《PLOS Computational Biology》：EEG-Pype: An accessible MNE-Python pipeline with graphical user interface for preprocessing and analysis of resting-state electroencephalography data
編輯推薦：
語
本軟件工具旨在降低靜息態腦電圖（EEG）分析的技術門檻。它提供了一個集成圖形用戶界面（GUI），無縫銜接了基于MNE-Python的數據預處理（如帶通濾波、獨立成分分析ICA）與源級（atlas-based beamforming）分析管道，并包含計算量化EEG指標（如功能連接性functional connectivity、網絡拓撲network topology）的模塊。該工具通過引導式工作流、交互式手動數據選擇（bad channel, epoch selection）及保存配置與日志，旨在促進標準化、可重復的神經科學研究，尤其適合無編程背景的臨床醫生和學生使用。
靜息態腦電圖（EEG）是一種在神經科學研究和臨床實踐中廣泛應用的技術，能夠以毫秒級分辨率測量大腦的動態活動。然而，原始的EEG數據不可避免地會受到多種偽跡的污染，例如肌電活動、眼動、心電偽跡和工頻噪聲等。為了提取出感興趣的神經信號，需要進行細致的數據預處理。這一過程通常需要研究者具備信號分析知識、對EEG偽跡特性的了解以及一定的編程經驗，構成了一個顯著的技術障礙。
現有的強大EEG處理工具箱各具特點，但也存在不同的準入壁壘。例如，EEGLAB和Brainstorm等工具基于MATLAB平臺，而MATLAB是商業軟件，并非免費可用。MNE-Python是一個功能強大的開源Python包，適用于EEG和腦磁圖（MEG）分析，但其主要通過命令行和編寫Python腳本進行操作，對許多缺乏編程經驗的研究者、學生和臨床醫生而言仍是一大挑戰。早期如BrainWave等工具雖致力于為臨床研究者提供友好的EEG分析界面，但其基于預編譯的Java代碼，在開源開發和可修改性方面面臨限制。因此，神經科學領域亟需一個既易于使用，又基于現代、開源和社區驅動平臺的新工具。
為此，研究者開發了EEG-Pype。這是一個基于MNE-Python功能構建的、開源（Apache-2.0許可證）的圖形用戶界面（GUI）應用程序。它專門為靜息態EEG數據的預處理和分析設計，旨在通過直觀的引導式工作流，降低標準化EEG分析的門檻，促進可重復的研究實踐，且不要求用戶具備編程知識。
設計理念與工作流程
EEG-Pype的設計哲學源于對靜息態EEG分析價值的認識。靜息態EEG記錄了大腦在無特定任務時的自發活動，對于研究大腦內在功能網絡至關重要。雖然不存在“一刀切”的EEG分析方法，但靜息態EEG的預處理依賴于相當標準化的步驟，這使得構建一個通用的預處理管道成為可能，從而讓研究者能夠輕松、可重復地進行EEG預處理。
在預處理策略上，自動化方法（如獨立成分分析ICA）和人工檢查各有優劣。ICA能有效識別和移除連續記錄中的偽跡，并在一定程度上減少預處理的主觀性。但其效果可能受到非平穩信號或復雜瞬態偽跡的影響。完全依賴自動技術可能存在偽跡去除不完全或神經信號失真的風險。而人工檢查雖然更耗時，但在識別更廣泛、更細微或不典型的偽跡方面具有更高的精度。因此，EEG-Pype將核心重點放在提高靜息態EEG人工數據選擇的效率上。
EEG-Pype通過其圖形用戶界面引導用戶完成一個順序的預處理工作流。其核心功能是包裝MNE-Python函數，主要腳本定義了核心功能，而獨立的設置腳本允許高級用戶更改默認參數。整個管道支持批量處理，可導入任意數量的原始EEG文件，并利用MNE-Python的通用I/O接口自動檢測和導入多種標準電生理格式（如BDF, EDF, FIF, BrainVision等），還包括一個用于處理純文本（*.txt）文件的自定義解析器。
預處理流程始于初始數據檢查。用戶首先可以查看未經過濾的功率譜密度圖，以評估整體數據質量并識別明顯的偽跡（如工頻噪聲）。接著，軟件會自動對數據應用一個寬帶有限脈沖響應濾波器，以移除低頻漂移和高頻噪聲。
在運行獨立成分分析之前，用戶需要識別并刪除非EEG通道或空通道。隨后，用戶可以通過滾動查看濾波后的EEG信號，手動選擇噪聲過大或信號平坦的通道，這些通道將在后續步驟中被插值。ICA計算基于一個帶通濾波后的EEG信號副本進行，并在計算中排除標記為待插值的通道，以提高分解效果并避免違反源獨立性假設。ICA分解后，結果會通過MNE-Python的交互式圖表顯示，包括每個成分在整個測量期間的時間序列圖、顯示成分空間分布的頭皮拓撲圖，以及可選的、基于MNE-Python的ICALabel功能自動生成的成分標簽和置信度百分比，以輔助用戶識別和選擇偽跡成分進行去除。
選定待插值的通道會通過球面樣條插值法進行處理。之后，用戶將看到一個基于用戶設定的時長分割出的連續、清潔后的數據段。EEG-Pype在一個交互式窗口中呈現這些數據段用于人工剔除。
用戶可以通過點擊信號，輕松地從當前高質量數據段的選擇中取消選擇那些包含瞬態偽跡（如肌肉活動）的數據段，從而在幾分鐘內快速完成人工數據段選擇。在最終以ASCII文本格式導出信號之前，數據可以在可調整的（規范）頻帶內進行濾波。此外，還可以應用自定義的下采樣以減少導出文件的大小。EEG-Pype也可以在不進行數據段選擇的情況下運行，此時連續的EEG信號會以ASCII格式保存。
除了處理后的文件，軟件還會創建日志和批處理文件。日志文件包含每個設置和步驟的詳細信息，便于追溯數據分析步驟。批處理文件允許用戶在之后重新運行整個批次，并自動加載之前選擇的通道和數據段。
定量分析模塊
在預處理并保存數據后，EEG-Pype可以用于計算多種定量EEG指標。該功能利用并行處理能力來提高吞吐量，并通過一個單獨的圖形用戶界面方便地選擇要計算的EEG指標和數據。
可計算的指標包括：
- 1.
