PIPEMAT-RS：静息态脑电图预处理标准化MATLAB流程的开发与验证

摘要

本方案介绍了基于 MATLAB 的静息态脑电图（EEG）数据标准化预处理流程 PIPEMAT-RS。该流程可确保去除伪迹、提高信号质量，并增强不同研究间数据的可重复性。该流程自动化地完成了滤波、独立成分分析（ICA）和伪迹分类等关键预处理步骤，有助于神经生理学研究中实现一致且可靠的 EEG 分析。

摘要

脑电图（EEG）是神经科学研究和临床应用中的关键工具，但原始 EEG 数据常包含噪声和伪迹，影响信号质量。为解决这一问题，我们开发了 PIPEMAT-RS，一种基于 MATLAB 的标准化静息态 EEG 数据预处理流程。PIPEMAT-RS 遵循结构化的七步工作流程：文件格式转换、EEG 导联配置、降采样、滤波、伪迹剔除、独立成分分析（ICA）以及 ICLabel 分类以实现自动伪迹去除。该方案通过减少人为干预，同时保持伪迹剔除的高准确性，从而提升 EEG 数据质量。本流程已通过多个数据集验证，证明其在提高信号完整性方面具有良好的稳健性。PIPEMAT-RS 提供了一种系统化的方法，有助于 EEG 研究的可重复性和可靠性，符合领域内普遍采用的实践标准，并提供了清晰的文档结构，可与现有流程互补。通过标准化 EEG 预处理，PIPEMAT-RS 推动了神经生理学研究和临床应用的发展，使对静息态脑活动及其与神经和精神疾病关联的解读更加准确。

引言

脑电图（EEG）是神经科学研究和临床实践中的一项关键工具，可提供有关大脑电活动的重要信息。特别是静息态 EEG 数据，被广泛用于研究多种神经性和精神类疾病，例如中风、纤维肌痛和慢性神经性疼痛。尽管 EEG 应用广泛，但其数据分析需要严格的预处理步骤以消除伪迹和噪声，从而确保结果的完整性和可靠性^1,2,3。多年来，EEG 在提供无创且高时间分辨率的大脑活动测量方面具有重要价值，使其成为研究大脑动态过程不可或缺的手段^4,5。然而，原始 EEG 信号常常受到多种噪声源的污染，可能掩盖感兴趣的神经信号，从而增加数据解释的复杂性⁶。

脑电图（EEG）信号极易受到肌肉活动、眼球运动和电干扰等来源的污染⁷。这些伪迹可能掩盖神经信号，因此预处理是EEG分析中的关键步骤。该过程通常包括多个阶段：文件格式转换、降采样、滤波、伪迹剔除、独立成分分析（ICA）以及排除与噪声相关的成分^8,9。每一步都有助于提高信号质量，确保数据准确反映神经活动¹⁰。这些流程的复杂性要求使用复杂的算法和软件工具，以确保预处理既高效又有效¹¹。

脑电图（EEG）数据预处理中的主要挑战之一是数据的变异性，这种变异性在不同受试者之间以及不同记录会话之间可能存在显著差异^10,12。这种变异性源于受试者生理和解剖特征的差异，以及实验条件和所用设备的变化。此外，缺乏标准化的预处理流程可能导致数据分析和解释结果不一致^13,14。尽管目前已有一些预处理流程和脚本可供使用，但其中许多仅针对特定数据集定制，或缺乏完整的文档说明，使得更广泛的研究群体难以获取和使用¹⁴。GitHub等平台托管了大量EEG预处理脚本和插件，促进了这些工具的共享与协作优化¹⁵。然而，这些资源的分散性凸显了建立一个稳健、高效且标准化的可编辑预处理流程的必要性，使其能够广泛适用于不同的数据集和研究场景¹⁶。这样的流程不仅有助于提升EEG研究的可重复性，还能为研究群体提供一个可在此基础上构建和调整以满足特定需求的通用基础¹⁷。

