Artigo de método

STFEEG-Tool: Uma ferramenta de análise de EEG em frequência espacial-temporal para interfaces cérebro-computador de imagens motoras

DOI:

10.3791/70425

⸱

10 de março de 2026

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

Neste artigo

Resumo

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

Este estudo apresenta um protocolo padronizado e reprodutível para implementar a ferramenta de análise de EEG de Frequência Espaço-Temporal (STFEEG) para decodificação de EEG por imagem motora, incorporando segmentação configurável de frequência espaço-temporal, extração de características baseada em Padrões Espaciais Comuns (CSP), múltiplos algoritmos de classificação e capacidades de visualização.

Resumo

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

Interfaces de imagem motora, cérebro e computador (MI-BCIs) demonstraram potencial significativo para neuroreabilitação e neurociência cognitiva. No entanto, um fluxo de trabalho MI-EEG padronizado e reproduzível para análise configurável de características espaço-temporal-frequentivos permanece limitado, e muitos pipelines exigem configurações complexas e ajustes de parâmetros com interpretabilidade limitada, dificultando a implementação prática e a generalização. Para enfrentar esses desafios, uma Ferramenta STFEEG foi desenvolvida para fornecer um fluxo de trabalho amigável, padronizado e interpretável para a decodificação de EEG em paradigmas de MI. O STFEEG-Tool permite configurações detalhadas de segmentação temporal, de frequência e espacial, possibilitando a extração de características MI multiescala. A caixa de ferramentas integra múltiplos algoritmos de extração de características, incluindo padrões espaciais comuns (CSP) e CSP baseado em divergência (div-CSP), junto com vários classificadores, como máquinas de vetores de suporte (SVMs), Classificador de Regressão de Crista e Classificador Lasso. Um mapa topográfico dinâmico de couro cabeludo em tempo-frequência é fornecido para resumir padrões espaciais entre segmentos de tempo e frequência e apoiar a interpretação dos resultados da decodificação. No geral, o STFEEG-Tool serve como uma plataforma reprodutível e extensível para análises MI-EEG detalhadas, facilitando a tradução de pipelines de decodificação detalhados em aplicações práticas e orientadas ao usuário.

Introdução

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

As interfaces cérebro-computador por imagem motora (MI-BCIs) permitem a comunicação direta entre o cérebro humano e dispositivos externos sem exigir atividade muscularperiférica 1. Nos últimos anos, a tecnologia MI-BCI tem sido amplamente aplicada emneuroreabilitação 2, controleassistivo 3 e interação humano-computador4. Esses aplicativos destacam a necessidade de fluxos de trabalho de análise acessíveis e reprodutíveis que possam ser adotados de forma confiável por pesquisadores e clínicos, incluindo usuários com conhecimento limitado em programação.

As abordagens convencionais de decodificação MI-EEG baseiam-se predominantemente em filtragem espacial e estruturas de classificação linear. Métodos como o Common SpatialPattern 5 (CSP) e o CSP6 baseado em divergência (div-CSP) têm sido amplamente usados para extrair características espaciais discriminativas de sinais de EEG multicanal. Para extrair ainda mais características em diferentes componentes de frequência, oCSP 7 (FBCSP) e o CSP 8,9 da subbanda (SBCSP) foram amplamente explorados. Além disso, a segmentação temporal foi integrada ao processo de extração de características, dividindo cada tentativa em múltiplos intervalos de tempo, permitindo capturar padrões discriminativos em evolução e aprimorando ainda mais o desempenho dedecodificação 10,11,12. Para aumentar a discriminabilidade das características extraídas, várias estratégias de seleção de características foram introduzidas para reduzir a redundância e mitigar o sobreajuste13, 14, 15. Para classificação, modelos tradicionais de aprendizado de máquina como as máquinas vetoriais de suporte16 e os classificadores de regressãoregularizada 17, 18 e 19 continuam amplamente utilizados devido à sua interpretabilidade e eficiência computacional.

