STFEEG-Tool : Un outil d’analyse EEG spatio-temporel-fréquence pour l’imagerie motrice Interfaces cerveau-ordinateur
10 mars 2026
Cette étude présente un protocole standardisé et reproductible pour mettre en œuvre l’outil d’analyse EEG Spatial-Temporel-Fréquence (STFEEG) pour le décodage EEG par imagerie motrice, intégrant une segmentation spatial-temporelle-fréquence configurable, l’extraction de caractéristiques basée sur les Common Spatial Patterns (CSP), des algorithmes de classification multiples et des capacités de visualisation.
Ce travail développe une boîte à outils basée sur une interface graphique pour l’imagerie motrice en grille, le décodage EEG et l’analyse spatio-temporelle-fréquence interprétable. Les plateformes existantes manquent de configuration intégrée de la grille ludique spatiale, temporelle et fréquentielle avec une visualisation intuitive pour l’analyse EEG par imagerie motrice. Pour commencer, téléchargez STFEEG Tool depuis le dépôt en ligne.
Décompressez le fichier téléchargé dans un dossier local et localisez le fichier d’installation, STFEEG-Tool. mlappinstall, dans le contenu extrait. Double-cliquez sur STFEEG-Tool.
mlappinstall pour lancer l’installateur et suivre les instructions à l’écran pour finaliser l’installation. Après avoir téléchargé le fichier MAT d’exemple, lancez l’interface graphique STFEEG Tool pour ouvrir la fenêtre d’analyse EEG de l’imagerie motrice. Dans le panneau de chargement des données, cliquez sur Navigateur à côté de Chemin des données et sélectionnez le dossier contenant le fichier MAT préparé.
Maintenant, cliquez sur Navigateur à côté de Enregistrer le chemin et sélectionnez un dossier de sortie pour les résultats. Cliquez sur Charger dans le panneau de chargement des données pour importer le fichier MAT. Dans le panneau Stratégie de segmentation de l’interface graphique principale, cliquez sur Modifier pour ouvrir la fenêtre de configuration de Segmentation où les paramètres par défaut sont déjà fournis.
Pour configurer les fenêtres temporelles, sélectionnez l’onglet Fenêtres temporelles dans la fenêtre de configuration. Entrez les valeurs de début, de fin et d’intervalle pour définir les fenêtres temporelles. Ensuite, cliquez sur Ajouter pour ajouter les fenêtres générées à la liste.
Pour supprimer une fenêtre existante, faites un clic droit sur la ligne correspondante du tableau et sélectionnez Supprimer. Pour configurer les banques de fréquences des banques de filtres, sélectionnez l’onglet Bandes de fréquence dans la fenêtre de configuration. Entrez les valeurs de début, de fin et d’intervalle pour définir les bandes de fréquence.
Puis cliquez sur Ajouter pour ajouter les bandes générées à la liste. Pour supprimer une bande de fréquences existante, faites un clic droit sur la ligne correspondante du tableau et sélectionnez Supprimer. Pour configurer la segmentation spatiale par groupes de canaux, sélectionnez l’onglet Segmentation spatiale dans la fenêtre de configuration.
Cliquez sur Navigateur à côté de Groupes de canaux pour sélectionner un fichier MAT de définition de groupe de canaux. Cliquez sur Remplacer pour charger le fichier de groupe de canaux sélectionné et mettre à jour la liste des groupes de numéros de canaux. Si un fichier de localisation de canal a été sélectionné dans Localisation de canal, l’outil le charge également pour des visualisations ultérieures du cuir chevelu.
Cliquez sur OK en bas de la fenêtre de segmentation pour appliquer les fenêtres temporelles mises à jour, les bandes de fréquence et la segmentation spatiale. Le panneau Stratégie de segmentation de l’interface graphique principale est mis à jour en conséquence. Dans le panneau de configuration de classification, sélectionnez la méthode d’extraction de caractéristiques dans le menu déroulant.
Régler nCSP pour conserver les caractéristiques des deux extrémités du vecteur de caractéristiques. Ensuite, sélectionnez les classificateurs en cochant les cases correspondantes. Définissez le numéro de bandes de sélection pour spécifier combien de segments ou de caractéristiques à grain fin sont conservés dans la sélection basée sur le wrapper.
