神经科学正处于由计算工具驱动的方法学革命之中。随着多电极阵列记录、高场强功能性磁共振成像（fMRI）、光遗传学与钙成像等技术的普及，神经科学家面临的数据规模与复杂度已远超传统分析方法的能力边界。2026年初，该领域呈现出三大核心趋势：AI基础模型与神经科学的双向赋能——大规模人工智能模型不仅被用于分析神经数据，神经科学原理也反过来启发更高效的AI架构设计；图神经网络在脑网络分析中的主导地位的确立——图神经网络（GNN）已成为fMRI功能连接分析的标准工具，覆盖从疾病预测到认知状态解码的多元任务；工具生态的平台化整合——从脑磁图/脑电图分析的Brainstorm到神经元数据处理的Elephant，专业工具正形成围绕EBRAINS等基础设施的协作生态。本综述以计算神经科学的工具谱系为主线，系统梳理神经信息学基础平台、脑磁/脑电分析、神经行为追踪、神经反馈治疗及成像转录组学等核心领域的工具现状与发展趋势，为研究者提供系统化的工具选择框架。

关键词：神经科学工具；Brainstorm；Elephant；图神经网络；神经反馈；成像转录组学

1 引言：计算神经科学的工具革命

神经科学正在经历一场深刻的变革。十年前，一个典型的神经科学实验室可能依赖少数几台示波器和离线分析软件进行数据采集与分析。如今，同一个实验室可能同时使用高密度Neuropixels探针记录数百个神经元的发放、通过钙成像追踪小鼠全脑的神经活动、并以光遗传学手段实时干预神经回路。这种技术能力的跃升带来了一个核心挑战：数据生成速度远超分析能力的提升。

一台Neuropixels探针单次植入可记录数百个通道的神经信号，每小时生成GB级数据；一次fMRI扫描产生数万个体素的时序信号；一个高通量行为记录系统可同时追踪多只动物的精细动作。面对这样的数据规模，传统的“手动圈选+Excel统计”模式已完全失效。神经科学研究的竞争力，正越来越多地取决于研究者能否有效利用计算工具——从数据预处理、特征提取到统计建模和机器学习——将原始信号转化为生物学洞见。

与此同时，神经科学本身也在反哺计算工具的发展。大脑在能耗、鲁棒性和学习效率上的卓越表现，正启发着新一代人工智能架构的设计。这种双向赋能关系——神经科学为AI提供生物学约束，AI为神经科学提供分析工具——正成为当前领域最激动人心的特征之一。

本综述旨在为神经科学研究者和跨领域学习者提供一个系统化的工具导航。我们将以分析任务为导向，梳理主流工具的分类体系、适用场景和局限性，并聚焦于五项核心议题：神经信息学基础设施（EBRAINS、NWB等生态系统）、脑磁/脑电分析工具（Brainstorm系列教程体系）、神经行为追踪技术（Bonsai等开源框架）、神经反馈与脑机接口（BCI）软件（从临床系统到开源SDK），以及成像转录组学平台（Allen Brain Atlas等）。最后，我们展望AI基础模型与扩展现实技术如何进一步重塑神经科学的研究范式。

2 神经信息学基础：EBRAINS与NWB生态系统

2.1 EBRAINS：欧洲脑科学数字基础设施

神经科学研究长期面临一个系统性问题：不同实验室、不同设备、不同软件生成的数据格式各异，难以共享与复现。为解决这一困境，欧盟人脑计划（HBP）孵化了EBRAINS——一个开放的、分布式的研究基础设施，为神经科学家提供数据存储、计算资源、工具集成和协作空间的一站式服务。

EBRAINS的核心组件包括：

• 知识图谱（Knowledge Graph）：整合神经科学文献、数据集、模型和工具的元数据，支持语义检索与关联发现
• 协作空间（Collaboratory）：提供云端Jupyter Notebook环境，研究者可直接运行分析流程，无需本地配置
• 脑图谱（Brain Atlas）：多层级、多尺度的脑结构参考框架，支持跨物种的数据注册与比较
• 仿真平台：集成NEST（脉冲神经网络仿真）、TVB（全脑动力学建模）等计算神经科学工具

