国内外脑电分析处理软件现状分析及发展趋势

伏云发，丁 鹏，苏 磊，赵 磊，杨 俊，周建华

（1.昆明理工大学信息工程与自动化学院，云南 昆明650093；2.昆明理工大学 脑认知与脑机智能融合创新团队，云南 昆明650093；3.昆明理工大学理学院，云南昆明650093）

0 引言

科学研究发展趋势表明：在21世纪的科学研究中，人类对大脑的深入探索将是一个重大的热点研究领域，一些国家或研究团体（如日本、欧洲和美国等）已经提出了“大脑研究计划”［1-5］.中国也积极响应和高度重视，提出了中国脑计划，期望站在世界科学前沿，面向国家战略需求.脑科学研究除了深入揭示脑的结构和功能外，一个重要目的是“促进脑智发育和开发、防治和康复重大脑疾病、发展类脑计算与脑机智能”［6］.迄今为止，有若干研究大脑的工具（如核磁共振成像［MRI］、近红外光谱成像［NIRS］、脑磁成像［MEG］等），其中脑电（Electroencephalogram，EEG）成像是一种重要的工具.自1924年德国精神病学家贝格尔（H.Berger）记录到人脑的EEG［7］，近百年创新发展的EEG技术，特别是EEG分析处理方法和软件工具有了长足的发展.

为使EEG研究和应用相关人员对国内外EEG分析处理软件的现状有一个清晰的了解，本文对国内外已公开且具有一定知名度的EEG分析处理软件的现状进行了分析.更为重要的是，随着脑科学研究及应用的深入发展，脑科学问题及应用问题不断涌现，传统和现有的EEG分析处理软件功能已不能完全满足需求，需要不断研发新的功能，以适应新的挑战，为此，本文将对若干新的功能进行论述.此外，现有的EEG分析处理软件技术缺乏规范或标准（如EEG参考技术［8］），这使得研究结果存在不一致性，甚至出现相反的结果，相互之间缺乏可比性，并且开放共享程度还不够，特别是国内EEG分析处理软件的规范性和开放共享性需要进一步提高，因此，本文对EEG分析处理软件的规范性和开放共享性进行了阐述.本文可望对研发功能强大、智能高效、规范标准、开放共享的EEG分析处理软件提供思路.

1 国内外脑电分析处理软件的现状分析

EEG是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映，EEG中包含了大量的生理和疾病信息［9］.目前研究中常用到的EEG信号，根据频率范围，可以划分为五类，如表1所示［10-11］.

表1 EEG信号节律对应的频率、振幅和神经生理含义Tab.1 Frequency，amplitude and neurophysiological meaning of EEG signal rhythm

在实际研究中，这些不同频率的EEG信号经过经过脑脊液、脑膜、头盖骨、皮下组织等之后掺杂了大量的伪迹或噪声，加之EEG信号的空间分辨率很低，这些给分析处理EEG带来了极大的挑战.为此，国内外的脑科学研究团队已研发了相当丰富的软件平台用于处理EEG信号，下面将对国内外一些典型的EEG分析处理软件的现状进行分析.

1.1 国外EEG分析处理软件现状

迄今为止，国外典型的EEG分析处理软件主要有EEGLAB、OpenViBE、BCI2000、Field Trip和BioSig等，下面将对这些EEG处理软件进行分析.

1.1.1 EEGLAB

EEGLAB是加州大学圣地亚哥分校（UCSD）Swartz计算神经科学中心（SCCN）的一个开源软件项目，最初是作为一套用于Matlab（Mathworks，Inc）的EEG数据分析工具［12］.EEGLAB具有GUI界面，如图1所示，同时研究者也可以根据自己的需要利用Matlab语言进行脚本编程，实现自动批处理.目前EEGLAB支持多种数据类型，包括.vhdr、set、mat等格式，同时研究者也可以根据需要编写格式转换插件.EEGLAB官网［13］免费提供EEGLAB的下载和更新，并提供详细的EEGLAB使用手册供新手学习.

EEGLAB的菜单内集成了独立成分分析（independent component analysis，ICA）、时频分析（time-frequency analysis，TFA）以及基于ICA的偶极子源成像（dipole source imaging）等算法手段，并拥有针对EEG信号特定处理和分析方法的插件，如基于通道反应性的方法（CRB）分析插件［14］、自动伪迹去除（ADJUST）插件［15］等，这类插件能大幅度提升EEGLAB对脑科学发展的适应性.