Définissez la validation croisée pour spécifier le nombre de plis pour la validation croisée k-fold sur les données du train et l’étiquette du train. Ensuite, cliquez sur Validation croisée pour effectuer une validation croisée k-fold. Examinez le résumé des performances affiché dans le panneau Résultats.
Consultez la carte topographique temps-fréquence pour identifier des motifs discriminatifs dans le temps, la fréquence et les régions du cuir chevelu. Consultez la carte de signification des groupes d’électrodes pour identifier les groupes de canaux qui contribuent le plus au décodage. La carte topographique temps-fréquence illustrait la distribution spatiale des schémas EEG discriminatifs à travers les segments fréquentiels et temporels.
La carte de signification des groupes d’électrodes quantifiait la contribution des groupes d’électrodes prédéfinis à la performance de décodage. Ce protocole standardisait à la fois le décodage de l’évaluation quantitative et la visualisation des schémas EEG d’imagerie motrice spécifiques au sujet. Un défi clé est de garantir que la classification pré-traitement et la segmentation multi-échelle restent flexibles et praticables entre différents ensembles de données.
Ce flux de travail peut détecter une analyse interprétable des différences spécifiques au sujet et guider le développement de modèles de décodage MI-EEG plus adaptatifs et généralisables.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Cet article présente le STFEEG-Tool, une boîte à outils basée sur une interface graphique (GUI) conçue pour l'analyse spatio-temporelle et fréquentielle standardisée, reproductible et interprétable des données EEG liées à l'imagerie motrice (MI-EEG). Cet outil répond au manque de flux de travail intégrés et conviviaux pour l'extraction fine et le décodage des caractéristiques MI-EEG, en soutenant à la fois la recherche et les applications pratiques en neuro-réadaptation.
Composantes clés de l'étude
Domaine scientifique
- Neuroingénierie
- Interfaces cerveau-ordinateur (BCI)
- Analyse de l'électroencéphalographie (EEG)
Contexte
- Les ICI basés sur l'imagerie motrice sont précieux pour la neuro-rééducation et les neurosciences cognitives.
- Les pipelines d'analyse existants de l'EEG par imagerie motrice nécessitent souvent une configuration complexe et manquent d'interprétabilité.
- Les flux de travail standardisés et reproductibles pour l'analyse des caractéristiques spatio-temporelles et fréquentielles sont limités.
- Des outils de visualisation et une segmentation souple sont nécessaires pour un déploiement pratique et une généralisation.
Objectif de l'étude
- Développer un flux de travail de décodage MI-EEG convivial, standardisé et interprétable.
- Permettre une configuration fine de la segmentation temporelle, fréquentielle et spatiale pour l'extraction des caractéristiques liées aux mouvements imaginés.
- Intégrer plusieurs algorithmes d'extraction de caractéristiques et classificateurs au sein d'une seule boîte à outils.
Méthodes utilisées
- Développement et installation de l'application GUI STFEEG-Tool.
- Chargement des données MI-EEG et configuration des stratégies de segmentation (fenêtres temporelles, bandes de fréquence, groupes spatiaux de canaux).
- Sélection des méthodes d'extraction de caractéristiques (par exemple, CSP, div-CSP) et des classificateurs (SVM, régression ridge, Lasso).
- Validation croisée et évaluation des performances avec cartographie dynamique temporelle et fréquentielle des topographies du scalp et visualisation de la significativité des groupes d'électrodes.
Résultats principaux
- STFEEG-Tool permet une segmentation flexible et fine ainsi qu'une extraction de caractéristiques à partir de données MI-EEG.
- Les outils de visualisation intégrés (cartes topographiques temporelles et fréquentielles, cartes de signification des groupes d'électrodes) favorisent l'interprétabilité des résultats de décodage.
- Le flux de travail standardise l'évaluation quantitative et la visualisation des profils MI-EEG spécifiques à chaque sujet.
- L'outil facilite l'identification des profils EEG discriminants et des groupes de canaux pertinents pour le décodage du MI.
Conclusions
- L'outil STFEEG fournit une plateforme reproductible et extensible pour l'analyse MI-EEG.
- Le flux de travail permet une analyse interprétable et spécifique à chaque sujet, et oriente le développement de modèles de décodage MI-EEG adaptatifs.
- Une configuration flexible et des outils de visualisation améliorent le déploiement pratique et la généralisation à travers différents jeux de données.
