脑电数据处理

MNE-Python 第8天学习笔记：时频分析（ERD/ERS）时频分析的 Epochs 为什么更长？tfr_morlet() 参数详解：时频图怎么看？ERD/ERS 时间序列解读：

MNE-Python 第9天学习笔记：源定位基础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：projection=True 的含义：正向解的维度说明：

MNE-Python 第6天学习笔记：分段（Epoching）与基线校正到目前为止，我们处理的是连续的脑电数据（一整段录音）。但脑电分析通常关注的是刺激出现前后的大脑反应：.fif 文件内部结构：

MNE-Python 第7天学习笔记：事件相关电位（ERP）分析代码逻辑解析：⚠️ 核心经验：永远在使用通道名前确认它是否存在！Evoked 对象的结构：ERP 波形解读指南：

MNE-Python 第4天学习笔记：数据预处理（一）—— 滤波与重参考脑电信号非常微弱（微伏级），容易被各种噪声污染：参数详解：n_fft 的选择原理：np.argmin(np.abs(freqs - 50)) 的详细拆解：

MNE-Python 第3天学习笔记：事件与标记处理想象你在做一个实验：👂 听到"嘀"声 → 这是事件 1👂 听到"嘟"声 → 这是事件 2👁️ 看到闪光 → 这是事件 3

MNE-Python 第5天学习笔记：数据预处理（二）—— 伪迹处理脑电信号非常微弱（微伏级，百万分之一伏），在采集过程中会被各种"噪音"污染：为什么需要 EOG 和 ECG 通道？

MNE-Python 第1天学习笔记：环境搭建与数据初探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。

MNE-Python 第2天学习笔记：Montage与通道信息管理Montage（蒙太奇）在脑电领域指的是电极在头皮上的位置布局。想象一下：（1）你的头皮是一张地图 🗺️

脑电数据预处理十六：自动化阈值检测原理与实践在脑电图（EEG）数据分析中，伪迹是影响信号质量和分析结果准确性的主要因素。传统的伪迹处理方法通常依赖于人工检查和标记，耗时且主观性强。为了解决这一问题，**自动化阈值检测（Automated Thresholding）**应运而生，它是一种简单、高效且可重复的伪迹识别技术。

我是有底线的