STFEEG-Tool: Uma ferramenta de análise de EEG em frequência espacial-temporal para interfaces cérebro-computador de imagens motoras
10 de março de 2026
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.
Este trabalho desenvolve uma caixa de ferramentas baseada em interface gráfica para imagens motoras em grade divertidas, decodificação de EEG e análise de frequência espaço-temporal interpretável. As plataformas existentes não possuem configuração integrada de grade divertida espacial, temporal e de frequência, com visualização intuitiva para análise de EEG por imagem motora. Para começar, baixe a STFEEG Tool do repositório online.
Descompacte o arquivo baixado em uma pasta local e localize o arquivo instalador, STFEEG-Tool. mlappinstall, no conteúdo extraído. Clique duas vezes na ferramenta STFEEG.
MLAPPINSTALL para iniciar o instalador e seguir as instruções na tela para concluir a instalação. Após baixar o arquivo MAT de exemplo, inicie a interface gráfica da Ferramenta STFEEG para abrir a janela de Análise EEG de Imagens Motoras. 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.
Agora, clique em Navegador ao lado de Salvar Caminho e selecione uma pasta de saída para os resultados. Clique em Carregar no painel de Carregamento de Dados para importar o arquivo MAT. No painel de Estratégia de Segmentação da interface gráfica principal, clique em Editar para abrir a janela de configuração de Segmentação, onde as configurações padrão de parâmetros já estão fornecidas.
Para configurar as janelas temporais, selecione a aba Janelas Temporais na janela de configuração. Insira os valores de início, fim e intervalo para definir janelas temporais. Depois, clique em Adicionar para adicionar as janelas geradas à lista.
Para deletar uma janela existente, clique com o botão direito na linha correspondente na tabela e selecione Excluir. Para configurar as faixas de frequência do banco de filtros, selecione a aba Faixas de Frequência na janela de configuração. Insira os valores de início, fim e intervalo para definir as faixas de frequência.
Depois, clique em Adicionar para adicionar as faixas geradas à lista. Para excluir uma faixa de frequência existente, clique com o botão direito na linha correspondente na tabela e selecione Excluir. Para configurar a segmentação espacial por grupos de canais, selecione a aba Segmentação Espacial na janela de configuração.
Clique no Navegador ao lado de Grupos de Canais para selecionar um arquivo MAT de definição de grupo de canais. Clique em Substituir para carregar o arquivo do grupo de canais selecionado e atualize a lista de Grupos de Número de Canais. Se um arquivo de localização de canal foi selecionado em Localização de Canal, a ferramenta também o carrega para visualizações subsequentes do couro cabeludo.
Clique em OK na parte inferior da janela de Segmentação para aplicar as janelas temporais atualizadas, faixas de frequência e segmentação espacial. O painel de Estratégia de Segmentação da interface gráfica principal do usuário é atualizado de acordo. No painel de Configuração de Classificação, selecione o método Extração de Características no menu suspenso.
Defina o nCSP para manter características de ambas as extremidades do vetor de características. Depois, selecione os classificadores marcando as caixas correspondentes. Defina o Número de Bandas de Seleção para especificar quantos segmentos ou características de granulação fina são mantidos na seleção baseada em wrapper.
Defina a Validação Cruzada para especificar o número de dobras para a validação cruzada k-fold nos dados do trem e no rótulo do trem. Depois, clique em Validação Cruzada para realizar a validação cruzada k-fold. Revise o resumo de desempenho exibido no painel de Resultados.
Revise o Mapa Topográfico Tempo-Frequência para identificar padrões discriminativos ao longo do tempo, frequência e regiões do couro cabeludo. Revise o Mapa de Significância de Grupos de Eletrodos para identificar grupos de canais que mais contribuem para a decodificação. O Mapa Topográfico Time-Frequency ilustrou a distribuição espacial de padrões discriminativos de EEG entre segmentos de frequência e temporais.
O Mapa de Significância de Grupo de Eletrodos quantificou a contribuição dos grupos de eletrodos predefinidos para o desempenho de decodificação. Esse protocolo padronizou tanto a decodificação da avaliação quantitativa quanto a visualização de padrões de EEG de imagens motoras específicas do sujeito. Um desafio chave é garantir que a classificação pré-processamento e a segmentação em múltiplas escalas permaneçam flexíveis e praticáveis entre diferentes conjuntos de dados.
Esse fluxo de trabalho pode identificar análises interpretáveis de diferenças específicas de cada sujeito e orientar o desenvolvimento de modelos de decodificação MI-EEG mais adaptativos e generalizáveis.
Veja a transcrição completa e aceda a milhares de vídeos científicos
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.
