STFEEG-도구: 운동 영상 뇌-컴퓨터 인터페이스를 위한 시공간-시간-주파수 EEG 분석 도구
2026년 3월 10일
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.
이 연구는 재미있는 그리드 모터 영상, EEG 디코딩, 해석 가능한 시공간-주파수 분석을 위한 GUI 기반 툴박스를 개발합니다. 기존 플랫폼은 운동 영상 EEG 분석을 위한 직관적인 시각화와 함께 통합된 재미 그리드 공간, 시간, 주파수 구성이 부족합니다. 시작하려면 온라인 저장소에서 STFEEG 도구를 다운로드하세요.
다운로드한 파일을 로컬 폴더에 압축 해제한 후 설치 파일인 STFEEG-Tool을 찾으세요. 추출된 내용 안에 mlappinstall을 넣었습니다. STFEEG-Tool을 더블 클릭하세요.
mlappinstall을 실행해 설치 프로그램을 실행하고 화면에 표시된 지침을 따라 설치를 완료하세요. 예제 MAT 파일을 다운로드한 후, STFEEG 도구 그래픽 사용자 인터페이스를 실행하여 운동 영상 EEG 분석 창을 엽니다. 데이터 로딩 패널에서 데이터 경로 옆의 브라우저를 클릭하고 준비된 MAT 파일이 있는 폴더를 선택하세요.
이제 Save Path 옆에 있는 브라우저를 클릭하고 결과를 위한 출력 폴더를 선택하세요. 데이터 로딩 패널에서 MAT-파일을 가져오려면 '로드'를 클릭하세요. 주요 그래픽 사용자 인터페이스의 세분화 전략 패널에서 편집을 클릭하여 기본 매개변수 설정이 이미 제공되는 세분화 설정 창을 엽니다.
시간 창을 설정하려면 설정 창에서 '시간적 창' 탭을 선택하세요. 시작, 종료, 구간 값을 입력하여 시간적 창을 정의합니다. 그 다음 추가를 눌러 생성된 창을 목록에 추가하세요.
기존 창을 삭제하려면 테이블에서 해당 행을 우클릭한 후 삭제를 선택하세요. 필터 뱅크 주파수 대역을 설정하려면 설정 창에서 주파수 대역 탭을 선택하세요. 주파수 대역을 정의하기 위해 시작, 종료, 간격 값을 입력하세요.
그 다음 추가를 클릭하여 생성된 밴드를 목록에 추가하세요. 기존 주파수 대역을 삭제하려면 해당 행을 우클릭한 후 삭제를 선택하세요. 채널 그룹별로 공간 분할을 설정하려면 설정 창에서 공간 분할 탭을 선택하세요.
채널 그룹 옆의 브라우저를 클릭하여 채널 그룹 정의 MAT 파일을 선택하세요. 선택한 채널 그룹 파일을 불러오고 채널 번호 그룹 목록을 업데이트하려면 교체를 클릭하세요. 채널 위치에서 채널 위치 파일이 선택된 경우, 도구는 이후 두표 시각화를 위해 해당 파일을 불러옵니다.
세그멘테이션 창 하단의 OK를 클릭하여 업데이트된 시간 창, 주파수 밴드, 공간 분할을 적용할 수 있습니다. 주요 그래픽 사용자 인터페이스의 세분화 전략 패널도 이에 맞게 업데이트됩니다. 분류 구성 패널에서 드롭다운 메뉴에서 특징 추출 방법을 선택하세요.
nCSP를 특징 벡터 양 끝의 특징을 유지하도록 설정하세요. 그 다음 해당 박스를 체크하여 분류기를 선택합니다. 선택 밴드 번호를 설정하여 래퍼 기반 선택에서 몇 개의 미세 세그레인 구간이나 특징을 유지하는지 지정합니다.
Cross-Validation을 설정하여 열차 데이터와 열차 라벨에 대한 k-중개 교차 검증을 위한 접힘 수를 지정하세요. 그 다음 교차 검증을 클릭하여 k-중간 교차 검증을 수행합니다. 결과 패널에 표시된 성과 요약을 검토하세요.
시간-주파수 지형도를 검토하여 시간, 빈도, 두피 영역 전반에 걸친 구별 패턴을 식별하세요. 전극 그룹 유의도 지도를 검토하여 디코딩에 가장 크게 기여하는 채널 그룹을 확인하세요. 시간-주파수 지형도는 주파수 및 시간적 구간에 걸쳐 식별 EEG 패턴의 공간적 분포를 보여주었습니다.
전극 그룹 유의성 맵은 미리 정의된 전극 그룹이 디코딩 성능에 기여하는 바를 정량화했습니다. 이 프로토콜은 피험자별 운동 영상 EEG 패턴의 디코딩, 정량적 평가 및 시각화를 표준화했습니다. 주요 과제는 전처리 분류와 다중 규모 세분화가 서로 다른 데이터셋 간에 유연하고 실용적으로 유지되도록 하는 것입니다.
이 워크플로우는 피험자별 차이에 대한 해석 가능한 분석을 발견하고, 보다 적응적이고 일반화 가능한 MI-EEG 디코딩 모델 개발을 안내할 수 있습니다.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
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.