图1 EEGLAB的初始界面Fig.1 Initial interface of EEGLAB

1.1.2 OpenVibe

OpenViBE是由法国国家信息与自动化研究所（INRIA）研发的一个免费的开源软件平台，用于设计、测试和使用脑-机接口（BCI）.该平台由一组软件模块组成，可以轻松有效地应用于设计真实和虚拟的BCI系统.从v2.2.0版本开始，OpenViBE还包括一个用于离线和批量分析大型数据集的工具，还可用于实时采集、滤波、处理、分类和可视化脑信号.OpenViBE特点在于其具有强大的硬件支持能力和易于操作的图形化界面［16］，如图2所示.

1.1.3 BCI2000

BCI2000［17］是由纽约卫生署沃兹沃思中心（Wadsworth Center）研发的一个致力于建立可以描述任何BCI系统模型的BCI平台.BCI系统框架如图3所示［18］，主要由四个相互通信的部分组成：源（被试和数据获取）、信号处理与特征提取、信号的解码（转换算法/分类算法）、操作员界面与反馈.与BCI系统框架相应，BCI2000由四个模块组成，分别是运算符、源代码、信号处理、应用，这些模块通过基于TCP/IP的文档化网络协议进行通信.

BCI2000可在大多数Windows系统上运行，其通用的脚本编译器为Borland C++Builder 6.0，由该编译器编译源代码，但BCI2000也支持其他的编程语言，如Matlab语言编写接口程序.BCI2000最大的优势在于其集成化和模块化的EEG系统建立能力，其体系性非常强.

图2 OpenViBE的设计场景Fig.2 Design scenario of OpenViBE

图3 （a）BCI系统框架Fig.3（a）System framework of BCI

1.1.4 Field Trip

Field Trip是由荷兰顿德大脑、认知和行为研究所（Donders Institute for Brain，Cognition and Behaviour）开发的一款用于高级分析的算法平台［19］，内容包括多任务的时频分析、采用偶极子的源重建、分布式源和波束生成器、连接性分析以及信道和源水平的非参数统计置换测试［19］.与EEGLAB相同的是，Field Trip也是一款基于Matlab环境的工具箱，所以它同样支持Matlab命令行和函数脚本对大型数据集执行详细的结构化分析，但与EEGLAB不同的是，FieldTrip没有稳定的版本，一般是每日更新.

此外，Field Trip没有GUI界面，其所有的功能均需要通过自行编程调用其中函数来实现，这意味着Field Trip的使用者需要有较高的Matlab编程基础.

图3 （b）BCI2000的主界面Fig.3（b）Main interface of BCI2000

1.1.5 BioSig

BioSig是一个用于生物医学信号处理的开源软件库［20］，可处理的生物信号非常丰富，包括EEG（EEG）、皮层EEG（ECoG）、心电（ECG）、眼电（EOG）、肌电（EMG）、呼吸等；其应用领域也非常丰富，包括神经信息学、脑-机接口、神经生理学、心理学、心血管系统和睡眠研究.BioSig通过提供数据采集、伪迹处理、质量控制、特征提取、分类、建模、数据可视化等方案来处理生物医学信号.此开源软件库中的所有内容均可在GNU通用公共许可证下免费获得.

BioSig具有一个可用于Octave和Matlab平台的工具箱，并具有强大的数据导入和导出滤波器、特征提取算法、分类方法以及强大的查看和评分软件.BioSig集成了一个可用于C/C++（BioSig4C+）的C/C++库，还提供了使用Python 2+3、Java、R和Mathematica读取生物信号数据的工具，为不同的生物信号数据格式提供读取和写入例程.

1.1.6 国外EEG分析处理软件对比

总的来说，目前国外典型的EEG分析处理软件，按操作的手段来划分，可分为两类：一类拥有易于操作的可视化界面，如EEGLAB和OpenVibe等软件，这类工具的特点是模块化程度较高，EEG数据处理流程规范，处理思路清晰，操作门槛比较低，便于新手入门；另一类通过计算机语言进行操作，比较典型的有Field Trip，这类平台对于用户的编程基础具有一定的要求，版本更新频繁，但数据处理能力更强，灵活性也比较高.

