MNE-Python 第9天学习笔记：源定位基础

一、什么是源定位？

1.1 通俗理解

python 复制代码

到目前为止，我们分析的是"头皮上的脑电"：

  头皮电极 → 记录头皮表面的电位
      ↓
  这就像在地球表面测量地震波
  我们想知道的是：震源在哪里？多深？

源定位 = 从头皮电位反推大脑内部的激活位置

  头皮电位（已知） → 逆推 → 大脑激活源（未知）
      ↑                          ↑
   测量到的                   我们想知道的

1.2 正问题和逆问题

python 复制代码

正问题（Forward Problem）：
  已知：大脑中某处有激活
  计算：头皮上各电极会测到什么电位
  方向：大脑 → 头皮
  难度：简单（唯一解）

逆问题（Inverse Problem）：
  已知：头皮上各电极测到的电位
  计算：大脑中哪些地方有激活
  方向：头皮 → 大脑
  难度：困难（无唯一解，需要额外假设）

1.3 形象比喻

python 复制代码

正问题：
  你知道手电筒的位置和方向
  计算墙上哪个位置会被照亮
  → 简单，有唯一答案

逆问题：
  你看到墙上有一个光斑
  推测手电筒在哪里
  → 困难，可能有多个位置都能产生同样的光斑

二、源定位需要的"原料"

2.1 三个关键模型

python 复制代码

┌─────────────────────────────────────────┐
│  源定位 = 源空间 + 头模型 + 传感器位置  │
├─────────────────────────────────────────┤
│                                         │
│  1. 源空间（Source Space）              │
│     = 大脑皮层上可能的激活位置           │
│     = 几千个"候选点"                    │
│     = 像在大脑表面画满小格子             │
│                                         │
│  2. 头模型（Head Model / BEM）          │
│     = 头部的导电模型                    │
│     = 描述电流如何穿过大脑、颅骨、头皮  │
│     = 颅骨导电差 → 信号被"模糊化"       │
│                                         │
│  3. 传感器位置（已通过 Montage 设置）    │
│     = 头皮上电极的 3D 坐标              │
│                                         │
│  正向解 = 头模型 + 源空间 + 传感器      │
│  逆解   = 正向解 + 实际数据             │
└─────────────────────────────────────────┘

2.1 三个关键模型

python 复制代码

标准源定位需要被试的 MRI 扫描：

MRI → 提取大脑皮层表面 → 在上面撒"候选点" → 源空间

没有 MRI 怎么办？
  使用标准模板（fsaverage）
  = 一个"平均大脑"的模型
  MNE 的 sample 数据集自带 MRI

三、环境准备与依赖安装

3.1 源定位需要的额外库

源定位比前面的分析需要更多依赖库：

一次性安装所有依赖：

python 复制代码

pip install nibabel h5io pyvistaqt -i https://pypi.tuna.tsinghua.edu.cn/simple

3.2 导入库和设置

python 复制代码

# ========== 环境设置 ==========

# 🔑 关键：3D 可视化由 pyvistaqt 处理（基于 Qt）
# matplotlib 用 'Agg' 后端（不显示窗口，只用于保存图片）
# 'Agg' = Anti-Grain Geometry，一个非交互式后端
# 为什么用 Agg 而不是 TkAgg？
#   因为 stc.plot() 使用 Qt 引擎做 3D 渲染
#   TkAgg 和 Qt 不能同时运行，会冲突
import matplotlib
matplotlib.use('Agg')

# pyplot：matplotlib 的绘图接口
# 虽然用 Agg 后端，但仍可保存图片
import matplotlib.pyplot as plt

# mne：脑电分析核心库
import mne

# numpy：科学计算库
import numpy as np

# os：操作系统路径处理
import os

# warnings：警告控制
import warnings
warnings.filterwarnings('ignore')

# 中文字体设置
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False

print("="*60)
print("MNE-Python 第9天：源定位基础")
print("="*60)

四、加载数据并预处理

4.1 获取数据路径

python 复制代码

# ---------- 1. 获取数据路径 ----------

# mne.datasets.sample.data_path()：
#   返回 sample 数据集的本地路径
#   sample 数据集包含被试的 MRI 扫描数据
sample_data_folder = mne.datasets.sample.data_path()

# subjects_dir：存放被试 MRI 数据的目录
# 里面按被试名字分文件夹
subjects_dir = os.path.join(sample_data_folder, 'subjects')
print(f"MRI 数据路径: {subjects_dir}")

