Artykuł metodologiczny

STFEEG-Tool: narzędzie do analizy EEG przestrzenno-czasowo-częstotliwościowej dla interfejsów mózg-komputer obrazowania motorycznego

DOI:

10.3791/70425

⸱

10 marca 2026

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

W tym artykule

Podsumowanie

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

Niniejsze badanie przedstawia ustandaryzowany i powtarzalny protokół implementacji narzędzia do analizy EEG przestrzenno-czasowo-częstotliwościowej (STFEEG) do dekodowania EEG obrazów motorycznych, łącząc konfigurowalną segmentację przestrzenno-czasowo-częstotliwościową, ekstrakcję cech opartą na wspólnych wzorcach przestrzennych (CSP), algorytmy wielokrotnej klasyfikacji oraz możliwości wizualizacji.

Streszczenie

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

Interfejsy obrazowania ruchowego-mózg-komputer (MI-BCI) wykazały znaczący potencjał w neurorehabilitacji i neurobiologii poznawczej. Jednak ustandaryzowany i powtarzalny workflow MI-EEG do konfigurowalnej analizy cech przestrzenno-czasowych pozostaje ograniczony, a wiele potoków wymaga złożonej konfiguracji i dostrojenia parametrów z ograniczoną interpretowalnością, co utrudnia praktyczne wdrożenie i uogólnienie. Aby sprostać tym wyzwaniom, opracowano narzędzie STFEEG, które zapewnia przyjazny, ustandaryzowany i interpretowalny workflow dla dekodowania EEG w paradygmatach MI. STFEEG-Tool umożliwia precyzyjną konfigurację segmentacji czasowej, częstotliwościowej i przestrzennej, umożliwiając wyodrębnianie wieloskalowych cech MI. Zestaw narzędzi integruje wiele algorytmów ekstrakcji cech, w tym wspólne wzorce przestrzenne (CSP) oraz CSP oparte na dywergencji (div-CSP), a także różne klasyfikatory, takie jak maszyny wektorowe wspierające (SVM), klasyfikator regresji grzbietu oraz klasyfikator Lasso. Dostępna jest dynamiczna mapa topograficzna skalp czasowo-częstotliwościowa, która podsumowuje wzorce przestrzenne w segmentach czasowo-częstotliwościowych oraz wspiera interpretację wyników dekodowania. Ogólnie rzecz biorąc, STFEEG-Tool służy jako powtarzalna i rozszerzalna platforma do precyzyjnej analizy MI-EEG, ułatwiając tłumaczenie potoków dekodowania o szczegółowości na praktyczne, skierowane do użytkownika aplikacje.

Wprowadzenie

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

Interfejsy mózg-komputer (MI-BCI) umożliwiają bezpośrednią komunikację między ludzkim mózgiem a urządzeniami zewnętrznymi bez konieczności aktywności obwodowych mięśni1. W ostatnich latach technologia MI-BCI została szeroko zastosowana w neurorehabilitacji2, kontroli wspomagającej3 oraz interakcji człowiek-komputer4. Aplikacje te podkreślają potrzebę dostępnych i powtarzalnych procesów analizy, które mogą być niezawodnie wdrażane przez badaczy i klinicystów, w tym użytkowników o ograniczonej wiedzy programistycznej.

Konwencjonalne podejścia do dekodowania MI-EEG opierają się głównie na ramach filtrowania przestrzennego i klasyfikacji liniowej. Metody takie jak Common Spatial Pattern5 (CSP) oraz oparte na dywergencji CSP6 (div-CSP) były szeroko stosowane do wydobywania dyskryminacyjnych cech przestrzennych z wielokanałowych sygnałów EEG. Aby dalej wyodrębnić cechy obejmujące różne składniki częstotliwości, szeroko zbadano Filter Bank CSP7 (FBCSP) oraz podpasmo CSP 8,9 (SBCSP). Ponadto segmentacja czasowa została zintegrowana z procesem ekstrakcji cech poprzez podział każdej próby na kilka przedziałów czasowych, co pozwala na wychwytywanie ewoluujących wzorców dyskryminacyjnych i dodatkowo poprawia wydajność dekodowania 10,11,12. Aby zwiększyć rozróżnialność wyodrębnionych cech, wprowadzono różne strategie wyboru cech mających na celu zmniejszenie redundancji i ograniczenie nadmiernego dopasowania 13,14,15. Do klasyfikacji tradycyjne modele uczenia maszynowego, takie jak maszyny wektorowe wsparcia16 oraz klasyfikatory regresji uregulowanej17, 18, 19, są nadal szeroko stosowane ze względu na ich interpretowalność i efektywność obliczeniową.

