Methodenartikel

STFEEG-Tool: Een ruimtelijk-temporeel-frequentie EEG-analysetool voor motorische beeldvorming hersen-computer interfaces

DOI:

10.3791/70425

⸱

10 maart 2026

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

In dit artikel

Samenvatting

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

Deze studie presenteert een gestandaardiseerd en reproduceerbaar protocol voor de implementatie van het Spatial-Temporal-Frequency EEG analyse-instrument (STFEEG) voor motorische beeldvorming EEG-decoding, met configureerbare ruimtelijk-temporele frequentiesegmentatie, Common Spatial Patterns (CSP)-gebaseerde feature-extractie, meerdere classificatie-algoritmen en visualisatiemogelijkheden.

Samenvatting

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

Motorische beelden-hersenen-computerinterfaces (MI-BCI's) hebben aanzienlijk potentieel aangetoond voor neurorevalidatie en cognitieve neurowetenschap. Een gestandaardiseerde en reproduceerbare MI-EEG-workflow voor configureerbare ruimtelijk-temporeel-frequentie feature-analyse blijft echter beperkt, en veel pijplijnen vereisen complexe configuratie en parameterafstemming met beperkte interpreteerbaarheid, wat praktische implementatie en generalisatie belemmert. Om deze uitdagingen aan te pakken, is een STFEEG-Tool ontwikkeld om een gebruiksvriendelijke, gestandaardiseerde en interpreteerbare workflow te bieden voor EEG-decodering in MI-paradigma's. STFEEG-Tool maakt fijnmazige configuratie van temporele, frequentieband- en ruimtelijke segmentatie mogelijk, waardoor multiscale MI-kenmerken kunnen worden extraheren. De toolbox integreert meerdere algoritmen voor feature-extractie, waaronder common spatial patterns (CSP) en divergentie-gebaseerde CSP (div-CSP), samen met diverse classifiers, zoals support vector machines (SVM's), Ridge Regression Classifier en Lasso Classifier. Er wordt een dynamische tijd-frequentie hoofdhuidtopografische kaart geleverd om ruimtelijke patronen over tijd-frequentiesegmenten samen te vatten en interpretatie van decodeerresultaten te ondersteunen. Al met al dient STFEEG-Tool als een reproduceerbaar en uitbreidbaar platform voor fijnmazige MI-EEG-analyse, waardoor fijnmazige decodeerpijplijnen worden vertaald naar praktische, gebruiksvriendelijke toepassingen.

Inleiding

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

Motorische beeldvorming, hersen-computer interfaces (MI-BCI's) maken directe communicatie mogelijk tussen het menselijk brein en externe apparaten zonder perifere spieractiviteit te vereisen1. In de afgelopen jaren is MI-BCI-technologie op grote schaal toegepast in neurorevalidatie2, assistieve controle3 en mens-computer interactie4. Deze applicaties benadrukken de noodzaak van toegankelijke en reproduceerbare analyseworkflows die betrouwbaar kunnen worden toegepast door onderzoekers en clinici, inclusief gebruikers met beperkte programmeerexpertise.

Conventionele MI-EEG-decoderingsmethoden zijn voornamelijk gebaseerd op ruimtelijke filtering en lineaire classificatiekaders. Methoden zoals Common Spatial Pattern5 (CSP) en divergentie-gebaseerde CSP6 (div-CSP) zijn veel gebruikt om discriminerende ruimtelijke kenmerken uit multikanaals EEG-signalen te extraheren. Om kenmerken verder te extraheren over verschillende frequentiecomponenten, zijn Filter Bank CSP7 (FBCSP) en Subband CSP 8,9 (SBCSP) uitgebreid onderzocht. Daarnaast is temporele segmentatie geïntegreerd in het proces van feature-extractie door elke proef op te delen in meerdere tijdsintervallen, waardoor evoluerende discriminatiepatronen kunnen worden vastgelegd en de decodeerprestaties verder worden verbeterd 10,11,12. Om de discriminatie van geëxtraheerde features te vergroten, zijn verschillende featureselectiestrategieën geïntroduceerd om redundantie te verminderen en overfitting te beperken 13,14,15. Voor classificatie worden traditionele machine learning-modellen zoals support vector machines16 en regularized regression classifiers17, 18, 19 nog steeds veel gebruikt vanwege hun interpreteerbaarheid en rekenkundige efficiëntie.

