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

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 ....

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. ....

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