STFEEG-Tool: Motor Görüntü Beyin-Bilgisayar Arayüzleri İçin Mekansal-Zamansal Frekanslı EEG Analiz Aracı
10 Mart 2026
Bu çalışma, motor görüntü EEG kodlaması için Mekansal-Zamansal Frekans EEG analiz aracının (STFEEG) uygulanması için standartlaştırılmış ve tekrarlanabilir bir protokol sunmaktadır; bunlar, yapılandırılabilir mekansal-zamansal frekans segmentasyonu, Ortak Mekansal Desenler (CSP) tabanlı özellik çıkarma, çoklu sınıflandırma algoritmaları ve görselleştirme yeteneklerini içermektedir.
Bu çalışma, eğlenceli ızgara motor görüntüleri, EEG kod çözme ve yorumlanabilir mekansal-zamansal frekans analizi için GUI tabanlı bir araç kutusu geliştirmektedir. Mevcut platformlar, motor görüntü EEG analizi için sezgisel görselleştirme ile entegre eğlence ızgarası, mekansal, zamansal ve frekans konfigürasyonundan yoksundur. Başlamak için, çevrimiçi depodan STFEEG Tool'u indirin.
İndirilmiş dosyayı yerel bir klasöre açın ve kurulum dosyası STFEEG-Tool'u bulun. mlappinstall, çıkarılmış içerikte bulundu. STFEEG-Tool'a çift tıklayın.
mlappinstall kurulumu başlatmak ve ekrandaki talimatları takip etmek için kurulumu tamamlamak için. Örnek MAT dosyasını indirdikten sonra, STFEEG Aracı grafik kullanıcı arayüzünü başlatarak Motor Görüntü EEG Analizi penceresini açın. Veri Yükleme panelinde, Veri Yolu'nun yanındaki Tarayıcı'ya tıklayın ve hazırlanmış MAT dosyasını içeren klasörü seçin.
Şimdi, Path Kaydet'in yanındaki Tarayıcı'ya tıklayın ve sonuçlar için bir çıktı klasörü seçin. MAT dosyasını içe aktarmak için Veri Yükleme panelinde Yükle'ye tıklayın. Ana grafik kullanıcı arayüzünün Segmentasyon Stratejisi panelinde, varsayılan parametre ayarlarının zaten sağlandığı Segmentasyon yapılandırma penceresini açmak için Düzenle'ye tıklayın.
Zamansal pencereleri yapılandırmak için, yapılandırma penceresinde Zamansal Pencereler sekmesini seçin. Zamansal pencereleri tanımlamak için başlangıç, son ve aralık değerlerini girin. Sonra Ekle seçeneğine tıklayarak oluşturulan pencereleri listeye ekle.
Mevcut bir pencereyi silmek için, tablodaki ilgili satıra sağ tıklayın ve Sil seçeneğini seçin. Filtre bankası frekans bantlarını yapılandırmak için, yapılandırma penceresinde Frekans Bantları sekmesini seçin. Frekans bantlarını tanımlamak için başlangıç, son ve aralık değerlerini girin.
Sonra Ekle tuşuna tıklayarak oluşturulan bantları listeye ekleyin. Mevcut bir frekans bandını silmek için, tablodaki ilgili satıra sağ tıklayın ve Sil seçeneğini seçin. Kanal gruplarına göre uzamsal segmentasyonu yapılandırmak için, yapılandırma penceresinde Uzamsal Segmentasyon sekmesini seçin.
Kanal grubu tanımlı MAT dosyası seçmek için Kanal Grupları'nın yanındaki Tarayıcı'ya tıklayın. Seçilmiş kanal grubu dosyasını yüklemek ve Kanal Numarası Grupları listesini güncellemek için Replace tuşuna tıklayın. Kanal Konumu'nda bir kanal konumu dosyası seçildiyse, araç sonraki saç derisi görselleştirmeleri için dosyayı da yükler.
Segmentasyon penceresinin alt kısmındaki OK tuşuna tıklayarak güncellenmiş zaman pencerelerini, frekans bantlarını ve mekânsal segmentasyonu uygulayabilirsiniz. Ana grafik kullanıcı arayüzünün Segmentasyon Stratejisi paneli buna göre güncellenir. Sınıflandırma Yapılandırma panelinde, açılır menüden Özellik Çıkarma yöntemini seçin.
nCSP'yi özellik vektörünün her iki ucundan da özellikleri koruyacak şekilde ayarlayın. Sonra uygun kutuları işaretleyerek sınıflandırıcıları seçin. Kaplama tabanlı seçimde kaç ince taneli segment veya özelliğin tutulduğunu belirtmek için Seçim Bantları Sayısını ayarlayın.
Çapraz Doğrulama'yı tren verisi ve tren etiketi üzerinde k-katlı çapraz doğrulama için katlama sayısını belirtmek üzere ayarlayın. Sonra k-kat çapraz doğrulama yapmak için Çapraz Doğrulama seçeneğine tıklayın. Sonuçlar panelinde gösterilen performans özetini inceleyin.
Zaman, frekans ve saç derisi bölgeleri arasında ayırt edici kalıpları belirlemek için Zaman-Frekans Topografik Haritasını inceleyin. Elektrot Grubu Önem Haritası'nı inceleyerek kod çözmeye en çok katkıda bulunan kanal gruplarını belirleyin. Zaman-Frekans Topografik Haritası, ayırt edici EEG desenlerinin frekans ve zaman segmentleri arasındaki mekansal dağılımını göstermiştir.
Elektrot Grubu Anlamlılık Haritası, önceden tanımlanmış elektrot gruplarının kod çözme performansına katkısını nicelikle ölçerdi. Bu protokol, hem deşifre çözmeyi hem de konuya özgü motor görüntü EEG desenlerinin nicel değerlendirmesini standartlaştırdı. Önemli bir zorluk, ön işleme sınıflandırması ve çok ölçekli segmentasyonun farklı veri setleri arasında esnek ve uygulanabilir kalmasını sağlamaktır.
Bu iş akışı, konuya özgü farklılıkların yorumlanabilir analizini tespit edebilir ve daha uyarlanabilir ve genelleştirilebilir MI-EEG kod çözme modellerinin geliştirilmesine rehberlik edebilir.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
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.
