PIPEMAT-RS：静息态脑电图预处理标准化MATLAB流程的开发与验证

我们开发了一种标准化的脑电图（EEG）预处理流程，旨在提高信号质量、降低噪声，并支持在多样化的临床和实验数据集中开展一致的神经生理学研究。尽管近年来出现的RELAX和Automagic等流程可实现脑电图的自动化清洗，但这些方法往往缺乏足够的灵活性或清晰的文档说明，难以满足研究人员和学生对结果透明性与一致性的需求。本流程结合使用EEG、Matlab、EEGLAB以及基于独立成分分析（ICA）的伪迹剔除方法，并引入ICLabel等自动化分类器，以提升数据质量并简化预处理工作流程。研究发现，PIPEMAT-RS能够改善脑电图信号质量，提高信噪比（SNR），并支持在脑卒中、纤维肌痛及慢性疼痛研究中建立可靠的生物标志物。本方案解决了目前静息态脑电图领域缺乏可预测、文档完备且标准化预处理流程的问题，为全球研究人员提供了一种一致且易于获取的分析工具。

[Presenter] 首先，打开 MATLAB 并导航至包含原始脑电图数据文件的目录。定义指向原始数据文件的目录路径，并创建包含所有受试者的列表。使用 .mat 文件的 load 函数加载原始数据文件，并将每个文件以 .mat 格式保存，确保数据完整性并保留所有相关元数据。打开 MATLAB 并导航至包含 MATLAB 文件的目录。使用 EEGlab 工具箱中的 pop_loadset 函数加载每位受试者的脑电数据集。确保工作目录中包含与 EEG 帽配置相对应的适当电极位置文件。使用 pop_chanedit 函数应用电极位置信息。通过 EEGlab 的图形用户界面（GUI）目视检查通道布局，确认所有电极位置正确无误。使用 pop_saveset 函数保存更新后的 EEG 数据集。如有需要，使用 pop_resample 函数将 EEG 数据的采样率降至 250 赫兹。使用 pop_basicfilter 函数对通道 1 至 128 应用 1 赫兹至 50 赫兹的带通滤波器，采用巴特沃斯（Butterworth）设计，滤波器阶数为 2。使用零相位前向-反向滤波以防止相位失真。使用 pop_basicfilter 函数，采用 PM notch 设计和 180 阶滤波器，对通道 1 至 64 在 50 或 60 赫兹处应用陷波滤波。在伪迹剔除步骤中，使用 clean_rawdata 函数并设置给定参数，自动检测并移除平直通道、噪声片段和低频漂移。使用 EEGlab 中的 EEGplot 工具对 EEG 数据进行目视检查，识别自动方法未能检测到的残余伪迹。手动标记并剔除剩余伪迹，以确保数据质量。使用 pop_reref 函数将 EEG 信号重参考至所有电极的平均值，同时保留原始参考电极。使用 pop_loadset 加载后缀为 loc_filt_cleanraw_reref.set 的文件。使用 pop_runica 函数及 runica 算法运行独立成分分析（ICA），将 EEG 数据分解为独立成分。使用 pop_saveset 保存新的数据集，后缀为 loc_filt_cleanraw_reref_ICA，以表明 ICA 已完成。使用 pop_loadset 导入 ICA 数据集。运行 pop_ICAlabel 函数并采用默认模型，将独立成分分类为脑源成分和伪迹成分。识别所有脑活动概率高于 0.7 的成分。使用 pop_subcomp 函数移除 ICA 标签中脑概率低于 0.7 的所有成分。仅保留脑活动概率高于 0.7 的成分，以在有效去除伪迹的同时保留真实神经信号。使用 pop_saveset 保存清理后的数据集，后缀为 loc_filt_cleanraw_reref_ac_cleaned。最后，使用 pop_loadset 函数导入包含无伪迹 ICA 成分的数据集，并使用 pop_saveset 将完全预处理和标准化后的数据集以 loc_filt_cleanraw_reref_ICA_Normalized 为后缀保存。此图展示了 EEG 数据集在任何预处理之前的初始状态，包括原始信号轨迹及其相应的频谱特征。原始 EEG 数据在多个通道上表现出高水平的噪声和不规则信号轨迹，严重影响了信号的清晰度和可解释性。手动清理 EEG 数据后，信号伪迹减少，波形一致性提高，但仍可见部分残余噪声和不一致现象。经 PIPEMAT-RS 处理的数据展现出最干净的 EEG 波形，通道间信号结构一致，可视伪迹极少。