MNE-Python 第1天学习笔记：环境搭建与数据初探

一、什么是 MNE-Python？

MNE 全称是Magnetoencephalography and Electroencephalography Neuroimaging Engineering，是专门用于分析脑电图（EEG） 和**脑磁图（MEG）**数据的 Python 工具包。

简单来说，它能帮我们：

📂 读取各种格式的脑电数据
🧹 清理数据中的噪声和伪迹
📊 分析和提取有意义的脑电特征
🎨 绘制漂亮的脑电图表

二、环境搭建

python 复制代码

pip install mne -i https://pypi.tuna.tsinghua.edu.cn/simple

三、下载练习数据集

MNE 官方提供了免费的示例数据集，大约 2GB，包含真实实验数据：

python 复制代码

import mne
import matplotlib.pyplot as plt

# 下载样本数据集（只需下载一次，之后直接调用）
sample_data_folder = mne.datasets.sample.data_path()
print(f"数据集存放位置: {sample_data_folder}")

数据集里有什么？

👂 听觉刺激反应（被试听声音时的脑电）
👁️ 视觉刺激反应（被试看图像时的脑电）
💪 运动想象数据（被试想象运动时的脑电）

四、认识 Raw 对象 - 脑电数据的"身份证"

4.1 什么是 Raw 对象？

RAW 对象存储的是原始的连续脑电数据，可以理解为一张大表格：

行：每个通道（电极）的数据列：每个时间点的采样值

4.2 加载原始数据

python 复制代码

import os

# 构建数据文件路径
raw_fname = os.path.join(sample_data_folder, 'MEG', 'sample', 'sample_audvis_raw.fif')

# 加载数据
raw = mne.io.read_raw_fif(raw_fname, preload=False)
print("✅ 数据加载成功！")

4.3 查看数据基本信息

这是认识数据的第一步，就像拿到一本书先看封面和目录：

python 复制代码

# 1. 查看完整信息
print(raw.info)

python 复制代码

# 2. 提取关键参数
print(f"采样率：{raw.info['sfreq']} Hz")
print(f"通道数：{len(raw.ch_names)}")
print(f"数据时长：{raw.times[-1]:.0f} 秒（约{raw.times[-1]/60:.1f}分钟）")

raw.times 的下标是"第几个点"，值是这个点对应的时刻。

4.4 理解通道类型

脑电数据中有不同类型的通道，各自作用不同：

python 复制代码

# 查看通道类型统计
from collections import Counter

ch_types = raw.get_channel_types()
type_counts = Counter(ch_types)

print("通道类型统计：")
for ch_type, count in type_counts.items():
    print(f"  {ch_type}: {count} 个")

五、数据的基本操作（CRUD）

5.1 复制数据

python 复制代码

# 养成好习惯：操作前先复制，保留原始数据
raw_copy = raw.copy()

5.2 裁剪数据（选择时间段）

python 复制代码

# 只看第 60 秒到 120 秒的数据
raw_cropped = raw.copy().crop(tmin=60, tmax=120)
print(f"裁剪后时长：{raw_cropped.times[-1] - raw_cropped.times[0]:.0f} 秒")

为什么要裁剪？

（1）原始数据太长，分析时只关注特定时间段

（2）去掉开头和结尾的质量不好的部分

5.3 选择通道

python 复制代码

# 方法1：选择前 10 个通道
raw_subset = raw.copy().pick([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# 方法2：选择特定类型的通道
raw_eeg = raw.copy().pick_types(eeg=True)  # 只要 EEG 通道

5.4 查看数据矩阵

python 复制代码

# 获取所有数据（通道数 × 时间点数）
data, times = raw[:, :]
print(f"数据矩阵形状：{data.shape}")
print(f"  → {data.shape[0]} 个通道 × {data.shape[1]} 个时间点")

六、数据可视化 - 让数据"说话"

