# MNE处理EEGLab导出的.set文件的完整指南 MNE-Python提供了强大的功能来处理EEGLab导出的.set文件，使得用户能够在Python环境中无缝对接MATLAB格式的脑电数据。下面详细介绍具体方法和步骤。 ## 1. 基础读取方法 ### 使用mne.io.read_epochs_eeglab() ```python import mne # 基本读取方法 raw = mne.io.read_epochs_eeglab('eeg_data.set') # 查看数据基本信息 print(raw.info) ``` 这是最直接的读取方式，MNE会自动识别.set文件并加载相应的数据[ref_5]。 ### 完整的数据读取示例 ```python import mne import matplotlib.pyplot as plt # 读取.set文件 file_path = 'example_data.set' raw = mne.io.read_epochs_eeglab(file_path) # 显示数据信息 print("数据形状:", raw.get_data().shape) print("采样率:", raw.info['sfreq']) print("通道数量:", len(raw.info['ch_names'])) print("通道名称:", raw.info['ch_names']) # 可视化原始数据 raw.plot(n_channels=20, scalings='auto') plt.show() ``` ## 2. 数据预处理流程 ### 2.1 数据质量检查 ```python # 检查数据质量 def check_data_quality(raw): # 查看数据基本信息 print("数据持续时间: {:.2f}秒".format(raw.times[-1] - raw.times[0])) print("事件数量:", len(raw.events)) # 检查坏道 if raw.info['bads']: print("标记为坏道的通道:", raw.info['bads']) else: print("未发现坏道") return raw # 执行质量检查 raw = check_data_quality(raw) ``` ### 2.2 滤波处理 ```python # 应用带通滤波 def apply_filters(raw): # 高通滤波去除慢波漂移 raw_filtered = raw.copy().filter(l_freq=1.0, h_freq=None) # 低通滤波去除高频噪声 raw_filtered = raw_filtered.filter(l_freq=None, h_freq=40.0) # 工频滤波去除50Hz干扰 raw_filtered.notch_filter(freqs=50) return raw_filtered # 执行滤波 raw_filtered = apply_filters(raw) ``` ## 3. 数据可视化分析 ### 3.1 时域可视化 ```python # 绘制脑电波形图 def plot_eeg_waveforms(raw, channels=None): if channels is None: channels = ['Fz', 'Cz', 'Pz', 'Oz'] # 默认显示中线通道 # 创建子图 fig, axes = plt.subplots(len(channels), 1, figsize=(12, 8)) for i, ch_name in enumerate(channels): # 获取通道数据 ch_idx = raw.ch_names.index(ch_name) data, times = raw[:, :] # 绘制单个通道 axes[i].plot(times, data[ch_idx, :]) axes[i].set_ylabel(ch_name) axes[i].grid(True) axes[-1].set_xlabel('时间 (秒)') plt.tight_layout() plt.show() # 调用可视化函数 plot_eeg_waveforms(raw_filtered) ``` ### 3.2 频域分析 ```python # 功率谱密度分析 def plot_psd(raw): # 计算功率谱密度 psds, freqs = mne.time_frequency.psd_array_multitaper( raw.get_data(), sfreq=raw.info['sfreq'], fmin=1, fmax=40 ) # 绘制功率谱 plt.figure(figsize=(10, 6)) for i, ch_name in enumerate(['Fz', 'Cz', 'Pz']): ch_idx = raw.ch_names.index(ch_name) plt.semilogy(freqs, psds[ch_idx], label=ch_name) plt.xlabel('频率 (Hz)') plt.ylabel('功率谱密度') plt.legend() plt.title('各通道功率谱密度') plt.grid(True) plt.show() # 执行频域分析 plot_psd(raw_filtered) ``` ## 4. 