Pomimo skuteczności, podejścia te są zazwyczaj wdrażane w dostosowanych, specyficznych dla zbioru danych bazach kodowych, co komplikuje systematyczne ponowne wykorzystanie i niezależną weryfikację. Opracowano kilka platform oprogramowania opartych na graficznym interfejsie użytkownika (GUI), które wspierają analizę EEG i badania BCI. Na przykład EEGLAB20 oferuje kompleksowy zestaw funkcji do wstępnego przetwarzania EEG, analizy czasowo-częstotliwościowej, ekstrakcji cech, klasyfikacji oraz zaawansowanej wizualizacji. Jego wysoce modułowa i rozszerzalna architektura umożliwiła szerokie wdrożenie w dziedzinie badań EEG. BCILAB21, w integracji z EEGLAB, zawiera ponad 100 algorytmów przetwarzania sygnałów i uczenia maszynowego obejmujących cały proces dekodowania, od wstępnego przetwarzania po klasyfikację. Podobnie OpenViBE22 oferuje wizualne środowisko programistyczne do projektowania workflow BCI w czasie rzeczywistym, w którym użytkownicy mogą składać potoki przetwarzania sygnałów poprzez graficzne łączenie modułowych komponentów. Platforma jest szczególnie przystosowana do online pozyskiwania EEG oraz paradygmatów bodziec-odpowiedź w czasie rzeczywistym, a także była szeroko wykorzystywana w rozwoju i testowaniu interaktywnych aplikacji BCI. Ponadto PyNoetic, modułowy framework Python do tworzenia interfejsów mózg-komputer EEG bez kodu, umożliwia kompleksową konstrukcję workflow BCI poprzez zintegrowane GUI, wspierające akwizycję, wstępne przetwarzanie, ekstrakcję cech oraz klasyfikację23. W przeciwieństwie do wcześniejszych narzędzi wymagających znacznej ręcznej konfiguracji lub skryptowania, PyNoetic oferuje wyższy poziom abstrakcji w projektowaniu potoków, umożliwiając elastyczne składanie i rekonfigurację etapów przetwarzania bez konieczności programowania na niskim poziomie. W wielu badaniach MI-EEG platformy te już mogą wspierać rutynowe wstępne przetwarzanie, konwencjonalne wyodrębnianie cech oraz dekodowanie i ocenę bazową.

Kilka platform opartych na GUI obsługuje analizę MI-EEG poprzez standaryzowane wstępne przetwarzanie, ekstrakcję cech oraz dekodowanie bazowe (Tabela 1). Jednak brakuje im optymalizacji dla drobnoziarnistej dekompozycji częstotliwościowo-czasowej, w tym zdefiniowanego przez użytkownika podziału przestrzennego oraz wizualizacji międzydomeniajnej. Aby sprostać tym potrzebom metodologicznym, wcześniej zaproponowano precyzyjne ramy dekodowania przestrzenno-czasowo-częstotliwościowe dla MI-EEG24 , które wspólnie modelowały grupy elektrod przestrzennych, podpasma częstotliwości oraz segmenty czasowe w celu poprawy wydajności dekodowania i zwiększenia interpretowalności w wielu dziedzinach. Bazując na tym frameworku, opracowano narzędzie analizy EEG o częstotliwościach przestrzennych (STFEEG-Tool) jako zestaw narzędzi graficznych interfejsów użytkownika (GUI), który standaryzuje precyzyjne dekodowanie MI-EEG w konfigurowalnym i powtarzalnym przepływie pracy, jednocześnie pozostając kompatybilnym z istniejącymi narzędziami EEG.