# 被试名称
# 这里用 'sample'，实际研究中通常是编号如 'sub-01'
subject = 'sample'

# 原始脑电数据路径
raw_fname = os.path.join(
    sample_data_folder, 'MEG', 'sample',
    'sample_audvis_raw.fif'
)

4.2 加载数据

python 复制代码

# ---------- 2. 加载数据并预处理 ----------
print("\n加载数据...")

# 加载原始数据
raw = mne.io.read_raw_fif(raw_fname, preload=False)

# 提取通道：EEG + EOG + STIM
# eeg=True：脑电通道（分析目标）
# eog=True：眼电通道（可用于 ICA）
# stim=True：刺激通道（提取事件需要）
raw_eeg = raw.copy().pick_types(eeg=True, eog=True, stim=True)

4.3 重命名通道并设置 Montage

python 复制代码

# 找出所有以 'EEG' 开头的通道名
# 列表推导式：[表达式 for 变量 in 列表 if 条件]
eeg_names = [ch for ch in raw_eeg.ch_names if ch.startswith('EEG')]

# 创建标准 10-20 蒙太奇
montage = mne.channels.make_standard_montage('standard_1020')

# 取相同数量的标准电极名
standard_names = montage.ch_names[:len(eeg_names)]

# dict(zip(A, B))：
#   zip 将两个列表配对 → [('EEG 001','Fz'), ...]
#   dict 转为字典 → {'EEG 001':'Fz', ...}
raw_eeg.rename_channels(dict(zip(eeg_names, standard_names)))

# set_montage()：设置电极在头皮上的 3D 坐标
# 源定位需要知道电极的精确位置
raw_eeg.set_montage(montage)

4.4 滤波和重参考

python 复制代码

# load_data()：将数据加载到内存
# 滤波等操作必须在加载后进行
raw_eeg.load_data()

# 陷波滤波：去除 60Hz 工频干扰
raw_eeg.notch_filter(freqs=60, picks='eeg', verbose=False)

# 带通滤波：保留 1-40 Hz
# l_freq=1：高通，去除慢速漂移
# h_freq=40：低通，去除高频肌电噪声
raw_eeg.filter(l_freq=1, h_freq=40, picks='eeg', verbose=False)

# 🔑 关键：用投影方式做平均参考
# projection=True：使用投影算子而非直接修改数据
# 为什么必须用投影方式？
#   源定位需要在计算过程中动态处理参考问题
#   直接修改数据会破坏这种灵活性
raw_eeg.set_eeg_reference('average', projection=True)

print("✅ 数据预处理完成")

projection=True 的含义：

python 复制代码

普通重参考 (projection=False)：
  直接修改数据值
  Ch1_new = Ch1 - average
  Ch2_new = Ch2 - average
  ...
  → 数据被永久改变了

投影重参考 (projection=True)：
  附加一条"规则"（投影算子）
  不直接改数据
  MNE 在需要时自动应用
  → 数据保持原始状态，更灵活
  
源定位必须用投影方式！

五、创建源空间

5.1 什么是源空间？

python 复制代码

源空间 = 大脑皮层上的一堆"候选点"

想象你在玩"猜位置"游戏：
  把大脑皮层表面画满小格子
  每个格子是一个"候选激活位置"
  源定位就是从这几千个格子中
  找出哪些格子最可能产生了你测到的头皮电位

spacing 参数控制格子密度：
  'oct6' → 每个半球约 4098 个点（推荐）
  'ico4' → 每个半球约 2562 个点（较快）
  'ico5' → 每个半球约 10242 个点（精确但慢）

5.2 代码实现

python 复制代码

# ---------- 3. 创建源空间 ----------
print("\n创建源空间...")

# setup_source_space()：在皮层表面创建候选源点
src = mne.setup_source_space(
    subject=subject,           # 被试名称
    spacing='oct6',            # 源点密度（oct6=每半球约4098点）
    subjects_dir=subjects_dir, # MRI 数据存放目录
    add_dist=False             # 不计算源点间距离（节省时间）
)

# src 是一个列表，包含左右两个半球
# src[0]：左半球源空间
# src[1]：右半球源空间
# 'vertno'：源点的顶点编号
print(f"✅ 源空间: {len(src[0]['vertno'])} + {len(src[1]['vertno'])} 源点")
print(f"  左半球: {len(src[0]['vertno'])} 个源点")
print(f"  右半球: {len(src[1]['vertno'])} 个源点")

