开源工具：MNE、EEGLAB、CEBRA

BCI 研究的开源生态日趋成熟。从信号处理（MNE-Python、EEGLAB）到深度学习解码器（Braindecode、NDT、POYO）再到对比学习框架（CEBRA），开源工具让任何研究者可在24 小时内复现前沿论文。

一、信号处理

1. MNE-Python

最主流开源 EEG/MEG 处理包。

核心

• Python + NumPy 基础
• 整个 MEG/EEG 工作流
• 活跃开发 15+ 年

功能

• 滤波、去噪
• ICA / artifact 去除
• Source localization
• 统计分析
• KaTeX 文档丰富

安装

pip install mne

学习资源

• mne.tools 官网
• 50+ tutorial
• Harvard 神经影像课程使用

2. EEGLAB

MATLAB 生态的 EEG 标准。

核心

• MATLAB GUI 驱动
• 学术界广泛使用
• 几十个 plugins

优势

• 可视化强
• 标准算法完备
• 老派神经科学家首选

劣势

• MATLAB license
• Python 整合弱
• 迁移到 MNE 趋势

3. Brainstorm

• MATLAB/Python 混合
• MEG 强
• McGill + USC 开发

4. FieldTrip

• MATLAB
• 荷兰 Donders 研究所
• 主攻 MEG

5. BCILAB

• EEGLAB 的 BCI 扩展
• 实时 BCI 支持

二、Spike 处理

1. Kilosort

Neuropixels 时代标准。

开发

• Pachitariu, Stringer, Carandini (UCL)
• Kilosort 4 最新版

功能

• GPU 加速 spike sorting
• 模板匹配
• 自动化

使用

• 学术研究 90%+
• 开源 + 文档

2. Wave_Clus

• 经典 spike sorting
• Scala 实验室

3. MountainSort

• 自动化
• 大数据

4. SpikeInterface

• 统一接口多个 sorter
• Python，BrainBox 等整合

三、深度学习解码器

1. Braindecode

EEG 深度学习标准库。

核心

• PyTorch 基础
• EEGNet、DeepConvNet、Shallow
• 预处理 + 训练 + 评估

使用

from braindecode.models import EEGNetv4
model = EEGNetv4(n_chans=22, n_outputs=4, n_times=1125)

2. NDT（Neural Data Transformer）

NDT1/2/3 开源于 GitHub。

使用

from ndt3 import NDT3
model = NDT3.from_pretrained("snel-repo/ndt3-base")

3. POYO

POYO（Azabou 2023） 基础模型。

• 多被试预训练
• Fine-tune on new subject
• GitHub: https://github.com/poyo-brain

4. CEBRA

见 CEBRA 与对比学习。

使用

import cebra
cebra_model = cebra.CEBRA(model_architecture='offset10-model', 
                          batch_size=512,
                          learning_rate=3e-4,
                          output_dimension=8,
                          max_iterations=20000)
cebra_model.fit(neural_data, behavior)
embeddings = cebra_model.transform(neural_data)