Ondanks hun effectiviteit worden deze benaderingen doorgaans geïmplementeerd in gepersonaliseerde, dataset-specifieke codebases, wat systematisch hergebruik en onafhankelijke verificatie bemoeilijkt. Verschillende grafische gebruikersinterfaces (GUI)-gebaseerde softwareplatforms zijn ontwikkeld ter ondersteuning van EEG-analyse en BCI-onderzoek. EEGLAB20 biedt bijvoorbeeld een uitgebreide reeks functies voor EEG-preprocessing, tijd-frequentie-analyse, feature-extractie, classificatie en geavanceerde visualisatie. De sterk modulaire en uitbreidbare architectuur heeft brede adoptie binnen het EEG-onderzoeksveld mogelijk gemaakt. BCILAB21, in integratie met EEGLAB, bevat meer dan 100 signaalverwerkings- en machine learning-algoritmen die de gehele decodeerpijplijn beslaan, van preprocessing tot classificatie. Evenzo biedt OpenViBE22 een visuele programmeeromgeving voor het ontwerpen van realtime BCI-workflows, waarin gebruikers signaalverwerkingspijplijnen kunnen samenstellen door modulaire componenten grafisch te koppelen. Het platform is bijzonder geschikt voor online EEG-acquisitie en realtime stimulus-responsparadigma's, en is veelvuldig gebruikt bij de ontwikkeling en het testen van interactieve BCI-toepassingen. Daarnaast maakt PyNoetic, een modulair Python-framework voor no-code EEG-hersen-computerinterfaceontwikkeling, end-to-end BCI-workflowconstructie mogelijk via een geïntegreerde GUI die dataverwerving, preprocessing, feature-extractie en classificatieondersteunt 23. In tegenstelling tot eerdere tools die uitgebreide handmatige configuratie of scripting vereisen, biedt PyNoetic een hoger abstractieniveau voor pijplijnontwerp, waardoor flexibele assemblage en herconfiguratie van verwerkingsfasen mogelijk is zonder laag-niveau programmering. In veel MI-EEG-studies kunnen deze platforms al routinematige voorverwerking, conventionele feature-extractie en baseline-decodering en evaluatie ondersteunen.

Verschillende GUI-gebaseerde platforms ondersteunen MI-EEG-analyse via gestandaardiseerde preprocessing, feature-extractie en baseline-decodering (Tabel 1). Ze missen echter optimalisatie voor fijnkorrelige ruimtelijke frequentie-tijddecompositie, inclusief door de gebruiker gedefinieerde ruimtelijke partitionering en cross-domain visualisatie. Om aan deze methodologische behoeften te voldoen, werd eerder een fijnkorrelig ruimtelijk-temporeel-frequentiedecoderingsraamwerk voor MI-EEG24 voorgesteld, dat gezamenlijk ruimtelijke elektrodegroepen, frequentiesubbanden en temporele segmenten modelleert om de decodeerprestaties te verbeteren en de interpreteerbaarheid van meerdere domeinen te vergroten. Voortbouwend op dit framework is de Spatial-Temporal-Frequency EEG analysetool (STFEEG-Tool) ontwikkeld als een grafische gebruikersinterface (GUI)-gebaseerde toolbox die fijnmazige MI-EEG-decodering standaardiseert binnen een configureerbare en reproduceerbare workflow, terwijl het compatibel blijft met bestaande EEG-toolsketens.