除了EEGLAB之外，由于其广泛的用户基础以及与MATLAB的集成，成为PIPEMAT-RS的基础，其他脑电图（EEG）处理工具箱在该领域也得到广泛应用。例如，MNE-Python是一个开源的基于Python的平台，提供源定位、传感器空间分析以及与机器学习工作流集成的高级功能。FieldTrip是一个与EEGLAB类似的基于MATLAB的工具箱，以其灵活的脚本环境以及对时频分析和连接性分析的全面支持而著称。尽管这些平台提供了强大的替代方案，但通常需要更高的学习门槛和更高级的编程技能。PIPEMAT-RS的设计旨在弥合可访问性与透明度之间的差距，尤其适用于那些希望使用EEGLAB对静息态EEG数据进行可编辑、模块化预处理的研究人员。尽管如此，PIPEMAT-RS的概念结构可根据需要适配于其他工具箱，从而促进不同软件环境之间的互操作性与定制化。

近年来已开发出多种自动化的脑电图（EEG）预处理流程，例如 RELAX¹⁸、Automagic¹⁹、APP²⁰ 和 PREP⁷。这些流程集成了用于去除伪迹和数据清洗的先进算法，通常采用基于独立成分分析（ICA）的策略，但对非专业用户而言透明度和可定制性有限。例如，RELAX 引入了一种多步骤的 ICA 清洗方法，可提高伪迹剔除效果，但其依赖复杂的配置，可能难以修改²¹。相比之下，PIPEMAT-RS 旨在提供一种灵活、透明且易于教学使用的替代方案，使研究人员能够理解并手动调整每一个预处理步骤。这种透明性使得 PIPEMAT-RS 既可作为科研工具，也可作为教学工具使用，同时保持严谨性和可重复性。此外，PIPEMAT-RS 强调文档记录、模块化执行以及在不同数据集间的适应性——这些特性在其他流程中往往报道不足或缺失。

从经济角度来看，开发和实施标准化的可编辑脑电图（EEG）数据预处理流程可能产生重大影响。2020年，全球脑电设备市场规模约为12亿美元，预计从2021年到2028年将以7.5%的复合年增长率（CAGR）持续增长²²。高效的预处理流程，特别是那些具有可编辑性和模块化特点的流程，能够减少数据分析所需的时间和成本，这在大规模临床试验和公共卫生研究中尤为重要¹³。通过减少人为误差并自动化重复性任务，此类流程可提高脑电图数据分析的准确性，从而获得更可靠的研究结果。这反过来又有助于加速新型诊断工具和治疗干预手段的开发，有望降低医疗成本并改善患者预后¹。

本文旨在介绍并验证一种基于 MATLAB 的标准化、可编辑的静息态脑电图预处理集成流程（PIPEMAT-RS）。该流程设计稳健且高效，具有良好的通用性，可广泛应用于多种数据集和研究场景。其完整的七个步骤包括文件格式转换、降采样、滤波、伪迹剔除、独立成分分析（ICA）以及与噪声相关成分的排除，所有步骤均整合为一个连贯的工作流程^23,24。PIPEMAT-RS 的开发旨在应对脑电图预处理中的常见挑战，为研究人员提供一种可简化数据分析流程的工具²⁵。通过结合领域内广泛采用的实践方法，并充分利用 MATLAB 的功能，PIPEMAT-RS 致力于提供一个可靠、可编辑且用户友好的框架，以支持脑电图数据的预处理工作²⁶。

为验证 PIPEMAT-RS 的有效性，我们已在多项研究中加以应用。其中一项研究利用 PIPEMAT-RS 探讨了卒中患者的脑电图生物标志物，发现了运动功能不良与抑郁特征之间存在显著相关性²⁷。另一项研究应用 PIPEMAT-RS 结合脑电图和经颅磁刺激技术分析卒中患者大脑代偿的神经特征，揭示了卒中后大脑适应机制的关键见解²⁸。进一步的验证来自一项关于纤维肌痛患者神经适应与代偿机制的研究²⁹。此外，还有研究证明静息态脑电图中的 delta 和 theta 频段在慢性神经病理性疼痛中起到代偿作用³⁰。

这些研究共同凸显了PIPEMAT-RS在处理和分析脑电图（EEG）数据方面的实用性，证实了其在多种条件和应用中的有效性。通过提供一种标准化的分析流程，该工具不仅提高了EEG研究的可重复性，还促进了研究领域内一致预处理方法的广泛应用。本文旨在为该领域提供一个有价值的资源，推动更准确、可靠的EEG数据分析^16,17。通过这一工作，我们希望支持神经生理学研究的进步，并促进针对神经及精神疾病的新疗法的开发。

