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
Обзор
В данной статье представлен STFEEG-Tool — инструментарий на базе графического пользовательского интерфейса (GUI), разработанный для стандартизированного, воспроизводимого и интерпретируемого пространственно-временного и частотного анализа данных ЭЭГ при воображении движений (MI-EEG). Данный инструмент решает проблему отсутствия интегрированных и удобных в использовании рабочих процессов для детального извлечения признаков и декодирования MI-EEG, поддерживая как исследовательские, так и практические приложения в области нейрореабилитации.
Основные компоненты исследования
Область науки
- Нейроинженерия
- Интерфейсы мозг-компьютер (ИМК)
- Анализ электроэнцефалографии (ЭЭГ)
Теоретические основы
- Интерфейсы «мозг-компьютер» (ИМК) на основе воображения движений представляют большую ценность для нейрореабилитации и когнитивной нейробиологии.
- Существующие конвейеры анализа MI-EEG часто требуют сложной настройки и недостаточно интерпретируемы.
- Стандартизированные и воспроизводимые рабочие процессы для пространственно-временного и частотного анализа признаков ограничены.
- Для практического внедрения и обобщения необходимы визуализация и гибкая сегментация.
Цель исследования
- Разработать удобный, стандартизированный и интерпретируемый рабочий процесс декодирования MI-EEG.
- Обеспечить детальную настройку временной, частотной и пространственной сегментации для извлечения признаков MI.
- Интегрировать несколько алгоритмов извлечения признаков и классификаторов в рамках одного инструментария.
Используемые методы
- Разработка и установка графического интерфейса приложения STFEEG-Tool.
- Загрузка данных MI-EEG и настройка стратегий сегментации (временные окна, частотные диапазоны, группы пространственных каналов).
- Выбор методов извлечения признаков (например, CSP, div-CSP) и классификаторов (SVM, гребневая регрессия, Lasso).
- Кросс-валидация и оценка эффективности с помощью динамического частотно-временного топографического картирования скальпа и визуализации значимости групп электродов.
Основные результаты
- Инструмент STFEEG-Tool обеспечивает гибкую и детальную сегментацию, а также извлечение признаков из данных MI-EEG.
- Интегрированные средства визуализации (время-частотные топографические карты, карты значимости групп электродов) поддерживают интерпретируемость результатов декодирования.
- Данный рабочий процесс стандартизирует количественную оценку и визуализацию индивидуальных паттернов MI-EEG.
- Инструмент облегчает идентификацию дискриминативных паттернов ЭЭГ и групп каналов, имеющих значение для декодирования MI.
Выводы
- STFEEG-Tool предоставляет воспроизводимую и расширяемую платформу для анализа MI-EEG.
- Рабочий процесс поддерживает интерпретируемый анализ с учетом индивидуальных особенностей испытуемых и способствует разработке адаптивных моделей декодирования MI-EEG.
- Гибкая конфигурация и визуализация улучшают практическое внедрение и обобщаемость результатов на различных наборах данных.
Часто задаваемые вопросы
Практическая значимость для отрасли
Стандартизированный и интерпретируемый анализ ЭЭГ имеет решающее значение для развития исследований в области интерфейсов мозг-компьютер на основе воображаемых движений (MI-BCI) и трансляционной нейротехнологии. Инструмент STFEEG-Tool решает проблемы воспроизводимости и интеграции рабочих процессов, обеспечивая детальное извлечение пространственно-временных и частотных признаков, а также надежную количественную оценку. Данная возможность повышает прогностическую достоверность и эффективность отбора проектов на ранних этапах научно-исследовательских и опытно-конструкторских разработок в области нейротехнологий и нейрореабилитации.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишени
- Обеспечивает систематический анализ нейронных сигнатур моторного воображения для валидации целей в нейротехнологических процессах.
- Способствует снижению биологических рисков путем количественной оценки пространственных, временных и частотно-специфических характеристик ЭЭГ.
- Повышает прогностическую достоверность за счет стандартизированных и воспроизводимых рабочих процессов извлечения признаков и классификации.
Скрининг и разработка анализа
- Подготавливает валидированные наборы данных MI-EEG для последующего алгоритмического скрининга и бенчмаркинга классификаторов.
- Стандартизирует сегментацию и извлечение признаков, повышая воспроизводимость и количественную сопоставимость результатов различных исследований.
- Обеспечивает масштабируемые, готовые к внедрению платформенные рабочие процессы для оценки новых алгоритмов декодирования или терапевтических вмешательств.
Трансляционные и доклинические исследования
- Согласует анализ признаков MI-EEG с поиском трансляционных биомаркеров для применения в нейрореабилитации.
- Обеспечивает непрерывность процесса от этапа поиска до доклинической валидации, позволяя проводить анализ как на уровне отдельных субъектов, так и на групповом уровне.
- Обеспечивает механистическое снижение рисков для создания адаптивных и обобщаемых моделей декодирования MI-EEG.
Интеграция в конвейер и рабочий процесс
Инструмент STFEEG-Tool интегрируется в процесс перехода от фундаментальных исследований к доклиническим испытаниям путем стандартизации сегментации данных MI-EEG, извлечения признаков и оценки классификатора.
- Фундаментальная биология: обеспечивает проверку гипотез и уточнение путей передачи сигналов посредством интерпретируемого пространственно-временного и частотного анализа ЭЭГ.
- Скрининг: предоставляет воспроизводимые количественные данные для бенчмаркинга классификаторов и алгоритмов.
- Аналитика: обеспечивает построение динамических топографических карт и карт значимости для надежного статистического сравнения условий.
- Трансляционные исследования: позволяет проводить согласование биомаркеров и идентификацию специфических для субъекта паттернов для доклинических исследований.
- Корпоративное использование: функционирует как многоразовая расширяемая платформа для анализа MI-EEG на различных наборах данных и в разных исследовательских группах.
Операционное и корпоративное воздействие
- Научная ценность: Повышает прогностическую достоверность и снижает механистическую неоднозначность в исследованиях MI-BCI.
- Операционная ценность: Способствует стандартизации, воспроизводимости и масштабируемости рабочих процессов декодирования ЭЭГ.
- Стратегическая ценность: Помогает в принятии решений о продолжении или прекращении разработки (go/no-go) и повышает эффективность использования капитала за счет обеспечения надежного и интерпретируемого анализа.
- Влияние на портфель: Поддерживает приоритизацию с учетом рисков и продвижение активов в области нейротехнологий.
Особенности реализации
- Требуются экспертные знания в области обработки данных ЭЭГ и парадигм MI-BCI.
- Необходима вычислительная инфраструктура для анализа и визуализации на основе графического пользовательского интерфейса.
- Требуется межкомандная стандартизация параметров сегментации и извлечения признаков.
- Поддерживается адаптация под различные наборы данных за счет гибкой настройки временной, частотной и пространственной сегментации.
- Практические ограничения включают обеспечение устойчивости предварительной обработки и сегментации при работе с гетерогенными источниками данных.