STFEEG-Tool integreert datavoorbereiding, voorverwerking, ruimtelijk-temporele frequentiesegmentatie, feature-extractie, wrapper-gebaseerde featureselectie, classificatie en visualisatie in een uniforme pijplijn. In plaats van gevestigde EEG-toolboxes te vervangen, vult het deze aan door transparante parameterspecificatie, consistente pijplijnuitvoering en model-geïnformeerde visualisatie ter ondersteuning van fijnmazige analyse.

De belangrijkste bijdragen van dit werk zijn drievoudig. Ten eerste biedt STFEEG-Tool een gebruiksvriendelijke, end-to-end GUI-workflow met gestandaardiseerde parameterconfiguratie voor fijnmazige MI-EEG-decoding. Ten tweede maakt het multiscale ruimtelijk-temporele frequentiesegmentatie mogelijk, inclusief door de gebruiker gedefinieerde ruimtelijke decompositie, wat niet consequent beschikbaar is op algemene platforms. Ten derde verbetert het de interpreteerbaarheid door tijd-frequentie topografische kaarten en significantiekaarten van elektrodegroepen die discriminatiebijdragen samenvatten en subjectspecifieke MI-relevante patronen over domeinen heen blootleggen.

De toolbox is open source en beschikbaar op: https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

De gegevens die in dit protocol werden gebruikt, zijn verkregen uit openbaar beschikbaare, gedeïdentificeerde datasets. De oorspronkelijke gegevensverzamelingsprocedures werden uitgevoerd volgens de ethische normen van de betreffende instellingen; Daarom was er geen aanvullende institutionele goedkeuring nodig voor deze secundaire analyse.

Figuur 1 illustreert de algemene workflow van het Spatial-Temporal-Frequency Electro-encephalography Analysis Tool. Volg de onderstaande stappen om elke module te configureren en het fijnmazige ruimtelijke frequentie-tijd-decodeerprotocol te reproduceren. De gebruikte software in deze studie staat vermeld in de Materiaaloverzicht.

1. Voorbereiding van de software en het STFEEG-Tool-pakket

  1. Installeer een numerieke computeromgeving die MAT-bestandsverwerking en GUI-uitvoering ondersteunt (zie Materiaaltabel).
  2. Download STFEEG - Tool uit de online repository, pak het uit in een lokale map en zoek het installatiebestand STFEEG-Tool.mlappinstall.
  3. Dubbelklik op STFEEG - Tool.mlappinstall en volg de instructies op het scherm om de installatie te voltooien.
  4. Open het tabblad App, bevestig dat STFEEG-Tool verschijnt in de lijst met geïnstalleerde apps (Figuur 2), en klik erop om de GUI te openen (Figuur 3).

2. Voorbereiding van het invoerdata MAT-bestand

  1. Maak een MAT-bestand (.mat) aan met vier variabelen genaamd TrainData, TrainLabel, TestData en TestLabel.
    1. Sla TrainData en TestData op als 3D-arrays van grootte Nproeven × Nkanalen × Ntijdspunten.
    2. Sla TrainLabel en TestLabel op als Nproeven × 1-kolomvectoren van integer-klassenlabels, waarbij een consistente codering wordt gebruikt tussen trainings- en testsets.
      OPMERKING: Construeer TrainData en TestData uit niet-overlappende sessies of opnameblokken om informatielek te voorkomen.
  2. Zorg ervoor dat TrainData en TestData dezelfde kanaalvolgorde en bemonsteringsfrequentie (Hz) delen.
  3. (Optioneel) Download het meegeleverde voorbeeld van het MAT-bestand (Data.mat) gebaseerd op BCI Competition IV 2a uit de openbare repository om de software snel te testen.

