一、脑电信号的高级分析：从信号到脑功能 

（一）时频分析：揭示脑电信号的时频特征 

时频分析可以同时描述脑电信号在时间和频率上的变化特征，对于研究脑功能的动态过程具有重要意义。在 Brainstorm 中进行时频分析的步骤如下： 

选择分析数据：在项目管理器中选中需要进行时频分析的 Epoch 数据。 

设置分析参数：点击 “Tools”→“Time-Frequency Analysis”→“Morlet Wavelet”，打开时频分析对话框。

频率范围：根据研究目的设置感兴趣的频率范围，如 α 波（8-13Hz）、β 波（13-30Hz）等。 

时间窗口：设置时间窗口的长度和重叠率，以平衡时间和频率分辨率。

小波参数：选择合适的小波参数，如小波宽度（Q 值），影响频率分辨率。 

执行分析：点击 “OK” 按钮，软件将对数据进行 Morlet 小波变换，生成时频图。 

结果可视化与解读：时频图可以显示不同时间点和频率下的信号能量变化。通过观察时频图，可以发现刺激诱发的能量增强（事件相关去同步，ERD）或减弱（事件相关同步，ERS）现象，从而推断脑区的活动状态。 

（二）功能连接分析：探索脑区之间的信息交互 

功能连接分析用于研究大脑不同区域之间的功能相关性，是理解脑网络机制的重要手段。Brainstorm 支持多种功能连接分析方法，以下以相干性分析为例： 

数据准备：确保数据已经过预处理和分段，并且通道位置信息正确。

选择分析方法：点击 “Tools”→“Functional Connectivity”→“Coherence”，打开相干性分析对话框。 

设置参数： 

频率范围：指定进行相干性分析的频率段。

时间窗口：选择用于计算相干性的时间窗口。

通道对选择：可以手动选择感兴趣的通道对，或进行全脑通道对的分析。

执行分析：软件将计算各通道对在指定频率和时间窗口内的相干性值。

结果可视化：相干性结果可以通过矩阵图、网络连接图等方式可视化。矩阵图显示各通道对之间的相干性值，网络连接图则以节点和边的形式展示脑区之间的功能连接强度和模式。

（三）源定位分析：追溯脑电信号的起源 

源定位分析旨在将头皮记录的脑电信号追溯到大脑内部的神经源，是脑机接口研究中理解脑功能的关键步骤。Brainstorm 提供了丰富的源定位方法，以下介绍基于最小范数估计的源定位： 

MRI 数据准备：导入受试者的 MRI 数据，格式支持 Nifti-1（.nii, .nii.gz）等常见格式。 

头模型构建： 

EEG 头模型：对于 EEG 数据，可选择 Berg's 三层球模型、边界元模型（BEM，使用 OpenMEEG）或有限元模型（FEM，使用 DUNEuro）。 

MEG 头模型：MEG 数据通常使用单球或重叠球模型。 

电极和头形数字化：如果有实际的电极位置和头形数据，可通过 “Digitize the position of the EEG electrodes and the subject's head shape” 功能导入；也可以使用模板电极位置。 

MRI 与头模型配准：通过自动或交互式配准方法，将 MRI 坐标系与 MEG/EEG 坐标系对齐。 

源定位计算：点击 “Tools”→“Source Modeling”→“L2 Minimum-norm current estimates”，选择合适的正则化参数和约束条件（如皮层约束、方向约束等），计算电流源密度。

源结果可视化：源定位结果可以在 3D 皮层表面或 MRI 体积上显示，直观展示脑电信号的起源区域。 

二、基于 Brainstorm 的脑机接口应用实例：运动想象脑电分析 

（一）实验设计与数据采集 

以运动想象脑机接口实验为例，典型的实验设计如下：

实验任务：受试者坐在舒适的椅子上，佩戴 EEG 电极帽，根据屏幕提示进行左手、右手、脚和舌头的运动想象任务。 

实验流程：每个试次开始时，屏幕显示 “准备” 提示，持续 1-2 秒；然后显示目标运动想象提示（如左手），持续 4-6 秒；最后显示休息提示，持续数秒。 

数据采集：使用 EEG 设备采集头皮脑电信号，采样频率通常为 500Hz 或更高，同时记录事件标记（如运动想象开始和结束的时间点）。

（二）Brainstorm 数据分析流程 

数据导入与预处理： 

按照前文所述的方法导入 EEG 数据，并进行伪迹去除、基线校正和分段处理，得到每个运动想象任务的 Epoch 数据。

特征提取： 

时频特征提取：对每个 Epoch 进行时频分析，提取运动想象相关的 ERD/ERS 特征，如在 μ 频段（8-13Hz）和 β 频段（13-30Hz）的能量变化。 