STFEEG-Tool integruje przygotowanie danych, wstępne przetwarzanie, segmentację przestrzenno-czasową częstotliwości, ekstrakcję cech, wybór cech na podstawie wrapperów, klasyfikację oraz wizualizację w jednolity potok. Zamiast zastępować ustalone zestawy narzędzi EEG, uzupełnia je poprzez przejrzyste określanie parametrów, spójne wykonywanie potoków oraz wizualizację opartą na modelu, wspierającą analizę szczegółową.

Główne osiągnięcia tej pracy są trzystronne. Po pierwsze, STFEEG-Tool zapewnia przyjazny, kompleksowy workflow GUI ze standaryzowaną konfiguracją parametrów do precyzyjnego dekodowania MI-EEG. Po drugie, umożliwia wieloskalową segmentację przestrzenno-czasową o częstotliwościach, w tym dekompozycję przestrzenną zdefiniowaną przez użytkownika, która nie jest konsekwentnie dostępna na platformach ogólnego przeznaczenia. Po trzecie, zwiększa interpretowalność dzięki mapom topograficznym czasowo-częstotliwościowym oraz mapom istotności grup elektrod, które podsumowują dyskryminacyjne wkłady i ujawniają specyficzne dla danej osoby wzorce MI w różnych dziedzinach.

Zestaw narzędzi jest otwarty i dostępny pod adresem: https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Dane użyte w tym protokole pochodzą z publicznie dostępnych, anonimowych zbiorów danych. Pierwotne procedury zbierania danych były prowadzone zgodnie ze standardami etycznymi poszczególnych instytucji; dlatego nie było wymagane dodatkowe zatwierdzenie instytucjonalne na tę analizę wtórną.

Rysunek 1 ilustruje ogólny przepływ pracy Narzędzia Analizy Elektroencefalografii Przestrzennej, Czasowo-Czasowej. Postępuj zgodnie z poniższymi krokami, aby skonfigurować każdy moduł i odtworzyć szczegółowy protokół dekodowania przestrzennego w czasie częstotliwości. Oprogramowanie użyte w tym badaniu jest wymienione w Tabeli Materiałów.

1. Przygotowanie oprogramowania i pakietu narzędzi STFEEG-Tool

  1. Zainstaluj środowisko obliczeniowe numeryczne, które obsługuje przetwarzanie plików MAT i wykonywanie GUI (patrz Tabela materiałów).
  2. Pobierz STFEEG - Tool z repozytorium online, rozpakuj je do lokalnego folderu i znajdź plik instalacyjny STFEEG-Tool.mlappinstall.
  3. Kliknij dwukrotnie na STFEEG - Tool.mlappinstall i postępuj zgodnie z instrukcjami na ekranie, aby zakończyć instalację.
  4. Otwórz zakładkę Aplikacja, popewnij, że STFEEG-Tool pojawia się na liście zainstalowanych aplikacji (Rysunek 2), i kliknij na nią, aby uruchomić GUI (Rysunek 3).

2. Przygotowanie pliku danych wejściowych w pliku MAT

  1. Stwórz plik MAT (.mat) zawierający cztery zmienne o nazwach TrainData, TrainLabel, TestData i TestLabel.
    1. Przechowuj TrainData i TestData jako 3D tablice prób rozmiaru N ×N kanałów ×N punktów czasowych.
    2. Przechowywaj TrainLabel i TestLabel jako Nprób × 1-kolumnowych wektorów etykiet klas całkowitoliczbowych, stosując spójne kodowanie między zbiorami treningowymi i testowymi.
      UWAGA: Skonstruuj TrainData i TestData z niepokrywających się sesji lub bloków rejestru, aby zapobiec wyciekom informacji.
  2. Upewnij się, że TrainData i TestData mają ten sam kolejność kanałów i częstotliwość próbkowania (Hz).
  3. (Opcjonalnie) Pobierz dostarczony przykładowy plik MAT-file (Data.mat) oparty na BCI Competition IV 2a z publicznego repozytorium, aby szybko przetestować oprogramowanie.

