STFEEG-Tool: narzędzie do analizy EEG przestrzenno-czasowo-częstotliwościowej dla interfejsów mózg-komputer obrazowania motorycznego
10 marca 2026
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.
Praca ta rozwija zestaw narzędzi oparty na grafice graficznym do zabawnych obrazów z silnikami siatkowymi, dekodowania EEG oraz interpretowalnej analizy przestrzenno-czasowo-częstotliwościowej. Istniejące platformy nie mają zintegrowanej konfiguracji siatki przestrzennej, czasowej i częstotliwościowej z intuicyjną wizualizacją do analizy EEG w obrazowaniu motorycznym. Aby zacząć, pobierz narzędzie STFEEG z repozytorium online.
Rozpakuj pobrany plik do lokalnego folderu i znajdź plik instalacyjny, STFEEG-Tool. mlappinstall, w wyodrębnionych treściach. Kliknij dwa razy na STFEEG-Tool.
MLAPPINSTALL, aby uruchomić instalator i postępować zgodnie z instrukcjami na ekranie, aby zakończyć instalację. Po pobraniu przykładowego pliku MAT, uruchom graficzny interfejs użytkownika narzędzia STFEEG, aby otworzyć okno analizy EEG Motor Imagery. W panelu Ładowania danych kliknij Przeglądarkę obok Ścieżki Danych i wybierz folder zawierający przygotowany plik MAT.
Teraz kliknij Przeglądarkę obok Save Path i wybierz folder wyjściowy, aby uzyskać wyniki. Kliknij na Load w panelu Data Loading, aby zaimportować plik MAT. W panelu Strategia Segmentacji głównego graficznego interfejsu użytkownika kliknij Edytuj, aby otworzyć okno konfiguracji segmentacji, gdzie domyślne ustawienia parametrów są już dostępne.
Aby skonfigurować okna czasowe, wybierz zakładkę Okna Czasowe w oknie konfiguracji. Wprowadź wartości startowe, końcowe i interwałowe, aby zdefiniować okna czasowe. Następnie kliknij Dodaj i dodaj wygenerowane okna do listy.
Aby usunąć istniejące okno, kliknij prawym przyciskiem myszy na odpowiadający mu wiersz w tabeli i wybierz Usuń. Aby skonfigurować pasma częstotliwości banku filtrów, wybierz zakładkę Pasma częstotliwości w oknie konfiguracji. Wprowadź wartości początkowe, końcowe i interwałowe, aby zdefiniować pasma częstotliwości.
Następnie kliknij Dodaj i dodaj wygenerowane pasma do listy. Aby usunąć istniejące pasmo częstotliwości, kliknij prawym przyciskiem myszy na odpowiadający wiersz w tabeli i wybierz Usuń. Aby skonfigurować segmentację przestrzenną według grup kanałów, wybierz zakładkę Segmentacja przestrzenna w oknie konfiguracji.
Kliknij Przeglądarkę obok Grupy kanałów, aby wybrać plik MAT-a definicji grup kanałów. Kliknij na 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.
Kliknij OK na dole okna segmentacji, aby zastosować zaktualizowane okna czasowe, pasma częstotliwości i segmentację przestrzenną. Panel strategii segmentacji głównego graficznego interfejsu użytkownika jest odpowiednio aktualizowany. W panelu Konfiguracja klasyfikacji wybierz metodę Extract Feature z menu rozwijanego.
Ustaw nCSP tak, aby zachowywał cechy z obu końców wektora cech. Następnie wybierz klasyfikatory, zaznaczając odpowiednie pola. Ustaw Numer Pasm Wyboru, aby określić, ile drobnoziarnistych segmentów lub cech jest zachowywanych w selekcji opartej na owijaniu.
Ustaw Cross-Validation (Cross-Validation), aby określić liczbę foldów dla k-krotnej walidacji krzyżowej na danych pociągu i etykietach pociągów. Następnie kliknij Cross-Validation, aby wykonać k-krotną walidację krzyżową. Przejrzyj podsumowanie wyników wyświetlane w panelu Wyników.
Przejrzyj Mapę Topograficzną Czasowo-Częstotliwościową, aby zidentyfikować wzorce dyskryminujące w czasie, częstotliwości i obszarach skóry głowy. Przejrzyj Mapę Znaczenia Grup Elektrod, aby zidentyfikować grupy kanałów, które najbardziej przyczyniają się do dekodowania. Mapa topograficzna Time-Frequency Topographical ilustrowała przestrzenny rozkład rozróżniających wzorców EEG pomiędzy częstotliwością i segmentami czasowymi.
Mapa istotności grupy elektrod określiła wkład predefiniowanych grup elektrod w wydajność dekodowania. Protokół ten zarówno standaryzował dekodowanie, ilościową ocenę, jak i wizualizację wzorców EEG obrazów ruchowych specyficznych dla badanego. Kluczowym wyzwaniem jest zapewnienie, aby wstępne przetwarzanie klasyfikacji i segmentacja wieloskalowa pozostały elastyczne i praktyczne w różnych zbiorach danych.
Ten sposób pracy pozwala wykryć interpretowalną analizę różnic specyficznych dla poszczególnych osób oraz kierować rozwojem bardziej adaptacyjnych i uogólnialnych modeli dekodowania MI-EEG.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
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.
