## 一、Brainstorm 软件简介与数据导入 Brainstorm 是一款专为 MEG（脑磁图）和 EEG（脑电图）等神经电生理信号设计的开源分析软件，其优势在于集成了图形化界面（GUI），用户无需编写代码即可完成从数据预处理到高级分析的全流程操作 [ref_2]。 ### 1.1 启动与项目管理 启动 Brainstorm 后，首先需要创建一个 **Protocol**（协议）来组织你的研究项目。在同一个 Protocol 下，你可以添加多个 **Subject**（被试）及其对应的数据 [ref_3]。 ```matlab % 示例：在MATLAB中启动Brainstorm并创建新Protocol [ref_4] brainstorm % 在弹出的图形界面中： % 1. 点击 "New Protocol" % 2. 输入协议名称（如 "My_MEG_Study"） % 3. 选择默认的解剖模板（如 "ICBM152"）或导入被试个体MRI ``` ### 1.2 数据导入 Brainstorm 支持多种数据格式。导入数据通常分为两步：导入功能数据（MEG/EEG 记录）和导入结构数据（MRI 图像）。 | 数据类别 | 支持格式示例 | 导入路径（在Brainstorm GUI中） | 关键操作 | | :--- | :--- | :--- | :--- | | **功能数据 (MEG/EEG)** | FIF (.fif), CTF (.ds), EEGLAB (.set), EDF, ... | `File` -> `Import data` -> `Select file` | 需指定通道文件、事件标记等 [ref_6] | | **结构数据 (MRI)** | DICOM, NIfTI (.nii), BrainVISA, ... | `File` -> `Import anatomy` -> `Select MRI file` | 导入后需进行 **MRI-MEG/EEG配准** [ref_3] | **关键步骤注释**：导入 MRI 后，务必进行头模型配准，以确保 MEG/EEG 传感器位置与个体解剖结构准确对应，这是后续源定位分析的基础 [ref_3]。 ## 二、核心数据处理流程 Brainstorm 的分析遵循一个清晰的管道（Pipeline），下表概括了从原始数据到结果可视化的主要步骤： | 步骤 | 核心目标 | Brainstorm 中的主要工具/菜单位置 | 说明与技巧 | | :--- | :--- | :--- | :--- | | **1. 数据检查与可视化** | 观察原始信号质量 | `Record` -> `View raw file` | 浏览各通道波形，识别明显的噪声或伪迹段 [ref_1] | | **2. 预处理** | 提高信噪比，为分析做准备 | `Process` -> `Pre-process` | 包括滤波、降采样、坏道检测与修复等 [ref_1] | | **3. 伪迹检测与去除** | 消除非脑源干扰 | `Process` -> `Artifact detection` | 可自动或手动检测眼电、心电、肌电等伪迹 [ref_1] | | **4. 数据分段 (Epoching)** | 锁定事件相关活动 | `Process` -> `Extract epochs` | 根据实验事件标记（如刺激 onset）切割数据 [ref_1] | | **5. 源定位 (源分析)** | 估计大脑内活动源 | `Process` -> `Sources` -> `Compute sources` | 核心步骤，需选择头模型、源模型和逆算法 [ref_2][ref_5] | | **6. 时频分析** | 分析振荡神经活动 | `Process` -> `Frequency` -> `Time-frequency` | 可计算功率谱、时频表征等 [ref_1] | | **7. 统计分析** | 比较条件间差异 | `Process` -> `Statistics` -> `Parametric test` | 支持组水平或条件间的对比检验 [ref_2] | | **8. 结果可视化** | 呈现分析结果 | 双击数据库中的结果文件 | 可在 2D/3D 脑图、皮层网格上查看激活 [ref_6] | ### 2.1 预处理与伪迹去除代码示例 以下是在 Brainstorm 的 **批处理脚本编辑器** 中，对一个被试数据进行带通滤波和坏道检测的示例代码框架： ```matlab % Brainstorm 批处理脚本示例：预处理流程 [ref_1, ref_6] % 定义输入文件（假设已导入并命名为 `RawData`） sFiles = bst_process('GetInputStruct', 'RawData/@raw'); % 步骤1: 进行带通滤波 (1-40 Hz) sFiles = bst_process('CallProcess', 'process_bandpass', sFiles, [], ... 'sensortypes', 'MEG, EEG', ... % 指定传感器类型 'highpass', 1, ... % 高通频率 (Hz) 'lowpass', 40, ... % 低通频率 (Hz) 'attenuation', 'strict', ... % 滤波衰减强度 'mirror', 0, ... % 不进行镜像填充 'useold', 0, ... % 使用新滤波器 'overwrite', 1); % 覆盖原文件 % 步骤2: 检测并标记坏通道 (基于方差法) sFiles = bst_process('CallProcess', 'process_channel_bad', sFiles, [], ... 