六、头模型（BEM）

6.1 什么是 BEM？

python 复制代码

BEM = Boundary Element Method（边界元方法）

头模型描述电流如何穿过不同组织层：

  大脑皮层 → 脑脊液 → 颅骨 → 头皮
  
各层导电率不同：
  大脑：导电好（~0.3 S/m）
  颅骨：导电差（~0.006 S/m）← 关键！
  头皮：导电好（~0.3 S/m）

颅骨导电差 = 电流被阻挡和扩散
= 头皮电位被"模糊化"
= 这就是为什么头皮脑电空间分辨率不高（约5-10cm）

6.2 代码实现

python 复制代码

# ---------- 4. 加载 BEM ----------

# BEM 模型文件路径
# 命名规则：{被试名}-{头皮}-{颅骨内}-{颅骨外}-bem-sol.fif
# 5120 是每层的三角形数量
bem_fname = os.path.join(
    subjects_dir, subject, 'bem',
    f'{subject}-5120-5120-5120-bem-sol.fif'
)

# read_bem_solution()：加载预计算的 BEM 模型
bem = mne.read_bem_solution(bem_fname)
print("✅ BEM 模型加载完成")

七、计算正向解

7.1 什么是正向解？

python 复制代码

正向解（Forward Solution）= 传导矩阵（Lead Field Matrix）

对于每个候选源点，计算：
  "如果这里激活了，头皮上每个电极会测到什么电位？"

结果是一个矩阵：
  源点 × 电极 = 传导关系
  
  源点1激活 → 电极A:+1.0μV, 电极B:+0.5μV, 电极C:-0.3μV
  源点2激活 → 电极A:+0.3μV, 电极B:+1.2μV, 电极C:+0.1μV
  源点3激活 → 电极A:-0.5μV, 电极B:+0.8μV, 电极C:+1.5μV
  ...

7.2 代码实现

python 复制代码

# ---------- 5. 计算正向解 ----------

# trans 文件：MRI 坐标系 ↔ 头部坐标系的转换矩阵
# 告诉 MNE：大脑（MRI 中的位置）和电极（头皮上的位置）的关系
trans_fname = os.path.join(
    sample_data_folder, 'MEG', 'sample',
    'sample_audvis_raw-trans.fif'
)
trans = mne.read_trans(trans_fname)

# make_forward_solution()：计算正向解
fwd = mne.make_forward_solution(
    raw_eeg.info,          # 通道信息（电极位置、类型）
    trans=trans,           # 坐标转换矩阵
    src=src,               # 源空间（候选激活点）
    bem=bem,               # 头模型（导电特性）
    eeg=True,              # 使用 EEG 通道
    meg=False,             # 不使用 MEG 通道
    mindist=5.0,           # 源点离内表面最小距离（mm）
    n_jobs=1,              # 并行核心数
    verbose=False          # 不打印详细信息
)

print(f"✅ 正向解: {fwd['nsource']} 源 × {fwd['nchan']} 通道")

正向解的维度说明：

python 复制代码

fwd['nsource'] = 8196 个源点（左右半球总和）
fwd['nchan']   = 60   个 EEG 通道

传导矩阵大小 = 60 × 8196
  每一列 = 一个源点对所有通道的影响模式
  每一行 = 一个通道对所有源点的敏感度

八、计算噪声协方差

8.1 为什么需要噪声协方差？

python 复制代码

不同通道的噪声水平不同：
  电极1：贴得很紧 → 噪声小
  电极2：有点松动 → 噪声大

通道间的噪声可能相关：
  相邻电极可能同时受同一噪声源影响

噪声协方差 = 描述这些噪声特性的矩阵

在逆解时"白化"数据：
  噪声大的通道 → 权重降低
  噪声小的通道 → 权重升高
  → 让所有通道"平等"地贡献

8.2 代码实现

python 复制代码

# ---------- 6. 噪声协方差 ----------

# 提取事件
events = mne.find_events(raw_eeg, stim_channel='STI 014')

# 使用基线期（刺激前）的数据估计噪声
# tmin=-0.5, tmax=0：只用刺激前 0.5 秒
# 这段时间没有刺激，信号 = 纯粹的噪声
epochs_noise = mne.Epochs(
    raw_eeg,
    events,
    event_id={'听觉/左耳': 1},
    tmin=-0.5, tmax=0,        # 只用基线期
    baseline=None,             # 不做基线校正
    preload=True,
    verbose=False
)

