방법 논문

STFEEG-도구: 운동 영상 뇌-컴퓨터 인터페이스를 위한 시공간-시간-주파수 EEG 분석 도구

DOI:

10.3791/70425

⸱

2026년 3월 10일

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

이 논문에서

요약

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

본 연구는 운동 영상 EEG 디코딩을 위한 시공간-시간-주파수 EEG 분석 도구(STFEEG)를 구현하기 위한 표준화되고 재현 가능한 프로토콜을 제시하며, 구성 가능한 시공간 주파수 분할, 공통 공간 패턴(CSP) 기반 특징 추출, 다중 분류 알고리즘 및 시각화 기능을 포함합니다.

초록

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

운동 영상-뇌-컴퓨터 인터페이스(MI-BCI)는 신경재활과 인지 신경과학에서 상당한 잠재력을 보여주었습니다. 그러나 구성 가능한 시공간-시간-주파수 특징 분석을 위한 표준화되고 재현 가능한 MI-EEG 워크플로우는 제한적이며, 많은 파이프라인은 해석 가능성이 제한된 복잡한 구성 및 매개변수 조정을 필요로 하여 실용적인 배포와 일반화를 방해합니다. 이러한 문제를 해결하기 위해 MI 패러다임에서 EEG 디코딩을 위한 사용자 친화적이고 표준화되며 해석 가능한 워크플로우를 제공하는 STFEEG 도구가 개발되었습니다. STFEEG-Tool은 시간, 주파수 대역, 공간 분할의 세분화된 구성을 가능하게 하여 다중 스케일 MI 특징을 추출할 수 있게 합니다. 이 툴박스는 공통 공간 패턴(CSP)과 발산 기반 CSP(div-CSP) 등 여러 특징 추출 알고리즘과 지지 벡터 기계(SVM), 능선 회귀 분류기, 라쏘 분류기와 같은 다양한 분류기를 통합합니다. 동적인 시간-주파수 두피 지형도가 제공되어 시간-주파수 구간 간 공간 패턴을 요약하고 디코딩 결과 해석을 지원합니다. 전반적으로 STFEEG-Tool은 미세한 MI-EEG 분석을 위한 재현 가능하고 확장 가능한 플랫폼으로서, 세밀한 디코딩 파이프라인을 실용적이고 사용자 지향적인 응용으로 전환하는 데 도움을 줍니다.

서론

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

운동 영상 뇌-컴퓨터 인터페이스(MI-BCI)는 말초 근육 활동 없이 인간 뇌와 외부 장치 간에 직접 소통할 수 있게 합니다. 최근 몇 년간 MI-BCI 기술은 신경재활2, 보조 제어3, 인간-컴퓨터 상호작용4에 널리 적용되고 있습니다. 이러한 응용 분야는 프로그래밍 전문성이 제한된 사용자를 포함한 연구자와 임상의가 신뢰성 있게 채택할 수 있는 접근 가능하고 재현 가능한 분석 워크플로우의 필요성을 강조합니다.

기존의 MI-EEG 디코딩 방법은 주로 공간 필터링과 선형 분류 프레임워크에 기반합니다. 공통 공간 패턴5(CSP)와 발산 기반 CSP6(div-CSP)와 같은 방법들이 다중 채널 EEG 신호에서 구별적 공간 특징을 추출하는 데 널리 사용되어 왔습니다. 서로 다른 주파수 구성 요소 간의 특징을 더 추출하기 위해 필터 뱅크 CSP7(FBCSP)과 서브밴드 CSP 8,9(SBCSP)를 광범위하게 탐구했습니다. 또한, 각 시도를 여러 시간 구간으로 나누어 시간 분할을 통해 시간 분할이 특징 추출 과정에 통합되어 진화하는 판별 패턴을 포착하고 복호화 성능을 더욱 향상시켰습니다 10,11,12. 추출된 특징의 식별 가능성을 높이기 위해, 중복을 줄이고 과적합을 완화하기 위해 다양한 특징 선택 전략이 도입되었습니다 13,14,15. 분류 분야로는 해석 가능성과 계산 효율성 덕분에 지지 벡터 기계16과 정규화 회귀 분류기17, 18, 19와 같은 전통적인 기계 학습 모델이 여전히 널리 사용되고 있습니다.