以上这些公开且具有知名度的EEG分析处理软件的共性是，他们都具有高度的开源性和丰富的可拓展性，大多可以从官网上免费下载和更新，围绕着软件平台建立的社区（community）提供了相当丰富的源代码，这给平台赋予了强大的生命力.此外，这类软件的可拓展性使得软件能够跟踪脑科学的发展，比较有代表性的是EEGLAB的拓展工具包，如上文提及过的ADJUST、CRB分析等插件，这些插件进一步增强了EEGLAB的EEG信号分析和处理的能力.

除以上，这些EEG分析工具具有自身的特点，如表2所述.EEGLAB插件丰富，拓展性优良，具有规范的EEG处理流程，也具有可视化的操作界面，但界面刻板；相比较，同为基于Matlab的工具箱，Field Trip的使用门槛更高，需要一定的学习才能掌握，但它处理在线问题的能力优于EEGLAB，而且一旦熟练地掌握了Matlab语言，Field Trip的数据处理性能要高于EEGLAB；OpenVibe采用了图形化、模块化的系统搭建方式，对编程语言的要求不高，但OpenVibe复杂的框架限制了其拓展性，且不适合要求自适应处理的数据和复杂的信息流；相对前面的软件，BCI2000主要用于BCI系统的研发，具有较好的系统性和实时性，但由于BCI2000侧重于系统的搭建，因此其信号处理算法的功能方面会逊色一些；而BioSig则擅长处理种类丰富的生物信号，但广阔的应用领域使得其定制一套标准化的信号处理流程变得比较困难.

表2 国外EEG处理软件特征对比Tab.2 Comparison of the characteristics of foreign EEG processing software

1.2 国内EEG分析处理软件现状分析

与国外相比，目前，国内EEG数据分析处理软件的开放度（包括源代码开放）不高，大多与特定的硬件绑定，虽然与采用的设备对接容易，数据处理手段可定制化，但与不同EEG采集设备的接口或适应能力较弱，不便于供广泛的研究者和开发者使用.此外，基于润桐专利数据库，以检索式｛（（EEG数据）or（EEG数据））and（（分析处理平台）or（软件））｝进行检索，整理所得的数据，如图4所示.图4表明部分高校和公司选择将他们所研发的EEG信号分析处理软件（平台或系统）放入自己机构的专利池，这类申请机构以高校和医疗设备开发公司为主，但大多没有实际的开源平台.

虽然国内研究人员对EEG进行了大量的研究，发表了一些高质量文献，也出版了一些有关EEG分析方法的书籍，如Li Hu等《EEG Signal Processing and Feature Extraction》（Springer出版社）［21］、Siuly Siuly等《EEG Signal Analysis and Classification：Techniques and Applications》（Springer出版社）［22］，但需要相对规范和统一的分析方法以及开放源代码的共享工具.

目前国内多数高校、科研院所一般以自己的研究团体为核心，研发“自给自足”式的EEG分析处理系统.但随着中国脑计划的实施，国内脑科学研究及应用创新团队对EEG信号分析处理算法和软件的重视，一些平台也在逐步搭建.2018年，由电子科技大学主导，“中国-古巴-加拿大（CCC）”三方国际合作研发的云脑技术平台（Webrain），如图5所示，致力于无需用户安装复杂的软件，仅需一个Web浏览器，就可以提供大量的数据处理手段和资源.2019年，清华大学医学院医学数据技术研究中心提出将着手建立EEG科研云平台，并且在该学院下的脑机接口研究室提出将建立EEG数据中心，包括数据标准、数据处理框架、数据发布与共享方式等目标［23］.

目前及未来，国内从事EEG研究及应用的团队和人员不断增加，这也需要相对规范和统一的EEG分析处理共享工具.为适应这一新的趋势，中国EEG研究界在2019年10月成立了中国EEG联盟，联盟的主旨是协同国内相关优势力量，激活多学科交叉潜力，开展长期和系统的EEG联合攻关研究［24］.该联盟的主要任务包括研究拟订和推荐EEG数据采集与处理的国家规范，促进EEG研究工作的标准化与国际化，促进中国EEG和国际同行的交流合作，系统性推动我国EEG领域的创新发展.