Apesar de sua eficácia, essas abordagens são tipicamente implementadas em bases de código personalizadas e específicas para cada conjunto de dados, o que complica o reuso sistemático e a verificação independente. Diversas plataformas de software baseadas em interface gráfica de usuário (GUI) foram desenvolvidas para suportar análise de EEG e pesquisa em BCI. Por exemplo, o EEGLAB20 oferece um conjunto abrangente de funções para pré-processamento de EEG, análise de tempo-frequência, extração de características, classificação e visualização avançada. Sua arquitetura altamente modular e extensível possibilitou uma ampla adoção no campo de pesquisa em EEG. O BCILAB21, em integração com o EEGLAB, incorpora mais de 100 algoritmos de processamento de sinais e aprendizado de máquina que abrangem todo o pipeline de decodificação, desde o pré-processamento até a classificação. De forma semelhante, oOpenViBE 22 oferece um ambiente de programação visual para projetar fluxos de trabalho BCI em tempo real, nos quais os usuários podem montar pipelines de processamento de sinal conectando graficamente componentes modulares. A plataforma é especialmente adequada para aquisição online de EEG e paradigmas de resposta a estímulo em tempo real, e tem sido amplamente utilizada no desenvolvimento e teste de aplicações interativas de BCI. Além disso, o PyNoetic, um framework modular em Python para desenvolvimento de interfaces cérebro-computador EEG sem código, permite a construção de fluxo de trabalho BCI de ponta a ponta por meio de uma interface gráfica integrada que suporta aquisição de dados, pré-processamento, extração de características e classificação23. Diferentemente de ferramentas anteriores que exigem configuração manual substancial ou scripting, o PyNoetic oferece um nível mais alto de abstração para o design de pipelines, permitindo montagem flexível e reconfiguração dos estágios de processamento sem programação de baixo nível. Em muitos estudos MI-EEG, essas plataformas já podem suportar pré-processamento rotineiro, extração convencional de características e decodificação e avaliação de linha de base.

Várias plataformas baseadas em interface gráfica suportam análise MI-EEG por meio de pré-processamento padronizado, extração de características e decodificação de linha de base (Tabela 1). No entanto, eles carecem de otimização para decomposição em frequência espacial e tempo de granulação fina, incluindo particionamento espacial definido pelo usuário e visualização entre domínios. Para atender a essas necessidades metodológicas, foi proposto anteriormente uma estrutura de decodificação espacial-temporal-frequential detalhada para oMI-EEG 24 , modelando conjuntamente grupos espaciais de eletrodos, subbandas de frequência e segmentos temporais para melhorar o desempenho da decodificação e aprimorar a interpretabilidade em múltiplos domínios. Com base nesse arcabouço, a ferramenta de análise de EEG Espaço-Temporal-Frequência (STFEEG-Tool) foi desenvolvida como uma caixa de ferramentas baseada em interface gráfica (GUI) que padroniza a decodificação MI-EEG de grão fino dentro de um fluxo de trabalho configurável e reproduzível, mantendo a compatibilidade com as cadeias de ferramentas de EEG existentes.

O STFEEG-Tool integra preparação de dados, pré-processamento, segmentação espaço-temporal-frequentiça, extração de características, seleção de características baseada em wrapper, classificação e visualização em um pipeline unificado. Em vez de substituir as caixas de ferramentas de EEG já estabelecidas, ele as complementa por meio de especificação transparente de parâmetros, execução consistente de pipeline e visualização informada pelo modelo para suportar análises detalhadas.

As principais contribuições deste trabalho são três. Primeiro, o STFEEG-Tool oferece um fluxo de trabalho de interface gráfica de ponta a ponta amigável, com configuração padronizada de parâmetros para decodificação MI-EEG detalhada. Segundo, ele permite a segmentação espacial-temporal-frequential em múltiplas escalas, incluindo decomposição espacial definida pelo usuário, que não está consistentemente disponível em plataformas de uso geral. Terceiro, aprimora a interpretabilidade por meio de mapas topográficos tempo-frequência e mapas de significância por grupo de eletrodos que resumem contribuições discriminativas e revelam padrões relevantes para MI específicos do sujeito em domínios.

A caixa de ferramentas é de código aberto e está disponível em: https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

Os dados usados neste protocolo foram obtidos a partir de conjuntos de dados públicos e desidentificados. Os procedimentos originais de coleta de dados foram conduzidos de acordo com os padrões éticos das respectivas instituições; portanto, não foi necessária aprovação institucional adicional para essa análise secundária.

