Методическая статья

STFEEG-Tool: Инструмент пространственно-временно-частотного анализа ЭЭГ для интерфейсов мозг-компьютер моторных изображений

DOI:

10.3791/70425

⸱

10 марта 2026 г.

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

В этой статье

Краткое содержание

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

В данном исследовании представлен стандартизированный и воспроизводимый протокол для реализации инструмента пространственно-временно-частотного анализа ЭЭГ (STFEEG) для декодирования моторных изображений ЭЭГ, включая настраиваемую пространственно-временную сегментацию, извлечение признаков на основе общих пространственных паттернов (CSP), множественные алгоритмы классификации и возможности визуализации.

Аннотация

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

Интерфейсы моторных образов — мозг — компьютер (MI-BCI) продемонстрировали значительный потенциал для нейрореабилитации и когнитивной нейронауки. Однако стандартизированный и воспроизводимый MI-EEG рабочий процесс для настраиваемого пространственно-временно-частотного анализа признаков остаётся ограниченным, и многие конвейеры требуют сложной настройки конфигурации и параметров с ограниченной интерпретацией, что затрудняет практическое внедрение и обобщение. Для решения этих проблем был разработан инструмент STFEEG, обеспечивающий удобный, стандартизированный и интерпретируемый рабочий процесс для декодирования ЭЭГ в парадигмах MI. STFEEG-Tool обеспечивает тонкую конфигурацию временной, частотной и пространственной сегментации, что позволяет извлекать многомасштабные MI-признаки. Набор инструментов интегрирует несколько алгоритмов извлечения признаков, включая общие пространственные паттерны (CSP) и CSP на основе дивергенции (div-CSP), а также различные классификаторы, такие как опорные векторные машины (SVM), гребневой регрессионный классификатор и классификатор лассо. Для суммирования пространственных паттернов по временно-частотным сегментам и поддержки интерпретации результатов декодирования предоставляется динамическая временно-частотная топографическая карта. В целом, STFEEG-Tool служит воспроизводимой и расширяемой платформой для мелкозернистого MI-EEG-анализа, облегчая перевод мелкозернистых конвейеров декодирования в практические, ориентированные на пользователя приложения.

Введение

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

Моторные визуализации интерфейсы мозг-компьютер (MI-BCI) обеспечивают прямую связь между человеческим мозгом и внешними устройствами без необходимости активности периферическихмышц 1. В последние годы технология MI-BCI широко применяется внейрореабилитации 2, ассистивномконтроле 3 и взаимодействии человека скомпьютером 4. Эти приложения подчёркивают необходимость доступных и воспроизводимых аналитических рабочих процессов, которые могут надёжно внедряться исследователями и клиницистами, включая пользователей с ограниченным опытом программирования.

Традиционные методы декодирования MI-EEG преимущественно основаны на пространственной фильтрации и линейной классификации. Методы, такие как Common SpatialPattern 5 (CSP) и CSP 6 на основе дивергенции(div-CSP), широко используются для извлечения дискриминационных пространственных признаков из многоканальных ЭЭГ-сигналов. Для дальнейшего выявления признаков в различных частотных компонентах были широко изучены Filter BankCSP 7 (FBCSP) и поддиапазонCSP 8,9 (SBCSP). Кроме того, временная сегментация интегрирована в процесс извлечения признаков путём разделения каждого испытания на несколько временных интервалов, что позволяет фиксировать развивающиеся дискриминационные паттерны и дополнительно повышать эффективностьдекодирования 10,11,12. Для повышения различимости извлечённых признаков были введены различные стратегии выбора признаков для снижения избыточности и предотвращения перенагонов 13,14,15. Для классификации традиционные модели машинного обучения, такие как векторные машиныподдержки 16 и регрессионные классификаторы17, 18, 19, продолжают широко использоваться благодаря их интерпретируемости и вычислительной эффективности.

