DOI: https://doi.org/10.1371/journal.pcbi.1014043
PMID: https://pubmed.ncbi.nlm.nih.gov/41770742
تاريخ النشر: 2026-03-02
المؤلف: D. Yorben Lodema (23277852) وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
يقدم هذا القسم EEG-Pype، وهو تطبيق واجهة مستخدم رسومية مفتوحة المصدر مصمم لتسهيل المعالجة المسبقة لبيانات تخطيط الدماغ الكهربائي (EEG). يعتمد EEG-Pype على إطار عمل MNE-Python، ويعالج التحديات التي يواجهها الباحثون الذين يفتقرون إلى مهارات البرمجة من خلال توفير سير عمل بديهي للتعامل مع بيانات EEG في حالة الراحة. تشمل الميزات الرئيسية تصفية نطاق التردد، وتحليل المكونات المستقلة، وتشكيل الشعاع القائم على الأطلس للتحليل على مستوى المصدر، بالإضافة إلى دعم تنسيقات ملفات الإدخال الخام المختلفة لـ EEG.
يعمل EEG-Pype على تبسيط العمليات اليدوية من خلال الرسوم البيانية التفاعلية، مما يعزز تجربة المستخدم مع السماح بالاختيار اليدوي للقنوات السيئة والفترات الزمنية. يتضمن التطبيق أيضًا وظائف لحفظ وتحميل التكوينات للمعالجة الدفعة، مع الحفاظ على سجل لتحسين القابلية للتكرار. بالإضافة إلى ذلك، يقدم وحدة لحساب مقاييس EEG الكمية، مثل مقاييس الاتصال الطيفي والوظيفي. من خلال خفض حاجز الدخول للمعالجة المسبقة القياسية لـ EEG، يعزز EEG-Pype ممارسات البحث القابلة للتكرار بين علماء الأعصاب والأطباء. البرنامج متاح للتنزيل على https://github.com/yorbenlodema/EEG-Pype ومتوافق مع أنظمة التشغيل المتعددة.
مقدمة
تناقش مقدمة الورقة أهمية تخطيط الدماغ الكهربائي (EEG) كتقنية عصبية فسيولوجية توفر قياسات عالية الدقة لنشاط الدماغ. ومع ذلك، غالبًا ما تكون بيانات EEG الخام ملوثة بمختلف العوامل، مما يتطلب معالجة مسبقة دقيقة لاستخراج الإشارات العصبية ذات الصلة. بينما تعزز أدوات معالجة EEG الحالية مثل EEGLAB وBrainstorm الوصول، فإنها تعتمد على برامج مملوكة، مما يحد من استخدامها. يوفر MNE-Python، وهو بديل مفتوح المصدر، وظائف واسعة ولكنه يتطلب مهارات برمجة، مما يشكل حاجزًا للعديد من المستخدمين المحتملين.
لمعالجة هذه التحديات، يقدم المؤلفون EEG-Pype، وهو خط أنابيب سهل الاستخدام مبني على MNE-Python يهدف إلى تبسيط معالجة بيانات EEG في حالة الراحة. يركز EEG-Pype على سير عمل موحد يسهل اختيار البيانات يدويًا وتحديد القنوات السيئة، مما يعزز جودة التحليلات. يتضمن البرنامج أيضًا تحليل المكونات المستقلة (ICA) لتنظيف البيانات الإضافي ويوفر وحدة منفصلة لحساب مقاييس EEG الكمية (qEEG) بعد المعالجة المسبقة. من خلال تعزيز القابلية للتكرار والشفافية من خلال إطاره المفتوح المصدر، يمثل EEG-Pype تقدمًا كبيرًا في جعل تحليل EEG أكثر وصولاً للباحثين والأطباء. توضح الورقة الأسباب وراء تطوير EEG-Pype وتوضح تطبيقه من خلال دليل خطوة بخطوة.
النتائج
في قسم النتائج، يوضح المؤلفون وظيفة سير عمل EEG-Pype من خلال معالجة قياس EEG في حالة الراحة عينة مكونة من 64 قناة (ملف BioSemi.BDF: EEG-Pype_test_EEG.bdf). يحدد القسم تطبيقًا قابلاً للتكرار، خطوة بخطوة، للخط الأنبوبي، مع تسليط الضوء على المخرجات الرئيسية في كل مرحلة، من تحميل البيانات الخام إلى توليد المقاييس الكمية. تم إكمال المعالجة المسبقة للتسجيل الذي يبلغ حوالي عشر دقائق في حوالي دقيقتين. بالإضافة إلى ذلك، يتوفر فيديو يوضح العملية على صفحة GitHub الخاصة بالمؤلفين (https://github.com/yorbenlodema/EEG-Pype)، مما يوفر مزيدًا من الرؤية حول تطبيق سير العمل.
المناقشة
يناقش القسم تصميم وتنفيذ EEG-Pype، وهو أداة برمجية سهلة الاستخدام تم تطويرها لتبسيط المعالجة المسبقة والتحليل الكمي لبيانات EEG في حالة الراحة. مع التأكيد على أهمية النشاط الدماغي الداخلي، يبرز المؤلفون أن EEG في حالة الراحة يلتقط وظائف دماغية كبيرة وأنماط استهلاك الطاقة. يقدم EEG-Pype خط أنابيب معالجة مسبقة موحد يسهل القابلية للتكرار والاتساق في تحليل EEG، مما يكون مفيدًا بشكل خاص للأطباء والطلاب. يدمج البرنامج خطوات معالجة مسبقة متنوعة، بما في ذلك إزالة العوامل من خلال تحليل المكونات المستقلة (ICA)، واختيار القنوات يدويًا، وتقسيم الفترات الزمنية، وكلها متاحة عبر واجهة مستخدم رسومية (GUI).