图4 国内EEG分析处理系统专利申请的主要单位分布Fig.4 The main units of patent application of EEG analysis and processing system in China

图5 Webrain网页平台界面Fig.5 Webrain Web platform interface

2 EEG分析处理软件的发展趋势

综合上述国内外EEG分析处理软件现状，EEG分析处理软件技术的发展趋势提供智能、开放、标准统一的EEG数据分析平台.中国EEG联盟提议EEG数据分析处理软件平台建设可包括［25］：（1）EEG数据平台架构设计的先进性及可行性；（2）EEG数据平台基础设施建设（整体架构）；（3）EEG数据存储管理系统建设；（4）EEG数据分析计算系统建设；（5）EEG数据存储与分析统一规范.该联盟也建议EEG数据平台需要考虑以下细节：（1）系统的稳健性、安全性以及日常运行和维护；（2）计算资源的管理与调度，高速网络传输环境支持；（3）平台系统的迭代升级（涉及系统、计算资源、分析工具、数据）；（4）平台EEG数据规范标准与国际标准BIDS-EEG兼容且具有中国特色；（5）选择成熟、稳定的计算方法、工具和参数以及规范标准；（6）EEG数据质量控制.

除了上述EEG分析处理软件技术的发展趋势外，随着脑科学研究的不断深入，新的脑科学问题和应用问题不断出现，EEG数据急剧增加（EEG大数据），EEG分析处理软件新的功能模块需要不断增加.新增功能进一步的发展方向是：增加智能的EEG溯源分析模块、EEG大数据深度分析模块、EEG与其他多模态融合模块、EEG脑机智能融合模块、EEG人工智能应用模块、其他重要的EEG智能分析工具（包括EEG微状态分析模块、EEG脑网络分析模块、EEG机器学习模块等）.

2.1 智能的EEG溯源分析模块

从头皮记录的EEG时间解析度很高，可以达到毫秒级，但它是大脑中很多源在记录点叠加起来的结果，空间分辨率较低，EEG源定位分析可以在一定程度上弥补该缺点.EEG溯源分析将神经元细胞群建模为等效偶极子［26］或电流密度分布［27］，重建大脑的脑回和沟褶的电位活动.

智能的EEG溯源分析模块旨在从给定的头皮EEG位分布推算出脑内神经活动源的信息（包括源的位置、方向和强度信息）并进行深入分析.该模块提供若干高效的机器学习算法（如量子机器学习算法［28］、生物启发算法、深度学习等），能在要求的时间内（甚至在线实时）给出符合应用（如创造性思维活动、抽象思维活动、形象思维活动、逻辑推理活动、感知觉活动等）的神经源活动结果.此外，该模块将EEG正问题和EEG逆问题的优化分析进行融合，确定记录电极和偶极子之间的关系，以便追踪头皮上的电活动［29］，实现对任意的单偶极子、双偶极子、三偶极子进行最优定位，并根据需要可视化这些偶极子的等效电势图和等位线图.

2.2 EEG大数据深度分析模块

随着新的脑科学问题和应用的不断出现，基于EEG的研究和应用也不断深入，一些研究需要纳入的被试量大，上百、上千甚至上万，其次跟踪每个被试的时间长，几个月、半年、一年，甚至数年或十多年，另外每次对被试采集EEG的trials较多，这些因素导致一项研究的EEG数据量剧增，出现了EEG大数据，如脑电队列研究等.这样的EEG大数据，不仅难于在可容忍的时间内用传统IT技术和软硬件工具对其进行管理、处理和服务［30］，而且数据之间的关系可能非常复杂，数据背后隐藏的规律难于揭示.针对EEG大数据，需要引入大数据的分析技术并结合EEG大数据的特点，可采用深度学习等先进算法揭示数据之间的本质关系，提供和完善EEG大数据深度分析模块.

图6 为EEG大数据深度分析模块示意图.在构建EEG大数据深度分析模块时，主要问题集中在以下方面：

1）如何规范数据格式，进行读写和储存.来自不同机构不同脑电采集设备的数据格式往往不一样，如果要进行统一处理，需要规范数据格式，进行数据格式的转化.从第1节中对国内外EEG分析处理软件的现状分析可知，不同的软件对EEG数据格式的支持力度不同，在处理小量的EEG数据时，这一弊端尚明显，但在面对EEG大数据时，各种不同的数据格式会增加提取和解码EEG特征的效率.为此，需要对广泛的数据格式支持并实现自动化的数据格式转化.除此而外，还有与EEG数据集标注的智能化程度和数据样本跨平台收集难度有关的EEG数据一致性和可用性.

