STFEEG-Tool: Инструмент пространственно-временно-частотного анализа ЭЭГ для интерфейсов мозг-компьютер моторных изображений
10 марта 2026 г.
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.
В рамках этой работы разрабатывается набор инструментов на базе графического интерфейса для развлекательных изображений сетчатых моторов, ЭЭГ-декодирования и интерпретируемого пространственно-временного анализа. Существующие платформы отсутствуют интегрированной пространственной, временной и частотной конфигурации сетки с интуитивно понятной визуализацией для анализа моторных изображений с помощью ЭЭГ. Для начала скачайте инструмент STFEEG из онлайн-репозитория.
Распаковайте загруженный файл в локальную папку и найдите установочный файл STFEEG-Tool. mlappinstall, в распакованном содержимом. Дважды кликните по STFEEG-Tool.
MLappInstall, чтобы запустить установщик и следовать инструкциям на экране для завершения установки. После скачивания примера MAT-файла запустите графический интерфейс STFEEG Tool, чтобы открыть окно анализа EEG Motor Imagery. В панели загрузки данных нажмите на Браузер рядом с Data Path и выберите папку с подготовленным MAT-файлом.
Теперь нажмите на Браузер рядом с Save Path и выберите папку вывода для результатов. Нажмите на «Загрузить» в панели загрузки данных, чтобы импортировать MAT-файл. В панели Стратегия сегментации основного графического интерфейса нажмите на Редактировать, чтобы открыть окно конфигурации сегментации, где уже указаны настройки параметров по умолчанию.
Для настройки временных окон выберите вкладку «Временные окна» в окне настройки. Введите значения начала, конца и интервала, чтобы определить временные окна. Затем нажмите «Добавить», чтобы добавить сгенерированные окна в список.
Чтобы удалить существующее окно, кликните правой кнопкой мыши по соответствующей строке в таблице и выберите «Удалить». Для настройки частотных диапазонов банка фильтров выберите вкладку «Частотные диапазоны» в окне настройки. Введите значения начала, конца и интервала, чтобы определить частотные диапазоны.
Затем нажмите «Добавить», чтобы добавить сгенерированные полосы в список. Чтобы удалить существующий частотный диапазон, кликните правой кнопкой мыши по соответствующей строке в таблице и выберите «Удалить». Чтобы настроить пространственную сегментацию по группам каналов, выберите вкладку «Пространственная сегментация» в окне конфигурации.
Нажмите на Браузер рядом с Группами каналов, чтобы выбрать MAT-файл с определением группы каналов. 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.
Нажмите OK внизу окна сегментации, чтобы применить обновлённые временные окна, частотные диапазоны и пространственную сегментацию. Панель Стратегии сегментации основного графического интерфейса обновляется соответственно. В панели конфигурации классификации выберите метод извлечения признаков из выпадающего меню.
Настройте nCSP так, чтобы сохранять признаки с обоих концов вектора признаков. Затем выберите классификаторы, отметив соответствующие галочки. Установите число диапазонов выбора так, чтобы указать, сколько мелкозернистых сегментов или признаков сохраняется в выборе на основе оболочки.
Задайте кросс-валидацию для указания количества сгибов для k-кратной кросс-валидации на данных поезда и метке поезда. Затем нажмите на Cross-Validation, чтобы выполнить k-кратную кросс-валидацию. Ознакомьтесь с обзором результатов, отображаемым в панели результатов.
Ознакомьтесь с топографической картой времени-частота, чтобы выявить дискриминационные закономерности по времени, частоте и областям кожи головы. Ознакомьтесь с картой значимости группы электродов, чтобы определить группы каналов, которые наиболее влияют на декодирование. Временно-частотная топографическая карта иллюстрировала пространственное распределение дискриминативных ЭЭГ-паттернов по частотным и временным сегментам.
Карта значимости группы электродов количественно оценивала вклад предопределённых групп электродов в производительность декодирования. Этот протокол стандартизировал как декодирование, количественную оценку, так и визуализацию моторных изображений, специфичных для субъекта — ЭЭГ-паттернов. Ключевая задача — обеспечить, чтобы классификация предварительной обработки и многомасштабная сегментация оставались гибкими и практичными для различных наборов данных.
Этот рабочий процесс позволяет выявлять интерпретируемый анализ различий, специфичных для конкретного субъекта, и направлять разработку более адаптивных и обобщённых моделей декодирования MI-EEG.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
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.
