STFEEG-Tool: Een ruimtelijk-temporeel-frequentie EEG-analysetool voor motorische beeldvorming hersen-computer interfaces
10 maart 2026
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.
Dit werk ontwikkelt een GUI-gebaseerde toolbox voor leuke gridmotorbeelden, EEG-decodering en interpreteerbare ruimtelijk-temporele frequentieanalyse. Bestaande platforms missen geïntegreerde leuke grid-ruimtelijke, temporale en frequentieconfiguratie met intuïtieve visualisatie voor motorische beeldvorming EEG-analyse. Om te beginnen, download STFEEG Tool uit de online repository.
Pak het gedownloade bestand uit in een lokale map en zoek het installatiebestand, STFEEG-Tool. mlappinstall, in de geëxtraheerde inhoud. Dubbelklik op STFEEG-Tool.
mlappinstall om de installer te starten en de instructies op het scherm te volgen om de installatie te voltooien. Na het downloaden van het voorbeeld van het MAT-bestand start je de grafische gebruikersinterface van STFEEG Tool om het Motor Imagery EEG Analysis-venster te openen. Klik in het Data Loading-paneel op Browser naast Data Path en selecteer de map met het voorbereide MAT-bestand.
Klik nu op Browser naast Pad opslaan en selecteer een uitvoermap voor resultaten. Klik op Laden in het Data Loading-paneel om het MAT-bestand te importeren. Klik in het Segmentatiestrategie-paneel van de hoofdgrafische gebruikersinterface op Bewerken om het configuratievenster Segmentatie te openen, waar de standaardparameters al zijn vermeld.
Om de temporele vensters te configureren, selecteer je het tabblad Temporale Vensters in het configuratievenster. Voer de begin-, eind- en intervalwaarden in om temporele vensters te definiëren. Klik vervolgens op Voeg toe om de gegenereerde vensters aan de lijst toe te voegen.
Om een bestaand venster te verwijderen, klik je met de rechtermuisknop op de overeenkomstige rij in de tabel en selecteer je Verwijderen. Om de frequentiebanden van de filterbank te configureren, selecteer je het tabblad Frequentiebanden in het configuratievenster. Voer de begin-, eind- en intervalwaarden in om frequentiebanden te definiëren.
Klik vervolgens op Voeg toe om de gegenereerde banden aan de lijst toe te voegen. Om een bestaande frequentieband te verwijderen, klik je met de rechtermuisknop op de overeenkomstige rij in de tabel en selecteer je Verwijderen. Om ruimtelijke segmentatie per kanaalgroepen te configureren, selecteer je het tabblad Ruimtelijke Segmentatie in het configuratievenster.
Klik op Browser naast Channel Groups om een kanaalgroepdefinitie MAT-bestand te selecteren. 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.
Klik op OK onderaan het Segmentatievenster om de bijgewerkte temporele vensters, frequentiebanden en ruimtelijke segmentatie toe te passen. Het segmentatiestrategiepaneel van de hoofdgrafische gebruikersinterface wordt dienovereenkomstig bijgewerkt. Selecteer in het Classificatieconfiguratie-paneel de methode Feature Extraction in het dropdownmenu.
Stel nCSP in om features van beide uiteinden van de featurevector te behouden. Selecteer vervolgens de classifiers door de bijbehorende vakjes aan te vinken. Stel het Selectiebandnummer in om aan te geven hoeveel fijnkorrelige segmenten of features behouden blijven bij wrapper-gebaseerde selectie.
Stel Cross-Validation in om het aantal folds voor k-fold crossvalidatie op treindata en treinlabel aan te geven. Klik vervolgens op Cross-Validation om k-voudige crossvalidatie uit te voeren. Bekijk de prestatiesamenvatting die in het Resultatenpaneel wordt weergegeven.
Bekijk de Tijd-Frequentie Topografische Kaart om onderscheidende patronen te identificeren over tijd, frequentie en hoofdhuidgebieden. Bekijk de Electrode Group Significance Map om kanaalgroepen te identificeren die het meest bijdragen aan decodering. De Time-Frequency Topographical Map illustreerde de ruimtelijke verdeling van onderscheidende EEG-patronen over frequentie- en temporele segmenten.
De Electrode Group Significance Map kwantificeerde de bijdrage van vooraf gedefinieerde elektrodegroepen aan de decodeerprestatie. Dit protocol standaardiseerde zowel het decoderen van kwantitatieve evaluatie als visualisatie van subjectspecifieke motorische beelden EEG-patronen. Een belangrijke uitdaging is ervoor zorgen dat pre-processing classificatie en multi-scale segmentatie flexibel en praktisch blijven over verschillende datasets.
Deze workflow kan interpreteerbare analyses van onderwerpspecifieke verschillen opsporen en de ontwikkeling van meer adaptieve en generaliseerbare MI-EEG-decodeermodellen begeleiden.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
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.
