Python处理脑电数据：MNE快速入门教程，面向脑科学研究与脑机接口应用的实用指南

1. 环境搭建与安装

Python环境与MNE安装

虚拟环境 是确保脑电数据分析可重复性与依赖隔离的关键步骤，推荐使用 Conda 或 venv 创建一个独立的工作环境，避免与系统全局包冲突。

在Python环境就绪后，使用 MNE-Python 作为核心库，搭配 NumPy、SciPy、以及 pandas 等依赖库实现高效的数据处理与分析。下面给出常用的安装方式，直接参考即可快速落地。

# 使用 conda 创建并激活环境
conda create -n mne python=3.10
conda activate mne

# 安装 MNE-Python（主流方式）
pip install mne

# 也可通过 conda-forge 安装以获取最新依赖
conda install -c conda-forge mne

安装完成后，进行一次简单的验证，确保MNE-Python 已就绪并可调用，避免后续因环境问题中断分析流程。

import mne
print(mne.__version__)

2. 加载与浏览脑电数据

原始数据读取与检查

在脑科学研究与脑机接口应用中，脑电原始数据的格式多样，常见的有 EDF/BDF、EEG/EDF、以及 FIF 等。正确读取原始数据并快速查看通道信息，是后续分析的基础。

读取后应关注系统致敬的元数据，例如通道名称、采样率、阻抗信息等，这些都直接影响到后续的滤波和事件相关分析。

import mne
# 读取常见的 EDF/EDF+. 数据
raw = mne.io.read_raw_edf('subject01.edf', preload=True)

# 查看数据头信息，快速了解采样率、通道列表等
print(raw.info)

# 简单绘制前几秒钟数据，快速检查信号质量
raw.plot(n_channels=20, duration=5, scalings='auto')

3. 预处理与去伪迹

滤波与独立成分分析(ICA)

为了提升信噪比，需要对脑电信号进行 带通滤波、陷波滤波 等处理，并通过 ICA 去除眨眼、肌肉等伪迹的成分。1–40 Hz 的带通常用于鎏定典型的事件相关分析，若数据中存在 50/60 Hz 工频伪迹，可使用 notch_filter 进行频率抑制。

ICA 的关键在于组件的识别与排除，通常结合经验和\n顶板电极的相关性来挑选需要排除的成分，最后将清洗后的数据再进行应用。下方给出一个典型的流程示例。

# 带通滤波与陷波
raw_filtered = raw.copy().filter(1.0, 40.0, fir_design='firwin')
raw_filtered.notch_filter(freqs=[50], filter_length='auto', method='spectrum_fit')

# ICA 去伪迹（肌电、眨眼等）
from mne.preprocessing import ICA
ica = ICA(n_components=0.95, random_state=97, max_iter=500)
ica.fit(raw_filtered)

# 查看 ICA 成分，手动或自动选择需要排除的成分
ica.plot_components()
# 通过可视化或自动判定将不需要的成分排除
ica.exclude = [0, 1, 3]
raw_clean = raw_filtered.copy()
ica.apply(raw_clean)

完成上述处理后，建议再次检查数据质量，例如重新绘制时序、查看通道信号分布，以及对照原始数据确认伪迹的显著下降。

# 验证清洗后的数据
raw_clean.plot(n_channels=20, duration=5, scalings='auto')

4. 事件相关分析与ERP

事件标注、分段与ERP绘制

在脑电研究中，事件相关电位(ERP/ERF)分析依赖于对事件的准确标注与对齐。通过读取事件信息并按事件类型分段，可以生成时间锁定的分段数据（epochs），进而计算平均波形或进行统计比较。

典型的工作流包括：从原始数据提取事件、定义事件 ID、创建 Epochs、计算 Evoked（ERP/ERF）以及绘制拓扑图与时间-频率矩阵。下列示例展示了完整流程。

