MNE-Python教程：EEG/MEG数据处理中的坏道标记与插值

原创于 2025-06-19 09:13:49 发布 · 333 阅读

CC 4.0 BY-SA版权

MNE-Python教程：EEG/MEG数据处理中的坏道标记与插值

mne-python MNE: Magnetoencephalography (MEG) and Electroencephalography (EEG) in Python 项目地址: https://gitcode.com/gh_mirrors/mn/mne-python

前言

在脑电(EEG)和脑磁图(MEG)研究中，数据质量直接影响分析结果的可靠性。本教程将详细介绍如何在MNE-Python中处理坏道(bad channels)，包括坏道的识别、标记以及插值重建方法。这些技术是EEG/MEG数据预处理的关键步骤，能显著提高后续分析的准确性。

坏道的基本概念

坏道是指由于各种原因（如传感器故障、接触不良等）导致信号质量严重下降的通道。这些通道可能表现为：

完全无信号（平坦线）
噪声水平异常高
信号幅度异常大或小

在MNE-Python中，坏道信息存储在info['bads']列表中，这个列表会随着数据处理流程自动传递到衍生对象中。

数据准备

首先加载示例数据集：

import mne
from copy import deepcopy
import numpy as np

# 加载示例数据
sample_data_folder = mne.datasets.sample.data_path()
sample_data_raw_file = sample_data_folder + "/MEG/sample/sample_audvis_raw.fif"
raw = mne.io.read_raw_fif(sample_data_raw_file, preload=True)

坏道识别与标记

查看已有坏道

print(raw.info['bads'])  # 查看已标记的坏道

可视化检查坏道

通过绘制原始数据来直观检查坏道质量：

# 检查EEG坏道
eeg_picks = mne.pick_channels_regexp(raw.ch_names, regexp='EEG 05.')
raw.plot(order=eeg_picks, n_channels=len(eeg_picks))

# 检查MEG坏道
meg_picks = mne.pick_channels_regexp(raw.ch_names, regexp='MEG 2..3')
raw.plot(order=meg_picks, n_channels=len(meg_picks))

在绘图中，坏道会以浅灰色显示，便于与正常通道区分。

交互式标记坏道

MNE-Python提供了交互式标记坏道的功能：

在绘图窗口中点击通道名称或信号轨迹
通道状态会在"好"和"坏"之间切换
标记结果会实时更新到raw.info['bads']

raw.plot(block=True)  # block=True使脚本暂停，便于交互标记

坏道管理

手动修改坏道列表

# 添加单个坏道
raw.info['bads'].append('EEG 050')

# 添加多个坏道
raw.info['bads'].extend(['EEG 051', 'EEG 052'])

# 移除最后一个坏道
removed_chan = raw.info['bads'].pop(-1)

# 完全替换坏道列表
raw.info['bads'] = ['MEG 2443', 'EEG 053']  # 新坏道列表

坏道对分析的影响

许多MNE-Python函数默认会排除坏道（通过exclude='bads'参数）。如果需要包含坏道，可以显式设置exclude=[]：

# 默认排除坏道
good_eeg = mne.pick_types(raw.info, meg=False, eeg=True)

# 包含所有EEG通道（包括坏道）
all_eeg = mne.pick_types(raw.info, meg=False, eeg=True, exclude=[])

坏道插值

当需要保持所有被试通道数量一致时，可以对坏道进行插值重建。

插值原理

EEG通道：使用球形样条插值法，将传感器位置投影到单位球面上进行插值
MEG通道：使用场映射算法进行插值

实际应用

# 创建EEG数据副本
eeg_data = raw.copy().pick(picks='eeg')

# 执行插值（保留坏道标记以便比较）
eeg_data_interp = eeg_data.copy().interpolate_bads(reset_bads=False)

# 可视化比较
for title, data in zip(['原始数据', '插值后'], [eeg_data, eeg_data_interp]):
    fig = data.plot(butterfly=True, color='#00000022', bad_color='r')
    fig.subplots_adjust(top=0.9)
    fig.suptitle(title, size='xx-large', weight='bold')