3. Uruchomienie interfejsu graficznego i ustawienie ścieżek

  1. Uruchom interfejs STFEEG - Narzędzia , aby otworzyć okno analizy MI-EEG (Rysunek 3).
  2. W panelu Ładowania danych kliknij Przeglądarkę obok Ścieżki danych i wybierz folder zawierający przygotowany plik MAT.
  3. Potwierdź, że częstotliwość próbkowania Fs wyświetlana w GUI odpowiada częstotliwości próbkowania zbioru danych (Hz).
  4. Kliknij Przeglądarka obok Ścieżki zapisu i wybierz folder wyjściowy, aby przechować wyniki (np. pliki konfiguracyjne, pliki modeli i przewidywane etykiety).
  5. (Opcjonalnie) Określ ścieżkę modelu na podstawie zamierzonego zastosowania.
    1. Aby zapisać model podczas treningu, kliknij Przeglądarkę obok Ścieżki Modelu i wybierz docelowy folder; jeśli ścieżka modelu pozostaje pusta, oprogramowanie automatycznie zapisuje model w Ścieżce zapisu.
    2. Aby załadować wstępnie wytrenowany model do testów, kliknij Przeglądarkę obok Ścieżki Modelu i wybierz folder zawierający zapisane pliki modelu.
  6. Kliknij na Load w panelu Data Loading , aby zaimportować plik MAT. Oprogramowanie automatycznie sprawdza wymagane zmienne i wybrane ścieżki, a jeśli nie zgłasza błędów, ładuje zbiór danych.

4. Konfiguracja wstępnego przetwarzania (filtrowanie pasmowe)

  1. Używaj domyślnych ustawień filtrów pasmowych pokazanych w GUI (Order = 5, Fc1 = 5 Hz, Fc2 = 35 Hz, typ filtra = IIR), chyba że wymagana jest inna konfiguracja wstępnego przetwarzania.
  2. (Opcjonalnie) Wprowadź porządek filtra, aby nadpisać wartość domyślną.
  3. (Opcjonalnie) Wprowadź dolną i górną częstotliwość odcięcia (Fc1 i Fc2) w Hz, aby nadpisać wartości domyślne.
  4. (Opcjonalnie) Wybierz typ filtra z rozwijanego menu, aby nadpisać domyślną opcję.
  5. Kliknij OK , aby potwierdzić konfigurację wstępnego przetwarzania. Jeśli nie zostaną wprowadzone żadne zmiany, oprogramowanie stosuje domyślne ustawienia wyświetlane w panelu.

5. Konfiguracja strategii segmentacji o drobnoziarnistej strukturze

  1. W panelu Strategia Segmentacji głównego GUI kliknij Edytuj , aby otworzyć okno konfiguracyjne Segmentacja .
  2. Konfiguruj okna czasowe.
    1. Wybierz zakładkę Okna Czasowe .
    2. Przejrzyj istniejącą listę okien przedstawioną w tabeli (Rysunek 4).
    3. (Opcjonalnie) Aby dodać okna, wprowadź wartości Start, End i Interwał , a następnie kliknij Dodaj do listy.
    4. (Opcjonalnie) Aby usunąć istniejące okno, kliknij prawym przyciskiem myszy na odpowiadający mu wiersz w tabeli i wybierz Usuń.
  3. Konfiguruj pasma częstotliwości typu filter-bank.
    1. Wybierz zakładkę Pasma Częstotliwości (Rysunek 5).
    2. Przejrzyj istniejącą listę pasm częstotliwości przedstawioną w tabeli.
    3. (Opcjonalnie) Aby dodać pasma, wprowadź wartości Start (Hz), End (Hz) i Interwał , a następnie kliknij Dodaj do listy.
    4. (Opcjonalnie) Aby usunąć istniejący pasmo, kliknij prawym przyciskiem myszy na odpowiadający wiersz w tabeli i wybierz Usuń.
  4. Konfiguruj segmentację przestrzenną według grup kanałów (rysunek 6).
    1. Wybierz zakładkę Segmentacja Przestrzenna .
    2. Przejrzyj przypisania grup kanałów w liście Grup Numerów Kanałów .
    3. (Opcjonalnie) Aby zastąpić obecną konfigurację grup kanałów, kliknij Przeglądarkę obok Grupy kanałów , aby wybrać plik MAT-definicji grup kanałów.
    4. (Opcjonalnie) Aby włączyć wizualizacje skalp, kliknij Przeglądarka obok Lokalizacji kanału , aby wybrać plik lokalizacji kanału dla kanałów zbioru danych.
      UWAGA: Publiczne repozytorium udostępnia savedChCell.mat (definicje grup kanałów) oraz channel_locations_22ch.txt (współrzędne skalp 22 kanałów dla BCI Competition IV 2a), które można używać bezpośrednio z dołączonymi przykładowymi danymi.
    5. (Opcjonalnie) Kliknij Zastów, aby załadować wybrany plik grupy kanałów i zaktualizować listę grup numerów kanałów . Jeśli plik lokalizacji kanału został wybrany w Lokalizacji kanału, narzędzie ładuje go także do kolejnych wizualizacji skalpów (Rysunek 7).
  5. Zastosuj i zweryfikowaj ustawienia segmentacji.
    1. Po ukończeniu ustawień we wszystkich zakładkach kliknij OK na dole okna segmentacji , aby zastosować zaktualizowane okna czasowe, pasma częstotliwości i segmentację przestrzenną.
    2. Wróć do głównego interfejsu graficznego i popewnij, że zaktualizowane pasma czasowe, pasma częstotliwości i grupy kanałów są odzwierciedlone w panelu Strategia Segmentacji.