# compute_covariance()：计算协方差矩阵
# method='empirical'：直接用数据计算
noise_cov = mne.compute_covariance(
    epochs_noise,
    method='empirical',       # 经验方法
    verbose=False
)

print("✅ 噪声协方差计算完成")
print(f"  协方差矩阵形状: {noise_cov.data.shape}")

九、计算逆解

9.1 什么是逆解？

python 复制代码

逆解 = 从头皮电位反推大脑激活

MNE 方法 = Minimum Norm Estimate（最小范数估计）

原理（奥卡姆剃刀）：
  在所有能解释头皮电位的源配置中
  选择总能量最小的那个
  = "最节俭"的解释
  
就像：
  看到墙上有光斑
  假设是最近的手电筒照的
  而不是远处的高功率探照灯

9.2 创建逆解算子

python 复制代码

# ---------- 7. 逆解算子 ----------

# make_inverse_operator()：创建逆解算子
# 结合正向解和噪声协方差
inverse_operator = mne.minimum_norm.make_inverse_operator(
    raw_eeg.info,          # 通道信息
    fwd,                   # 正向解（传导矩阵）
    noise_cov,             # 噪声协方差
    loose=0.2,             # 源朝向约束
    depth=0.8,             # 深度加权
    verbose=False
)

print("✅ 逆解算子创建完成")

参数详解：

十、应用逆解到数据

python 复制代码

# ---------- 8. 应用逆解 ----------

# 创建 Epochs
event_id = {'听觉/左耳': 1}
epochs = mne.Epochs(
    raw_eeg, events, event_id=event_id,
    tmin=-0.2, tmax=0.5,
    baseline=(-0.2, 0),
    reject=dict(eeg=150e-6),
    preload=True,
    verbose=False
)

# 叠加平均得到 ERP
evoked = epochs['听觉/左耳'].average()

# apply_inverse()：将逆解应用到 Evoked 数据
# 从头皮电位 → 大脑皮层激活
stc = mne.minimum_norm.apply_inverse(
    evoked,                      # ERP 数据
    inverse_operator,            # 逆解算子
    lambda2=1.0 / 9.0,          # 正则化参数
    method='dSPM',               # dSPM = 噪声归一化
    verbose=False
)

print(f"✅ 源估计完成，形状: {stc.data.shape}")
print(f"  源点数 × 时间点数 = {stc.data.shape}")

method 参数选择：

十一、3D 源激活可视化

python 复制代码

# ---------- 9. 3D 可视化 ----------
print("\n绘制源激活（3D 大脑窗口）...")
print("提示：可以用鼠标旋转、缩放大脑")
print("      关闭 3D 窗口后在控制台按回车退出程序")

# stc.plot()：在 3D 大脑模型上显示源激活
# 使用 pyvistaqt 创建交互式 3D 窗口
stc.plot(
    hemi='split',              # 左右半球分开显示
    subjects_dir=subjects_dir, # MRI 数据目录
    subject=subject,           # 被试名称
    initial_time=0.12,         # 初始显示 120ms 时间点
    time_unit='ms',            # 时间单位：毫秒
    clim=dict(                 # 颜色范围设置
        kind='value',          # 基于数值
        pos_lims=[3, 6, 9]    # [最小值, 中间值, 最大值]
    )
)

# 🔑 关键：用 input() 保持程序运行
# stc.plot() 打开的是独立 3D 窗口（Qt）
# 程序继续执行就会退出，窗口随之关闭
# input() 让程序暂停，等待用户输入
input("\n关闭 3D 窗口后，按回车键退出程序...")

print("\n" + "="*60)
print("第9天学习完成！")
print("="*60)

十二、第9天完整代码

python 复制代码

# ========== 环境设置 ==========
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import mne
import numpy as np
import os
import warnings
warnings.filterwarnings('ignore')

plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False

print("="*60)
print("MNE-Python 第9天：源定位基础")
print("="*60)

# ---------- 1. 获取数据路径 ----------
sample_data_folder = mne.datasets.sample.data_path()
subjects_dir = os.path.join(sample_data_folder, 'subjects')
subject = 'sample'
raw_fname = os.path.join(sample_data_folder, 'MEG', 'sample', 'sample_audvis_raw.fif')

