MNE-Python频谱分析功能升级：支持复数系数输出

在脑电信号处理领域，时频分析是研究大脑活动的重要工具。MNE-Python作为领先的脑电/脑磁信号处理工具包，近期对其频谱分析功能进行了重要升级，使Spectrum对象能够支持复数系数输出。

背景与需求

传统的功率谱密度(PSD)分析通常只关注信号的幅度信息，而忽略了相位信息。然而，在脑功能连接性分析等应用中，复数形式的频谱数据（同时包含幅度和相位）对于研究不同脑区之间的相互作用至关重要。

在MNE-Python的先前版本中，TFR（时频表示）对象已经支持复数输出，但Spectrum对象在调用compute_psd方法时，如果设置output="complex"参数会抛出错误。这种不一致性限制了用户在频谱分析中的灵活性。

技术实现

本次升级主要涉及以下几个方面：

1. 移除复数输出限制：删除了Spectrum类中对output="complex"参数的限制，使其与TFR类保持一致性。

2. 数值检查优化：改进了_check_values()方法，使其能够正确处理复数类型的频谱数据。

3. 计算流程调整：在_compute_spectra()方法中，增加了对复数输出的支持，确保PSD计算函数能够返回复数结果。

4. 可视化支持：借鉴TFR类的实现，为复数频谱数据提供了适当的可视化处理方法。

5. 多锥度方法增强：在复数输出模式下，增加了对权重参数的存储支持，完善了多锥度分析功能。

应用价值

这一改进为脑电信号分析带来了显著优势：

• 更完整的频谱信息：研究人员现在可以获取包含相位信息的完整复数频谱，为功能连接性分析等应用提供更丰富的数据基础。

• 分析流程简化：用户可以直接将复数形式的频谱数据传递给连接性估计函数，减少了数据转换的中间步骤。

• 一致性提升：使Spectrum和TFR两类对象在复数输出支持上保持一致，降低了学习成本和使用复杂度。

技术细节

在实现上，开发团队特别注意了以下几点：

1. 复数数据的存储效率，确保不会显著增加内存占用。

2. 向后兼容性，现有代码无需修改即可继续使用实数输出模式。

3. 错误处理机制，当复数运算出现异常时能够提供清晰的错误提示。

这一改进体现了MNE-Python项目对用户需求的快速响应能力，也展示了其在脑电信号处理领域的持续创新。随着这一功能的加入，研究人员在进行复杂脑网络分析时将拥有更强大的工具支持。