PIPEMAT-RS 中使用的基础预处理步骤基于稳健且经过广泛验证的方法，这些方法已成为脑电图（EEG）研究中确保数据质量和可重复性的关键环节^2,8,14。尽管这些方法已较为成熟，但由于其在处理常见 EEG 伪迹和噪声方面的有效性，仍具有重要意义，能够持续支持跨研究的可靠分析。然而，近年来很少有研究提供专为静息态 EEG 设计的完整记录且标准化的处理流程。通过将这些经过验证的技术与最新进展（例如用于自动伪迹分类的 ICLabel）相结合，PIPEMAT-RS 提供了一种现代且结构化的处理方法，提升了研究的可重复性和可及性，满足了该领域对严格记录的预处理工作流程的持续需求。

尽管PIPEMAT-RS流程遵循了脑电图（EEG）研究中常用的既定预处理步骤，但以科学论文形式对其加以详细记录，在文献中填补了一项重要空白。许多EEG研究依赖于相似的预处理方法，但往往缺乏全面、逐步骤的描述，导致其他研究者难以完全复现或便捷地采用这些方法。通过详述PIPEMAT-RS的各个组成部分，并提出一套用于静息态EEG分析的标准化流程，本研究旨在提高方法透明度，减少使用者间的操作差异，并提供一个可在不同研究中复用的分析框架。该工作的贡献并非引入新方法，而是作为一份教学性与实践性指南，帮助规范预处理操作流程，提升各类EEG研究者（尤其是处理静息态数据的研究者）对标准化方法的可及性。

脑电图（EEG）数据的预处理是一个关键步骤，显著影响后续分析的质量和可靠性。为应对EEG数据预处理中的常见挑战，研究人员开发了基于MATLAB的静息态EEG预处理集成流程（PIPEMAT-RS），提供一种全面且标准化的方法，适用于多种数据集。该结构化且可编辑的流程包含七个关键步骤：i）文件格式转换；ii）EEG导联设置；iii）降采样与滤波；iv）伪迹剔除与重参考；v）独立成分分析（ICA）；vi）ICLabel分类；vii）数据归一化。每个步骤均经过精心设计，以提高信号质量，并促进从原始EEG数据中提取有意义的信息。

PIPEMAT-RS 的一个关键特征是，每个预处理步骤结束时都会将数据集保存为一个独立的文件名。这种结构确保了对于每个已处理的文件，都会生成对应于每个特定步骤的衍生版本。这种系统化的方法使用户能够在七步预处理流程中的任意节点访问数据。所保存的文件包含明确标识预处理阶段的标记，从而更便于在整个工作流程中追踪和管理数据。

PIPEMAT-RS 从文件格式转换开始，将原始脑电图（EEG）数据文件转换为 MATLAB 兼容的格式。此转换对于在 MATLAB 强大的计算环境中无缝处理数据至关重要。随后，在 EEG 蒙太奇步骤中，根据标准化的电极放置系统为头皮上的每个电极分配精确的空间位置。这种空间信息对于神经生理学研究中脑电图数据的准确解读至关重要。

接下来，该流程通过降采样和滤波来降低数据的采样率并消除噪声，同时保留与神经生理学研究相关的频率成分。降采样可在不损害数据质量的前提下减少计算负载和存储需求。滤波则可去除已知与伪迹相关的特定频率成分，从而保留关键的神经信号。

随后进行伪迹剔除和重参考处理。该步骤用于识别并去除由眨眼、肌电活动和电极移动等噪声源污染的数据片段。采用自动伪迹剔除算法以尽量减少人工干预，降低人为误差的可能性，并提高预处理效率。将数据重参考至所有电极信号的平均值，有助于减轻单个电极的影响，为脑电（EEG）信号提供稳定的参考基准。

独立成分分析（ICA）步骤通过将混合信号分离为其独立来源，进一步优化数据。这种分解有助于识别和去除诸如眨眼、肌电伪迹和工频干扰等伪迹。ICA 是一种强大技术，可确保剩余数据准确反映潜在的神经活动。

最后，应用 ICLabel 分类方法，以自动识别并剔除被分类为伪迹的成分。ICLabel 为独立成分分配概率性标签，将其归类为脑活动、肌电活动、眨眼、心跳、工频噪声或通道噪声。保留代表脑活动概率较高的成分，而将被识别为伪迹的成分剔除。这种自动化方法显著减少了人工操作的工作量，并确保了不同数据集之间分类的一致性和客观性。