Несмотря на их эффективность, эти подходы обычно реализуются в индивидуализированных кодовых базах для конкретных наборов данных, что усложняет систематическое повторное использование и независимую проверку. Было разработано несколько программных платформ на базе графического пользовательского интерфейса (GUI) для поддержки анализа ЭЭГ и исследований BCI. Например, EEGLAB20 предлагает комплексный набор функций для предварительной обработки ЭЭГ, анализа по времени и частоты, извлечения признаков, классификации и продвинутой визуализации. Её высокомодульная и расширяемая архитектура позволила широкому внедрению в области исследований ЭЭГ. BCILAB21, в интеграции с EEGLAB, включает более 100 алгоритмов обработки сигналов и машинного обучения, охватывающих весь конвейер декодирования — от предварительной обработки до классификации. Аналогично,OpenViBE 22 предлагает визуальную программную среду для проектирования рабочих процессов BCI в реальном времени, где пользователи могут собирать конвейеры обработки сигналов, графически связывая модульные компоненты. Платформа особенно подходит для онлайн-получения ЭЭГ и парадигм стимул-ответ в реальном времени, а также широко используется при разработке и тестировании интерактивных приложений BCI. Кроме того, PyNoetic — модульный фреймворк на Python для разработки интерфейса мозг-компьютер EEG без кода, который позволяет создавать сквозные рабочие процессы BCI с помощью интегрированного графического интерфейса, поддерживающего сбор данных, предобработку, извлечение признаков иклассификацию 23. В отличие от более ранних инструментов, требующих значительной ручной настройки или скриптов, PyNoetic предлагает более высокий уровень абстракции при проектировании конвейера, позволяя гибко собирать и перестраивать этапы обработки без низкоуровневого программирования. Во многих исследованиях MI-EEG эти платформы уже поддерживают рутинную предобработку, традиционное извлечение признаков и базовое декодирование и оценку.

Несколько платформ на базе графического интерфейса поддерживают MI-EEG-анализ через стандартизированную предобработку, извлечение признаков и базовое декодирование (Таблица 1). Однако им не хватает оптимизации для мелкозернистого разложения пространственно-частотно-временной декомпозиции, включая пользовательское пространственное разбиение и междоменную визуализацию. Для решения этих методологических потребностей ранее была предложена детальная пространственно-временная модель декодирования MI-EEG24 , совместно моделирующая пространственные электродные группы, частотные поддиапазоны и временные сегменты для повышения эффективности декодирования и повышения многодоменной интерпретации. Основываясь на этой структуре, инструмент пространственно-временно-частотного анализа ЭЭГ (STFEEG-Tool) был разработан как графический набор инструментов на базе графического пользовательского интерфейса (GUI), который стандартизирует мелкозернистое декодирование MI-EEG в рамках настраиваемого и воспроизводимого рабочего процесса, оставаясь при этом совместимым с существующими EEG-инструментарами.

STFEEG-Tool интегрирует подготовку, предобработку данных, пространственно-временную сегментацию, извлечение признаков, выбор признаков на основе оболочки, классификацию и визуализацию в единый конвейер. Вместо замены устоявшихся наборов инструментов EEG он дополняет их прозрачной спецификацией параметров, последовательным выполнением конвейера и визуализацией, ориентированной на модель, для поддержки тонкого анализа.

Основные вклады этой работы тройные. Во-первых, STFEEG-Tool предоставляет удобный для пользователя сквозной GUI-процесс с стандартизированной конфигурацией параметров для мелкого декодирования MI-EEG. Во-вторых, он позволяет многомасштабную пространственно-временную сегментацию, включая пользовательское пространственное разложение, которое не всегда доступно на универсальных платформах. В-третьих, он повышает интерпретируемость с помощью топографических карт временно-частотных и карт значимости электрод-групп, которые суммируют дискриминативные вклады и выявляют специфические для субъекта специфические закономерности в различных областях.

Набор инструментов открыт и доступен по адресу: https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Данные, используемые в этом протоколе, были получены из общедоступных, деидентифицированных наборов данных. Первоначальные процедуры сбора данных проводились в соответствии с этическими стандартами соответствующих учреждений; Поэтому для этого вторичного анализа не требовалось дополнительное институциональное одобрение.

Рисунок 1 иллюстрирует общий рабочий процесс инструмента анализа пространственно-временной электроэнцефалографии. Следуйте следующим шагам, чтобы настроить каждый модуль и воспроизвести тонко обработанный протокол декодирования пространственно-частотного времени. Программное обеспечение, используемое в этом исследовании, указано в Таблице материалов.