효과에도 불구하고, 이러한 접근법은 일반적으로 맞춤화된 데이터셋 전용 코드베이스로 구현되어 체계적인 재사용과 독립적인 검증이 복잡합니다. EEG 분석과 BCI 연구를 지원하기 위해 여러 그래픽 사용자 인터페이스(GUI) 기반 소프트웨어 플랫폼이 개발되었습니다. 예를 들어, EEGLAB20 은 EEG 전처리, 시빈도 분석, 특징 추출, 분류, 고급 시각화 등 포괄적인 기능 모음을 제공합니다. 고도로 모듈화되고 확장 가능한 아키텍처는 EEG 연구 분야 내에서 광범위한 채택을 가능하게 했습니다. BCILAB21은 EEGLAB과 통합되어 전처리부터 분류까지 전체 디코딩 파이프라인에 걸쳐 100개 이상의 신호 처리 및 머신러닝 알고리즘을 통합합니다. 마찬가지로 OpenViBE22 는 사용자가 모듈러 컴포넌트를 그래픽적으로 연결하여 신호 처리 파이프라인을 조립할 수 있는 실시간 BCI 워크플로우 설계를 위한 시각적 프로그래밍 환경을 제공합니다. 이 플랫폼은 온라인 EEG 획득과 실시간 자극-반응 패러다임에 특히 적합하며, 인터랙티브 BCI 애플리케이션 개발 및 테스트에 널리 사용되어 왔습니다. 또한, 코드 없는 EEG 뇌-컴퓨터 인터페이스 개발을 위한 모듈식 Python 프레임워크인 PyNoetic은 데이터 수집, 전처리, 특징 추출 및 분류를 지원하는 통합 GUI를 통해 종단 간 BCI 워크플로우 구축을 가능하게합니다. 이전 도구들이 상당한 수동 구성이나 스크립팅을 요구하는 것과 달리, PyNoetic은 파이프라인 설계에 더 높은 수준의 추상화를 제공하여 저수준 프로그래밍 없이도 유연하게 프로세싱 단계를 조립하고 재구성할 수 있게 합니다. 많은 MI-EEG 연구에서 이 플랫폼들은 이미 일상적인 전처리, 전통적인 특징 추출, 기저선 디코딩 및 평가를 지원할 수 있습니다.

여러 GUI 기반 플랫폼은 표준화된 전처리, 특징 추출, 기준선 디코딩을 통해 MI-EEG 분석을 지원합니다(표 1). 하지만 사용자 정의 공간 분할 및 교차 영역 시각화 등 세밀한 공간-주파수-시간 분해에 대한 최적화는 부족합니다. 이러한 방법론적 요구를 해결하기 위해, MI-EEG24 에 대한 세밀한 시공간 주파수 디코딩 프레임워크가 이전에 제안되었으며, 공간 전극 그룹, 주파수 하위 대역, 시간 구간을 공동 모델링하여 디코딩 성능을 향상시키고 다중 영역 해석 가능성을 향상시키는 방식입니다. 이 프레임워크를 바탕으로 공간-시간-주파수 EEG 분석 도구(STFEEG-Tool)가 그래픽 사용자 인터페이스(GUI) 기반 툴박스로 개발되었으며, 세부 MI-EEG 디코딩을 구성 가능하고 재현 가능한 워크플로우 내에서 표준화하면서도 기존 EEG 툴체인과 호환되도록 합니다.

STFEEG-Tool은 데이터 준비, 전처리, 시공간-주파수 분할, 특징 추출, 래퍼 기반 특징 선택, 분류 및 시각화를 통합하여 통합합니다. 기존 EEG 도구를 대체하기보다는, 투명한 매개변수 명세, 일관된 파이프라인 실행, 모델 기반 시각화를 통해 세밀한 분석을 지원합니다.