• MPI-IS Tübingen 开发
• Nature 2023 开源
• 文档 + tutorial 完备

四、脑-图像重建

1. MindEye / MindEye2

• Ryan Scotti et al.
• MedARC 团队开源
• 预训练权重 HuggingFace

2. Brain-Diffuser

• Ozcelik 2023 开源
• fMRI → SD 通路

3. NeuroImagen

• 学术组件
• 多模型比较

五、脑-语言

1. Willett 2023 Code

• Stanford NPL 开源
• PyTorch RNN + CTC
• GitHub

2. DeWave

• EEG → 文本
• 非侵入 baseline

3. EEGPT / LaBraM

• EEG 基础模型
• 类 GPT 预训练
• 中国实验室开源

六、数据存储 + 可视化

1. NWB（Neurodata Without Borders）

• HDF5 基础
• 跨实验室数据标准
• PyNWB 接口

2. DANDI

• NWB 数据仓库
• 100+ 数据集

3. Neo

• Python 电生理 I/O
• 多格式支持

4. Plotly / Bokeh

• 交互可视化
• 脑图投影

5. Nilearn

• 脑影像 ML
• fMRI 分析

七、实时 BCI 系统

1. BCI2000

• 经典实时 BCI 平台
• Wadsworth 中心
• C++ + 模块化

2. OpenBCI GUI

• 开源硬件 + 软件
• 消费 EEG

3. LSL（Lab Streaming Layer）

• 实时数据流协议
• 跨设备同步

4. OpenViBE

• 图形化 BCI 编程
• EU 项目

八、机器学习框架

通用

• PyTorch：BCI 深度学习标准
• TensorFlow：EEGNet 等原生
• JAX：高性能研究

专用

• scikit-learn：经典 ML
• Riemannian：pyRiemann
• CSP：MNE + scikit

九、云端协作

1. HuggingFace

• 预训练模型共享
• CEBRA、MindEye、NDT 等都在

2. Weights & Biases

• 实验跟踪
• BCI 研究广用

3. Neptune

• 另一实验跟踪
• 类似 W&B

4. Colab / Kaggle

• 免费 GPU
• BCI 入门

十、教程与资源

书籍

• "Brain Signal Analysis" (Sanei & Chambers)
• "Neural Engineering" (He)
• "Neurotechnology and Brain Machine Interface" (Kao & others)

课程

• NMA（Neuromatch Academy）：免费线上，多国
• Stanford CME 290：BCI 课程
• Coursera / edX 多个课程

文档

• MNE tutorials
• CEBRA paper + GitHub
• ML for BCI review

十一、完整 pipeline 示例

EEG 分类任务

import mne
from braindecode.models import EEGNetv4
import torch

# 1. 加载 + 预处理
raw = mne.io.read_raw_edf("data.edf")
raw.filter(1, 40)
epochs = mne.Epochs(raw, events, tmin=0, tmax=2)

# 2. ICA 去 artifact
ica = mne.preprocessing.ICA(n_components=20)
ica.fit(raw)
ica.apply(raw)

# 3. 提取数据
X = epochs.get_data()
y = epochs.events[:, -1]

# 4. 训练 EEGNet
model = EEGNetv4(n_chans=22, n_outputs=4, n_times=501)
# ... 训练代码

15 行代码 完成端到端。

十二、评估与对比

标准数据集

• PhysioNet BCI IV 2a（EEG 运动想象）
• CHB-MIT（EEG 癫痫）
• NSD（fMRI 图像）
• NLB / FALCON

标准指标

• Classification accuracy
• R² for continuous
• WER for speech
• Kappa

十三、开源文化

BCI 特殊性

• 硬件高门槛
• 数据隐私
• 但算法可开源

社区

• BCI Society 年会
• NeurIPS / NAT NEURO 论文
• Twitter / 微博 BCI 账号

贡献

• 学生 → 实习 → 工作
• 开源是进入门票

十四、未来

1. BCI × LLM 整合

• 开源 LLM + 开源 BCI
• 神经增强输入研究

2. 实时 AI

• Edge LLM
• ONNX 加速

3. 联邦学习

• 跨医院
• HIPAA 合规

4. 无代码

• 点击即用
• 民主化研究

十五、逻辑链

1. MNE + EEGLAB 是信号处理基础工具。
2. Kilosort 是 spike sorting 标准。
3. Braindecode + NDT + POYO + CEBRA 是深度学习解码器生态。
4. MindEye + DeWave 是脑-图像/语言具体应用。
5. NWB + DANDI 是数据标准 + 仓库。
6. BCI2000 + LSL + OpenBCI 是实时系统。
7. 开源文化 + 教程 + 社区 让 BCI 进入门槛前所未有低。

参考文献

• Gramfort et al. (2013). MEG and EEG data analysis with MNE-Python. Front Neurosci.
• Delorme & Makeig (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics. J Neurosci Methods.
• Pachitariu et al. (2024). Kilosort 4. Nat Methods.
• Schirrmeister et al. (2017). Deep learning with convolutional neural networks for EEG decoding and visualization. Hum Brain Mapp.
• Schneider et al. (2023). Learnable latent embeddings for joint behavioral and neural analysis. Nature.

---

评论