3. Het starten van de GUI en het instellen van paden

  1. Start de STFEEG - Tool GUI om het MI-EEG Analysevenster te openen (Figuur 3).
  2. Klik in het Data Loading-paneel op Browser naast Data Path en selecteer de map die het voorbereide MAT-bestand bevat.
  3. Bevestig dat de bemonsteringsfrequentie F's die in de GUI wordt weergegeven overeenkomt met de dataset bemonsteringsfrequentie (Hz).
  4. Klik op Browser naast Pad opslaan en selecteer een uitvoermap om resultaten op te slaan (bijv. configuratiebestanden, modelbestanden en voorspelde labels).
  5. (Optioneel) Specificeer het modelpad op basis van het beoogde gebruik.
    1. Om een model tijdens training op te slaan, klik je op Browser naast Model Path en selecteer je een bestemmingsmap; als Model Path leeg blijft, slaat de software het model automatisch op in Save Path.
    2. Om een vooraf getraind model voor testen te laden, klik je op Browser naast Model Path en selecteer je de map met de opgeslagen modelbestanden.
  6. Klik op Laden in het Data Loading-paneel om het MAT-bestand te importeren. De software controleert automatisch de vereiste variabelen en geselecteerde paden, en laadt de dataset als er geen fouten worden gemeld.

4. Het configureren van de preprocessing (banddoorlaatfiltering)

  1. Gebruik de standaard banddoorlaatfilterinstellingen die in de GUI worden weergegeven (Order = 5, Fc1 = 5 Hz, Fc2 = 35 Hz, filtertype = IIR), tenzij een andere preprocessingconfiguratie vereist is.
  2. (Optioneel) Voer de filtervolgorde in om de standaardwaarde te overschrijven.
  3. (Optioneel) Voer de onderste en bovenste cutoff-frequenties (Fc1 en Fc2) in Hz in om de standaardwaarden te overschrijven.
  4. (Optioneel) Selecteer het filtertype in het dropdownmenu om de standaardoptie te overschrijven.
  5. Klik op OK om de preprocessing-configuratie te bevestigen. Als er geen wijzigingen worden aangebracht, past de software de standaardinstellingen toe die in het paneel worden weergegeven.

5. Het configureren van de fijnmazige segmentatiestrategie

  1. Klik in het Segmentatiestrategie-paneel van de hoofd-GUI op Bewerken om het Segmentatieconfiguratievenster te openen.
  2. Configureer temporele vensters.
    1. Selecteer het tabblad Temporale Vensters .
    2. Bekijk de bestaande vensterlijst die in de tabel (Figuur 4) wordt weergegeven.
    3. (Optioneel) Om vensters toe te voegen, voer je de Start-, End- en Intervalwaarden in en klik je op Add om de gegenereerde vensters aan de lijst toe te voegen.
    4. (Optioneel) Om een bestaand venster te verwijderen, klik je met de rechtermuisknop op de overeenkomstige rij in de tabel en selecteer je Verwijderen.
  3. Configureer filterbankfrequentiebanden.
    1. Selecteer het tabblad Frequentiebanden (Figuur 5).
    2. Bekijk de bestaande frequentiebandlijst die in de tabel wordt weergegeven.
    3. (Optioneel) Om banden toe te voegen, voer je de waarden Start (Hz), End (Hz) en Interval in en klik je op Toevoegen om de gegenereerde banden aan de lijst toe te voegen.
    4. (Optioneel) Om een bestaande band te verwijderen, klik je met de rechtermuisknop op de overeenkomstige rij in de tabel en selecteer je Verwijderen.
  4. Configureer ruimtelijke segmentatie per kanaalgroepen (Figuur 6).
    1. Selecteer het tabblad Ruimtelijke Segmentatie .
    2. Bekijk de kanaalgroep-toewijzingen in de lijst met Groepen van Kanaalnummers .
    3. (Optioneel) Om de huidige kanaalgroepconfiguratie te vervangen, klik je op Browser naast Kanaalgroepen om een kanaalgroepdefinitie MAT-bestand te selecteren.
    4. (Optioneel) Om scalpvisualisaties in te schakelen, klik je op Browser naast Channel Location om het kanaallocatiebestand voor de datasetkanalen te selecteren.
      OPMERKING: De publieke repository biedt savedChCell.mat (kanaalgroepdefinities) en channel_locations_22ch.txt (22-kanaals scalpcoördinaten voor BCI Competition IV 2a), die direct met de bijgevoegde voorbeeldgegevens kunnen worden gebruikt.
    5. (Optioneel) Klik op Vervangen om het geselecteerde kanaalgroepbestand te laden en de lijst met Groepen van kanaalnummers bij te werken. Als een kanaallocatiebestand is geselecteerd in Channel Location, laadt de tool het ook voor latere scalpvisualisaties (Figuur 7).
  5. Pas de segmentatie-instellingen toe en verifieer deze.
    1. Na het voltooien van de instellingen in alle tabbladen, klik je onderaan het Segmentatievenster op OK om de bijgewerkte temporele vensters, frequentiebanden en ruimtelijke segmentatie toe te passen.
    2. Keer terug naar de hoofd-GUI en bevestig dat de bijgewerkte tijdbanden, frequentiebanden en kanaalgroepen worden weergegeven in het Segmentatiestrategie-paneel.

