MNE-Python中read_raw_eyelink函数数据读取问题的分析与修复

在MNE-Python项目中，用于处理眼动追踪数据的read_raw_eyelink函数近期被发现存在一个可能导致数据丢失的重要问题。本文将深入分析该问题的成因、影响范围以及解决方案。

问题背景

眼动追踪设备Eyelink在采样率低于1000Hz时，会以毫秒(ms)为单位存储时间戳而非样本编号。当记录包含多个非连续块时，后续记录块的起始时间戳可能与初始块不完全对齐。例如，在500Hz采样率下，初始块可能采样偶数毫秒，而后续块可能采样奇数毫秒。

问题本质

当前实现使用pd.merge_asof()函数来填补缺失的时间样本，但存在两个关键缺陷：

1. 容差设置过小：当前容差仅为采样间隔的1/10（500Hz时为0.2ms），而实际需要的偏移调整可能达到1ms
2. 数据丢失：当时间戳偏移超过容差时，相关样本会被替换为NaN值，导致约50%的数据在非连续/多块记录中丢失

技术细节分析

在500Hz采样率下：

• 采样间隔为2ms（1000ms/500Hz）
• 块间偏移可能达到1ms
• 当前容差0.2ms无法覆盖这种偏移
• 需要将容差提高到至少采样间隔的一半（1ms）才能正确匹配

解决方案

修复方案包含两个关键改进：

1. 调整容差参数：将merge_asof的容差从step/10提高到step/2，确保能覆盖最大可能的块间偏移
2. 优化匹配方向：考虑使用"backward"方向而非"nearest"进行匹配，以保持时间顺序一致性

影响评估

该修复将显著改善以下情况下的数据完整性：

• 多块/非连续记录
• 采样率低于1000Hz的记录
• 存在记录中断或重新开始的情况

对于高采样率(≥1000Hz)记录，由于时间戳本身就是唯一的，因此影响较小。

最佳实践建议

1. 对于眼动数据处理，建议始终检查数据完整性
2. 在处理多块记录时，特别注意时间对齐问题
3. 考虑在预处理阶段添加数据完整性验证步骤

该修复已通过测试验证，能够正确处理各种采样率和记录情况下的时间对齐问题，确保所有有效数据都能被正确读取和处理。