Seleziona il/i classificatore/i selezionando le caselle corrispondenti (SVM, Ridge-Optimal, Lasso-Optimal).
    NOTA: Le descrizioni dei tre classificatori sono fornite nel File Supplementare 2.
  4. Imposta il Numero delle Bande di Selezione per specificare quanti segmenti/caratteristiche a grana fine vengono mantenuti nella selezione basata su wrapper.
  5. Imposta la validazione incrociata per specificare il numero di pieghe per la validazione incrociata k-fold su TrainData/TrainLabel.
  6. (Opzionale) Abilita Parallel per accelerare il calcolo quando vengono valutati più segmenti e classificatori, se sono disponibili risorse computazionali sufficienti.
  7. Clicca su Cross - Validazione per eseguire la validazione incrociata k-fold su TrainData/TrainLabel e addestrare il modello finale, poi testare il modello finale su TestData/TestLabel.
    NOTA: Se vengono selezionati più classificatori, lo strumento seleziona e salva automaticamente il modello con la massima accuratezza di validazione incrociata, per poi usarlo per la valutazione del set di test.

7. Visualizzazione dei risultati e delle visualizzazioni

  1. Dopo aver cliccato su Cross - Validation nel Passo 6, rivedere il riepilogo delle prestazioni visualizzato nel pannello Risultati , inclusi Accuratezza di Validazione/Kappa, Accuratezza del Test/Kappa e il Tempo di Addestramento per Piega e Tempo di Prova per Piega. Annota questi valori per il report.
    NOTA: L'accuratezza di validazione/Kappa è riportata come la precisione media k-fold di validazione incrociata/kappa25 calcolata su TrainData/TrainLabel. L'accuratezza del test/Kappa viene riportata come la precisione media del set di test/kappa 25 ottenuta valutando il miglior modello di ciascun piegamento su TestData/TestLabel e facendo la media dei risultati del test tra le pieghe.
  2. Ispeziona gli output di visualizzazione visualizzati nel pannello Risultati .
    1. Esamina la mappa topografica tempo-frequenza per identificare schemi discriminativi tra tempo, frequenza e regioni del cuoio capelluto.
    2. Consulta la Mappa di Significatività dei Gruppi di Elettrodi per identificare i gruppi di canali che contribuiscono maggiormente alla decodifica.
      NOTA: Definizioni dettagliate, procedure di costruzione e linee guida per l'interpretazione di entrambe le mappe sono fornite nel File Supplementare 3.
  3. (Opzionale) Esegui una valutazione basata solo sui test utilizzando un modello precedentemente addestrato.
    1. Clicca su Test Load Model per caricare un modello preaddestrato dal Model Path e valutarlo sull'input corrente TestData/TestLabel.
    2. Seleziona la cartella Model Path salvata durante l'addestramento (Passo 3.5) e mantieni invariata la struttura delle directory. Assicurati che model.mat sia nella cartella selezionata e param.mat nella cartella genitore, poiché entrambi sono necessari per caricare il modello e riprodurre le visualizzazioni.
    3. Conferma che, in questa modalità, l'interfaccia grafica riporti l'accuratezza di test e il tempo di test per piega per il modello caricato, e i pannelli di visualizzazione si aggiornano di conseguenza.
    4. (Opzionale) Trova i risultati esportati nella directory di salvataggio, che include etichette previste e vere per ulteriori test statistici.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Lo STFEEG-Tool è stato convalidato sia sulla BCI Competition IV 2a26 che sulla BCI Competition III 3a27, e il sistema ha eseguito con successo l'intera pipeline di decodifica in entrambi i casi. È stato seguito il protocollo fisso tra sessioni della BCI Competition IV 2a: allenamento nella Sessione 1 e valutazione nella Sessione 2 tenuta, registrato in due giorni separati. Con la stessa configurazione utilizzatanel precede...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

STFEEG-Tool è progettato come un toolbox specifico MI-EEG che integra ecosistemi EEG consolidati come EEGLAB20, BCILAB21, OpenViBE22, PyNoetic23. Sebbene queste piattaforme forniscano componenti flessibili per la decodifica MI, una configurazione spazio-temporale a grana fine e l'interpretazione informata dal modello possono richiedere un'integrazione aggiuntiva tra le fasi di elaborazione. Qu...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori non hanno conflitti di interesse da dichiarare.

Ringraziamenti

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

Questo lavoro è stato sostenuto in parte dalla Fondazione Nazionale per le Scienze Naturali della Cina (n.62401342 e n.62271291), dalla Fondazione per le Scienze Naturali della provincia di Shandong (n.ZR2024QF092, ZR2024LZH007 e ZR2025ZD24), dalla Fondazione per la Ricerca di Base e Applicata del Guangdong (n.2025A1515011826), dal Programma di Ricerca Fondamentale di Shenzhen (n.JCYJ20250604124702003), dal Laboratorio Chiave Provinciale di Filosofia e Scienze Sociali del Sichuan per l'Intelligenza Linguistica nell'Educazione Speciale (n. YYZN-2025-11), il Programma Nazionale Chiave di Ricerca e Sviluppo della Cina (n.2024YFC2418300 e 2024YFC2418303), e il Laboratorio Chiave di Calcolo Sociale e Intelligenza Cognitiva (Università Tecnologica di Dalian), Ministero dell'Istruzione (n. SCCl2025YB02).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
MATLABMathWorksVersione R2024aAmbiente software per calcolo numerico, elaborazione del segnale e sviluppo di interfacce grafiche.
Cassetta degli attrezzi per l'elaborazione del segnaleMathWorkshttps://ww2.mathworks.cn/en/products/signal.htmlCassetta degli attrezzi per filtraggio digitale e analisi tempo-frequenza
Cassetta degli attrezzi per statistica e machine learningMathWorkshttps://ww2.mathworks.cn/en/products/statistics.htmlCassetta degli attrezzi per l'addestramento dei modelli e l'analisi statistica

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

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

Articoli correlati