Questions fréquemment posées
Pertinence sectorielle exécutive
L'analyse normalisée et interprétable de l'EEG est essentielle pour faire progresser la recherche sur les interfaces cerveau-ordinateur basées sur l'imagerie motrice (MI-BCI) et les neurotechnologies translationnelles. L'outil STFEEG-Tool répond aux défis de reproductibilité et d'intégration des flux de travail en permettant une extraction fine des caractéristiques spatiales, temporelles et fréquentielles ainsi qu'une évaluation quantitative robuste. Cette capacité soutient la confiance prédictive et le tri par portefeuille dans les phases précoces de la recherche et développement en neurotechnologie et en neuro-réadaptation.
Applications stratégiques en recherche et développement en biopharmaceutique
Début de la découverte et validation de la cible
- Permet une interrogation systématique des signatures neuronales de l’imagerie motrice pour la validation de cibles dans les chaînes de développement en neurotechnologie.
- Contribue à l’atténuation des risques biologiques en quantifiant les caractéristiques spatiales, temporelles et fréquentielles spécifiques de l’EEG.
- Facilite la prédiction avec un niveau de confiance accru grâce à des protocoles normalisés et reproductibles d’extraction et de classification de caractéristiques.
Développement de criblages et de tests
- Prépare des jeux de données MI-EEG validés pour le criblage algorithmique et l'évaluation comparative de classificateurs.
- Standardise la segmentation et l'extraction de caractéristiques, améliorant la reproductibilité et la comparabilité quantitative entre études.
- Permet des flux de travail évolutifs et prêts à l'emploi sur plateforme pour évaluer de nouveaux algorithmes de décodage ou des interventions.
Recherche translationnelle et préclinique
- Aligne l'analyse des caractéristiques MI-EEG avec la découverte de biomarqueurs translationnels pour des applications en neuro-réadaptation.
- Permet une continuité allant de la découverte jusqu'à la validation préclinique en facilitant des analyses spécifiques à chaque sujet et à l'échelle des groupes.
- Offre une détection mécanistique des risques pour des modèles de décodage MI-EEG adaptatifs et généralisables.
Intégration des pipelines et des flux de travail
L'outil STFEEG s'intègre au continuum découverte-préclinique en standardisant la segmentation des données MI-EEG, l'extraction des caractéristiques et l'évaluation des classificateurs.
- Découverte en biologie : Soutient la vérification d'hypothèses et la clarification des voies biologiques grâce à une analyse interprétable de l'EEG dans les domaines spatial, temporel et fréquentiel.
- Dépistage : Fournit des résultats reproductibles et quantitatifs pour l'évaluation comparative de classificateurs et d'algorithmes.
- Analyse : Propose des cartes topographiques dynamiques et des cartes de significativité permettant une comparaison statistique robuste entre différentes conditions.
- Recherche translationnelle : Permet l'alignement de biomarqueurs et l'identification de profils spécifiques aux sujets dans le cadre d'études précliniques.
- Réutilisation en milieu professionnel : Fonctionne comme une plateforme réutilisable et extensible pour l'analyse MI-EEG à travers des ensembles de données variés et différentes équipes de recherche.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive et réduit l'ambiguïté mécanistique dans la recherche sur les ICM-BCI.
- Valeur opérationnelle : Favorise la standardisation, la reproductibilité et l'évolutivité des flux de travail de décodage des EEG.
- Valeur stratégique : Éclaire les décisions d'aller ou de ne pas aller de l'avant et améliore l'efficacité du capital en permettant une analyse robuste et interprétable.
- Impact sur le portefeuille : Soutient la priorisation ajustée au risque et le développement des actifs en neurotechnologie.
Considérations relatives à la mise en œuvre
- Nécessite une expertise dans la manipulation des données EEG et les paradigmes de BCI par MI.
- Requiert une infrastructure informatique pour l'analyse et la visualisation basées sur une interface graphique.
- Exige une standardisation interéquipes des paramètres de segmentation et d'extraction de caractéristiques.
- Permet une adaptation à divers jeux de données grâce à une configuration souple de la segmentation temporelle, fréquentielle et spatiale.
- Les limitations pratiques incluent l'assurance que le prétraitement et la segmentation restent robustes face à des sources de données hétérogènes.