يدعم EEG-Pype المعالجة الدفعة لعدة تنسيقات ملفات EEG ويوفر خيارات لمعالجة الإشارات وفحص البيانات. تتيح وحدة التحليل الكمي للمستخدمين حساب مجموعة من مقاييس EEG، مثل كثافة الطاقة الطيفية (PSD)، ومقاييس الانتروبيا، ومؤشرات الاتصال الوظيفي، باستخدام المعالجة المتوازية لتعزيز الكفاءة. بينما ي prioritizes EEG-Pype سهولة الاستخدام والوصول، إلا أن لديه قيودًا، مثل تقليل خيارات التخصيص والتبسيط في أساليب تشكيل الشعاع. بشكل عام، يمثل EEG-Pype تقدمًا كبيرًا في جعل تحليل EEG أكثر وصولاً، وتعزيز ممارسات البيانات FAIR، وتشجيع المساهمات المجتمعية للتطوير المستمر. قد تشمل التحسينات المستقبلية تقنيات إعادة بناء المصدر الأكثر تطورًا وقدرات تحليل كمي موسعة.
DOI: https://doi.org/10.1371/journal.pcbi.1014043
PMID: https://pubmed.ncbi.nlm.nih.gov/41770742
Publication Date: 2026-03-02
Author(s): D. Yorben Lodema (23277852) et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The section presents EEG-Pype, an open-source graphical user interface application designed to facilitate the preprocessing of electroencephalography (EEG) data. Built upon the MNE-Python framework, EEG-Pype addresses the challenges faced by researchers lacking programming skills by providing an intuitive workflow for handling resting-state EEG data. Key features include frequency band filtering, independent component analysis, and atlas-based beamforming for source-level analysis, along with support for various raw EEG input file formats.
EEG-Pype streamlines manual processes through interactive plots, enhancing user experience while allowing for manual selection of bad channels and epochs. The application also includes functionalities for saving and loading configurations for batch processing, maintaining a log for improved reproducibility. Additionally, it offers a module for calculating quantitative EEG measures, such as spectral and functional connectivity metrics. By lowering the entry barrier for standardized EEG preprocessing, EEG-Pype promotes reproducible research practices among neuroscientists and clinicians. The software is available for download at https://github.com/yorbenlodema/EEG-Pype and is compatible with multiple operating systems.
Introduction
The introduction of the paper discusses the significance of Electroencephalography (EEG) as a neurophysiological technique that provides high-resolution measurements of brain activity. However, raw EEG data is often contaminated by various artifacts, necessitating careful preprocessing to extract relevant neural signals. While existing EEG preprocessing tools like EEGLAB and Brainstorm enhance accessibility, they rely on proprietary software, which limits their use. MNE-Python, an open-source alternative, offers extensive functionalities but requires programming skills, posing a barrier for many potential users.
To address these challenges, the authors present EEG-Pype, a user-friendly pipeline built on MNE-Python that aims to streamline the preprocessing of resting-state EEG data. EEG-Pype emphasizes a standardized workflow that facilitates manual data selection and bad-channel identification, thereby enhancing the quality of analyses. The software also incorporates Independent Component Analysis (ICA) for additional data cleaning and provides a separate module for calculating quantitative EEG (qEEG) measures post-preprocessing. By promoting reproducibility and transparency through its open-source framework, EEG-Pype represents a significant advancement in making EEG analysis more accessible to researchers and clinicians. The paper details the rationale behind the development of EEG-Pype and illustrates its application through a step-by-step guide.
Results
In the Results section, the authors demonstrate the functionality of the EEG-Pype workflow by processing a sample 64-channel resting-state EEG measurement (BioSemi.BDF file: EEG-Pype_test_EEG.bdf). The section outlines a reproducible, step-by-step application of the pipeline, highlighting key outputs at each stage, from raw data loading to the generation of quantitative metrics. The complete preprocessing of the approximately ten-minute recording was accomplished in around two minutes. Additionally, a video walkthrough of the process is accessible on the authors’ GitHub page (https://github.com/yorbenlodema/EEG-Pype), providing further insight into the workflow’s application.
Discussion
The section discusses the design and implementation of EEG-Pype, a user-friendly software tool developed to streamline the preprocessing and quantitative analysis of resting-state EEG data. Emphasizing the importance of intrinsic brain activity, the authors highlight that resting-state EEG captures significant brain functions and energy consumption patterns. EEG-Pype offers a standardized preprocessing pipeline that facilitates reproducibility and consistency in EEG analysis, particularly beneficial for clinicians and students. The software integrates various preprocessing steps, including artifact removal through Independent Component Analysis (ICA), manual channel selection, and epoch segmentation, all accessible via a graphical user interface (GUI).
EEG-Pype supports batch processing of multiple EEG file formats and provides options for signal processing and data inspection. The quantitative analysis module allows users to compute a range of EEG metrics, such as Power Spectral Density (PSD), entropy measures, and functional connectivity indices, utilizing parallel processing to enhance efficiency. While EEG-Pype prioritizes ease of use and accessibility, it does have limitations, such as reduced customization options and simplifications in beamforming approaches. Overall, EEG-Pype represents a significant advancement in making EEG analysis more accessible, promoting FAIR data practices, and encouraging community contributions for ongoing development. Future enhancements may include more sophisticated source reconstruction techniques and expanded quantitative analysis capabilities.