1. Подготовка программного обеспечения и пакета STFEEG-Tool

  1. Установите численную вычислительную среду, поддерживающую обработку MAT-файлов и выполнение GUI (см. Таблицу материалов).
  2. Скачайте STFEEG - Tool из онлайн-репозитория, распакуйте его в локальную папку и найдите установочный файл STFEEG-Tool.mlappinstall.
  3. Дважды кликните по STFEEG - Tool.mlappinstall и следуйте инструкциям на экране для завершения установки.
  4. Откройте вкладку «Приложение», убедитесь, что STFEEG-Tool появляется в списке установленных приложений (рисунок 2), и нажмите на неё, чтобы запустить GUI (рисунок 3).

2. Подготовка входного MAT-файла

  1. Создайте MAT - файл (.mat), содержащий четыре переменные с названиями TrainData, TrainLabel, TestData и TestLabel.
    1. Храните TrainData и TestData в виде 3D-массивов размера N испытаний × Nканалов × Nвременных точек.
    2. Храните TrainLabel и TestLabel как Nиспытаний × одностолбцевых векторов целых классов, используя согласованное кодирование между обучающими и тестовыми наборами.
      ПРИМЕЧАНИЕ: Постройте TrainData и TestData из неперекрывающихся сессий или блоков записи, чтобы предотвратить утечку информации.
  2. Убедитесь, что TrainData и TestData имеют одинаковый порядок каналов и частоту дискретизации (Гц).
  3. (По желанию) Скачайте предоставленный пример MAT-файла (Data.mat) на основе BCI Competition IV 2a из публичного репозитория, чтобы быстро протестировать программное обеспечение.

3. Запуск GUI и задания путей

  1. Запустите графический интерфейс STFEEG — инструмента , чтобы открыть окно анализа MI-EEG (рисунок 3).
  2. В панели загрузки данных нажмите на «Браузер » рядом с Data Path и выберите папку, содержащую подготовленный MAT-файл.
  3. Убедитесь, что частота дискретизации Fs , отображаемая в графическом интерфейсе, совпадает с частотой дискретизации данных (Гц).
  4. Нажмите на Браузер рядом с Save Path и выберите папку вывода для хранения результатов (например, конфигурационные файлы, файлы моделей и прогнозируемые метки).
  5. (По желанию) Указывайте путь модели в зависимости от предполагаемого использования.
    1. Чтобы сохранить модель во время обучения, нажмите на «Браузер » рядом с «Путь модели » и выберите папку назначения; если путь модели остаётся пустым, программа автоматически сохраняет модель в Save Path.
    2. Чтобы загрузить предварительно обученную модель для тестирования, нажмите на «Браузер » рядом с «Путь модели » и выберите папку, содержащую сохранённые файлы модели.
  6. Нажмите на «Загрузить » в панели загрузки данных , чтобы импортировать MAT-файл. Программа автоматически проверяет необходимые переменные и выбранные пути, а также загружает набор данных, если ошибки не зарегистрированы.

4. Настройка предварительной обработки (полосовая фильтрация)

  1. Используйте стандартные настройки фильтра с пропусканием полосы, показанные в графическом интерфейсе (Order = 5, Fc1 = 5 Hz, Fc2 = 35 Hz, тип фильтра = IIR), если не требуется другая конфигурация предварительной обработки.
  2. (По желанию) Введите фильтр Order , чтобы переопределить значение по умолчанию.
  3. (По желанию) Введите нижние и верхние частоты среза (Fc1 и Fc2) в Гц, чтобы переопределить значения по умолчанию.
  4. (По желанию) Выберите тип фильтра в выпадающем меню, чтобы отменить опцию по умолчанию.
  5. Нажмите OK , чтобы подтвердить конфигурацию предварительной обработки. Если изменений нет, программа применяет настройки по умолчанию, показанные в панели.