这些预处理步骤中的每一步对于提高脑电图（EEG）数据的质量都至关重要。通过标准化预处理流程，PIPEMAT-RS 能够最大限度地减少不同预处理方法引入的变异性，从而促进跨研究结果之间的比较。该流程在 MATLAB 平台中实现，而 MATLAB 是神经科学领域广泛使用的平台，这保证了其可及性以及与现有研究工作流程的便捷整合。

PIPEMAT-RS 的开发遵循了脑电图（EEG）数据分析中普遍采用的实践方法，整合了以往研究中已验证的方法与技术。每个步骤均经过精心设计和严格测试，以确保其在提升数据质量方面的有效性（图1）。这一综合方法不仅提高了EEG数据的可靠性，还有助于识别对理解各种神经及精神疾病至关重要的神经生理学标志物。

方案

PIPEMAT-RS 是我们持续开展的研究项目的一部分，该项目已获得圣保罗大学医学院临床医院伦理委员会的批准（CAAE：86832518.7.0000.0068）。本项目旨在提高静息态脑电图（EEG）数据在各类神经科学和精神病学研究中的质量和可靠性。本研究所使用的数据来源于一项队列研究，其研究方案此前已由 Simis 等人（2021）发表³¹。主研究目前仍在进行中，其余临床组别的数据采集工作也仍在持续。该分析流程的脚本详见补充文件1。

1. 文件格式转换

1. 准备数据目录。
   1. 打开 MATLAB ，并导航至包含原始 EEG 数据文件的目录。
   2. 使用 pathname = 'C:\\Path\\To\\RawData\\' 定义路径，并使用 name_subj_raw = {'subject1', 'subject2', ...}; 列出被试。
   3. 如果数据集已经是 .mat 格式，则跳过此步骤，直接进入 EEG 蒙太奇。
2. 转换文件。
   1. 使用适用于文件类型的相应 MATLAB 函数加载每个原始数据文件。例如，对于 .mat 文件使用 load 函数，或使用针对特定文件类型的 EEGLAB 函数，如 pop_biosig （用于 .edf、.bdf 文件）或 pop_fileio （用于多种专有格式）。
      注意：用户应根据其原始 EEG 文件的格式调整此步骤，并参考 EEGLAB 的文档以获取更多文件格式支持。
   2. 将每个文件保存为 .mat 格式，确保数据完整性并保留所有相关元数据。

2. 脑电图导联

1. 加载 EEG 数据。
   1. 打开 MATLAB，并导航至包含 .mat 文件的目录。
   2. 使用 EEGLAB 工具箱中的 pop_loadset 函数加载每位受试者的 EEG 数据集（例如：EEG = pop_loadset('filename.set');）。
2. 应用电极位置信息。
   1. 确保已准备好与 EEG 帽配置相对应的适当电极位置文件（例如：EEGSystem_128.loc）。
   2. 使用 pop_chanedit 函数应用电极位置。例如：
      EEG = pop_chanedit(EEG, 'load', {'EEGSystem_128.loc', 'filetype', 'loc'});
   3. 通过使用 EEGLAB 的图形用户界面（GUI）查看通道布局，视觉确认电极位置已正确加载。
3. 保存数据集。
   1. 使用 pop_saveset 函数保存更新后的 EEG 数据集（例如：pop_saveset(EEG, 'filename', 'subject1_loc.set'）。

3. 降采样与过滤

1. 对 EEG 数据进行降采样。
   1. 使用 pop_resample 函数将 EEG 数据的采样率降低至 250 Hz（可选）。
      注意：在降采样之前，pop_resample 函数会自动应用适当的低通抗混叠滤波器。此步骤可确保在重采样前衰减高频成分，防止混叠伪迹，从而保持 EEG 信号的质量。
2. 应用带通滤波。
   1. 使用 pop_basicfilter 函数，采用二阶巴特沃斯（Butterworth）设计，对通道 1–64 应用 1 Hz 至 50 Hz 的带通滤波。
   2. 采用零相位的前向和反向滤波，以避免相位失真。
3. 应用陷波滤波（可选）。
   1. 使用 pop_basicfilter 函数，采用 'PMnotch' 设计和 180 阶滤波器，对通道 1–64 在 50 Hz 或 60 Hz 处应用陷波滤波。
      注意：此步骤为可选，适用于分析 30 Hz 以上振荡活动（例如伽马频段）时。在此类情况下，研究人员可能会提高带通滤波的上限（例如至 80 Hz 或 100 Hz），此时陷波滤波对于消除电源线干扰至关重要。该命令已在流程中提供，便于使用，并可根据当地电网频率（例如 50 Hz 或 60 Hz）轻松调整。

