人工智能与神经技术的融合从根本上改变了我们处理脑机接口（BCI）开发的方式。从过滤嘈杂的 EEG 数据到解码复杂的神经脉冲序列，现代大语言模型（LLMs）充当了神经技术工程师的力量倍增器，加速了从原始信号到可操作见解的进程。
以下提示词已针对所有主流 AI 架构（包括 ChatGPT、Gemini、Claude 和 DeepSeek）进行了严格测试和优化。虽然每个模型都有独特的架构优势——DeepSeek 通常擅长逻辑密集的优化，Gemini 擅长长上下文综合，而 Claude 擅长技术细节——但这十个提示词为任何从事神经数据流水线开发的工程师提供了通用且坚实的基础。
1. 自动化 EEG 伪影剔除策略
最适用模型： DeepSeek（因其强大的逻辑和算法推理能力）
过滤掉眼动和肌肉伪影是 BCI 数据处理的关键第一步。此提示词强制 AI 不仅仅是建议过滤器，而是基于独立成分分析（ICA）构建一个稳健的剔除策略。
请担任资深信号处理工程师。我正在处理受 EOG（眨眼）和 EMG（肌肉运动）伪影污染的原始 EEG 数据。
请设计一个基于 MNE-Python 库的 Python 策略，以实现：
1. 应用带通滤波器（1-40Hz）。
2. 实施独立成分分析（ICA）以识别伪影成分。
3. 定义我应该使用的特定统计阈值（例如 z-score），以便自动标记并排除这些伪影成分，同时不移除相关的神经特征。
4. 提供自动剔除循环的代码片段。
收益： 它超越了简单的频率滤波，建立了一种自动化的统计方法来清洗数据，显著减少了手动预处理的时间。
2. 运动想象的特征提取
最适用模型： ChatGPT（擅长生成标准的样板代码和库实现）
运动想象任务需要提取特定的频谱功率特征（如 Mu 和 Beta 节律）。此提示词生成了隔离这些特征用于下游分类所需的精确代码结构。
我正在为一个运动想象任务（左手 vs 右手运动）构建 BCI 流水线。请使用 SciPy 和 NumPy 编写一个 Python 脚本来提取功率谱密度（PSD）特征。
脚本必须：
1. 使用 Welch 方法计算 PSD。
2. 特别隔离 Mu 频段（8-12 Hz）和 Beta 频段（13-30 Hz）的平均功率。
3. 将输出结构化为适合输入到 Scikit-Learn 分类器的特征向量。
4. 包含解释所选窗口大小和重叠参数的注释。
收益： 加速特征提取模块的创建，确保为模型训练准确地隔离出数学上正确的频段。
3. 优化实时数据缓冲
最适用模型： DeepSeek（在代码优化和降低延迟方面表现强劲）
延迟是实时 BCI 的敌人。此提示词专注于环形缓冲区管理，以确保数据从采集硬件顺畅流向处理单元，且无内存泄漏或延迟。
请回顾一个用于实时 BCI 应用的环形缓冲区概念，该应用以 500Hz 的频率流式传输 32 个通道的数据。
编写一个高性能的 C++ 类实现（或使用 NumPy views 的高度优化 Python 等效方案），实现一个具有以下功能的环形缓冲区：
1. 高效处理传入的数据块。
2. 允许检索用于滑动窗口处理的“回溯”窗口。
3. 最小化内存拷贝操作以降低延迟。
4. 解释此实现在数据采集和处理发生在不同线程时如何避免竞态条件。
收益： 提供了一种低延迟的架构模式，这对于毫秒级定时精度不容妥协的闭环系统至关重要。
4. 神经脉冲分选逻辑
最适用模型： Claude（能很好地处理复杂的技术解释和细致的代码逻辑）
对于侵入式 BCI 来说，区分单个单元的活动非常困难。此提示词利用 AI 概述了一种聚类方法，用于从原始细胞外记录中分选脉冲。
我正在处理细胞外记录，需要进行脉冲分选（spike sorting）。请概述一个使用 K-Means 聚类算法和主成分分析（PCA）的完整工作流。
你的回答应：
1. 解释预处理步骤（阈值检测）。
2. 提供一个提取阈值交叉点周围波形的 Python 代码片段。
3. 应用 PCA 降低波形的维度。
4. 使用 K-Means 对脉冲进行聚类，并将它们分配给不同的神经元。
5. 讨论关于重叠脉冲的潜在陷阱。
收益： 明确了分离神经源的数学流水线，为将原始电压迹线转换为离散神经事件提供了清晰的模板。
5. 解读 LFP 相位-振幅耦合
最适用模型： Gemini（擅长将复杂的理论概念综合为实际分析）
相位-振幅耦合（PAC）是理解大脑状态通信的高级指标。此提示词引导 AI 实现调制指数（Modulation Index）方法。
我需要分析局部场电位（LFPs），以检测 Theta 相位和 Gamma 振幅之间的相位-振幅耦合（PAC）。
生成一个 Python 函数：
1. 使用希尔伯特变换（Hilbert transform）获取解析信号，将信号过滤为 Theta（4-8 Hz）和 Gamma（30-80 Hz）频段。
2. 提取 Theta 的瞬时相位和 Gamma 的振幅包络。