高级处理功能 ### 4.1 独立成分分析(ICA) ```python # ICA去伪迹 def apply_ica(raw): # 创建ICA对象 ica = mne.preprocessing.ICA( n_components=15, max_iter=800, random_state=42 ) # 拟合ICA模型 ica.fit(raw) # 可视化ICA组件 ica.plot_components() # 自动检测眼电伪迹 eog_indices, eog_scores = ica.find_bads_eog(raw) print("检测到的眼电伪迹组件:", eog_indices) # 去除伪迹组件 ica.exclude = eog_indices raw_clean = ica.apply(raw.copy()) return raw_clean, ica # 执行ICA处理 raw_clean, ica_obj = apply_ica(raw_filtered) ``` ### 4.2 脑电地形图绘制 ```python # 绘制脑电地形图 def plot_topomaps(raw, times=[0.1, 0.2, 0.3]): # 创建evoked对象 evoked = raw.average() # 绘制地形图 evoked.plot_topomap(times=times, size=3, show_names=True) # 绘制传感器位置 evoked.plot_sensors(show_names=True, show=False) plt.show() # 调用地形图绘制 plot_topomaps(raw_clean) ``` ## 5. 事件相关电位分析 ```python # ERP分析 def analyze_erp(epochs): # 按事件类型提取epochs conditions = list(set(epochs.events[:, 2])) # 计算各条件的ERP erps = {} for cond in conditions: epochs_cond = epochs[epochs.events[:, 2] == cond] erps[cond] = epochs_cond.average() # 绘制ERP对比 fig, axes = plt.subplots(2, 2, figsize=(12, 8)) axes = axes.flatten() for i, ch_name in enumerate(['Fz', 'Cz', 'Pz', 'Oz']): for cond, erp in erps.items(): ch_idx = erp.ch_names.index(ch_name) axes[i].plot(erp.times, erp.data[ch_idx], label=f'条件 {cond}') axes[i].set_title(f'通道 {ch_name}') axes[i].set_xlabel('时间 (秒)') axes[i].set_ylabel('幅度 (μV)') axes[i].legend() axes[i].grid(True) plt.tight_layout() plt.show() return erps # 执行ERP分析（假设数据已经是epochs格式） erp_results = analyze_erp(raw) ``` ## 6. 数据导出与格式转换 ```python # 数据导出功能 def export_processed_data(raw, output_path): # 导出为FIF格式（MNE原生格式） raw.save(output_path + '_raw.fif', overwrite=True) # 导出为EDF格式（通用格式） raw.export(output_path + '.edf', fmt='edf') # 导出事件信息 events = raw.events np.savetxt(output_path + '_events.txt', events, fmt='%d') print("数据导出完成") # 调用导出函数 export_processed_data(raw_clean, 'processed_eeg_data') ``` ## 7. 完整处理流程示例 ```python # 完整的.set文件处理流程 def process_set_file_complete(set_file_path): """完整的.set文件处理流程""" # 1. 数据读取 print("步骤1: 读取数据...") raw = mne.io.read_epochs_eeglab(set_file_path) # 2. 质量检查 print("步骤2: 数据质量检查...") raw = check_data_quality(raw) # 3. 滤波处理 print("步骤3: 滤波处理...") raw_filtered = apply_filters(raw) # 4. ICA去伪迹 print("步骤4: ICA去伪迹...") raw_clean, ica = apply_ica(raw_filtered) # 5. 可视化分析 print("步骤5: 可视化分析...") plot_eeg_waveforms(raw_clean) plot_psd(raw_clean) plot_topomaps(raw_clean) # 6. ERP分析 print("步骤6: ERP分析...") erp_results = analyze_erp(raw_clean) # 7. 数据导出 print("步骤7: 数据导出...") export_processed_data(raw_clean, 'final_processed') return raw_clean, ica, erp_results # 执行完整流程 final_raw, final_ica, final_erps = process_set_file_complete('eeg_data.set') ``` 通过上述方法和步骤，用户可以充分利用MNE-Python的强大功能来处理EEGLab导出的.set文件，实现从数据读取、预处理、分析到可视化的完整工作流程。MNE的优势在于其开源性、Python生态系统的丰富性以及对现代机器学习方法的良好支持[ref_2]。