4. 伪迹剔除与重参考

1. 执行自动伪迹剔除。
   1. 使用 clean_rawdata 函数，参数设置为 (5, [-1], 0.7, -1, 8, 0.85)，以自动检测并移除平直线通道、噪声片段和低频漂移。这些参数分别对应：
      FlatlineCriterion (5)：移除持续平坦超过 5 秒的通道。
      ChannelCriterion ([-1])：禁用基于通道相关性的剔除。
      LineNoiseCriterion (0.7)：移除工频噪声超过该阈值的通道。
      Highpass (−1)：在数据清洗过程中不启用额外的高通滤波。
      BurstCriterion (8)：移除超出 8 倍标准差的数据突发段。
      WindowCriterion (0.85)：要求一个时间窗内至少有 85% 的数据为干净数据，该时间窗才被保留。
      注意：用户可根据数据集特征调整这些参数。例如，降低 BurstCriterion 将导致更激进的伪迹剔除，而降低 WindowCriterion 将提高对含噪声数据窗的容忍度。
2. 执行手动伪迹检查（可选）。
   1. 如有必要，使用 eegplot（来自 EEGLAB）对脑电数据进行视觉检查，以识别自动方法未检测到的残余伪迹。
   2. 手动标记并移除剩余伪迹，以确保数据质量。
      注意：此步骤为可选，主要推荐用于处理具有非典型噪声模式的数据集，或在自动化流程之外需要更高精度的情况。
3. 重新参考电极。
   1. 使用 pop_reref 函数将脑电信号重参考至所有电极的平均值，同时确保原始参考电极保留在数据集中。
      注意：在本流程中，平均重参考是使用现有通道完成的，不重建原始参考电极。然而，对于希望提高秩一致性及被试间可比性的用户，可考虑在重参考前将原始参考电极（例如 Cz）作为零值时间序列临时插入。这使得参考电极参与平均值计算。重参考完成后，可移除该插入通道，以避免在进行独立成分分析（ICA）前出现秩亏缺问题。RELAX 流程中的 RELAX_average_rereference.m 函数示例了这一过程，其中还包括参考前对所有通道的插值处理。尽管 PIPEMAT-RS 为清晰和易用性保留了简化版本，但仍鼓励用户根据分析目标对此步骤进行适当调整。

5. 独立成分分析（ICA）

1. 加载预处理后的 EEG 数据。
   1. 使用 pop_loadset 函数加载后缀为 _loc_filt_cleanraw_reref.set 的文件。
2. 执行独立成分分析（ICA）。
   1. 使用 pop_runica 函数并结合 runica 算法运行 ICA，将数据分解为独立成分。runica 算法基于 Infomax 方法，可最大化各成分之间的统计独立性，广泛应用于 EEG 数据预处理。
      注意：对于希望加快 ICA 计算速度的用户，可在函数调用中指定 icatype, picard，使用如 picard 等替代算法。这些替代算法具有相当的性能表现，并可能缩短计算时间。
3. 保存 ICA 数据集。
   1. 使用 pop_saveset 将数据集保存为后缀 _loc_filt_cleanraw_reref_ICA，以表明已完成 ICA 处理。

6. ICLabel 分类

1. 加载 ICA 数据集。
   1. 使用 pop_loadset 函数导入包含 ICA 成分的数据集。
2. 应用 ICLabel 分类。
   1. 运行 pop_iclabel 函数，并选择default 模型，将独立成分分类为脑源成分和伪迹成分。
   2. 识别表示脑活动概率大于 0.7 的成分。
3. 移除伪迹成分。
   1. 使用 pop_subcomp 函数移除 ICLabel 脑成分概率低于 0.7 的所有成分。
   2. 仅保留脑活动概率高于 0.7 的成分。0.7 的阈值可在保留真实神经信号的同时，有效去除伪迹，实现二者之间的平衡。
4. 保存清理后的数据集。
   1. 使用 pop_saveset 将清理后的数据集保存，并添加后缀 _loc_filt_cleanraw_reref_ICA_Cleaned，以表明已移除伪迹成分。