이 연구의 주요 기여는 세 가지입니다. 첫째, STFEEG-Tool은 표준 매개변수 구성과 함께 사용자 친화적인 종단 간 GUI 워크플로우를 제공하여 세밀한 MI-EEG 디코딩을 지원합니다. 둘째, 사용자 정의 공간 분해를 포함한 다중 스케일 시공간 분할을 가능하게 하는데, 이는 범용 플랫폼에서는 일관되게 제공되지 않습니다. 셋째, 판별적 기여를 요약하고 영역 전반에 걸쳐 피험자별 MI 관련 패턴을 드러내는 시간-주파수 지형도 및 전극 그룹 유의도 지도를 통해 해석 가능성을 향상시킵니다.

이 툴박스는 오픈 소스이며 다음 https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool 에서 이용할 수 있습니다

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

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

이 프로토콜에서 사용된 데이터는 공개된 식별 해제 데이터셋에서 얻었습니다. 원래의 데이터 수집 절차는 각 기관의 윤리 기준에 따라 수행되었으며; 따라서 이 2차 분석에 대해 추가적인 기관 승인은 필요하지 않았습니다.

그림 1 은 공간-시간-주파수 뇌파 분석 도구의 전체 워크플로우를 보여줍니다. 아래 단계를 따라 각 모듈을 구성하고 세밀한 공간-주파수-시간 디코딩 프로토콜을 재현하세요. 이 연구에 사용된 소프트웨어는 재료표에 나열되어 있습니다.

1. 소프트웨어 및 STFEEG-도구 패키지 준비

  1. MAT-파일 처리와 GUI 실행을 지원하는 수치 컴퓨팅 환경을 설치하세요(재료표 참조).
  2. 온라인 저장소에서 STFEEG - Tool 을 다운로드하고, 로컬 폴더로 압축을 풀고, 설치 파일 STFEEG-Tool.mlappinstall을 찾으세요.
  3. STFEEG - Tool.mlappinstall을 더블 클릭한 후 화면에 표시되는 안내를 따라 설치를 완료하세요.
  4. 앱 탭을 열고 STFEEG-Tool이 설치된 앱 목록에 나타나는지 확인한 후(그림 2), GUI를 실행하기 위해 클릭하세요(그림 3).

2. 입력 데이터 MAT-파일 준비

  1. TrainData, TrainLabel, TestData, TestLabel이라는 네 가지 변수를 포함하는 MAT 파일 (.mat)을 생성합니다.
    1. TrainData와 TestData를 N개의 채널× N개의시간점× 크기의 3D 배열로 저장합니다.
    2. TrainLabel과 TestLabel을 N개의 시험 × 정수 클래스 레이블의 1열 벡터로 저장하며, 훈련 및 테스트 세트 간에 일관된 인코딩을 사용합니다.
      참고: 정보 유출을 방지하기 위해 중복되지 않는 세션이나 기록 블록에서 TrainData 와 TestData 를 구성하세요.
  2. TrainData와 TestData가 동일한 채널 순서와 샘플링 주파수(Hz)를 공유하는지 확인하세요.
  3. (선택 사항) BCI Competition IV 2a 기반의 제공된 예제 MAT-파일(Data.mat)을 공개 저장소에서 다운로드하여 소프트웨어를 빠르게 테스트하세요.

