EEGPrep: a validated Python implementation of the EEGLAB preprocessing pipeline
EEGPrep 是一个经过验证的 Python 实现，它能够忠实地重现 EEGLAB 默认的预处理流程，其数值精度与原始 MATLAB 版本相当，同时支持 BIDS 并能够无缝部署于 Python 和云端工作流中。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你的大脑是一座繁忙的城市，每当你思考、感受或移动时，微小的电信号就像汽车一样在街道上疾驰。科学家们使用一种带有导线的特殊头盔——脑电图（EEG）来倾听这些交通状况。但问题在于，这些信号极其微弱，就像试图在飓风中听清一声耳语。而这场飓风中的“风”就是噪声——肌肉的抽动、眨眼，甚至是墙壁里电流的嗡嗡声。为了听到大脑真实的声音，研究人员必须对记录进行清理，这个过程被称为“预处理”。这就像是使用一个高科技过滤器，去除旧收音机里的静电杂音，以便你终于能听到那首歌。
多年来，清理这些信号的金标准一直是一个名为 EEGLAB 的软件工具箱，它运行在一种叫做 MATLAB 的编程语言之上。它是厨房里备受信任的大厨，但它既昂贵又难以安装在现代云端计算机或免费平台上。最近，科学家们尝试用一种免费且流行的语言 Python 来重现这位大厨的食谱，但他们遇到了一个难题。在计算机的世界里，数字并不总是完美的；可能会发生微小的舍入误差，就像面包师用略有不同的勺子来测量面粉一样。如果这些微小的误差在复杂的数学运算中不断累积，最终做出的蛋糕味道可能会有所不同。大问题在于：Python 版的食谱能否做出与原始 MATLAB 版完全相同的蛋糕，还是说那些微小的差异会毁掉味道？
于是，EEGPrep 诞生了，这是一个旨在成为著名的 EEGLAB 流水线完美数字孪生的 Python 工具。研究人员不仅仅是希望它能奏效，他们还对其进行了严格的“品鉴测试”。他们将完全相同的脑电记录输入到原始的 MATLAB 系统和新的 Python 系统中，一步步进行对比，以观察输出结果是否匹配。
结果精准得令人惊讶。在清理过程的前四个步骤中——导入数据、重新定向信号、移除坏通道，以及使用一种称为 ICA 的方法将大脑信号与噪声分离——Python 版本和 MATLAB 版本在最小的十进制位上都是完全一致的。其差异如此之小，以至于可以忽略不计，大约为 微伏。为了让你有个直观的概念，那是万亿分之一微伏，一个微小到人类大脑几乎无法察觉的数字。
第一个完美的镜像裂痕出现在第五步，当时软件使用了一个名为 ICLabel 的神经网络（一种人工智能）来判断信号的哪些部分属于“大脑”，哪些属于“噪声”。在这里，Python 和 MATLAB 版本在精确数值上产生了轻微的分歧，最大差异为 微伏。然而，这种微小的波动完全没有影响。尽管数字略有不同，但两个系统做出了完全相同的决策：它们拒绝了相同的坏信号，并保留了相同的优良信号。当数据被切分成最终的分析片段时，总差异仍保持在 微伏以下。
该论文明确排除了 Python 在这项工作中本质上比 MATLAB “更差”或更不准确的观点。相反，它表明通过精心的工程设计，Python 可以完美地复制这一受信任的工作流。系统出现分歧的唯一情况，是由于不同计算机芯片处理小数运算时不可避免的微小特性所致，但这些特性极其微小，从未改变最终的科学结论。无论数据来自 Apple Silicon 芯片还是 Intel 芯片，这个 Python 工具都表现得非常稳健，证明了研究人员现在可以使用这个强大、免费且对云端友好的工具，而不必担心他们的结果会偏离既定的标准。
简而言之，EEGPrep 是开放科学的一次胜利。这意味着科学家们现在可以使用任何计算机上的免费、易用的工具来清理他们的脑电数据，并确信他们的结果与使用昂贵的传统软件所得的结果同样可靠。食谱是一样的，蛋糕的味道也是一样的，而且现在，任何人都可以来烘焙它。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。