5. Конфигурирование стратегии детализированной сегментации

  1. В панели стратегии сегментации основного графического интерфейса нажмите на Редактировать , чтобы открыть окно конфигурации сегментации .
  2. Настройте временные окна.
    1. Выберите вкладку «Временные окна ».
    2. Просмотрите существующий список окон, показанный в таблице (рисунок 4).
    3. (По желанию) Чтобы добавить окна, введите значения Start, End и Interval и нажмите Добавить , чтобы добавить сгенерированные окна в список.
    4. (По желанию) Чтобы удалить существующее окно, кликните правой кнопкой мыши по соответствующей строке в таблице и выберите «Удалить».
  3. Настройте частотные диапазоны банка фильтров.
    1. Выберите вкладку «Частотные диапазоны » (рисунок 5).
    2. Ознакомьтесь с существующим списком частотных диапазонов, показанный в таблице.
    3. (По желанию) Чтобы добавить полосы, введите значения Start (Hz), End (Hz) и Interval и нажмите Добавить , чтобы добавить сгенерированные полосы в список.
    4. (По желанию) Чтобы удалить существующую полосу, кликните правой кнопкой мыши по соответствующей строке в таблице и выберите «Удалить».
  4. Настройте пространственную сегментацию по группам каналов (рисунок 6).
    1. Выберите вкладку «Пространственная сегментация ».
    2. Ознакомьтесь с назначениями по группам каналов в списке «Группы номера канала ».
    3. (По желанию) Чтобы заменить текущую конфигурацию групп каналов, нажмите на «Браузер » рядом с группами каналов , чтобы выбрать MAT-файл с определением группы каналов.
    4. (По желанию) Чтобы включить визуализацию скальпа, нажмите на «Браузер » рядом с «Местоположением канала », чтобы выбрать файл канала и местоположения для каналов набора данных.
      ПРИМЕЧАНИЕ: Публичный репозиторий предоставляет savedChCell.mat (определения групп каналов) и channel_locations_22ch.txt (22-канальные координаты скальпа для BCI Competition IV 2a), которые можно использовать напрямую с прилагаемыми примерами данных.
    5. (По желанию) Нажмите «Заменить », чтобы загрузить выбранный файл группы каналов и обновить список групп номеров каналов . Если файл расположения канала выбран в Channel Location, инструмент также загружает его для последующих визуализаций скальпа (рисунок 7).
  5. Примените и проверьте настройки сегментации.
    1. После завершения настроек во всех вкладках нажмите OK внизу окна сегментации , чтобы применить обновлённые временные окна, частотные диапазоны и пространственную сегментацию.
    2. Вернитесь к основному интерфейсу и убедитесь, что обновленные временные диапазоны, частотные диапазоны и группы каналов отражены в панели Стратегии сегментации.

6. Настройка извлечения признаков, классификаторов и перекрёстной валидации

  1. В панели конфигурации классификации выберите метод извлечения признаков из выпадающего меню.
    ПРИМЕЧАНИЕ: Подробные описания CSP и div-CSP приведены в дополнительном файле 1.
  2. Установите nCSP так, чтобы выбирать признаки CSP с обоих концов вектора признаков. Инструмент сохраняет первые nCSP и последние компоненты nCSP (всего 2 × функций nCSP ).
  3. Выберите классификатор(ы), отметив соответствующие поля (SVM, Ridge-Optimal, Lasso-Optimal).
    ПРИМЕЧАНИЕ: Описания трёх классификаторов приведены в дополнительном файле 2.
  4. Задайте номер диапазонов выбора, чтобы указать, сколько мелкозернистых сегментов/признаков сохраняется в выборе на основе обёртки.
  5. Задайте кросс-валидацию для указания количества сгибов для k-кратной кросс-валидации на TrainData/TrainLabel.
  6. (По желанию) Включить параллельное ускорение вычислений при оценке нескольких сегментов и классификаторов, если доступны достаточные вычислительные ресурсы.
  7. Нажмите на Cross - Validation , чтобы выполнить k-кратную кросс-валидацию на TrainData/TrainLabel и обучить финальную модель, затем протестировать финальную модель на TestData/TestLabel.
    ПРИМЕЧАНИЕ: Если выбирается несколько классификаторов, инструмент автоматически выбирает и сохраняет модель с максимальной точностью перекрёстной проверки, а затем использует её для оценки тестового набора.