3. GUI 실행 및 경로 설정

  1. STFEEG - 도구 GUI를 실행하여 MI-EEG 분석 창을 엽니다(그림 3).
  2. 데이터 로딩 패널에서 데이터 경로 옆의 브라우저를 클릭한 후 준비된 MAT 파일이 포함된 폴더를 선택하세요.
  3. GUI에 표시되는 샘플링 주파수 F가 데이터셋 샘플링 주파수(Hz)와 일치하는지 확인하세요.
  4. Save Path 옆의 브라우저를 클릭한 후 결과 저장 폴더(예: 구성 파일, 모델 파일, 예측 라벨)를 선택하세요.
  5. (선택 사항) 의도된 용도에 따라 모델 경로를 지정하세요.
    1. 학습 중 모델을 저장하려면 모델 경로 옆의 브라우저를 클릭하고 목적지 폴더를 선택하세요; 모델 경로가 비어 있으면 소프트웨어가 자동으로 모델을 저장합니다.
    2. 테스트용 사전 학습된 모델을 불러오려면, 모델 경로 옆의 브라우저를 클릭하고 저장된 모델 파일이 있는 폴더를 선택하세요.
  6. 데이터 로딩 패널에서 MAT-파일을 가져오려면 '로드'를 클릭하세요. 소프트웨어는 필요한 변수와 선택된 경로를 자동으로 확인하고, 오류가 보고되지 않으면 데이터셋을 불러옵니다.

4. 전처리 구성 (밴드패스 필터링)

  1. 다른 전처리 구성이 필요하지 않은 한 GUI에 표시된 기본 밴드패스 필터 설정(순서 = 5, Fc1 = 5 Hz, Fc2 = 35 Hz, 필터 유형 = IIR)을 사용하세요.
  2. (선택 사항) 기본 값을 덮어쓰기 위해 필터 Order 를 입력하세요.
  3. (선택 사항) 하부 및 상부 컷오프 주파수(Fc1 과 Fc2)를 Hz로 입력하면 기본 값을 무시합니다.
  4. (선택 사항) 드롭다운 메뉴에서 필터 유형을 선택하여 기본 옵션을 덮어쓰세요.
  5. 사전 처리 구성을 확인하려면 확인 을 클릭하세요. 변경이 없으면 소프트웨어가 패널에 표시된 기본 설정을 적용합니다.

5. 세분화 세분화 전략 구성

  1. 메인 GUI의 세분화 전략 패널에서 편집 을 클릭하여 세분화 구성 창을 엽니다.
  2. 시간 창을 설정하세요.
    1. Temporal Windows 탭을 선택하세요.
    2. 표에 표시된 기존 창 목록을 검토하세요(그림 4).
    3. (선택 사항) 창을 추가하려면 시작, 종료, 간격 값을 입력한 후 추가 를 클릭하여 생성된 창을 목록에 추가하세요.
    4. (선택 사항) 기존 창을 삭제하려면 테이블에서 해당 행을 우클릭한 후 삭제를 선택하세요.
  3. 필터 뱅크 주파수 대역을 설정하세요.
    1. 주파수 대역 탭(그림 5)을 선택하세요.
    2. 표에 표시된 기존 주파수 대역 목록을 검토하세요.
    3. (선택 사항) 밴드를 추가하려면 시작 (Hz), 끝 (Hz), 인터벌 값을 입력한 후 추가 를 클릭하여 생성된 밴드를 목록에 추가하세요.
    4. (선택 사항) 기존 밴드를 삭제하려면 해당 행을 우클릭한 후 삭제를 선택하세요.
  4. 채널 그룹별로 공간 분할을 구성하세요(그림 6).
    1. 공간 분할 탭을 선택하세요.
    2. 채널 번호 그룹 목록의 채널-그룹 할당을 검토하세요.
    3. (선택 사항) 현재 채널-그룹 구성을 대체하려면 채널 그룹 옆의 브라우저를 클릭하여 채널-그룹 정의 MAT 파일을 선택하세요.
    4. (선택 사항) 두피 시각화를 활성화하려면 채널 위치 옆의 브라우저를 클릭하여 데이터셋 채널의 채널 위치 파일을 선택하세요.
      참고: 공개 저장소는 저장된 ChCell.mat (채널 그룹 정의)와 channel_locations_22ch.txt (BCI Competition IV 2a용 22채널 스칼프 좌표)를 제공하며, 포함된 예제 데이터와 함께 직접 사용할 수 있습니다.
    5. (선택 사항) 선택한 채널 그룹 파일을 불러오고 채널 번호 그룹 목록을 업데이트하려면 교체를 클릭하세요. 채널 위치에서 채널 위치 파일이 선택된 경우, 도구는 이후 스칼프 시각화를 위해 해당 파일을 불러옵니다(그림 7).
  5. 세분화 설정을 적용하고 확인하세요.
    1. 모든 탭에서 설정을 완료한 후, 세그멘테이션 창 하단의 OK를 클릭하여 업데이트된 시간적 창, 주파수 대역, 공간 세그먼트를 적용하세요.
    2. 메인 GUI로 돌아가 업데이트된 시간 대역, 주파수 대역, 채널 그룹이 세 분화 전략 패널에 반영되어 있는지 확인하세요.

