mne

MNE - 神经生理学分析

MNE 提供了先进的工具，可用于滤波脑信号、对数据分段，并执行源定位（将信号映射回脑部解剖结构）。

适用场景

• 处理临床或研究中的 EEG/MEG 记录。
• 分析事件相关电位（ERP）。
• 源定位（查找脑信号的来源位置）。
• 分析脑区之间的连接性。
• 为机器学习预处理神经生理数据。

核心原则

原始数据 → 分段 → 诱发响应

标准流程：连续原始数据 → 分段后的数据 → 平均诱发响应。

传感器空间与源空间

传感器空间：电极上的信号。源空间：在脑部位置重建的信号。

频率分析

脑信号按频段进行分析（delta、theta、alpha、beta、gamma）。

快速参考

标准导入

import mne
import numpy as np

基本模式

# 1. Load data
raw = mne.io.read_raw_fif("sample_audvis_raw.fif")
# Or: raw = mne.io.read_raw_edf("eeg.edf")

# 2. Filter and cleaning
raw.filter(l_freq=1, h_freq=40)  # Bandpass filter
raw.notch_filter(freqs=[50, 100]) # Remove power line noise

# 3. Find events and create Epochs
events = mne.find_events(raw)
epochs = mne.Epochs(raw, events, event_id={'stimulus': 1}, tmin=-0.2, tmax=0.5)
epochs.average().plot() # Plot Evoked potential

# 4. Frequency analysis
epochs.compute_psd().plot()

关键规则

✅ 应该做

• 先滤波，再分段 - 对连续数据应用滤波器，而非对分段数据应用。
• 检查数据质量 - 使用 raw.plot() 目视检查伪迹。
• 设置电极布局 - 指定电极位置，以便正确可视化。
• 剔除不良分段 - 平均前移除含有伪迹的分段。

❌ 不应该做

• 不要过度滤波 - 过度滤波会连同噪声一起去除信号。
• 不要忽略参考电极 - EEG 信号是相对的。请了解所用的参考电极。
• 不要混用采样率 - 确保所有通道的采样率相同。

高级模式

源定位

# Compute forward solution and inverse
fwd = mne.make_forward_solution(raw.info, trans, src, bem)
inv = mne.minimum_norm.make_inverse_operator(raw.info, fwd, cov)
stc = mne.minimum_norm.apply_inverse(evoked, inv)
stc.plot()

连接性分析

from mne.connectivity import spectral_connectivity

# Compute connectivity between channels
con, freqs, times, n_epochs, n_tapers = spectral_connectivity(
    epochs, method='coh', mode='multitaper')

MNE 是神经生理数据分析的行业标准，可帮助研究人员从人脑复杂的信号中提取有意义的见解。