7. Просмотр результатов и визуализаций

  1. После нажатия на Cross - Validation на шаге 6 просмотрите сводку результатов, отображаемую в панели результатов , включая Валидационную точность/Kappa, Точность теста/Kappa, а также Per-fold Training Time и Per-fold Testing Time. Записывайте эти значения для отчетности.
    ПРИМЕЧАНИЕ: Валидационная точность/Kappa отображается как среднее k-кратное кросс-валидационное точность кросс-валидации/kappa 25 , вычисленное на TrainData/TrainLabel. Точность теста/Kappa отражается как средняя точность тестового набора/kappa 25 , получаемая путём оценки лучшей модели из каждого сгиба на TestData/TestLabel и усреднения результатов теста по сгибам.
  2. Ознакомьтесь с визуализационными выходами, отображаемыми в панели Результатов .
    1. Ознакомьтесь с топографической картой времени-частоты , чтобы выявить дискриминативные закономерности по времени, частоте и областям кожи головы.
    2. Ознакомьтесь с картой значимости группы электродов , чтобы определить группы каналов, которые наиболее влияют на декодирование.
      ПРИМЕЧАНИЕ: Подробные определения, процедуры строительства и рекомендации по интерпретации обеих карт приведены в дополнительном файле 3.
  3. (По желанию) Запускайте оценку только с использованием предварительно обученной модели.
    1. Нажмите на Test Load Model, чтобы загрузить предварительно обученную модель из Model Path и оценить её на текущем входеT estData/TestLabel.
    2. Выберите папку Model Path, сохранённую во время обучения (шаг 3.5), и оставьте её структуру каталога без изменений. Убедитесь, что model.mat находится в выбранной папке, а param.mat — в родительской, так как оба нужны для загрузки модели и воспроизведения визуализаций.
    3. Проверьте, что в этом режиме графический интерфейс отображает точность тестирования и время тестирования за разворачивание для загруженной модели, и панели визуализации обновляются соответственно.
    4. (По желанию) Найдите экспортированные результаты в каталоге сохранений, где содержатся прогнозируемые и истинные метки для дальнейшего статистического тестирования.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

STFEEG-Tool был проверен как на BCI Competition IV2a 26 , так и на BCI Competition III 3a27, и система успешно выполнила полный конвейер декодирования в обоих случаях. Соблюдался фиксированный межсессионный протокол BCI Competition IV 2a: тренировка на первой сессии и оценка на проведенной второй сессии, записываемые в два отдельных дня. В той же конфигурации, что использовалась в ранее описанной детализированной пространственно-временной ф...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

STFEEG-Tool разработан как специализированный набор инструментов для MI-EEG, дополняющий устоявшиеся экосистемы EEG, такие как EEGLAB20, BCILAB21,OpenViBE 22, PyNoetic23. Хотя эти платформы предоставляют гибкие компоненты для декодирования MI, детализированная пространственно-временная конфигурация и интерпретация, ориентированная на модель, могут потребовать дополнительной интеграции между эт...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

У авторов нет конфликта интересов, которые можно было бы заявлять.

Благодарности

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

Эта работа была частично поддержана Национальным фондом естественных наук Китая (No 62401342 и No 62271291), Фондом естественных наук провинции Шаньдун (No ZR2024QF092, ZR2024LZH007 и ZR2025ZD24), Фондом фундаментальных и прикладных исследований Гуандуна (No 2025A1515011826), Шэньчжэньской фундаментальной исследовательской программой (No JCYJ20250604124702003), Сычуаньской провинциальной ключевой лабораторией философии и социальных наук для языкового интеллекта в специальном образовании (No YYZN-2025-11), Национальную ключевую программу исследований и разработок Китая (No 2024YFC2418300 и 2024YFC2418303), а также Ключевую лабораторию социальных вычислений и когнитивного интеллекта (Даляньский технологический университет), Министерство образования (No SCCl2025YB02).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
MATLABMathWorksВерсия R2024aПрограммная среда для численных вычислений, обработки сигналов и разработки графического интерфейса.
Набор инструментов обработки сигналовMathWorkshttps://ww2.mathworks.cn/en/products/signal.htmlНабор инструментов для цифровой фильтрации и анализа времени и частоты
Статистика и набор инструментов машинного обученияMathWorkshttps://ww2.mathworks.cn/en/products/statistics.htmlНабор инструментов для обучения моделей и статистического анализа

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

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

Похожие статьи