第3章 MNE-Python入门

第3章：MNE-Python入门：Raw数据结构、读取EDF/CNT/BDF文件、基础可视化

好，咱们进入实战环节了。前面两章把信号处理的基础理论过了一遍，现在该上手真家伙了。这一章，我带你搞定MNE-Python这个神经信号处理的瑞士军刀。说白了，它就是Python生态里处理脑电/脑磁数据的事实标准。你想想看，没有它之前，大家读个EDF文件都得自己写解析器，那叫一个痛苦。

3.1 Raw数据结构：MNE的核心

MNE里最核心的数据结构就是Raw对象。它长什么样呢？我习惯把它想象成一个“带时间戳的矩阵”。

Raw对象内部存储：

数据矩阵：形状为 (通道数, 采样点数)。比如你有64个电极，采集了10秒，采样率1000Hz，那矩阵就是 (64, 10000)。
通道信息：每个通道的名字（比如'Fz', 'Cz'）、类型（eeg, eog, stim等）、位置坐标。
时间信息：采样频率sfreq，以及每个采样点对应的时间戳。
元数据：测量日期、受试者ID、实验条件等。

核心要点：Raw对象不直接存储“时间轴”，而是通过采样频率和采样点数动态计算。所以千万别手动改sfreq，否则时间轴全乱套了。我曾经有个学生，为了“对齐数据”把采样率从1000改成了500，结果所有事件标记都错位了，排查了整整一下午。

咱们来看一下Raw对象的基本属性：

import mne

# 假设raw已经加载好了
print(f"通道数: {raw.info['nchan']}")
print(f"采样率: {raw.info['sfreq']} Hz")
print(f"数据时长: {raw.times[-1]:.2f} 秒")
print(f"通道名称: {raw.ch_names[:5]}")  # 只看前5个

嗯，这里要注意：raw.info是一个字典，里面装着所有元数据。我个人习惯用raw.info['sfreq']而不是raw.sfreq，因为前者更明确，不容易被重载属性搞晕。

3.2 读取EDF/CNT/BDF文件

不同厂商的脑电设备，文件格式五花八门。MNE统一了接口，你只需要记住一个函数：mne.io.read_raw_xxx()。

文件格式	读取函数	常见来源
EDF / EDF+	`mne.io.read_raw_edf()`	欧洲标准格式，很多医院在用
BDF	`mne.io.read_raw_bdf()`	EDF的24位扩展版，BioSemi设备常用
CNT	`mne.io.read_raw_cnt()`	Neuroscan设备专用格式
BrainVision	`mne.io.read_raw_brainvision()`	Brain Products设备，.vhdr + .eeg + .vmrk

实战代码：读取EDF文件

import mne

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

# 读取BDF文件（注意：BDF文件通常较大，建议preload=False先看看）
raw_bdf = mne.io.read_raw_bdf('session1.bdf', preload=False)

# 读取CNT文件（需要指定通道类型）
raw_cnt = mne.io.read_raw_cnt('subj01.cnt', eog=['HEOG', 'VEOG'], preload=True)

避坑指南：我曾经在处理一个CNT文件时，发现眼电通道被识别成了EEG通道。后来才发现，read_raw_cnt()的eog参数必须显式指定眼电通道名。否则MNE会按文件头信息默认分类，而有些老设备的文件头写得并不规范。

关于preload参数：

preload=False：只读取元数据，不加载数据到内存。适合先看看文件有多大。
preload=True：一次性全部加载到内存。处理速度快，但大文件可能爆内存。
我个人习惯：先用preload=False看看，确认没问题了再raw.load_data()手动加载。

3.3 基础可视化：一眼看穿数据质量

数据读进来了，第一件事是什么？不是跑分析，而是看数据！我见过太多人上来就滤波、跑ICA，结果发现原始数据里有个通道根本没接好——白忙活一场。

3.3.1 原始波形图

# 绘制前10秒的数据
raw.plot(n_channels=10, duration=5, start=0, 
         scalings='auto', block=True)

这个函数会弹出一个交互式窗口。你可以：

滚动查看不同时间段
点击通道名隐藏/显示该通道
右键标记坏段
按住Shift+左键可以缩放

注意：block=True会让程序停在这里，等你关掉绘图窗口才继续执行。如果你在Jupyter Notebook里用，建议改成block=False，否则整个kernel会卡住。

3.3.2 通道频谱图

想看每个通道的频率成分？用raw.plot_psd()：

# 绘制功率谱密度
raw.plot_psd(fmin=0.5, fmax=45, tmin=0, tmax=60,
             average=True, spatial_colors=True)

这个图能帮你快速判断：

有没有50Hz工频干扰（国内电网频率）
低频段有没有漂移（0.5Hz以下能量过高说明基线不稳）
各通道的噪声水平是否一致

3.3.3 通道位置图

如果你有电极坐标信息，可以画个拓扑图：

# 绘制2D电极位置
raw.plot_sensors(kind='topomap', show_names=True)

这个图特别有用。我记得有一次，我发现某个通道的波形异常，一看位置图——好家伙，那个电极正好在头皮上一个疤痕旁边，阻抗肯定高得离谱。

3.4 本章知识体系

下面这张图，是我自己梳理的MNE入门知识框架。你跟着这个路径走，不会迷路。

这张图把本章的三个核心模块串起来了。你从左边开始，先学会读文件；然后理解Raw对象里到底存了什么；最后用可视化手段验证数据质量。这三步走完，你就能自信地说“我入门MNE了”。

我的个人习惯：每次拿到新数据，我都会先跑一遍raw.plot()和raw.plot_psd()，然后把截图发给合作者确认。这一步看似简单，但能避免后面90%的返工。你想想看，如果原始数据里有个通道是平的（电极掉了），你后面做再花哨的分析也是白搭。

好了，这一章的内容就到这里。记住：工具是死的，但你的判断力是活的。MNE给了你强大的武器，但怎么用，还得靠你对数据的理解。

公众号:蓝海数据掘金营，微信deep3321

📚 课程目录