A Figura 1 ilustra o fluxo de trabalho geral da Ferramenta de Análise de Eletroencefalografia Espaço-Temporal-Frequência. Siga os passos abaixo para configurar cada módulo e reproduzir o protocolo de decodificação de frequência espacial e tempo de granulação fina. O software utilizado neste estudo está listado na Tabela de Materiais.

1. Preparação do software e do pacote STFEEG-Tool

  1. Instale um ambiente de computação numérica que suporte processamento de arquivos MAT e execução de interface gráfica (veja Tabela de Materiais).
  2. Baixe STFEEG - Tool do repositório online, descompacte em uma pasta local e localize o arquivo instalador STFEEG-Tool.mlappinstall.
  3. Clique duas vezes em STFEEG - Tool.mlappinstall, e siga as instruções na tela para concluir a instalação.
  4. Abra a aba App, confirme se o STFEEG-Tool aparece na lista de aplicativos instalados (Figura 2) e clique nele para abrir a interface gráfica (Figura 3).

2. Preparação do arquivo MAT dos dados de entrada

  1. Crie um arquivo MAT - (.mat) contendo quatro variáveis chamadas TrainData, TrainLabel, TestData e TestLabel.
    1. Armazene TrainData e TestData como matrizes 3D de tamanho Ntestes ×N canais × Npontos de tempo.
    2. Armazene TrainLabel e TestLabel como Ntestes × vetores de 1 coluna de rótulos de classe inteira, usando uma codificação consistente entre conjuntos de treinamento e teste.
      NOTA: Construa TrainData e TestData a partir de sessões ou blocos de gravação não sobrepostos para evitar vazamento de informações.
  2. Certifique-se de que TrainData e TestData compartilhem a mesma ordem do canal e frequência de amostragem (Hz).
  3. (Opcional) Baixe o arquivo MAT de exemplo fornecido (Data.mat) baseado na BCI Competition IV 2a do repositório público para testar rapidamente o software.

3. Lançar a interface gráfica e definir caminhos

  1. Inicie a interface gráfica STFEEG - Tool para abrir a janela de Análise MI-EEG (Figura 3).
  2. No painel de Carregamento de Dados , clique em Navegador ao lado de Caminho de Dados e selecione a pasta que contém o arquivo MAT preparado.
  3. Confirme se a frequência de amostragem Fs exibida na interface gráfica corresponde à frequência de amostragem (Hz) do conjunto de dados.
  4. Clique em Navegador ao lado de Salvar Caminho e selecione uma pasta de saída para armazenar resultados (por exemplo, arquivos de configuração, arquivos de modelo e rótulos previstos).
  5. (Opcional) Especifique o Caminho do Modelo com base no uso pretendido.
    1. Para salvar um modelo durante o treinamento, clique em Navegador ao lado de Caminho do Modelo e selecione uma pasta de destino; se o Caminho do Modelo ficar vazio, o software salva automaticamente o modelo no Caminho de Salvar.
    2. Para carregar um modelo pré-treinado para teste, clique em Navegador ao lado do Caminho do Modelo e selecione a pasta que contém os arquivos de modelo salvos.
  6. Clique em Carregar no painel de Carregamento de Dados para importar o arquivo MAT. O software verifica automaticamente as variáveis necessárias e os caminhos selecionados, e carrega o conjunto de dados caso não haja erros.

4. Configuração do pré-processamento (filtragem passa-banda)

  1. Use as configurações padrão de filtro passa-banda mostradas na interface gráfica (Ordem = 5, Fc1 = 5 Hz, Fc2 = 35 Hz, tipo de filtro = IIR), a menos que uma configuração de pré-processamento diferente seja necessária.
  2. (Opcional) Insira a ordem do filtro para sobrescrever o valor padrão.
  3. (Opcional) Insira as frequências de corte inferior e superior (Fc1 e Fc2) em Hz para sobrescrever os valores padrão.
  4. (Opcional) Selecione o tipo de filtro no menu suspenso para sobrescrever a opção padrão.
  5. Clique em OK para confirmar a configuração de pré-processamento. Se nenhuma alteração for feita, o software aplica as configurações padrão mostradas no painel.