6. Het configureren van het extractie van kenmerken, classifiers en kruisvalidatie

  1. Selecteer in het paneel Classificatieconfiguratie de methode Feature Extraction in het keuzemenu.
    OPMERKING: Gedetailleerde beschrijvingen van CSP en div-CSP zijn opgenomen in Supplementair Bestand 1.
  2. Stel nCSP in om CSP-features te selecteren van beide uiteinden van de featurevector. De tool behoudt de eerste nCSP- en de laatste nCSP-componenten (in totaal 2 × nCSP-functies ).
  3. Selecteer de classifier(s) door de bijbehorende vakjes (SVM, Ridge-Optimal, Lasso-Optimal) aan te vinken.
    OPMERKING: Beschrijvingen van de drie classifiers zijn opgenomen in Supplementair Bestand 2.
  4. Stel het aantal selectiebanden in om aan te geven hoeveel fijnkorrelige segmenten/kenmerken behouden blijven bij wrapper-gebaseerde selectie.
  5. Stel Cross-Validation in om het aantal folds voor k-fold crossvalidatie op TrainData/TrainLabel aan te geven.
  6. (Optioneel) Schakel Parallel in om de berekening te versnellen wanneer meerdere segmenten en classifiers worden geëvalueerd, mits er voldoende rekenkracht beschikbaar is.
  7. Klik op Cross - Validation om k-fold cross-validatie uit te voeren op TrainData/TrainLabel en train het uiteindelijke model, en test vervolgens het uiteindelijke model op TestData/TestLabel.
    OPMERKING: Als meerdere classifiers worden geselecteerd, selecteert en slaat de tool automatisch het model op met de hoogste kruisvalidatienauwkeurigheid, waarna het wordt gebruikt voor testset-evaluatie.

