3、Python与MNE库入门：MNE安装、读取原始数据、基础可视化与epoch提取

好，咱们正式开始动手了。

前面两章聊了不少概念，什么脑电信号、迁移学习、跨被试的难点。我知道你肯定手痒了，想看看代码到底长什么样。这一章，我就带你走一遍MNE库的完整入门流程——从安装到读取数据，再到可视化，最后提取出我们真正关心的epoch。

说白了，MNE就是Python生态里处理脑电、脑磁数据的瑞士军刀。我当年刚接触脑机接口时，第一件事就是装MNE。那时候版本还老，踩了不少坑。现在好多了，pip一行命令就搞定。

3.1 MNE安装与环境配置

安装其实没什么技术含量，但有几个细节我建议你注意一下。

# 基础安装
pip install mne

# 如果你需要处理更复杂的格式，可以装全功能版
pip install mne[full]

# 验证安装
python -c "import mne; print(mne.__version__)"

我个人习惯用虚拟环境。为什么呢？因为MNE的依赖库版本有时候会和别的包打架。我曾经在一个项目里，MNE要求numpy版本不能太高，结果另一个库非要新版numpy，折腾了我一下午。所以，听我一句劝：

我的建议： 用conda或venv创建一个独立的虚拟环境，专门给脑电分析用。环境名就叫eeg_env，清爽。

另外，如果你用的是Windows系统，可能会遇到一些底层库的编译问题。别慌，去官网下载预编译的wheel包就行。Mac和Linux用户一般没这烦恼。

3.2 读取原始数据

MNE支持的数据格式非常多。你想想看，不同厂商的脑电设备，文件后缀五花八门：.edf、.bdf、.set、.vhdr、.fif……MNE基本都能读。

我拿最常见的EDF格式举个例子。这是欧洲标准格式，很多公开数据集都用它。

import mne

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

# 看看基本信息
print(raw.info)
print(raw.ch_names)

# 查看数据时长
print(f"数据时长: {raw.times[-1]:.2f} 秒")

这里有个关键参数——preload=True。什么意思呢？就是把数据一次性加载到内存里。如果你的数据文件很大（比如几小时的连续记录），preload可能会把内存撑爆。我建议你先不加preload，等确定要处理哪一段时再加载。

注意： 读取数据时，MNE会自动检测通道类型。但有时候它会搞错，比如把EOG眼电通道识别成了EEG。你需要手动设置： 
raw.set_channel_types({'EOG1': 'eog', 'EOG2': 'eog'})
我曾经就因为这个疏忽，导致后续分析里眼电信号混进了脑电，结果伪迹去除得一塌糊涂。

3.3 基础可视化

数据读进来了，第一件事是什么？看波形啊！

MNE的可视化功能非常强大。我个人最喜欢的是它的交互式绘图，可以缩放、平移、标记事件。

# 绘制原始数据波形
raw.plot(n_channels=10, duration=5.0, start=0.0)

# 查看功率谱密度
raw.plot_psd(fmin=0.5, fmax=45.0)

# 查看通道位置（如果有电极坐标）
raw.plot_sensors(show_names=True)

你想想看，几十个通道的波形同时铺开，一眼就能看出哪些通道有坏道、哪些时段有肌电干扰。我一般会先快速扫一遍全时段波形，心里有个底。

嗯，这里要注意：raw.plot()默认会打开一个交互窗口。如果你在服务器上跑代码，没有图形界面，那就得用raw.plot(n_channels=10, block=True)，或者干脆用raw.compute_psd()这种非交互的方式。

3.4 事件提取与epoch构建

好了，重头戏来了。

原始数据是连续的，但我们做脑机接口，关心的是刺激出现前后那一段时间的脑电反应。这就叫epoch。

提取epoch的第一步，是找到事件（events）。事件通常记录在刺激通道里，或者保存在一个单独的标记文件里。

# 从刺激通道提取事件
events = mne.find_events(raw, stim_channel='STI 014')

# 看看事件长什么样
print(events[:5])
print(f"共找到 {len(events)} 个事件")

events是一个numpy数组，三列：第一列是事件发生的时间点（采样点索引），第二列是前一个事件的值（一般用不到），第三列是事件ID。

有了事件，就可以提取epoch了：

# 定义epoch参数
tmin = -0.2  # 刺激前200ms
tmax = 0.8   # 刺激后800ms

# 提取epoch
epochs = mne.Epochs(raw, events, event_id={'left': 1, 'right': 2},
                    tmin=tmin, tmax=tmax, baseline=(-0.2, 0),
                    preload=True)

print(epochs)
print(f"epoch数量: {len(epochs)}")

这里baseline=(-0.2, 0)的意思是，用刺激前200ms的数据做基线校正。说白了，就是把每个epoch减去基线段的平均值，消除直流漂移。

核心要点： epoch提取的质量直接决定后续分析的好坏。我建议你提取后先做一次坏epoch剔除： 
epochs.drop_bad(reject={'eeg': 150e-6})  # 剔除幅值超过150微伏的epoch
这个阈值怎么设？我一般先看数据分布，取个合理的值。太严了把好数据也丢了，太松了坏数据混进来。

3.5 知识体系总览

这一章的内容其实就围绕一个核心流程：从原始数据到可用epoch。我画了一张图，帮你理清逻辑关系。

MNE入门核心流程 1. 安装MNE pip install mne 2. 读取原始数据 read_raw_edf() 3. 基础可视化 plot() / plot_psd() 4. 提取事件 find_events() 5. 构建epoch Epochs() 6. 坏epoch剔除 drop_bad() 输出：干净的epoch数据 → 可用于后续分类/迁移学习

这张图把整个流程串起来了。你跟着走一遍，基本就掌握了MNE处理脑电数据的核心套路。

3.6 避坑指南

最后，我把自己踩过的坑总结一下，你遇到了可以直接翻回来查。

常见问题 原因 解决方案
读取数据时报错"File not found" 路径问题或文件损坏 用绝对路径，检查文件完整性
事件提取不到 刺激通道名称不对 用raw.ch_names查看所有通道名
epoch数量为0 event_id设置错误 打印events查看实际ID值
可视化窗口卡死 数据量太大 用n_channels参数限制显示通道数

我曾经在提取epoch时，怎么都提不出来，折腾了两小时才发现是event_id写错了。你想想看，多冤啊。所以，遇到问题先打印数据看看，别闷头调参数。

好了，这一章就到这里。代码你都跑一遍，感受一下MNE的威力。下一章咱们会深入预处理，把数据洗得干干净净，为迁移学习打好基础。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →