4、EEG数据读取与可视化：常用EEG数据格式(.edf, .set, .fif)、MNE-Python库安装与入门、读取原始数据、绘制多通道波形图

说实话，做EEG深度学习的第一步，往往不是搭模型，而是先把数据搞到手、读进来、看清楚。我见过太多同学一上来就调网络，结果数据格式不对、通道名搞混、采样率理解错了——折腾半天全是白费功夫。所以这一章，咱们先把数据读取和可视化这块地基打牢。

4.1 常用EEG数据格式：.edf、.set、.fif

EEG数据格式五花八门，但主流就三种。我这些年接触过的数据集，90%都逃不出这几个格式。

格式	扩展名	典型来源	特点
EDF	.edf / .edf+	医院、公开数据集（如PhysioNet）	最通用，跨平台，但头信息有限
EEGLAB	.set + .fdt	MATLAB用户、EEGLAB工具箱	包含电极位置、事件信息，结构清晰
FIF	.fif	MNE-Python原生格式、MEG/EEG联合采集	信息最完整，但文件较大

.edf格式——说白了就是欧洲数据格式的缩写。我在医院合作项目里经常遇到，优点是几乎所有EEG采集设备都能导出这个格式。但有个坑：它的头文件只支持ASCII字符，中文电极名存进去会乱码。我曾经因为这个排查了半天，后来发现是设备导出的电极名带了个“-Ref”后缀，MNE读进来直接报错。

.set格式——EEGLAB的老用户应该很熟悉。一个.set文件配一个.fdt（二进制数据文件）。我个人习惯用MNE读.set时，记得把两个文件放在同一目录下，不然会提示找不到数据。

.fif格式——这是MNE-Python的亲儿子格式。如果你用MNE做预处理，最后保存成.fif是最稳妥的。它能把电极位置、事件标记、坏道信息全打包进去。嗯，这里要注意：.fif文件通常比较大，一个30分钟的64通道数据，轻松上200MB。

4.2 MNE-Python库安装与入门

MNE-Python是EEG/MEG数据处理的事实标准。我建议你用conda安装，省心。

# 推荐用conda创建独立环境
conda create -n eeg_env python=3.9
conda activate eeg_env

# 安装MNE核心库
conda install -c conda-forge mne

# 如果需要处理.edf，额外装这个
pip install pyedflib

# 可视化增强（我必装）
pip install matplotlib scipy

为什么会推荐conda？因为MNE依赖的numpy、scipy版本比较敏感，用pip装有时候会碰到二进制兼容问题。我在一台新服务器上踩过这个坑，折腾了俩小时才搞定。

装好之后，快速验证一下：

import mne
print(mne.__version__)  # 我目前用的是1.6.0

如果没报错，恭喜你，环境搭好了。

4.3 读取原始数据

不同格式的读取方式略有不同，但MNE统一了接口。咱们一个一个来。

4.3.1 读取.edf文件

import mne

# 读取EDF文件
raw = mne.io.read_raw_edf('sample.edf', preload=True)

# 看一眼基本信息
print(raw.info)
print(raw.ch_names)
print(raw.n_times)  # 总采样点数

preload=True这个参数我建议新手都加上。它会把数据一次性加载到内存，后续操作快很多。如果文件特别大（比如超过2GB），可以设成False，按需读取。

4.3.2 读取.set文件

# 读取EEGLAB格式
raw = mne.io.read_raw_eeglab('sample.set', preload=True)

# 如果电极位置信息没读进来，可以手动加载
montage = mne.channels.make_standard_montage('standard_1020')
raw.set_montage(montage)

这里有个坑：有些.set文件里的电极名是数字编号（比如“1”、“2”），而不是标准名称（比如“Fz”、“Cz”）。我建议你读完后打印raw.ch_names检查一下，如果全是数字，得手动映射。

4.3.3 读取.fif文件

# 读取FIF格式（最省心）
raw = mne.io.read_raw_fif('sample.fif', preload=True)

# FIF格式通常自带电极位置和事件
print(raw.annotations)  # 查看事件标记

FIF格式的好处是信息完整。我一般预处理完数据，最后一步就是保存成.fif：

raw.save('cleaned_raw.fif', overwrite=True)

4.4 绘制多通道波形图

数据读进来了，第一件事就是画图看看。MNE的绘图功能很强大，但参数也多。我挑几个最常用的讲。

4.4.1 基础波形图

# 绘制所有通道的波形
raw.plot(n_channels=10, duration=5.0, scalings='auto')

# 只画特定通道
picks = ['Fz', 'Cz', 'Pz', 'Oz']
raw.plot(picks=picks, duration=10.0)

scaling='auto'会自动调整每个通道的显示幅度。我个人习惯手动设一下，比如脑电通道设成100μV，眼电通道设成500μV，这样看起来更直观。

4.4.2 绘制功率谱密度图

# 绘制功率谱
raw.plot_psd(fmin=0.5, fmax=45.0, picks='eeg')

# 也可以指定频带
raw.plot_psd(fmin=8.0, fmax=12.0, picks='eeg')  # 只看alpha频段

为什么要看功率谱？说白了就是检查数据质量。如果50Hz处有个尖峰，说明工频干扰没滤干净。如果低频段（<1Hz）能量特别高，可能有漂移。我在实际项目中，每次拿到新数据都会先画个PSD图，心里就有数了。

4.4.3 绘制电极位置图

# 绘制电极位置（需要先设置montage）
raw.plot_sensors(show_names=True)

# 3D版（需要安装mayavi或pyvista）
raw.plot_sensors(kind='3d')

电极位置图能帮你快速检查电极是否放对了位置。我曾经遇到过一个数据集，标注的是“标准1020系统”，但画出来一看，Cz跑到额头上了——明显是坐标映射错了。

4.5 本章知识体系

下面这张图总结了本章的核心逻辑，我画成了流程图，方便你对照着看：

好了，数据读进来了，图也画出来了。下一步就是预处理——滤波、去伪迹、分段。但那是下一章的事。先把这章的内容跑通，你就算正式入门了。

---

公众号:蓝海资料掘金营，微信deep3321