6. Konfiguracja ekstrakcji cech, klasyfikatorów i walidacji krzyżowej

  1. W panelu Konfiguracji klasyfikacji wybierz metodę Extract Feature z rozwijanego menu.
    UWAGA: Szczegółowe opisy CSP i div-CSP znajdują się w Pliku Uzupełniającym 1.
  2. Ustaw nCSP tak, aby wybierał cechy CSP z obu końców wektora cech. Narzędzie zachowuje pierwszy komponent nCSP oraz ostatnie komponenty nCSP (łącznie 2 × funkcje nCSP ).
  3. Wybierz klasyfikator(y), zaznaczając odpowiednie pola (SVM, Ridge-Optymal, Lasso-Optymalny).
    UWAGA: Opisy trzech klasyfikatorów znajdują się w Pliku Uzupełniającym 2.
  4. Ustaw Numer Pasm Wyboru, aby określić, ile segmentów/cech drobnoziarnistych jest zachowywanych w selekcji na podstawie owijania.
  5. Ustaw Cross-Validation (Cross-Validation ), aby określić liczbę foldów dla k-krotnej walidacji krzyżowej w TrainData/TrainLabel.
  6. (Opcjonalnie) Włącz równoległość, aby przyspieszyć obliczenia, gdy oceniane są różne segmenty i klasyfikatory, jeśli dostępne są wystarczające zasoby obliczeniowe.
  7. Kliknij na Cross - Walidacja, aby wykonać k-krotną walidację krzyżową na TrainData/TrainLabel i wytrenować ostateczny model, a następnie przetestować ostateczny model na TestData/TestLabel.
    UWAGA: Jeśli wybrano wiele klasyfikatorów, narzędzie automatycznie wybiera i zapisuje model o najwyższej dokładności walidacji krzyżowej, a następnie wykorzystuje go do oceny zbioru testowego.