'method', 'var', ... % 使用方差作为检测指标 'threshold', 3); % 阈值 (标准差倍数) ``` ### 2.2 源定位分析详解 源定位是 MEG/EEG 分析的核心，旨在从头皮记录的电磁场反推大脑内部的神经活动源。Brainstorm 提供了多种成熟的算法。 ```matlab % Brainstorm 批处理脚本示例：进行最小范数估计源定位 [ref_2, ref_5] % 假设输入为预处理后的数据文件 `DataClean` sFiles = bst_process('GetInputStruct', 'DataClean'); % 计算噪声协方差矩阵（用于加权逆问题求解） sFiles = bst_process('CallProcess', 'process_noisecov', sFiles, [], ... 'baseline', [-0.2, -0.001], ... % 基线时间段（秒），用于估计噪声 'dcoffset', 1, ... % 移除直流偏移 'method', 'shrinkage', ... % 协方差估计方法 'copy', 0); % 执行源定位计算（采用加权最小范数估计，wMNE） sFiles = bst_process('CallProcess', 'process_inverse', sFiles, [], ... 'output', 2, ... % 输出：每个时间点的源激活图 'inverse', struct(... % 逆问题求解参数结构体 'Comment', 'wMNE', ... 'InverseMethod', 'wmne', ... 'InverseMeasure', 'amplitude', ... 'SourceOrient', {{'fixed'}}, ... 'Loose', 0.2, ... 'Depth', 1, ... 'WeightExp', 0.5, ... 'WeightLimit', 10, ... 'NoiseCov', [], ... 'Snr', 3, ... 'ChannelTypes', {{}})); ``` **源定位关键参数说明** [ref_5]： * **逆算法 (InverseMethod)**：常用 `wmne`（加权最小范数估计），平衡解的唯一性和稳定性。 * **源方向 (SourceOrient)**：`fixed`（固定方向，垂直于皮层）或 `loose`（松散约束），后者对方向不确定性更鲁棒。 * **深度加权 (Depth)**：值为 1 时启用，可减轻对浅层源的偏向。 * **信噪比 (Snr)**：定义正则化参数，值越低正则化越强，解越平滑。 ## 三、高级分析与结果解读 ### 3.1 时频分析与连接性 除了 ERP/ERF（事件相关电位/场）分析，Brainstorm 还能深入分析神经振荡活动。 ```matlab % 示例：对分段后的数据进行Morlet小波时频分析 [ref_1] sFilesEpoch = bst_process('GetInputStruct', 'DataEpoch'); % 假设为分段后数据 sFilesTF = bst_process('CallProcess', 'process_timefreq', sFilesEpoch, [], ... 'sensortypes', 'MEG', ... 'method', 'morlet', ... % 使用Morlet小波 'centerfreq', 10, ... % 中心频率 (Hz) 'timewindow', [-0.5, 1.0], ... % 时间窗 (秒，相对于事件) 'edit', struct(... % 高级参数 'Comment', 'TF-Morlet', ... 'TimeVector', [], ... 'MorletFc', 1, ... % 小波中心频率与带宽的比值 'MorletFwhmTc', 3)); % 小波在时域的全宽半高 ``` ### 3.2 组水平分析与统计 对于多个被试的数据，Brainstorm 可以很方便地进行组平均和统计检验。 1. **投影到公共模板**：将每个被试的源定位结果投影到默认的解剖模板（如 `ICBM152`）皮层上，以实现空间标准化 [ref_3]。 2. **组平均**：在数据库管理器中，右键点击多个被试的同类结果文件，选择 `Average` -> `By subject`。 3. **统计检验**：在 `Process` -> `Statistics` 下选择检验类型（如双样本 t 检验），设定对比组和参数，即可获得统计参数图（如 t-value map）[ref_2]。 ### 3.3 结果可视化与导出 Brainstorm 提供了丰富的可视化选项： * **2D 脑地形图**：展示特定时间点或频率下，所有传感器上的活动分布。 * **3D 脑激活图**：在个体 MRI 或标准模板大脑上，以电影或快照形式显示源定位结果。 * **信号浏览器**：绘制特定感兴趣区域（ROI）或通道的时间序列、频谱。 * **导出**：任何图像或数据均可通过 `File` -> `Export` 菜单导出为图片（PNG, SVG）或 MATLAB 数据文件，以便在外部软件（如 PowerPoint, Adobe Illustrator）中进行进一步排版或用于发表 [ref_6]。 通过上述流程，研究者可以系统性地完成 MEG/EEG 数据的导入、预处理、源定位、时频分析和统计比较，最终生成可用于科学发现和论文发表的可靠结果。Brainstorm 的图形界面使得这一复杂过程变得直观，而其批处理脚本功能则能满足自动化处理大批量数据的需求。