3. 计算调制指数（MI）以量化耦合强度。
4. 建议一种可视化方法（如 Comodulogram）来显示结果。
收益： 将复杂的信号处理理论转化为可执行函数，实现对跨频率神经交互的高级分析。
6. 设计共空间模式 (CSP) 滤波器
最适用模型： DeepSeek（对数学算法和矩阵运算非常有效）
CSP 是 EEG 空间滤波的金标准。此提示词确保数学实现正确，以最大化两类信号之间的方差。
请担任专注于 BCI 的机器学习工程师。我需要一个在 Python 中从头开始实现的共空间模式（CSP）算法，以最大化 A 类和 B 类之间的方差比。
请提供：
1. 简要的数学推导步骤（协方差矩阵计算）。
2. 求解广义特征值分解问题的代码。
3. 一个将原始 EEG 试验数据投影到 CSP 空间的函数。
4. 关于如何选择空间滤波器数量的解释。
收益： 通过提供原始实现，揭示了库函数的“黑箱”，允许开发者针对特定硬件配置调试和自定义空间滤波器。
7. 合成 BCI 训练数据
最适用模型： Gemini（具有强大的生成能力，可创建现实的数据场景）
数据匮乏是 BCI 领域的一个主要问题。此提示词利用 AI 生成合成数据集，以便在人体试验开始前对流水线进行压力测试。
我需要对我的信号处理流水线进行压力测试，但缺乏足够的患者数据。请编写一个 Python 脚本来创建一个合成 EEG 数据集。
该脚本应：
1. 模拟具有 1/f 光谱特征（粉红噪声）的 64 通道噪声。
2. 在枕叶通道（O1, O2）中注入合成的 10Hz Alpha 正弦波。
3. 在额叶通道（Fp1, Fp2）中随机注入类似于眨眼的高振幅伪影。
4. 以标准格式（如 .mne 或 numpy 数组）输出数据，以便流水线摄取。
收益： 无需立即使用人类受试者或硬件设置，即可实现流水线的快速原型设计和鲁棒性测试。
8. P300 拼写器分类流水线
最适用模型： ChatGPT（非常适合端到端工作流生成）
P300 拼写器是经典的 BCI 范式。此提示词要求提供完整的分类链，从数据分段到决策制定。
请为一个 P300 事件相关电位（ERP）拼写器范式设计一个分类流水线。
概述分步过程，并提供伪代码或 Python 代码：
1. 在刺激出现前后 -100ms 到 800ms 处进行数据分段（Epoching）。
2. 基线校正。
3. 下采样和特征向量扁平化。
4. 训练一个线性判别分析（LDA）分类器（建议使用收缩正则化/shrinkage regularization）。
5. 一个根据行和列中最高的分类器得分进行字符选择的逻辑块。
收益： 为可运行的 BCI 应用提供了全面的蓝图，弥合了信号处理和用户界面逻辑之间的差距。
9. 异步 BCI 状态检测
最适用模型： Claude（擅长处理逻辑流和状态机定义）
与同步 BCI 不同，异步系统必须决定用户何时打算行动。此提示词解决了“大脑开关”逻辑。
我正在开发一个异步“大脑开关”BCI，它需要连续区分“有意控制”（IC）和“非控制”（NC）状态。
提出一个检测框架，要求：
1. 使用滑动窗口方法连续计算特征。
2. 实施“停顿时间”或证据积累阈值，以防止瞬时噪声引起误报。
3. 包含成功触发后的不应期逻辑。
4. 编写此状态机的逻辑流。
收益： 通过定义稳健的状态机逻辑，解决了自发式 BCI 中误报这一关键的可用性挑战。
10. 神经数据无国界 (NWB) 转换
最适用模型： Gemini（精通处理复杂的文件格式和数据标准）
标准化是协作的关键。此提示词有助于将专有数据格式转换为开放的 NWB 标准。
我有一个包含神经记录和行为时间戳的自定义 HDF5 文件。我需要将其转换为神经数据无国界（NWB）格式。
使用 PyNWB 库编写一个 Python 脚本来：
1. 使用所需的元数据（会话开始时间、标识符）初始化一个 NWBFile。
2. 为原始电压数据创建一个 TimeSeries 对象。
3. 为 LFP 数据添加一个处理模块。
4. 对齐并添加行为事件（试验开始/停止）作为 Epochs 表。
收益： 确保数据的互操作性和长期存档合规性，这是许多现代学术和工业神经技术项目的要求。
专业建议：上下文提示词链式调用
为了充分利用这些提示词，请使用迭代链式调用。不要停留在第一个代码块。如果 DeepSeek 提供了一个滤波器设计，请立即跟进：“现在，重写此代码以通过 CuPy 利用 GPU 加速” 或 “模拟当信噪比下降 50% 时该滤波器的表现。” 通过将一个提示词的输出喂入下一个提示词的上下文，你可以将代码从简单的片段演进为生产就绪的模块。
理论神经科学与实际部署的神经技术之间的差距正在迅速缩小。通过利用这些 AI 提示词，你不仅是在更快地编写代码，更是在标准化信号处理和数据解析的方法。专注于理解所分析信号的生物学基础，让 AI 处理矩阵代数和语法等繁重工作。