MNE-Python中3D球坐标到2D平面坐标的投影转换原理

在脑电信号处理领域，MNE-Python是一个功能强大的开源工具包。其中涉及到一个关键技术点：如何将3D空间中的电极位置投影到2D平面进行可视化。本文将深入解析这一投影转换的数学原理和实现细节。

坐标转换的基本流程

MNE-Python采用的投影转换主要包含以下几个关键步骤：

1. 坐标平移：首先将3D坐标原点移动到球心位置

   locs3d -= sphere[:3]
   

2. 笛卡尔坐标转球坐标：将平移后的3D直角坐标系转换为球坐标系

   cart_coords = _cart_to_sph(locs3d)
   

3. 极坐标转笛卡尔坐标：将球坐标转换为2D平面坐标

   out = _pol_to_cart(cart_coords[:, 1:][:, ::-1])
   

4. 比例缩放：对结果进行比例调整

   out *= cart_coords[:, [0]] / (np.pi / 2.0)
   

5. 坐标还原：将结果平移回原始坐标系

   out += sphere[:2]
   

核心转换函数解析

关键的极坐标到笛卡尔坐标转换函数_pol_to_cart实现了两种转换模式：

1. 二维极坐标转换：

   out[:, 0] = pol[:, 0] * np.cos(pol[:, 1])  # x = r*cosθ
   out[:, 1] = pol[:, 0] * np.sin(pol[:, 1])  # y = r*sinθ
   

2. 三维球坐标转换：

   d = pol[:, 0] * np.sin(pol[:, 2])         # 径向距离在xy平面的投影
   out[:, 0] = d * np.cos(pol[:, 1])         # x = d*cosθ
   out[:, 1] = d * np.sin(pol[:, 1])         # y = d*sinθ
   

投影原理的数学基础

这种投影方式类似于方位角等距投影，具有以下特点：

1. 保持了从中心点到任何其他点的距离比例
2. 方位角（角度）信息被准确保留
3. 通过π/2的归一化因子，确保投影结果在合理范围内

比例缩放步骤out *= cart_coords[:, [0]] / (np.pi / 2.0)的数学意义是：

• 将径向距离按π/2进行归一化
• 保持投影后的坐标值与原始球面距离的比例关系

实际应用考虑

在脑电数据处理中，这种投影方式特别适合：

1. 保持电极间的相对位置关系
2. 便于可视化分析电极的空间分布
3. 为后续的拓扑图分析提供基础

相比简单的xy平面投影，这种球面投影能更好地保持电极间的几何关系，减少远距离电极的形变。

总结

MNE-Python采用的这种3D到2D的投影转换方法，通过巧妙的坐标转换和比例调整，实现了脑电电极位置信息的有效可视化。理解这一转换过程对于正确解读脑电拓扑图和分析电极空间关系具有重要意义。该方法的数学严谨性和实用性使其成为脑电信号处理中的标准技术之一。