MNE-Python脑电/脑磁数据处理全流程指南

概述

本文全面介绍使用MNE-Python进行脑电(EEG)和脑磁(MEG)数据分析的标准工作流程，从原始数据预处理到最终的源定位分析。MNE-Python是一个功能强大的开源工具包，专门用于处理和分析神经电生理数据。

数据处理流程概览

完整的MNE分析流程可分为以下几个主要阶段：

1. 数据预处理
2. 事件提取与分段
3. 源空间建模
4. 正向计算
5. 逆问题求解
6. 结果可视化与组分析

数据预处理

标记坏通道

在MEG/EEG数据中，某些通道可能由于各种原因无法正常工作。这些坏通道需要在分析前被标记和排除：

raw.info['bads'] = ['MEG2443', 'EEG053']

识别坏通道的推荐方法包括：

• 记录数据采集时观察到的异常通道
• 检查在线平均数据质量
• 计算初步离线平均数据
• 可视化原始数据(raw.plot())

注意：强烈建议在原始数据文件中标记坏通道，这些标记会自动传递到后续处理阶段。

伪迹抑制

信号空间投影(SSP)

SSP是一种基于空间分布的噪声消除方法，特别适合消除外部干扰。MNE提供了计算ECG和EOG伪迹投影的函数：

projs_ecg = compute_proj_ecg(raw)
projs_eog = compute_proj_eog(raw)

独立成分分析(ICA)

ICA能有效分离非高斯分布的生物伪迹(如眨眼、心电等)。MNE提供了完整的ICA实现：

ica = ICA(n_components=0.95)
ica.fit(raw)
ica.exclude = [0, 1]  # 标记要排除的成分

数据分段与诱发响应

事件提取与分段

首先需要从原始数据中提取事件：

events = mne.find_events(raw)

然后创建分段数据：

epochs = mne.Epochs(raw, events, event_id=1, tmin=-0.2, tmax=0.5,
                    baseline=(None, 0), reject=reject_dict)

诱发响应计算

分段数据可平均得到诱发响应：

evoked = epochs.average()

源定位分析

解剖数据处理

FreeSurfer表面重建

源定位需要被试的MRI解剖数据经过FreeSurfer处理，生成各种表面重建。

源空间设置

创建源空间网格：

src = mne.setup_source_space('sample', spacing='oct6')

不同网格间距选项：

参数	每半球源数	源间距(mm)	每个源表面积(mm²)
'oct5'	1026	9.9	97
'ico4'	2562	6.2	39
'oct6'	4098	4.9	24
'ico5'	10242	3.1	9.8

边界元模型(BEM)

创建BEM模型：

model = mne.make_bem_model('sample')
bem_sol = mne.make_bem_solution(model)

坐标系统对齐

确保MEG/EEG和MRI坐标系统正确对齐至关重要：

trans = mne.gui.coregistration()

正向计算

计算正向解：

fwd = mne.make_forward_solution(raw.info, trans, src, bem_sol)

噪声协方差矩阵

计算噪声协方差矩阵：

cov = mne.compute_covariance(epochs)

逆算子计算

创建逆算子：

inv = mne.minimum_norm.make_inverse_operator(raw.info, fwd, cov, loose=0.2)

源估计计算

应用逆算子：

stc = mne.minimum_norm.apply_inverse(evoked, inv, lambda2=1./9.)

组分析

将个体源估计映射到公共空间(如fsaverage)：

morph = mne.compute_source_morph(stc, subject_from='sample', subject_to='fsaverage')
stc_fsaverage = morph.apply(stc)

总结

本文详细介绍了使用MNE-Python处理MEG/EEG数据的完整流程。从原始数据预处理到源定位分析，MNE-Python提供了一套完整的工具链，使神经科学家能够高效地进行脑电/脑磁数据分析。掌握这一流程对于开展高水平的神经科学研究至关重要。