MNE-Python | 开源生理信号分析神器（一）

介绍MNE-Python系列文章，持续更新中…

0. 什么是MNE ？

开门见山地说，MNE是我用过的最强生理信号分析神器（可能是我见识浅薄，大佬勿喷），处理范围涵盖EEG、MEG等各种类型。

MNE本质上就是一个开源的Python第三方库/模块，我认为 MNE官网首页的介绍就是对MNE最准确的概述，如图：
在这里插入图片描述

1. 文章思路

因为MNE的功能实在是很多，基本包括了读取数据集、预处理、分类、可视化等完整流程，所以我不可能全部介绍到。本着授之以鱼不如授之以渔的原则，我决定该系列的第一篇文章思路是：详细介绍一个简单样例demo，展示使用MNE的大致流程。

2. MNE安装

与其他所有的Python第三方库/模块一样，使用 pip install mne 安装即可，不再过多赘述（这里我使用了清华镜像源）：
在这里插入图片描述

3. MNE 代码实战

先贴一段MNE的代码，如果你之前不了解MNE的话此刻应该比较懵圈，问题不大，接下来我带你逐行分析一下全部代码，Let’s Go ! ：
在这里插入图片描述

导入MNE相关包

import mne
from mne import io
from mne.datasets import sample

# 数据可视化包
import matplotlib.pyplot as plt

导入数据集

导入数据集有两种方式：

1）远程下载数据集

在上一步中，我们已经使用 from mne.datasets import sample 导入了sample数据集，注意：这里 sample 是一个数据集的名字！（关于此数据集的介绍放在文末）
在这里插入图片描述
然后我们就可以使用data_path() 获取这个数据集里的全部数据：

data_path = sample.data_path()

2）本地已下载好数据集

# 自定义数据集存放位置
data_path = '/Users/xxx/xxx/MNE-sample-data'

创建数据对象

MNE的数据结构其中之一为raw数据结构，通过以下方式创建raw数据对象：

# 设置相关参数
raw_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw.fif' 
event_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw-eve.fif'
tmin, tmax = -0., 1
event_id = dict(aud_l=1, aud_r=2, vis_l=3, vis_r=4)

# 使用1）：preload=False，使用2）：preload=True
raw = io.Raw(raw_fname, preload=True, verbose=False)

我们通过 print(raw) ，可以发现其核心数据为 n_channels（数据维度）和 times（数据时长）：
在这里插入图片描述
还可以通过 raw.info 查看raw数据的具体信息：

raw.filter(2, None, method='iir')  # 使用iir滤波器进行滤波
events = mne.read_events(event_fname)

raw.info['bads'] = ['MEG 2443']    # 设定不良通道

# 通过种类和名字挑选通道
picks = mne.pick_types(raw.info, meg=False, eeg=True, stim=False, eog=False,
                       exclude='bads')

创建 epochs

将数据切分为 epoch 可以方便神经网络进行处理，在MNE中有一个Epochs类，我们能直接通过该类的方法直接从raw数据对象中提取Epochs：

在这里插入图片描述

# 创建Epochs类的对象，传入之前设置的参数，（tmin,tmax）为epochs中每个trial的时间长度
epochs = mne.Epochs(raw, events, event_id, tmin, tmax, proj=False,
                    picks=picks, baseline=None, preload=True, verbose=False)
labels = epochs.events[:, -1]

提取数据

X = epochs.get_data()*1000 
Y = labels

get_data() 返回数据的格式为 (trials, channels, samples)，通过 print(X.shape) 输出为（278,61,150）：
分别与277.7s（数据时长）/1s（每个trial的时间长度）、通道数（60EEG+1EOG）、采样频率（150Hz）对应。

数据可视化

MNE集成了许多现成的功能函数，只需要简单的一行代码就可以实现许多复杂的功能，来点图片感受一下：

# 分析0-1s内的数据
import matplotlib.pyplot as plt

raw.info['bads'] = ['MEG 2443']  
picks = mne.pick_types(raw.info, meg=False, eeg=True, stim=False, eog=False,
                       exclude='bads')
t_idx = raw.time_as_index([-0., 1.])
data, times = raw[picks, t_idx[0]:t_idx[1]]

plt.plot(times,data.T)

在这里插入图片描述

# 绘制各通道的功率谱密度
raw.plot_psd()
plt.show()

在这里插入图片描述

# 绘制SSP矢量图
raw.plot_projs_topomap()
plt.show()

在这里插入图片描述

4. Sample数据集介绍

数据采集

该数据集是通过位于MGH/HMS/MIT（麻省总医院）的Athinoula A. Martino生物医学成像中心的Neuromag Vectorview系统获得的。同时采集60通道电极帽的MEG（脑磁图）数据。原始MRI（核磁共振）数据集是通过使用MPRAGE序列的西门子1.5 T Sonata扫描仪获取的。

实验设置

在实验中，受试者的左右视野中会出现棋盘图案，同时会伴随出现在左右耳的音调，刺激间隔为750 ms。此外，在受试者的视野中心会随机出现笑脸图案，受试者被要求在笑脸出现后尽快用右手食指按下按键。实验中刺激和响应的对应关系如下：

在这里插入图片描述

数据集内容

Sample数据集主要包含两个部分：MEG/sample （MEG/EEG数据）和来自另一位受试者的MRI重建数据 subjects/sample ，我们使用的主要前者，其目录如下：
在这里插入图片描述

结束语

Ok，到这里一个MNE的小demo就已经解读完了，或许你已经感受到了MNE的强大和简洁，我会在之后的文章中陆续整理MNE中的各种类和函数，感兴趣的话欢迎点个关注再走呀 ^ _ ^ ！！