# 读取经过清洗的原始数据
# 事件信息通常来自刺激通道（如 STI 014）或注释
events = mne.find_events(raw_clean, stim_channel='STI 014')

# 定义事件标识，如左刺激、右刺激等
event_id = {'left': 1, 'right': 2}

# 生成事件相关的分段数据（Epochs）
epochs = mne.Epochs(raw_clean, events, event_id=event_id, tmin=-0.2, tmax=0.5, baseline=(None, 0))

# 计算并绘制左刺激的ERP
evoked_left = epochs['left'].average()
evoked_left.plot(show=True)

# 绘制头皮拓扑图以查看 ERP 的空间分布
evoked_left.plot_topomap(times=[0.08, 0.16, 0.25])

除了单个条件的 ERP 外，还可以进行两组条件的统计对比，或在不同脑区上对 ERP 成分进行聚焦分析。强烈推荐结合 顶帽分布、以及 时序对齐来提升解释力。

# 另一种常见的分析：绘制事件相关的平均波形并比较两组
evoked_right = epochs['right'].average()
evoked_right.plot()

# 直接对比两个条件的差分 ERP
difference = mne.combine_evoked([evoked_right, evoked_left], weights=[1, -1])
difference.plot()

5. 时频分析与脑机接口应用

时频分析与解码示例

除了时间域的 ERP 外，脑电信号在不同频带的振荡也承载丰富的信息。通过 时频分析，可获得频率-时间域的能量分布，进而用于解码任务、脑机接口（BCI）应用和认知状态推断。

常用的方法包括 Morlet 小波变换、多粒度的时频分析，以及对 epoch/单次试验进行群体层面的统计。下面给出一个简化的时频分析示例，以及一个基于提取特征的解码示例。

# 时频分析：对每个 Epoch 计算 Morlet 小波的时频表示
import numpy as np
from mne.time_frequency import tfr_morlet

freqs = np.arange(6, 30, 2)
n_cycles = freqs / 2.0
power = tfr_morlet(epochs, freqs=freqs, n_cycles=n_cycles, return_itc=False, average=True)

# 将结果绘制为频率-时间图
power.plot([0], mode='logratio', title='Average Morlet power')

在脑机接口应用中，常将时频特征用于分类模型，例如基于频带功率的简单线性分类器，或使用更复杂的时序模型。下面给出一个基于 Scikit-Learn 的解码流程，结合标准化、交叉验证与线性分类器实现口令识别或任务识别。

import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score

# 将时频特征展平为样本-特征矩阵
X = power.data  # 形状可能为 (n_epochs, n_channels, n_freqs, n_times)
X = X.reshape(len(epochs), -1)

# 标签：以事件类型为类别
y = epochs.events[:, -1]

clf = Pipeline([('scaler', StandardScaler()), ('clf', LogisticRegression(max_iter=1000))])
scores = cross_val_score(clf, X, y, cv=5)

print('Cross-validated accuracy:', scores.mean())

6. 数据导出与共享

保存结果与数据格式

为确保分析结果的可重现性与后续复用，建议将原始数据、处理后的数据以及结果以标准化格式保存到磁盘。FIF、EDF、以及 FIF 是常用的脑电数据封装格式，MNE 提供了丰富的保存接口。

同时，将处理后的 ERP、时频矩阵以及解码模型导出为通用格式，提升跨研究、跨平台的可重现性与协作效率。

# 保存处理后的原始数据与分段数据
raw_clean.save('subject01-raw-clean.fif', overwrite=True)
epochs.save('subject01-epo.fif')
evoked_left.save('subject01-ave-left-erp.fif')
evoked_right = epochs['right'].average()
evoked_right.save('subject01-ave-right-erp.fif')

# 导出一个简单的 CSV 版本的 ERP 数据，便于共享和再分析
import numpy as np
np.savetxt('erp-left.csv', evoked_left.data, delimiter=',')
np.savetxt('erp-right.csv', evoked_right.data, delimiter=',')