Open-source Software and Pipelines for Generalizable and Reproducible EEG Analysis: An Overview
本文概述了开源软件、计算流水线以及对于在不同数据集和分析环境中实现可重复、稳健且具泛化性的脑电图（EEG）研究至关重要的社区标准——例如 BIDS、HED 和 FAIR 原则。
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
人类大脑是一个由电活动构成的广袤而寂静的景观，科学家们长期以来一直试图利用放置在头皮上的传感器来绘制其图谱。这些传感器记录着微小的电压波动，即脑电图（EEG），它揭示了大脑在思考、移动或休息时的节律。然而，将这些原始电信号转化为可靠的科学知识已变得日益困难。挑战不仅在于如何记录数据，更在于研究人员如何处理这些数据。两名科学家观察同一段录音时，可能会选择不同的方式来清除噪声、过滤信号或定义什么是具有意义的事件。如果他们的选择不同，最终可能会对同一种大脑活动得出不同的结论。这种不一致性威胁到了科学的基础：即重复实验并获得相同结果的能力，或者将一项发现应用于新的人群并观察其是否依然成立的能力。如果没有一套共享的处理流程，该领域可能会面临构建一座“纸牌屋”的风险——其结果仅针对某一实验室的方法有效，而非反映大脑的普遍真理。
来自研究人员 Takfarina Medani 和 Raymundo Cassani 的一项新综述通过绘制旨在使 EEG 研究具备稳健性、可重复性和普适性的工具与标准图谱，应对了这一危机。作者区分了四个经常被混淆的关键概念。可重复性（Reproducibility）是指当你使用完全相同的数据和完全相同的代码时，能够得到相同的结果。可复制性（Replicability）是指当你将相同的方法应用于一组全新的数据时，能够得到一致的结果。稳健性（Robustness）是指即使你稍微调整分析过程（例如改变一个滤波器设置），结果依然保持不变。普适性（Generalizability）则是终极目标：它意味着研究发现对于不同的人群、不同的记录条件以及不同的分析方法都依然成立。论文指出，为了让 EEG 科学向前发展，必须实现这四个维度，以确保发现反映的是真实的神经生理原理，而非特定数据集或软件选择带来的偏差。
作者确定了导致普适性难以实现的两个主要来源。第一个是数据采集方式的多样性。EEG 设备来自数十家制造商，每家都有自己的文件格式、电极类型和事件标记方式。一个实验室可能将“咔哒”声标记为一个数字代码，而另一个实验室则使用文本描述，这使得计算机在没有人工干预的情况下几乎无法理解发生了什么。第二个问题来源是研究人员在分析过程中所做的选择数量之多。由于大脑信号非常微弱且极易受到噪声污染，科学家必须决定如何去除这些噪声。最近一个名为“EEGManyPipelines”的大型项目汇集了 168 个不同的团队来分析完全相同的数据集。这些团队使用了 168 种不同的方法，而结果却大相径庭。这表明，研究人员在选择方法时享有的灵活性，实际上可能会削弱其发现的可靠性。
为了解决这些问题，论文强调了由名为“脑成像数据结构”（BIDS）的框架所引领的向标准化转变的重大趋势。可以将 BIDS 想象成一个用于组织脑数据的通用归档系统。正如图书馆通过组织书籍让任何人都能轻松找到一样，BIDS 将 EEG 文件组织进严格的文件夹结构中，并配有清晰的命名和解释数据内容的数字笔记。这个系统使数据具有“自描述性”，这意味着计算机可以读取文件并在无需人类解释背景的情况下理解实验内容。与此同时，作者讨论了“层级事件描述符”（HED），它用丰富的、机器可读的实验过程描述取代了模糊的数字代码。这些标准共同使得研究人员能够分享那些任何人、在任何地方都能找到、理解并重复使用的研究数据。
随后，论文调研了驱动这一透明化新时代的开源软件版图。它回顾了主要的工具，如 Brainstorm、EEGLAB、FieldTrip、MNE-Python 和 SPM。这些程序提供了不同的工作方式。有些工具（如 Brainstorm 和 EEGLAB）提供可视化界面，研究人员可以通过点击步骤进行操作；而另一些工具（如 FieldTrip 和 MNE-Python）则依赖于编写代码脚本。作者强调，最好的工具是那些允许研究人员保存其精确步骤的工具，无论是以可视化地图还是文本脚本的形式，以便他人日后能运行相同的流程。至关重要的是，这些工具正越来越多地被设计为与 B 组织 BIDS 标准兼容，从而能够直接读取共享数据，并以他人可以立即使用的格式导出结果。论文指出，尽管这些工具各有所长——有些擅长可视化大脑源，有些擅长统计检验——但它们都在向“开放方法”的文化迈进，即自由共享代码和数据以建立信任。
除了主要的软件包之外，该综述还详细介绍了旨在消除数据清洗中主观臆断的自动化流水线生态系统。PREP、ADJUST 和 MARA 等工具可以自动识别不良传感器、去除电噪声，并标记出过于受损而无法使用的记录部分。这些自动化系统对于研究婴儿和儿童等特殊群体尤为重要，因为这些人群的运动会带来独特的挑战。专门针对发育数据构建的流水线如 HAPPE 和 MADE，确保了分析的一致性，而不依赖于研究人员的主观判断。趋势显而易见：从人工驱动的研究决策转向标准化的自动化程序，可以减少研究出错的可能性，并使跨实验室的结果对比变得更加容易。
最后，作者为提高科研质量提供了一套实用的建议。他们敦促研究人员采用 BIDS 标准来组织数据，明确分享其代码和软件版本，并在查看数据之前预注册其分析计划以防止偏差。他们还建议进行“多元宇宙”（multiverse）分析，即科学家测试其假设时使用几种不同的有效流水线，以观察结果是否在不同方法下都能站得住脚。通过遵循这些指南并使用论文中所述的社区构建工具，EEG 领域可以走出方法不一致的困惑。其目标是确保当科学家报告一项关于大脑的发现时，无论是在同一实验室进行重复测试、应用于新人群，还是使用略有不同的工具进行分析，该发现都能经得起考验。
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。