空间特征提取：通过源定位分析，获取与运动想象相关的脑区（如感觉运动皮层）的源活动特征。

分类器训练与测试： 

数据划分：将数据分为训练集和测试集，通常采用交叉验证的方法（如 10 折交叉验证）来评估分类性能。 

特征选择与降维：使用主成分分析（PCA）或线性判别分析（LDA）等方法对特征进行降维，减少特征维度。 

分类器构建：Brainstorm 支持使用支持向量机（SVM）或 LDA 等机器学习方法构建分类器。点击 “Tools”→“Machine Learning”→“Decoding / Multivariate pattern analysis with SVM or LDA”，设置分类器参数并训练模型。

性能评估：使用测试集评估分类器的准确率、召回率、F1 分数等性能指标。 

结果可视化与分析： 

绘制分类结果的混淆矩阵，展示不同运动想象类别的分类准确率。

可视化与分类相关的特征，如时频特征图、源活动分布等，分析脑机接口的工作机制。

三、批量分析与脚本编写：提高数据分析效率 

（一）图形化批量处理工具 

Brainstorm 提供了图形化的批量处理工具，可快速对多个文件或多个受试者的数据执行相同的分析流程：

创建批处理任务：点击 “Tools”→“Batch Processing”→“Create Batch”，打开批处理编辑器。 

添加分析步骤：在批处理编辑器中，通过拖拽的方式添加需要执行的分析步骤，如数据导入、伪迹去除、时频分析等。

设置参数和输入输出：为每个分析步骤设置参数，并指定输入数据和输出结果的路径。

执行批处理：点击 “Run Batch” 按钮，软件将自动对所有指定的数据执行批处理任务。 

（二）脚本编写与自动化分析 

对于更复杂的分析流程或需要重复执行的任务，可通过编写脚本实现自动化分析：

脚本录制：Brainstorm 支持录制用户的操作过程并生成脚本。点击 “Tools”→“Scripting”→“Record Script”，然后在软件中执行需要录制的操作，完成后点击 “Stop Recording”，即可生成对应的 Matlab 脚本。 

手动编写脚本：熟悉 Matlab 编程的用户可手动编写脚本，利用 Brainstorm 的 API 函数实现更灵活的分析功能。Brainstorm 的官方文档提供了详细的 API 函数说明和示例。 

脚本执行：点击 “Tools”→“Scripting”→“Run Script”，选择编写好的脚本文件，即可执行自动化分析。 

四、结果导出与论文发表 

（一）数据与结果导出 

原始数据与中间结果导出：在项目管理器中选中需要导出的数据或结果，点击 “File”→“Export”，选择合适的格式（如 Matlab 矩阵、ASCII 文本等）进行导出。 

可视化结果导出：对于绘制的波形图、频谱图、源定位图等可视化结果，可点击 “View”→“Export Figure”，设置图像格式（如PNG、PDF 等）和分辨率后导出。 

（二）引用 Brainstorm 软件 

在使用 Brainstorm 进行数据分析的研究论文中，需要引用该软件以表明数据来源和分析方法。推荐的引用方式如下： 

期刊论文：Tadel F, Baillet S, Mosher JC, Pantazis D, Leahy RM (2011) Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, vol. 2011, ID 879716. 

同时，也可在论文的方法部分简要描述使用的 Brainstorm 版本和主要分析功能。 

五、资源与社区支持 

（一）官方文档与教程 

在线教程：Brainstorm 官方网站提供了详细的在线教程，涵盖软件的基本操作、数据分析流程和高级功能等内容，可访问Tutorials - Brainstorm获取。

用户手册：软件内置了用户手册，可通过菜单栏中的 “Help”→“User Manual” 查看。 

（二）社区论坛与支持 

社区：NeuroTechX 论坛、BCI 竞赛官网

公众号：BCIduino脑机接口社区

脑电设备技术支持：Weixh_God