7. 数据标准化

1. 加载经过清理的 EEG 数据。
   1. 使用 pop_loadset 函数导入去除伪迹的独立成分分析（ICA）成分的数据集。
2. 应用 Z-Score 标准化。
   1. 对每个 EEG 通道分别进行 Z-score 变换标准化，即对每个通道独立计算 (x - mean(x)) / std(x)。
      注意：Z-score 标准化为可选步骤，应根据研究的分析目标决定是否采用。该方法可降低被试间的变异性，使数据标准化以利于组水平比较，但也可能削弱地形图差异，并消除通道间有意义的幅度差异。若研究者希望保留原始信号的幅值或空间分布特征，建议跳过此步骤。
3. 保存最终数据集。
   1. 使用 pop_saveset 将完成预处理和标准化的数据集保存，并添加后缀 _loc_filt_cleanraw_reref_ICA_Normalized，以标明预处理流程已完成。

结果

验证脑电图预处理流程对于确保所采用方法在提取有意义的神经生理数据方面的可靠性和有效性至关重要。该过程包括来自已发表研究的实证证据、统计评估以及与领域内既定基准的比较。

PIPEMAT-RS 的稳健性和实用性已在多项已发表的研究中得到验证，这些研究涵盖了多种神经及精神疾病。例如，在针对中风患者脑电图生物标志物的研究中，发现异常的运动功能、抑郁特征与特定脑电图指标之间存在显著相关性，从而验证了预处理步骤在提升信号质量及促进有意义数据分析方面的有效性³²。类似地，对中风患者大脑代偿神经特征的分析揭示了中风后大脑适应机制的关键见解，展示了 PIPEMAT-RS 处理复杂数据集并产生可靠结果的能力²⁸。进一步的验证体现在对纤维肌痛患者神经适应与代偿机制的研究中，该研究识别出与疼痛及代偿机制相关的独特神经特征，支持了该预处理方法在不同临床环境中的适用性²⁹。此外，对慢性神经病理性疼痛中代偿机制的研究强调了 delta 和 theta 频段在慢性疼痛状态...

讨论

PIPEMAT-RS 流程的开发旨在为静息态脑电图（EEG）数据的预处理提供一种标准化且高效的方法。该方案中的关键步骤包括伪迹剔除和独立成分分析（Independent Component Analysis, ICA），二者均能显著提高信噪比，并确保提取出有意义的神经信号。通过使用 clean_rawdata 函数进行自动伪迹剔除，并结合 eegplot 进行人工检查，可在效率与准确性之间实现平衡，从而实现全面的伪迹管理。应用 ICLabel 对独立成分进行自动分类可进一步优化数据，在减少人工工作量的同时，保持与人类专家标注一致的高分类准确率（91%）³²。

根据数据集的特征，可能需要对本方案进行适当修改。例如，尽管该流程是为静息态脑电图（EEG）数据设计的，研究人员仍可根据任务态EEG记录或具有不同采样率的数据集，调整滤波设置和伪迹剔除阈值。若在clean_rawdata步骤中出现过多通道被剔除或自动清洗后仍存在残余噪声的情况，可通过调整平直段判别标准和通道相关性阈值来进行故障排查。此外，独立成分分析（ICA）通常在电极数为32个或...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
MATLAB	MathWorks	R2020a 或更新版本	执行 PIPEMAT-RS 脚本所必需。
脑电图记录系统	Brain Products	https://www.brainproducts.com/	用于数据采集的脑电图采集系统。其他品牌 包括 BioSemi / ANT Neuro（或同等产品）
EEGLAB 工具箱	Swartz 计算神经科学中心	不适用	用于脑电图分析的开源 MATLAB 工具箱。
电极（Ag/AgCl）	Brain Products	https://www.brainproducts.com/solutions/r-net/	用于脑电图数据采集。其他品牌 包括 BioSemi / ANT Neuro（或同等产品）
ICLabel 插件	Swartz 计算神经科学中心	不适用	用于脑电图的自动伪迹分类工具。
PIPEMAT-RS 脚本	不适用	不适用	用于标准化脑电图预处理的自定义 MATLAB 脚本。
信号放大器	Brain Products	https://www.brainproducts.com/solutions/#amplifiers	用于放大脑电信号以便处理。其他品牌 包括 BioSemi / ANT Neuro（或同等产品）
标准 64 导脑电帽	Brain Products	https://www.brainproducts.com/solutions/#electrodes-caps	用于脑电图记录的电极帽。其他品牌 包括 BioSemi / ANT Neuro（或同等产品）