# ---------- 2. 加载数据并预处理 ----------
print("\n加载数据...")
raw = mne.io.read_raw_fif(raw_fname, preload=False)
raw_eeg = raw.copy().pick_types(eeg=True, eog=True, stim=True)

eeg_names = [ch for ch in raw_eeg.ch_names if ch.startswith('EEG')]
montage = mne.channels.make_standard_montage('standard_1020')
standard_names = montage.ch_names[:len(eeg_names)]
raw_eeg.rename_channels(dict(zip(eeg_names, standard_names)))
raw_eeg.set_montage(montage)

raw_eeg.load_data()
raw_eeg.notch_filter(freqs=60, picks='eeg', verbose=False)
raw_eeg.filter(l_freq=1, h_freq=40, picks='eeg', verbose=False)
raw_eeg.set_eeg_reference('average', projection=True)
print("✅ 数据预处理完成")

# ---------- 3. 创建源空间 ----------
print("\n创建源空间...")
src = mne.setup_source_space(
    subject=subject, spacing='oct6',
    subjects_dir=subjects_dir, add_dist=False)
print(f"✅ 源空间: {len(src[0]['vertno'])} + {len(src[1]['vertno'])} 源点")

# ---------- 4. 加载 BEM ----------
bem_fname = os.path.join(subjects_dir, subject, 'bem',
                         f'{subject}-5120-5120-5120-bem-sol.fif')
bem = mne.read_bem_solution(bem_fname)
print("✅ BEM 模型加载完成")

# ---------- 5. 计算正向解 ----------
trans_fname = os.path.join(sample_data_folder, 'MEG', 'sample',
                           'sample_audvis_raw-trans.fif')
trans = mne.read_trans(trans_fname)

fwd = mne.make_forward_solution(
    raw_eeg.info, trans=trans, src=src, bem=bem,
    eeg=True, meg=False, mindist=5.0, verbose=False)
print(f"✅ 正向解: {fwd['nsource']} 源 × {fwd['nchan']} 通道")

# ---------- 6. 噪声协方差 ----------
events = mne.find_events(raw_eeg, stim_channel='STI 014')
epochs_noise = mne.Epochs(raw_eeg, events, event_id={'听觉/左耳': 1},
                          tmin=-0.5, tmax=0, baseline=None,
                          preload=True, verbose=False)
noise_cov = mne.compute_covariance(epochs_noise, method='empirical', verbose=False)
print("✅ 噪声协方差计算完成")

# ---------- 7. 逆解算子 ----------
inverse_operator = mne.minimum_norm.make_inverse_operator(
    raw_eeg.info, fwd, noise_cov, loose=0.2, depth=0.8, verbose=False)
print("✅ 逆解算子创建完成")

# ---------- 8. 应用逆解 ----------
event_id = {'听觉/左耳': 1}
epochs = mne.Epochs(raw_eeg, events, event_id=event_id,
                    tmin=-0.2, tmax=0.5, baseline=(-0.2, 0),
                    reject=dict(eeg=150e-6), preload=True, verbose=False)
evoked = epochs['听觉/左耳'].average()

stc = mne.minimum_norm.apply_inverse(
    evoked, inverse_operator, lambda2=1.0/9.0, method='dSPM', verbose=False)
print(f"✅ 源估计完成，形状: {stc.data.shape}")

# ---------- 9. 3D 可视化 ----------
print("\n绘制源激活（3D 大脑窗口）...")
print("提示：可以用鼠标旋转、缩放大脑")
print("      关闭 3D 窗口后在控制台按回车退出程序")

stc.plot(
    hemi='split',
    subjects_dir=subjects_dir,
    subject=subject,
    initial_time=0.12,
    time_unit='ms',
    clim=dict(kind='value', pos_lims=[3, 6, 9])
)

input("\n关闭 3D 窗口后，按回车键退出程序...")

print("\n" + "="*60)
print("第9天学习完成！")
print("="*60)
print("\n🎯 明日预告：第10天 - 结果报告与可视化")

十三、今日总结

📝 核心概念

🛠️ 掌握的技能

🔑 预处理铁律（源定位版）

python 复制代码

1. 提取通道          pick_types()
2. 重命名通道        rename_channels()
3. 设置蒙太奇        set_montage()
4. 加载到内存        load_data()
5. 陷波滤波          notch_filter()
6. 带通滤波          filter()
7. 投影重参考        set_eeg_reference('average', projection=True)  ← 必须用投影！