5. Configuração da estratégia de segmentação de granulação fina

  1. No painel de Estratégia de Segmentação da interface gráfica principal, clique em Editar para abrir a janela de configuração de Segmentação .
  2. Configure janelas temporais.
    1. Selecione a aba Janelas Temporais .
    2. Revise a lista de janelas existente mostrada na tabela (Figura 4).
    3. (Opcional) Para adicionar janelas, insira os valores Início, Fim e Intervalo , e clique em Adicionar para adicionar as janelas geradas à lista.
    4. (Opcional) Para deletar uma janela existente, clique com o botão direito na linha correspondente na tabela e selecione Excluir.
  3. Configure as faixas de frequência do filtro e do banco.
    1. Selecione a aba Faixas de Frequência (Figura 5).
    2. Revise a lista de bandas de frequência existente mostrada na tabela.
    3. (Opcional) Para adicionar bandas, insira os valores Start (Hz), End (Hz) e Intervalo , e clique em Add para adicionar as bandas geradas à lista.
    4. (Opcional) Para excluir uma faixa existente, clique com o botão direito na linha correspondente da tabela e selecione Excluir.
  4. Configure a segmentação espacial por grupos de canais (Figura 6).
    1. Selecione a aba Segmentação Espacial .
    2. Revise as atribuições de grupos de canal na lista de Grupos de Número de Canais .
    3. (Opcional) Para substituir a configuração atual do grupo de canais, clique em Navegador ao lado de Grupos de Canais para selecionar um arquivo MAT de definição de grupo de canais.
    4. (Opcional) Para habilitar visualizações de couro cabeludo, clique em Navegador ao lado de Localização do Canal para selecionar o arquivo de localização do canal dos canais do conjunto de dados.
      NOTA: O repositório público fornece savedChCell.mat (definições de grupos de canais) e channel_locations_22ch.txt (coordenadas de 22 canais para a BCI Competition IV 2a), que podem ser usadas diretamente com os dados de exemplo incluídos.
    5. (Opcional) Clique em Substituir para carregar o arquivo de grupo de canais selecionado e atualize a lista de Grupos de Número de Canais . Se um arquivo de localização de canal foi selecionado na Localização do Canal, a ferramenta também o carrega para visualizações subsequentes do couro cabeludo (Figura 7).
  5. Aplique e verifique as configurações de segmentação.
    1. Após completar as configurações em todas as abas, clique em OK na parte inferior da janela de Segmentação para aplicar as janelas temporais atualizadas, faixas de frequência e segmentação espacial.
    2. Retorne à interface principal e confirme que as faixas de tempo, frequências e grupos de canais atualizados estão refletidos no painel de Estratégia de Segmentação.

6. Configuração da extração de características, classificadores e validação cruzada

  1. No painel de Configuração de Classificação , selecione o método Extração de Características no menu suspenso.
    NOTA: Descrições detalhadas do CSP e div-CSP são fornecidas no Arquivo Suplementar 1.
  2. Defina o nCSP para selecionar características CSP em ambas as extremidades do vetor de características. A ferramenta mantém os primeiros componentes nCSP e os últimos nCSP (2 × recursos nCSP no total).
  3. Selecione o(s) classificador(es) marcando as caixas correspondentes (SVM, Ridge-Optimal, Lasso-Ótimo).
    NOTA: Descrições dos três classificadores são fornecidas no Arquivo Suplementar 2.
  4. Defina o Número de Faixa de Seleção para especificar quantos segmentos/características de granulação fina são mantidos na seleção baseada em wrapper.
  5. Defina a Validação Cruzada para especificar o número de dobras para validação cruzada k-fold no TrainData/TrainLabel.
  6. (Opcional) Permitir que o Parallel acelere a computação quando múltiplos segmentos e classificadores forem avaliados, se houver recursos computacionais suficientes disponíveis.
  7. Clique em Cross - Validação para realizar a validação cruzada k-fold no TrainData/TrainLabel e treine o modelo final, depois teste o modelo final no TestData/TestLabel.
    NOTA: Se múltiplos classificadores forem selecionados, a ferramenta seleciona e salva automaticamente o modelo com a maior precisão de validação cruzada, e então o utiliza para avaliação de conjuntos de teste.

