第3章 MNE库入门：Raw对象创建与加载、数据可视化、通道选择与重命名、事件提取与Epoch生成

好，咱们进入MNE库的实战环节。说实话，MNE这个库我用了快十年了，从最早的0.9版本一路跟到现在。它就像一把瑞士军刀，处理脑电数据时几乎什么活儿都能干。这一章，咱们就把它最核心的几个功能摸透。

3.1 Raw对象：脑电数据的"容器"

Raw对象是什么？说白了，它就是MNE里用来装原始脑电数据的容器。你采集到的所有通道数据、采样频率、电极位置等信息，全塞在这个对象里。

3.1.1 从零创建Raw对象

有时候我们需要自己造数据来测试算法。比如你写了个滤波函数，想看看效果对不对，这时候手动创建Raw对象就很有用。

import mne
import numpy as np

# 模拟数据：5秒，250Hz采样，19个通道
sfreq = 250  # 采样频率
duration = 5  # 秒
n_channels = 19
data = np.random.randn(n_channels, sfreq * duration)

# 创建Info对象
info = mne.create_info(
    ch_names=['Fz', 'Cz', 'Pz', 'F3', 'F4', 'C3', 'C4', 
              'P3', 'P4', 'O1', 'O2', 'F7', 'F8', 'T7', 
              'T8', 'P7', 'P8', 'Fp1', 'Fp2'],
    sfreq=sfreq,
    ch_types='eeg'
)

# 创建Raw对象
raw = mne.io.RawArray(data, info)
print(raw)
print(f"数据形状: {raw.get_data().shape}")

嗯，这里要注意一点：ch_types参数我习惯写成'eeg'，但如果你有眼电、心电等其他类型的信号，可以传一个列表，比如['eeg', 'eeg', 'eog', ...]。我在项目里就踩过这个坑——把所有通道都标成'eeg'，结果做ICA去眼电时死活找不到EOG通道。

3.1.2 加载真实数据

实际项目中，我们更多是从文件加载数据。MNE支持几十种格式，我常用的就三种：

格式	加载函数	适用场景
EDF/EDF+	mne.io.read_raw_edf()	医院、公开数据集最常见
BrainVision	mne.io.read_raw_brainvision()	德国Brain Products设备
FIF	mne.io.read_raw_fif()	MNE原生格式，速度最快

# 加载EDF文件（以公开数据集为例）
raw = mne.io.read_raw_edf('sample_data.edf', preload=True)
print(f"采样频率: {raw.info['sfreq']} Hz")
print(f"通道数: {len(raw.ch_names)}")
print(f"时间长度: {raw.times[-1]:.2f} 秒")

我个人建议，只要内存够用，就把preload=True加上。为什么？因为后续做滤波、重参考这些操作，如果数据没加载到内存，MNE会反复读硬盘，慢得让人抓狂。我曾经处理一个2小时的EEG数据，没加preload，一个简单的带通滤波跑了快10分钟……加了之后秒出。

3.2 数据可视化：先看看你的信号长什么样

拿到数据第一件事是什么？我反正不会直接跑分析。先画图看看，有没有坏段、有没有大噪声、基线漂不漂。这一步省不了。

3.2.1 原始信号绘图

# 绘制原始信号（前10秒）
raw.plot(duration=10, n_channels=10, scalings='auto')

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

scalings='auto'这个参数很贴心，它会根据每个通道的信号幅度自动调整显示比例。但有时候自动调整反而会掩盖问题——比如某个通道信号特别小，自动缩放后看起来跟正常通道一样，你就发现不了它坏了。所以我习惯先设成统一尺度看看：

# 统一尺度，更容易发现异常通道
raw.plot(duration=10, scalings=dict(eeg=100e-6))

3.2.2 通道布局图

电极位置对不对？这个一定要检查。我遇到过好几次，数据文件里的电极位置标错了，结果做源定位时出来的结果完全不对。

# 绘制电极位置
raw.plot_sensors(show_names=True)

# 如果电极位置信息缺失，可以手动设置
montage = mne.channels.make_standard_montage('standard_1020')
raw.set_montage(montage)
raw.plot_sensors(show_names=True)

这里有个坑：set_montage()之前，一定要确保通道名称跟模板里的名称能对上。比如你的数据里通道叫'Fz'，模板里也叫'Fz'，那就没问题。但如果你的数据里叫'FZ'（大写），那就对不上了。我一般会先打印montage.ch_names看看。