功率譜密度：可以使用多錐法、Welch法或快速傅里葉變換法計算�；谟嬎愠龅墓β首V密度，可以計算規范頻帶內的絕對功率和相對功率。還可以在用戶定義的范圍內計算峰值頻率。
- 2.
熵值：可以計算排列熵、樣本熵和近似熵，作為信號復雜性的度量。
- 3.
功能連接性：可以使用三種指標進行評估，包括相位滯后指數、幅度包絡相關性（可選擇應用正交化以減輕容積傳導引起的虛假相關性）以及聯合排列熵。
- 4.
網絡拓撲學：可以基于從相位滯后指數或（校正后的）幅度包絡相關性連接矩陣構建的最小生成樹方法，計算各種表征網絡組織和效率的指標。
計算結果會跨數據段為每個受試者和條件進行匯總，并保存到Excel文件中。該文件包含全腦（或源區域）平均值、每個條件平均的數據段數量以及所用分析參數的日志。用戶還可以選擇保存按通道/區域級別平均的結果、平均連接矩陣和/或導出的最小生成樹鄰接矩陣，以供進一步研究或可視化。
軟件應用示例與結果
為展示EEG-Pype的功能和輸出，研究者使用軟件附帶的示例64通道靜息態EEG測量數據進行了處理。整個預處理流程（約十分鐘的樣本記錄）耗時約兩分鐘。
處理過程嚴格遵循上述工作流。初始檢查中，未濾波的功率譜顯示出一個明顯的50 Hz峰值，對應工頻干擾。應用寬帶濾波器后，該峰值被完全移除。在進行ICA前，移除了九個非EEG通道。基于濾波后的數據，沒有標記出噪聲過大的壞通道。隨后計算ICA分解，并識別出兩個具有明顯前部拓撲結構且時間過程特征為眼眨的成分進行去除。清潔后的連續數據被分割成八秒長的數據段，在交互式窗口中，從初始的84個數據段中剔除了29個，最終得到55個高質量數據段用于后續分析。預處理完成后，EEG-Pype保存了處理后的數據，對于樣本文件，最終為六個頻帶保存了330個文件。
使用這55個清潔的、預濾波后的數據段，研究者計算了多種定量指標。結果顯示，計算出了規范頻帶內的絕對和相對功率、θ-α頻帶內的峰值頻率、作為信號復雜性度量的多種熵值、作為功能連接性度量的指標，以及基于連接矩陣計算的最小生成樹指標。
討論與總結
EEG-Pype的開發旨在促進對MNE-Python中EEG預處理方法的訪問以及便捷的定量EEG分析。通過提供圖形用戶界面驅動的工作流，EEG-Pype旨在降低靜息態EEG分析的門檻，特別是對臨床醫生或學生而言。此外，使用標準化管道通過減少方法學變異促進了研究的一致性和可重復性。該工具還通過記錄處理步驟和允許可重復的分析，促進了研究數據的FAIR（可查找、可訪問、可互操作、可重用）使用。
與基于MATLAB的替代方案相比，EEG-Pype更側重于易用性，同時仍提供了從原始靜息態EEG到可直接分析的預處理數據及常用定量指標的完整功能管道。與另外兩個基于MNE-Python的圖形用戶界面包相比，EEG-Pype的不同之處在于提供了一個無需額外軟件的完整EEG預處理管道，其以人工數據段選擇為核心的特點是另一個顯著區別。EEG-Pype還從早期軟件中汲取了概念靈感，強調通過引導式工作流和人工檢查來使復雜的EEG分析更易獲得。
EEG-Pype的優勢在于可以提高EEG預處理和分析的效率與可重復性，同時降低執行這些分析所需的知識量。由于其開源性質，也允許外部貢獻和透明的持續開發。其局限性在于管道是半剛性的，允許的定制化程度低于其他EEG預處理解決方案，但這可以看作是易用性和可定制性之間的權衡。另一個局限性涉及當前的波束成形方法，其中使用的噪聲協方差估計和基于模板的波束成形是簡化方案，雖然這樣做是為了易于訪問和實施，但相比使用個體MRI數據和專用噪聲記錄的最佳實踐，精度有所降低。
總而言之，EEG-Pype為一個完整的靜息態EEG分析管道提供了一個易于訪問的開源解決方案，在預處理和定量分析方面具有廣泛的功能。軟件及其安裝使用說明、視頻教程和測試數據均可在GitHub倉庫獲取，并歡迎外部貢獻。未來的開發方向可能包括添加更先進的源重建方法以及擴展定量分析模塊的功能。