7. Het bekijken van de resultaten en visualisaties

  1. Na het klikken op Cross - Validation in stap 6, bekijk je de prestatiesamenvatting die in het Resultatenpaneel wordt weergegeven, inclusief Validatienauwkeurigheid/Kappa, Testnauwkeurigheid/Kappa, en de Per-fold Training Time en Per-fold Testing Time. Noteer deze waarden voor rapportage.
    OPMERKING: Validatienauwkeurigheid/Kappa wordt gerapporteerd als de gemiddelde k-voudige kruisvalidatienauwkeurigheid/kappa25 berekend op TrainData/TrainLabel. Testnauwkeurigheid/Kappa wordt gerapporteerd als de gemiddelde testsetnauwkeurigheid/kappa25 verkregen door het beste model van elke vouw op TestData/TestLabel te evalueren en de testresultaten over vouwen te middelen.
  2. Bekijk de visualisatie-uitkomsten die in het Resultatenpaneel worden weergegeven.
    1. Bekijk de tijd-frequentie topografische kaart om onderscheidende patronen te identificeren over tijd, frequentie en hoofdhuidgebieden.
    2. Bekijk de Electrode Group Significance Map om kanaalgroepen te identificeren die het meest bijdragen aan decodering.
      OPMERKING: Gedetailleerde definities, bouwprocedures en interpretatierichtlijnen voor beide kaarten zijn opgenomen in Aanvullend Dossier 3.
  3. (Optioneel) Voer alleen testevaluatie uit met een eerder getraind model.
    1. Klik op Test Load Model om een vooraf getraind model uit Model Path te laden en dit te evalueren op de huidige invoer TestData/TestLabel.
    2. Selecteer de map Model Path die tijdens de training is opgeslagen (stap 3.5) en laat de mapstructuur ongewijzigd. Zorg ervoor dat model.mat in de geselecteerde map staat en param.mat in de oudermap, aangezien beide nodig zijn om het model te laden en de visualisaties te reproduceren.
    3. Bevestig dat in deze modus de GUI Testnauwkeurigheid en Per-fold Testing Time rapporteert voor het geladen model, en dat de visualisatiepanelen dienovereenkomstig worden bijgewerkt.
    4. (Optioneel) Zoek de geëxporteerde resultaten op in de savemap, die voorspelde en echte labels bevatten voor verdere statistische tests.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

De STFEEG-Tool werd gevalideerd op zowel de BCI Competition IV 2a26 als de BCI Competition III 3a27, en het systeem voerde in beide gevallen succesvol de volledige decodeerpipeline uit. Het vaste cross-sessieprotocol van BCI Competitie IV 2a werd gevolgd: training in Sessie 1 en evaluatie in de gehouden Sessie 2, opgenomen op twee afzonderlijke dagen. Onder dezelfde configuratie als gebruikt in het eerder gerapporteerde fijnkorrelige ruimte...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

STFEEG-Tool is ontworpen als een MI-EEG-specifieke toolbox die gevestigde EEG-ecosystemen zoals EEGLAB20, BCILAB21, OpenViBE22, PyNoetic23 aanvult. Hoewel deze platforms flexibele componenten bieden voor MI-decodering, kunnen fijnmazige ruimtelijk-temporele-frequentieconfiguratie en model-geïnformeerde interpretatie extra integratie tussen verwerkingsstappen vereisen. Dit is vooral relevant wa...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hoeven geen belangenconflicten aan te geven.

Dankbetuigingen

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

Dit werk werd deels ondersteund door de Nationale Stichting Natuurwetenschappen van China (nr. 62401342 en nr. 62271291), de Natuurwetenschappelijke Stichting van de provincie Shandong (nr. ZR2024QF092, ZR2024LZH007 en ZR2025ZD24), de Guangdong Basis- en Toegepaste Basisonderzoeksstichting (nr. 2025A1515011826), het Shenzhen Fundamental Research Program (nr. JCYJ20250604124702003), het Provinciale Sleutellaboratorium voor Filosofie en Sociale Wetenschappen van Sichuan voor Taalintelligentie in Speciaal Onderwijs (nr. YYZN-2025-11), het Nationaal Sleutelonderzoeks- en Ontwikkelingsprogramma van China (nr. 2024YFC2418300 en 2024YFC2418303), en het Sleutellaboratorium voor Sociale Computing en Cognitieve Intelligentie (Dalian University of Technology), Ministerie van Onderwijs (Nr. SCCl2025YB02).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
MATLABMathWorksVersie R2024aSoftware-omgeving voor numerieke berekeningen, signaalverwerking en GUI-ontwikkeling.
Signal Processing ToolboxMathWorkshttps://ww2.mathworks.cn/nl/products/signal.htmlToolbox voor digitale filtering en tijd-frequentieanalyse
Statistics and Machine Learning ToolboxMathWorkshttps://ww2.mathworks.cn/nl/products/statistics.htmlToolbox voor modeltraining en statistische analyse

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

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

Gerelateerde artikelen