3.3 通道选择与重命名

实际数据很少能直接用。通道顺序乱七八糟、命名不规范、有些通道根本没用……这些都得处理。

3.3.1 选择通道子集

# 选择特定通道
raw_picked = raw.pick_channels(['Fz', 'Cz', 'Pz', 'O1', 'O2'])

# 按类型选择
raw_eeg = raw.pick_types(meg=False, eeg=True, eog=False)

# 排除坏通道
raw.drop_channels(['Fp1', 'Fp2'])  # 额极通道容易受眨眼污染

你想想看，为什么我经常把Fp1和Fp2丢掉？因为这两个通道离眼睛太近了，眨眼产生的伪迹幅度比脑电信号大几十倍。虽然可以用ICA去除，但有时候直接丢掉更省事——尤其是你关注的脑区不在额叶时。

3.3.2 重命名通道

不同设备厂商的命名规则五花八门。有的叫'Cz'，有的叫'C_Z'，还有的叫'Channel_12'。统一命名是第一步。

# 批量重命名
rename_dict = {
    'C_Z': 'Cz',
    'P_Z': 'Pz',
    'Channel_12': 'Fz',
    'Channel_14': 'Cz'
}
raw.rename_channels(rename_dict)

# 或者用函数批量处理
raw.rename_channels(lambda x: x.upper().replace(' ', ''))

嗯，这里有个小技巧：用lambda函数做批量处理特别灵活。比如你的通道名是'EEG Fz'、'EEG Cz'这种带前缀的，一行代码就能去掉前缀：raw.rename_channels(lambda x: x.replace('EEG ', ''))。

3.4 事件提取与Epoch生成

终于到了最关键的部分。原始脑电信号是连续的，但我们做分析时，通常只关心刺激出现前后那一段。这就需要把连续信号切成一个个小片段——也就是Epoch。

3.4.1 从刺激通道提取事件

大多数脑电设备在采集数据时，会用一个专门的通道记录刺激标记。比如每次屏幕出现一个图片，这个通道的电压就会跳变一下。

# 从STIM通道提取事件
events = mne.find_events(raw, stim_channel='STI 014')
print(f"找到 {len(events)} 个事件")
print(events[:5])  # 前5个事件

events是一个n×3的数组，每一行代表一个事件。三列分别是：事件发生的采样点序号、前一个事件的持续时间（这个一般用不到）、事件类型（比如1代表目标刺激，2代表非目标刺激）。

3.4.2 事件ID映射

原始事件ID通常是数字，比如1、2、3、4。但每个数字代表什么含义，需要你自己定义。

# 定义事件ID映射
event_id = {
    '标准刺激': 1,
    '偏差刺激': 2,
    '目标刺激': 3
}

# 也可以反过来，从数字到名称
event_id_inv = {v: k for k, v in event_id.items()}
print(event_id_inv)  # {1: '标准刺激', 2: '偏差刺激', 3: '目标刺激'}

3.4.3 生成Epoch

有了事件，就可以切Epoch了。这里有两个关键参数：tmin和tmax，决定了每个Epoch的时间范围。

# 生成Epoch：刺激前0.2秒到刺激后0.8秒
tmin, tmax = -0.2, 0.8
epochs = mne.Epochs(
    raw, 
    events, 
    event_id=event_id,
    tmin=tmin, 
    tmax=tmax,
    baseline=(-0.2, 0),  # 基线校正：用刺激前200ms做基线
    preload=True,
    reject=dict(eeg=150e-6)  # 拒绝幅度超过150μV的试次
)

print(epochs)
print(f"Epoch数据形状: {epochs.get_data().shape}")

数据形状是(试次数, 通道数, 时间点)。比如你有100个试次、19个通道、每个Epoch有251个时间点（0.2+0.8秒 × 250Hz），那形状就是(100, 19, 251)。

3.4.4 Epoch的可视化与筛选

# 绘制所有Epoch（蝴蝶图）
epochs.plot(n_epochs=20, scalings='auto')

# 绘制平均波形
epochs['标准刺激'].average().plot()
epochs['偏差刺激'].average().plot()

# 按条件筛选Epoch
epochs_clean = epochs.copy().drop_bad()  # 去掉被拒绝的试次
print(f"保留试次: {len(epochs_clean)} / {len(epochs)}")

你可能会问：为什么用copy()？因为drop_bad()会直接修改原对象。我习惯先复制一份，万一删错了还能找回原始数据。

知识体系总览

这一章的内容比较多，我画了张图帮你理清脉络：

这张图把整个流程串起来了。从Raw对象开始，经过可视化检查、通道处理，再到事件提取和Epoch生成，每一步都有对应的MNE函数。你按照这个顺序走，基本不会出错。

好了，这一章的内容就到这儿。代码不多，但每一步都是实战中绕不开的。你把这些基础打牢了，后面做特征提取、分类分析才会顺手。

---