6.1 时间序列图（最重要）

查看脑电波随时间的变化：

python 复制代码

# 显示前 60 秒，10 个通道
raw.plot(duration=60, n_channels=10, scalings='auto', block=True)

6.2 查看特定时间段

python 复制代码

start_time = 100
duration = 30

# 先裁剪，再绘制
raw_segment = raw.copy().crop(tmin=start_time, tmax=start_time + duration)
raw_segment.plot(n_channels=20, duration=duration, 
                 scalings='auto', block=True,
                 title=f'第{start_time}秒到{start_time+duration}秒')

6.3 功率谱密度图（PSD）

显示不同频率的能量分布：

python 复制代码

raw.plot_psd(fmin=0.5, fmax=50, spatial_colors=True)
plt.title('功率谱密度 - 各频率的能量分布')
plt.show(block=True)

6.4 通道位置图

查看电极在头皮上的排列：

python 复制代码

# 2D 平面图
raw.plot_sensors(show_names=True, title='电极位置（10-20系统）', block=True)

# 3D 立体图（需要安装 pyvista）
# pip install pyvista -i https://pypi.tuna.tsinghua.edu.cn/simple

七、完整代码示例

这是今天的完整学习代码，可以直接复制运行：

python 复制代码

# ========== 必须放在最开头 ==========
import matplotlib
matplotlib.use('TkAgg')
# ===================================

import matplotlib.pyplot as plt
import mne
import numpy as np
import os
from collections import Counter

print("="*60)
print("📘 MNE-Python 第1天：环境搭建与数据初探")
print("="*60)

# ---------- 1. 下载和加载数据 ----------
print("\n步骤1：下载示例数据集...")
sample_data_folder = mne.datasets.sample.data_path()
raw_fname = os.path.join(sample_data_folder, 'MEG', 'sample', 'sample_audvis_raw.fif')

print("步骤2：加载数据...")
raw = mne.io.read_raw_fif(raw_fname, preload=False)
print("✅ 数据加载成功！")

# ---------- 2. 查看数据基本信息 ----------
print("\n" + "="*60)
print("📊 数据基本信息")
print("="*60)
print(f"采样率: {raw.info['sfreq']} Hz")
print(f"通道总数: {len(raw.ch_names)}")
print(f"数据时长: {raw.times[-1]:.0f} 秒 ({raw.times[-1]/60:.1f} 分钟)")
print(f"采样点数: {len(raw.times)}")

print("\n前 10 个通道名称:")
for i, name in enumerate(raw.ch_names[:10]):    #enumerate()：为每个通道名添加索引编号（从0开始）
    print(f"  {i}: {name}")

# ---------- 3. 通道类型统计 ----------
print("\n通道类型统计:")
ch_types = raw.get_channel_types()
type_counts = Counter(ch_types)
for ch_type, count in type_counts.items():
    print(f"  {ch_type}: {count} 个")

# ---------- 4. 数据操作 ----------
print("\n" + "="*60)
print("🔧 数据基本操作")
print("="*60)

# 裁剪数据
raw_cropped = raw.copy().crop(tmin=60, tmax=120)
print(f"裁剪后时长: {raw_cropped.times[-1] - raw_cropped.times[0]:.0f} 秒")

# 选择通道
raw_subset = raw.copy().pick([0, 1, 2, 3, 4])
print(f"选择的通道: {raw_subset.ch_names}")

# ---------- 5. 数据可视化 ----------
print("\n" + "="*60)
print("🎨 数据可视化")
print("="*60)

# 5.1 时间序列图
print("\n1️⃣ 显示时间序列图...")
raw.plot(duration=10, n_channels=10, scalings='auto', block=True,
         title='原始脑电数据 - 前10个通道')

# 5.2 功率谱密度图
print("\n2️⃣ 显示功率谱密度图...")
raw.plot_psd(fmin=0.5, fmax=50, spatial_colors=True)
plt.title('功率谱密度 (PSD) - 各频率能量分布')
plt.show(block=True)

# 5.3 通道位置图
print("\n3️⃣ 显示通道位置图...")
raw.plot_sensors(show_names=True, title='电极位置分布图', block=True)

print("\n" + "="*60)
print("✅ 第1天学习完成！")
print("="*60)