STFEEG-Tool: Uno strumento di analisi EEG per immagini motorie e interfacce cervello-computer
March 10th, 2026
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.
Questo lavoro sviluppa una cassetta degli attrezzi basata su GUI per immagini motorie divertenti, decodifica EEG e analisi spazio-temporale interpretabile. Le piattaforme esistenti non dispongono di una configurazione integrata a griglia divertente spaziale, temporale e di frequenza con una visualizzazione intuitiva per l'analisi EEG delle immagini motorie. Per cominciare, scarica lo strumento STFEEG dal repository online.
Scomprimi il file scaricato in una cartella locale e localizza il file di installazione, STFEEG-Tool. mlappinstall, nei contenuti estratti. Doppio clic su STFEEG-Tool.
MLAPPINSTALL per avviare l'installatore e seguire le istruzioni sullo schermo per completare l'installazione. Dopo aver scaricato il file MAT di esempio, avvia l'interfaccia grafica dello strumento STFEEG per aprire la finestra di Analisi EEG delle Immagini Motorie. Nel pannello Caricamento Dati, clicca su Browser accanto a Percorso Dati e seleziona la cartella che contiene il file MAT preparato.
Ora, clicca su Browser accanto a Salva percorso e seleziona una cartella di output per i risultati. Clicca su Carica nel pannello Caricamento Dati per importare il file MAT. Nel pannello Strategia di Segmentazione dell'interfaccia grafica principale, clicca su Modifica per aprire la finestra di configurazione Segmentazione dove sono già fornite le impostazioni dei parametri predefinite.
Per configurare le finestre temporali, seleziona la scheda Finestre Temporali nella finestra di configurazione. Inserisci i valori di inizio, fine e intervallo per definire finestre temporali. Poi clicca su Aggiungi per aggiungere le finestre generate alla lista.
Per eliminare una finestra esistente, clicca con il tasto destro sulla riga corrispondente nella tabella e seleziona Elimina. Per configurare le bande di frequenza dei filtri, seleziona la scheda Bande di Frequenza nella finestra di configurazione. Inserisci i valori di inizio, fine e intervallo per definire le bande di frequenza.
Poi clicca su Aggiungi per aggiungere le bande generate all'elenco. Per eliminare una banda di frequenza esistente, clicca con il tasto destro sulla riga corrispondente nella tabella e seleziona Elimina. Per configurare la segmentazione spaziale per gruppi di canali, seleziona la scheda Segmentazione Spaziale nella finestra di configurazione.
Clicca su Browser accanto a Gruppi di canali per selezionare un file MAT per definizione di gruppo di canali. Clicca su Sostituisci 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.
Clicca su OK in basso nella finestra di Segmentazione per applicare le finestre temporali aggiornate, le bande di frequenza e la segmentazione spaziale. Il pannello Strategia di Segmentazione dell'interfaccia grafica principale viene aggiornato di conseguenza. Nel pannello Configurazione Classificazione, seleziona il metodo Estrazione Caratteristica dal menu a tendina.
Imposta nCSP per mantenere le caratteristiche da entrambe le estremità del vettore di caratteristiche. Poi seleziona i classificatori selezionando le caselle corrispondenti. Imposta il Numero delle Bande di Selezione per specificare quanti segmenti o caratteristiche a grana fine vengono mantenuti nella selezione basata su wrapper.
Imposta la validazione incrociata per specificare il numero di pieghe per la validazione incrociata k-fold sui dati del treno e sull'etichetta del treno. Poi clicca su Cross-Validation per eseguire la k-fold cross-validation. Consulta il riepilogo delle prestazioni visualizzato nel pannello Risultati.
Rivedere la Mappa Topografica Tempo-Frequenza per identificare schemi discriminativi tra tempo, frequenza e regioni del cuoio capelluto. Consulta la Mappa di Significatività dei Gruppi di Elettrodi per identificare i gruppi di canali che contribuiscono maggiormente alla decodifica. La Mappa Topografica Tempo-Frequenza illustrava la distribuzione spaziale dei modelli EEG discriminatori tra segmenti di frequenza e temporali.
La Mappa di Significatività dei Gruppi di Elettrodi ha quantificato il contributo dei gruppi di elettrodi predefiniti alle prestazioni di decodifica. Questo protocollo standardizzava sia la decodifica della valutazione quantitativa sia la visualizzazione dei pattern EEG motori specifici per il soggetto. Una sfida chiave è garantire che la classificazione pre-elaborata e la segmentazione multiscala rimangano flessibili e praticabili tra diversi dataset.
Questo flusso di lavoro può individuare un'analisi interpretabile delle differenze specifiche del soggetto e guidare lo sviluppo di modelli di decodifica MI-EEG più adattivi e generalizzabili.
View the full transcript and gain access to thousands of scientific videos
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.