2）对复杂来源的EEG数据，如何规范化去噪或预处理以提高EEG的数据质量.EEG信号易受伪迹的污染（如眼电、肌电和工频等的干扰），信噪比低，需要规范化的预处理以提高数据质量.因此，EEG大数据庞杂的动态数据流会掺杂不同的噪声，而且这些数据流也可能来源于不同的实验范式和被试，差异性或变异性很大.在EEG大数据中，数据的变异性表现得更为明显，是EEG大数据不同于其他类型大数据的特点，这给后续特征提取和统计分析带来了巨大的挑战.如何消除EEG大数据的冗余提高数据质量，是未来EEG分析处理软件的一个方向.

3）如何深度分析EEG大数据，建立EEG大数据的关系网络，进行有效的EEG大数据融合和智能的模式识别.EEG大数据的最大意义在于样本量足够大，可望获得稳定可靠的结论，有望揭示现象背后的本质关系.为此，需要协同整合利用，建立网络化的数据结构，获得比单一的样本量小的数据和更深入、全面的信息.

相对于传统大数据，EEG大数据分析的一个难点在于，其所携带的神经信息意义难于被人或机器直接理解，需要从中挖掘或解码出有效的人类大脑活动信息，才能对EEG大数据进行更深入的操作.此外，需要对EEG大数据进一步的表征，传统的很多数据表达模型和方法难以解决更加复杂的认知神经问题.对于这两点，深度学习算法可能是一条可选的有效途径［31］，因此发展基于深度学习的EEG大数据分析方法具有重要意义.

图6 EEG大数据深度分析模块示意图Fig.6 Module Schematic diagram of depth analysis of EEG big data

2.3 EEG与其他模态的融合模块

随着脑科学研究和应用的扩展和深入，出现了各种脑成像工具，它们的目的和方法不同，获得的脑信息模态也不同，相应的脑成像手段各有优缺点，它们的时间和空间分辨不同，如图7［32-35］所示.单模态的EEG时间分辨高，但空间分辨率低，此外，EEG反映神经元的放电活动，但不能反映脑组织的代谢活动信息.在一些研究中，可能需要把EEG与空间分辨率和信噪比较高的皮层脑电（electrocorticogram，ECoG）和皮层内记录的神经元尖峰脉冲（spikes）（如图7（a）所示）进行比较和融合，其中spikes可以记录单个神经元的放电行为，信号中包含丰富的运动相关信息［36］，通过与EEG相结合有望实现准确的运动行为解码.在另外一些研究中，可能需要把EEG与空间分辨率高反映脑组织代谢活动的功能磁共振成像（functional magnetic resonance imaging，fMRI）［37］信息相融合，或者与反映脑活动相关磁场变化的脑磁（magnetoencephalogram，MEG）和反映脑组织代谢活动的功能近红外光谱（functional near infrared spectroscopy，fNIRS）［38］信息相融合.

图7 （a）脑信号的采集Fig.7（a）Acquisition of electrical brain signal

图7 （b）不同脑成像技术的分辨率Fig.7（b）Resolution of different brain imaging technologies

需要充分考虑各种成像方法的特点，可在特征层次、分类层次、决策层次把EEG与不同空间和时间分辨率的其他成像方法获取的信息相融合，实现脑功能和结构模型的优化组合，通过多模态融合算法模块充分利用不同模态的优势［39］.例如，可以研发并优化EEG-fMRI融合子模块、EEG-fNIRS融合子模块、EEG-MEG融合子模块，EEG-ECoG和EEG-Spikes融合子模块.

2.4 EEG脑机智能融合模块

脑-机接口（Brain-computer interface，BCI）［40］是一种变革性的人机交互（Human-computer interaction，HCI）［41］，从最初的脑-机接口（BCI）发展到脑-机交互（Brain-computer interaction，BCI），再发展到脑-机智能（Brain-computer intelligence，BCI）［42］，进而发展到高级阶段：脑机智能融合（Brain-computer intelligence integration，BCII），如图8（a）和（b）所示.其中，基于EEG的脑机智能融合系统［43］将具有潜在的重要应用，如对多自由度假肢、外动力矫形器、护理机器人等运动康复辅助器械进行实时融合控制，辅助伤残人士进行运动功能重建和生活自理［44］，虚拟现实技术中融合脑机交互以创设学习环境［45］.为此，未来EEG分析处理软件需要提供EEG脑机智能融合模块.