6. 특징 추출, 분류기 및 교차 검증 구성

  1. 분류 구성 패널에서 드롭다운 메뉴에서 특징 추출 방법을 선택하세요.
    참고: CSP 및 div-CSP에 대한 자세한 설명은 보충 파일 1에 제공되어 있습니다.
  2. nCSP를 설정하여 특징 벡터 양 끝에서 CSP 특징을 선택하도록 설정하세요. 이 도구는 첫 번째 nCSP와 마지막 nCSP 구성 요소(총 2개의 nCSP 기능)× 유지합니다.
  3. 분류기를 해당 박스(SVM, Ridge-Optimal, Lasso-Optimal)를 체크하여 선택합니다.
    참고: 세 가지 분류기의 설명은 보충 파일 2에 제공되어 있습니다.
  4. 래퍼 기반 선택에서 몇 개의 세밀한 세그레인/특징을 유지하는지 지정하기 위해 선택 밴드 번호 를 설정하세요.
  5. TrainData/TrainLabel에서 k-접힘 교차 검증을 위한 접힘 수를 지정하도록 교차 검증을 설정하세요.
  6. (선택 사항) 충분한 계산 자원이 있을 경우, 여러 세그먼트와 분류기가 평가될 때 Parallel을 통해 계산을 가속화할 수 있습니다.
  7. Cross - Validation을 클릭하여 TrainData/TrainLabel에서 k-fold 교차 검증을 수행하고 최종 모델을 학습시킨 후 TestData/TestLabel에서 최종 모델을 테스트하세요.
    참고: 여러 분류기가 선택될 경우, 도구는 교차 검증 정확도가 가장 높은 모델을 자동으로 선택하고 저장한 후 테스트 세트 평가에 사용합니다.

7. 결과 및 시각화 보기

  1. 6단계에서 교차 - 검증을 클릭한 후, 결과 패널에 표시된 성과 요약을 검토하세요. 여기에는 검증 정확도/카파, 테스트 정확도/카파, 그리고 주행당 훈련 시간 및 주 행당 테스트 시간이 포함됩니다. 이 값들을 기록하여 보고하세요.
    참고: 검증 정확도/Kappa는 TrainData/TrainLabel에서 계산된 평균 k-중복 교차 검증 정확도/kappa25로 보고됩니다. 테스트 정확도/카파는 TestData/TestLabel에서 각 접힘에서 가장 좋은 모델을 평가하고 접힘 간 평균 결과를 평균화하여 얻은 평균 테스트 세트 정확도/κ25로 보고됩니다.
  2. 결과 패널에 표시된 시각화 출력을 확인해 보세요.
    1. 시간-빈도 지형도를 검토하여 시간, 빈도, 두피 영역 전반에 걸친 구별 패턴을 식별하세요.
    2. 전극 그룹 유의도 지도를 검토하여 디코딩에 가장 크게 기여하는 채널 그룹을 확인하세요.
      참고: 두 지도 모두에 대한 상세한 정의, 제작 절차 및 해석 지침은 보충 파일 3에 제공되어 있습니다.
  3. (선택 사항) 이전에 훈련된 모델을 사용해 테스트 전용 평가를 실행하세요.
    1. Test Load Model을 클릭하여 모델 경로에서 사전 학습된 모델을 불러와서 현재 입력 TestData/TestLabel에 대해 평가합니다.
    2. 교육 중에 저장된 Model Path 폴더(Step 3.5)를 선택하고 디렉터리 구조를 변경하지 마세요. 모델을 불러오고 시각화를 재현하는 데 필수이므로 model.mat 이 선택한 폴더에 있고 param.mat이 부모 폴더에 있어야 합니다.
    3. 이 모드에서 GUI가 로드된 모델의 테스트 정확도 와 퍼폴드 테스트 시간을 보고하고, 시각화 패널이 이에 맞게 업데이트되는지 확인하세요.
    4. (선택 사항) 내보내진 결과를 저장 디렉터리에서 찾아보세요. 여기에는 예측 및 진짜 라벨이 포함되어 있어 추가 통계 테스트가 가능합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

