### 3.1 加载与准备EEG数据 在使用Python处理EEG数据时，通常推荐使用MNE库，它提供了完整的工具集用于加载、预处理和分析脑电信号[^3]。首先需要加载EEG数据文件，并将其转换为适合分析的格式。MNE支持多种格式的数据导入，例如`.fif`、`.edf`、`.bdf`等。 ```python import mne # 加载EEG数据 raw = mne.io.read_raw_edf('eeg_data.edf', preload=True) # 选择EEG通道 raw.pick_types(eeg=True) ``` ### 3.2 数据预处理 在进行频谱分析之前，通常需要对EEG信号进行预处理，包括滤波和去除噪声。例如，可以使用带通滤波器保留特定频率范围的信号（如7-14 Hz的运动想象频段），并使用陷波滤波器去除50 Hz或60 Hz的电源干扰[^2]。 ```python # 去除50Hz电源噪声 raw.notch_filter(50) # 滤波以捕获特定频率范围（如7-14 Hz） raw.filter(7, 14) ``` ### 3.3 所有通道取平均 为了减少通道间噪声的影响并获得更稳定的频谱估计，可以对所有EEG通道的时间序列数据进行平均处理。该操作将生成一个代表整体脑电活动的平均信号。 ```python # 获取数据 data = raw.get_data() # 形状为 (n_channels, n_times) # 对所有通道取平均 mean_signal = data.mean(axis=0) # 形状为 (n_times,) ``` ### 3.4 使用FFT进行频谱分析 接下来，使用NumPy的`fft`模块对平均信号进行快速傅里叶变换（FFT），并计算对应的频率轴。通过取FFT结果的绝对值得到信号的幅度谱。 ```python import numpy as np import matplotlib.pyplot as plt # 获取采样率和信号长度 fs = raw.info['sfreq'] N = len(mean_signal) # 计算FFT X = np.fft.fft(mean_signal) # 计算频率轴 frequencies = np.fft.fftfreq(N, 1/fs) # 只保留正频率部分 X = X[:N//2] frequencies = frequencies[:N//2] # 绘制频谱图 plt.figure(figsize=(10, 4)) plt.plot(frequencies, np.abs(X)) plt.title('EEG信号平均频谱图') plt.xlabel('频率 (Hz)') plt.ylabel('幅度') plt.grid(True) plt.show() ``` ### 3.5 功率谱计算（可选） 除了绘制幅度谱外，还可以进一步计算功率谱，以分析信号在不同频率上的能量分布。功率谱可以通过对FFT结果的平方除以信号长度来估计。 ```python # 计算功率谱 power = (np.abs(X)**2) / N # 绘制功率谱 plt.figure(figsize=(10, 4)) plt.plot(frequencies, power) plt.title('EEG信号平均功率谱') plt.xlabel('频率 (Hz)') plt.ylabel('功率') plt.grid(True) plt.show() ``` 通过上述流程，可以实现对EEG数据所有通道取平均后使用FFT绘制频谱图的过程。该方法适用于分析脑电信号的频域特征，例如在运动想象、稳态视觉诱发电位（SSVEP）等脑机接口应用中具有重要意义。 ---