EEG脑机智能融合模块通过基于EEG的BCI将人脑的生物智能系统（Biological intelligence，BI）与计算机的机器智能（Machine intelligence，MI）相融合，充分利用（或借助）并集成最先进的机器学习（Machine learning，ML）技术（如深度学习（Deep learning，DL）算法）、虚拟现实（Virtual reality，VR）技术［46］、增强现实（Augmented reality，AR）技术［47］和神经反馈（Neural feedback，NF）技术［48］等.然而，智能的EEG编码和解码算法依然是EEG脑机智能融合模块的核心，同时需要先进的人-机协同自适应学习算法.图8（c）为EEG脑机智能融合模块的一个示意图.

EEG智能的脑机融合的实用性较高，如虚拟现实技术中融合脑机交互以创设学习环境，但是这种连续的、丰富的、大体量的人脑活动信息所对应的EEG数据是非常庞大而冗杂的，同时这些EEG数据作为EEG智能的脑机融合系统的源需要严格的和系统中种种的子模块做协同，这意味着需要对这一源的具有高度的智能化处理，这将是EEG智能的脑机融合模块发展的一大挑战.

2.5 EEG人工智能应用模块

目前，人工智能已有大量的算法做支撑，如SVM［49］、朴素贝叶斯算法［50］、神经网络［51］、深度学习［52］等，但这些对人工智能的智能程度提升还远远不够.与人脑智能相比，基于深度学习的神经网络难于求解非结构化的问题.

新一轮的人工智能变革有待于脑科学研究的突破、启发和利用，真正具有人类智能的人工智能系统可能需要直接由脑信号驱动并模拟人类大脑解决问题的方法.受认知与神经科学启发的人工智能是一种新型的人工智能，涉及类脑的新型计算模型［53］（包括基于认知机理（注意、学习、记忆、判断、推理和决策机制）的计算模型、视听觉感知模型等）、神经计算（神经信息编码和解码、神经系统建模与分析设计）、脑-机接口等.其中，由EEG驱动的人工智能应用模块是未来EEG分析处理软件的一个可选插件，可从EEG数据中解码人脑的意图作为类脑计算模型的约束，进一步应用于人工智能系统.

图8 （a）脑-机接口发展的高级阶段：脑机融合Fig.8（a）The advanced stage of brain computer interface development：brain computer fusion

图8 （b）脑机智能交互融合示意图Fig.8（b）Diagram of brain computer intelligent interactive fusion

图8 （c）EEG脑机智能融合模块的一个示意图Fig.8（c）A diagram of EEG brain computer intelligent fusion module

2.6 其他重要的EEG智能分析工具

为满足基于EEG脑科学研究和应用的需求，除了上述EEG分析处理模块外，其他重要的EEG智能分析工具包括EEG微状态分析模块、EEG脑网络分析模块、EEG机器学习模块等.

1）EEG微状态分析模块

脑的功能状态是不断变化的，EEG信号具有高的时间分辨率，能够检测出大脑的瞬时状态，微观状态分析是解析大脑瞬时状态的方法之一.该方法通过电极阵列上电位的空间地形图拓扑结构来定义多通道脑电信号的状态（Lehmann等人，1987年）.当把EEG信号看作地形图的时间序列时，有两个显著的性质：首先，尽管EEG信号有大量的地形图，但大多数信号可以用很少的地形图来表示；其次，在突然过渡到另一个地形图之前，一个地形图在大约80～120 ms内仍然占主导地位，单个地形图的这种准稳定期称为微状态.因此，多通道EEG信号可以用离散间隔的一系列微状态来表示（Khanna等人，2014年）.目前，对静息状态EEG的微状态分析研究，如行为状态（Lehmann等人，2010）、人格类型（Schlegel等人，2012年）、神经精神疾病（Kikuchi等人，2011年）、睡眠分类（Brodbeck等人，2012年）和感知意识（Britz等人，2014年）；对任务状态脑电的微状态分析，如听觉刺激的研究（Ott等人，2011年）和视觉刺激（Antonova等人，2015年）［54］.