对于工具使用者而言，EBRAINS最重要的价值在于降低了入门门槛。通过Collaboratory的Jupyter服务，研究者可在浏览器中直接运行复杂的分析代码，无需自行配置Python环境或管理依赖冲突。这对于计算资源有限或编程经验不足的实验室尤为重要。

2.2 NWB：神经数据格式的事实标准

神经数据的异质性长期困扰着工具开发者。一个支持Axona记录系统的分析工具，未必能读取Blackrock或Intan的数据。为解决这一“格式巴别塔”问题，Neurodata Without Borders（NWB）项目应运而生。

NWB定义了一种统一的、基于HDF5的神经数据存储格式，核心特征包括：

• 自描述性：数据文件包含元数据（电极位置、采样率、实验条件等），无需额外文档即可理解数据结构
• 可扩展性：支持用户自定义的扩展命名空间，适应新兴实验技术
• 与开源生态的集成：Matlab、Python（PyNWB）和Julia客户端均可用

NWB格式的普及正在改变神经科学的数据共享文化。越来越多的期刊要求投稿者以NWB格式提交神经数据，而EBRAINS、DANDI Archive等基础设施也已将NWB作为标准存储格式。

2.3 Elephant：神经元数据分析的Python生态

在NWB格式之上，大量的分析算法被封装为可复用的软件库。Elephant（Electrophysiology Analysis Toolkit）是其中覆盖面最广的Python库之一。

Elephant的设计哲学是“模块化”和“可组合性”——它不提供“一键式”的完整分析流水线，而是提供一系列经过单元测试的、可互操作的函数，供用户按需组合。其功能覆盖：

• 锋电位分析：速率曲线、ISI分布、锋电位序列的统计建模（如广义线性模型）
• 局部场电位处理：功率谱估计、时频分析、相位-幅度耦合
• 尖波-波纹检测：海马局部场电位中特征性高频振荡事件的识别
• 相关性与同步性：互相关、联合锋电位、尖峰场相干性
• 替代数据生成：用于统计检验的空模型构建（随机化锋电位时间、锋电位洗牌等）

Elephant的力量来自其底层依赖的Neo库——提供了统一的神经数据表示和文件I/O接口。研究者可使用相同的代码读取不同格式的数据（Blackrock、Neuralynx、Plexon等），并将这些数据输入到Elephant的分析函数中。

2026年，Elephant团队提供了系统的教程体系，涵盖从LFP功率谱分析到锋电位间统计依赖性的多维度内容，所有教程基于Jupyter Notebook交付，支持在EBRAINS云端或本地执行。

3 脑磁/脑电分析：Brainstorm的教程体系

脑磁图（MEG）和脑电图（EEG）是神经科学研究中最常用的非侵入性记录技术。其数据分析的核心挑战包括：信号源定位（从头皮电位推断皮层活动）、伪迹去除（眼动、心跳、肌电等生物信号的污染）以及功能连接的时频表征。

Brainstorm是这一领域最成熟的软件平台之一，提供完整的MEG/EEG分析流程——从原始数据导入到源重建的统计可视化。与Elephant不同，Brainstorm以图形用户界面为核心，更适合不习惯命令行的医学和心理学背景研究者。

EBRAINS平台提供了Brainstorm的系统教程，涵盖以下层次：

初学者教程：

• 创建新协议与项目、导入MRI解剖数据、配准头模型
• 在MRI查看器中定位解剖标志点，验证配准精度并通过脑图谱获取MNI坐标

中级教程：

• 事件标记的处理和连续记录的切分（用于实验范式设计）
• 多窗口数据查看与人工伪迹剔除
• 通道文件管理及MRI-PET等模态的联合配准