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

STFEEG-도구는 BCI Competition IV 2a26 과 BCI Competition III 3a27 모두에서 검증되었으며, 두 경우 모두 완전한 디코딩 파이프라인을 성공적으로 실행했습니다. BCI 대회 IV 2a의 고정 교차 세션 프로토콜을 따랐습니다: 세션 1은 훈련을, 2회는 별도의 기록된 세션 2에 대한 평가였습니다. 이전에 보고된 미세분의 시공간-시간-주파수 프레임워크24에서 사용된 동일한 구성에서, STFEEG-Tool은 BCI Competition IV 2a에서 원본 성능을 재현하여 평균 검사 정확도 83.68%를 달성했습니다24.

그림 8 오른쪽 결과 패널에서 보듯이, 검증 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

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

STFEEG-Tool은 EEGLAB20, BCILAB21, OpenViBE22, PyNoetic23과 같은 기존 EEG 생태계를 보완하는 MI-EEG 전용 도구 상자로 설계되었습니다. 이러한 플랫폼들은 MI 디코딩을 위한 유연한 구성 요소를 제공하지만, 세밀한 시공간 주파수 구성과 모델 기반 해석을 위해서는 처리 단계 간 추가 통합이 필요할 수 있습니다. 이는 명시적인 전극 그룹 분해가 포함될 때 특히 중요합니다. 이에 따라 STFEEG-Tool은 표준화된 출력과 통합 시각화를 갖춘 통합 GUI 워크플로우를 제공하여 세밀하고 다중 규모의 MI-EEG 디코딩을 지원합니다.

유효한 오프라인 결과를 얻기 위해서는 여러 단계가 중요합니다. 첫째, 입력된 MA...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

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

저자들은 이해 상충을 선언할 필요가 없습니다.

감사의 글

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

이 연구는 중국 국가자연과학기금(번호 62401342 및 번호 62271291), 산둥성 자연과학기금(번호 ZR2024QF092, ZR2024LZH007, ZR2025ZD24), 광둥 기초 및 응용 기초 연구 기금(번호 2025A1515011826), 선전 기초 연구 프로그램(번호 JCYJ20250604124702003), 쓰촨성 특수교육 언어 지능 철학 및 사회과학 중점연구소(번호 YYZN-2025-11), 중국 국가 중점연구개발 프로그램(번호 2024YFC2418300 및 2024YFC2418303), 그리고 교육부 다롄공업대학교 사회 컴퓨팅 및 인지 지능 핵심 연구소(번호: SCCl2025YB02).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
MATLAB수학 작품버전 R2024a수치 계산, 신호 처리, GUI 개발을 위한 소프트웨어 환경입니다.
신호 처리 도구 상자수학 작품https://ww2.mathworks.cn/en/products/signal.html디지털 필터링 및 시-빈도 분석을 위한 툴박스
통계 및 머신러닝 툴박스수학 작품https://ww2.mathworks.cn/en/products/statistics.html모델 학습 및 통계 분석을 위한 툴박스

참고문헌

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

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

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

관련 논문