7. Przeglądanie wyników i wizualizacji

  1. Po kliknięciu na Cross - Validation w kroku 6, przejrzyj podsumowanie wydajności wyświetlane w panelu Wyników, w tym Accuracy Validation Accuracy / Kappa (Validation Accuracy), Test Accuracy / Kappa oraz Czas treningu na etapie i Na test na każdy etap. Zapisz te wartości do raportowania.
    UWAGA: Dokładność walidacji/Kappa jest podawana jako średnia k-krotność dokładności walidacji krzyżowej/kappa25 obliczana na TrainData/TrainLabel. Test Accuracy/Kappa jest podawana jako średnia dokładność zbioru testów/kappa25 uzyskana przez ocenę najlepszego modelu z każdego foldu na TestData/TestLabel oraz uśrednianie wyników testu na różne foldy.
  2. Sprawdź wyniki wizualizacji wyświetlane w panelu Wyników .
    1. Przejrzyj mapę topograficzną czasowo-częstotliwościową , aby zidentyfikować wzorce rozróżniające w regionach czasowych, częstotliwościowych i skóry głowy.
    2. Przejrzyj Mapę Znaczenia Grup Elektrod , aby zidentyfikować grupy kanałów, które najbardziej przyczyniają się do dekodowania.
      UWAGA: Szczegółowe definicje, procedury budowlane oraz wytyczne interpretacyjne obu map znajdują się w Pliku Uzupełniającym 3.
  3. (Opcjonalnie) Uruchom analizę wyłącznie testową, korzystając z wcześniej wytrenowanego modelu.
    1. Kliknij na Model Obciążenia Testowego, aby załadować wstępnie wytrenowany model z Model Path i ocenić go na bieżącym wejściu TestData/TestLabel.
    2. Wybierz folder Model Path zapisany podczas treningu (krok 3.5) i zachowaj jego strukturę katalogów bez zmian. Upewnij się, że model.mat znajduje się w wybranym folderze, a param.mat w folderze nadrzędnym, ponieważ oba są potrzebne do załadowania modelu i odtwarzania wizualizacji.
    3. Potwierdź, że w tym trybie GUI raportuje dokładność testu i czas testu na fałd dla załadowanego modelu, a panele wizualizacyjne się odpowiednio aktualizują.
    4. (Opcjonalnie) Znajdź wyeksportowane wyniki w katalogu zapisów, który zawiera przewidywane i prawdziwe etykiety do dalszych testów statystycznych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Narzędzie STFEEG zostało zweryfikowane zarówno na BCI Competition IV 2a26 , jak i BCI Competition III 3a27, a system pomyślnie wykonał cały proces dekodowania w obu przypadkach. Stosowano stały protokół cross-session Competition IV 2a: szkolenie na Sesji 1 oraz ocena na Sesji 2, nagrywanej w dwóch oddzielnych dniach. W tej samej konfiguracji zastosowanej w wcześniej opisanym precyzyjnym frameworku częstotliwości przestrzenno-czasowo-częstotliwościowej24

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

STFEEG-Tool został zaprojektowany jako zestaw narzędzi specyficzny dla MI-EEG, uzupełniający ustalone ekosystemy EEG, takie jak EEGLAB20, BCILAB21, OpenViBE22, PyNoetic23. Chociaż te platformy oferują elastyczne komponenty do dekodowania MI, precyzyjna konfiguracja przestrzenno-czasowa oraz interpretacja oparta na modelu mogą wymagać dodatkowej integracji między etapami przetwarzania. Jest to szczególnie istotne, gdy uwzględni...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają żadnych konfliktów interesów do zgłoszenia.

Podziękowania

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

Prace te były częściowo wspierane przez Narodową Fundację Nauk Przyrodniczych Chin (nr 62401342 i nr 62271291), Fundację Nauk Przyrodniczych prowincji Shandong (nr ZR2024QF092, ZR2024LZH007 i ZR2025ZD24), Podstawową i Stosowaną Fundację Badań Podstawowych Guangdong (nr 2025A1515011826), Program Badań Podstawowych w Shenzhen (nr JCYJ20250604124702003), Prowincjonalne Laboratorium Filozofii i Nauk Społecznych Syczuan ds. inteligencji językowej w edukacji specjalnej (nr YYZN-2025-11), Narodowym Kluczowym Programem Badań i Rozwoju Chin (nr 2024YFC2418300 oraz 2024YFC2418303) oraz Kluczowym Laboratorium Obliczeń Społecznych i Inteligencji Poznawczej (Uniwersytet Technologiczny w Dalian), Ministerstwie Edukacji (nr SCCl2025YB02).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
MATLABMathWorksWersja R2024aŚrodowisko programistyczne do obliczeń numerycznych, przetwarzania sygnałów i tworzenia GUI.
Zestaw narzędzi do przetwarzania sygnałówMathWorkshttps://ww2.mathworks.cn/en/products/signal.htmlZestaw narzędzi do filtrowania cyfrowego i analizy czasowo-częstotliwościowej
Zestaw narzędzi do statystyki i uczenia maszynowegoMathWorkshttps://ww2.mathworks.cn/en/products/statistics.htmlZestaw narzędzi do trenowania modeli i analizy statystycznej

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

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

Powiązane artykuły