EEG微状态分析模块利用多通道EEG信号的电场分布来代表电活动的全局状态［55］，该分析模块具有两个优势，一是EEG微状态分析不受电极选取的影响，且经过聚类算法［56］以后该方法对眼电、肌电等伪迹不敏感；二是EEG微状态分析可以反映ERP（事件相关电位）信号的头皮电位的空间分布［57］.

2）EEG脑网络分析模块

人脑在执行任务时，通常由相关脑功能区的交互协作来完成.因此，EEG脑网络分析模块将人脑理解为一个复杂的小世界网络，以EEG通道为网络节点，利用网络拓扑分析方法，计算网络特性表征人脑的功能.

3）EEG机器学习模块

基于先进机器学习算法的EEG模式识别具有潜在的应用，例如自适应智能的脑机交互.EEG机器学习模块通过机器学习算法提取EEG数据特征并训练解码模型，然后应用于未知模式类别的EEG数据.

2.7 高效的EEG去噪和预处理模块

随着基于EEG的脑科学问题研究和应用的深入和扩展，除了需要不断增加新的功能模块外，由于EEG易受伪迹的污染（如肌电、眼电和工频干扰等），信噪比低，为解决这一问题，需要高效的EEG去噪和预处理模块，该模块是后续特征提取和模式分类等环节的前提，是研究和利用EEG的一个瓶颈.

手动去噪不仅工作量大，适应不了EEG数据的急剧增加，而且也可能遗漏需要剔除的伪迹，为此，需要高效的自动化去噪模块.传统的EEG去噪和预处理技术有回归方法、PCA、ICA、小波变换等方法，但这些方法独立解决EEG预处理问题均具有一定的局限性.例如，若需要去除的噪声振幅与EEG信号幅度相似时，PCA不能达到去噪的目的，再如小波固定阈值去噪算法，在EEG信号去噪过程中会导致部分有用信号丢失.因此，需在传统的EEG去噪方法基础上，设计和研发新的高效的EEG去噪和预处理模块，优化组合EEG去噪和预处理技术，如可将小波固定阈值与中值真值程度度量（Measuring of Medium Truth Degree，MMTD）相结合，再如可利用稀疏方法克服传统CSP方法提取的特征向量空间会存在特征模式重复选取的问题.此外，自动化的EEG去噪可能会去除有用的神经信息或者去除伪迹不干净，需要结合专家的经验知识.

最后，需要能够定量评估EEG去噪和预处理质量的方法.目前已有一定的评估方法，如PSNR［58］（Peak Signal to Noise Ratio，峰值信噪比）、RMSE［59］（Root Mean Square Error，均方根误差）、SNR［60］（Signal Noise Ratio，信噪比）等评估预处理效果的方法，但这些方法往往针对不同的研究问题和应用，需要制定统一的可定量评估去噪性能的指标.

3 结论

脑科学研究及其应用已成为21世纪国际重大前沿热点方向，EEG脑成像技术已成为脑科学、脑疾病和脑机智能融合等研究的核心重要工具之一.随着脑科学研究和应用的深入和扩展，基于EEG的研究正向“大样本、大数据、大平台协作”模式转变.EEG技术中EEG分析处理软件工具在EEG数据的分析和利用中扮演着极为重要的作用.

1）本文介绍了国内外已公开且具有知名度的EEG分析处理软件的现状，总结了它们的功能、性能、特点和适用范围.随后，着重指出随着脑科学研究及应用的不断深入，EEG分析处理软件工具需要不断增加新的功能模块，以满足新的脑科学问题和应用问题研究的要求.

2）为此，文中阐述了智能的EEG溯源分析模块、EEG大数据深度分析模块、EEG与其他多模态融合模块、EEG脑机智能融合模块、EEG人工智能应用模块和其他重要的EEG智能分析工具.这些EEG分析处理软件功能的深入发展有望为脑科学和脑疾病的研究及应用提供高效的工具.

3）最后，也着重特别指出，智能、开放共享、规范标准的EEG数据分析平台可望为相关研究团队和研究人员多学科交叉协同创新提供技术支持.EEG的分析正朝着数字化、大数据、自动化和智能化的方向发展.