7. Visualização dos resultados e visualizações

  1. Após clicar em Validação cruzada no Passo 6, revise o resumo de desempenho exibido no painel de Resultados , incluindo Precisão de Validação/Kappa, Precisão do Teste/Kappa e o Tempo de Treinamento por dobra e Tempo de Teste por dobra. Registre esses valores para o relatório.
    NOTA: A Precisão de Validação/Kappa é reportada como a precisão média k-fold de validação cruzada/kappa25 calculada no TrainData/TrainLabel. A Precisão do Teste/Kappa é reportada como a precisão média do conjunto de testes/kappa 25 obtida ao avaliar o melhor modelo de cada dobra no TestData/TestLabel e fazer a média dos resultados do teste entre dobras.
  2. Inspecione as saídas de visualização exibidas no painel de Resultados .
    1. Revise o mapa topográfico tempo-frequência para identificar padrões discriminativos ao longo do tempo, frequência e regiões do couro cabeludo.
    2. Revise o Mapa de Significância de Grupos de Eletrodos para identificar grupos de canais que mais contribuem para a decodificação.
      NOTA: Definições detalhadas, procedimentos de construção e diretrizes de interpretação para ambos os mapas são fornecidos no Arquivo Suplementar 3.
  3. (Opcional) Execute uma avaliação apenas de teste usando um modelo previamente treinado.
    1. Clique em Modelo de Carga de Teste para carregar um modelo pré-treinado a partir do Caminho do Modelo e avaliá-lo na entrada atual TestData/TestLabel.
    2. Selecione a pasta Model Path salva durante o treinamento (Passo 3.5) e mantenha a estrutura de diretórios inalterada. Certifique-se de que o model.mat esteja na pasta selecionada e o param.mat na pasta pai, pois ambos são necessários para carregar o modelo e reproduzir as visualizações.
    3. Confirme que, neste modo, a interface gráfica reporta a Precisão do Teste e o Tempo de Teste por Dobra para o modelo carregado, e os painéis de visualização são atualizados de acordo.
    4. (Opcional) Localize os resultados exportados no diretório de save, que inclui rótulos previstos e verdadeiros para testes estatísticos adicionais.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

A ferramenta STFEEG foi validada tanto na BCI Competition IV 2a26 quanto na BCI Competition III 3a27, e o sistema executou com sucesso o pipeline completo de decodificação em ambos os casos. O protocolo fixo de sessões cruzadas da Competição BCI IV 2a foi seguido: treinamento na Sessão 1 e avaliação na Sessão 2 realizada, gravadas em dois dias separados. Sob a mesma configuração usada no framework de frequência espacial-temporal detalhado

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

A STFEEG-Tool foi projetada como uma caixa de ferramentas específica para MI-EEG que complementa ecossistemas de EEG estabelecidos, como EEGLAB20, BCILAB21,OpenViBE 22, PyNoetic23. Embora essas plataformas forneçam componentes flexíveis para decodificação MI, configurações finas de frequência espaço-temporal e interpretação informada por modelos podem envolver integração adicional entre etapas...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores não têm conflitos de interesse a declarar.

Agradecimentos

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

Esse trabalho foi parcialmente apoiado pela Fundação Nacional de Ciências Naturais da China (nº 62401342 e nº 62271291), pela Fundação de Ciências Naturais da Província de Shandong (nº ZR2024QF092, ZR2024LZH007 e ZR2025ZD24), pela Fundação de Pesquisa Básica e Aplicada de Guangdong (nº 2025A1515011826), pelo Programa de Pesquisa Fundamental de Shenzhen (nº JCYJ20250604124702003), pelo Laboratório Chave Provincial de Filosofia e Ciências Sociais para Inteligência Linguística em Educação Especial (nº YYZN-2025-11), o Programa Nacional Chave de Pesquisa e Desenvolvimento da China (Nº 2024YFC2418300 e 2024YFC2418303), e o Laboratório Chave de Computação Social e Inteligência Cognitiva (Universidade de Tecnologia de Dalian), Ministério da Educação (Nº SCCl2025YB02).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
MATLABMathWorksVersão R2024aAmbiente de software para computação numérica, processamento de sinais e desenvolvimento de interface gráfica.
Caixa de Ferramentas para Processamento de SinaisMathWorkshttps://ww2.mathworks.cn/en/products/signal.htmlCaixa de ferramentas para filtragem digital e análise tempo-frequência
Caixa de Ferramentas de Estatística e Aprendizado de MáquinaMathWorkshttps://ww2.mathworks.cn/en/products/statistics.htmlCaixa de ferramentas para treinamento de modelos e análise estatística

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

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

Artigos relacionados