学习 MNE-Python 记录

小记学习过程中遇到问题还有需要理解的知识点

直接看教程看了一小时不到，头晕眼花，这还说啥了，直接开整吧那就。

---

数据来源 —— 开源数据集
Naturalistic fMRI and MEG recordings during viewing of a reality TV show
分析其中的MEG数据，顺便理解其中的知识点，比如什么是FFT、ICA这样的概念，意义，再到实现方案

---

按照数据处理的顺序开始处理
这次真开整了
上个厕所先

---

先看看原始数据长什么样

额。。。这里其实有个问题，这个公开数据集有提到，这是经过处理后的？可能仅是划分之后的？按理说应该是没处理吧，不然这图太奇怪了。

不太懂，假装不知道好吧，开干

预处理：核心去伪影与数据校准

数据没有处理过，之前糊成一团是因为没有滤波对吧😘

陷波50Hz，高通0.1，低通120

捉到一个坏道 【MEG048】

困在ICA3个小时了，MEG中没有明确的EOG通道，需要另行考虑怎么去除，官方文档，还有其他教程我也在看，稍等

Stabilized ICA for EEG/MEG data

Preprocessing optically pumped magnetometer (OPM) MEG data

困在数据预处理断断续续大概有两天了，还是因为数据集中没有明确的EOG通道，这方面教程偏少，访问MNE-Python官网居然还算是问题，真是难受🥺

参考这篇 [Stabilized ICA for EEG/MEG data] 完成了20通道不稳定的ICA分解

但是下一语句 fig = ica.plot_sources(raw , show_scrollbars=False , title = "10 ICA sources")

略施小计

之后呢？ICA处理的是这样，然后呢？

就这啊？

我使用的数据集是被试看爸爸去哪了，wk，那能看出来个蛋，

刚刚细细想了一下，大概可以做成那种，1s一个上面的脑部图，做成动画，对应爸爸去哪了视频

不过这个有点难度，我先给官方教程那个数据集跑通再说吧

---

[Preprocessing optically pumped magnetometer (OPM) MEG data]

转战 Vs Code

没问题啊，官网的代码都能跑起来，没什么好说的，我再研究研究数据集和代码
完了最后还是处理爸爸去哪

---

狠狠拷打AI

点击查看代码

raw_ica_prep = raw.filter(l_freq=None, h_freq=40, n_jobs=-1, verbose=False)

ica = mne.preprocessing.ICA(
    n_components=30,  # 成分数量，可根据数据调整
    random_state=42,  # 固定随机种子，结果可复现
    max_iter="auto"
)

# 仅对良好的MEG通道进行ICA（排除坏通道）
meg_picks = mne.pick_types(raw_ica_prep.info, meg=True, exclude="bads")
ica.fit(raw_ica_prep, picks=meg_picks, verbose=False)

# 方式4.1：可视化识别（手动选择漂移成分，更直观）
ica.plot_components()  # 查看所有ICA成分，低频漂移成分通常表现为缓慢波动的空间分布
ica.plot_sources(raw_ica_prep)  # 查看成分的时间序列，低频漂移成分呈现慢波趋势
# 根据可视化结果，手动选择伪影成分（假设第0、2号是低频漂移成分）
exclude_components = [3, 5, 20, 26]  # 根据实际观察结果调整
ica.exclude = exclude_components

# 5. 应用ICA去除伪影（得到去低频漂移后的干净数据）
raw_ica_clean = ica.apply(raw, verbose=False)


# 后续流程（计算PSD、绘图，与原流程一致）
psd_kwargs = dict(fmax=20, n_fft=int(round(raw.info["sfreq"])))
psd_pre = raw.compute_psd(**psd_kwargs)
psd_post_reg = raw_ica_clean.compute_psd(**psd_kwargs)

# 绘图
time_ds = raw.times[:stop:step]
data_ds, _ = raw_ica_clean[::5, :stop]
data_ds = data_ds[:, ::step] * amp_scale

fig, ax = plt.subplots(layout="constrained")
ax.plot(time_ds, data_ds.T - np.mean(data_ds, axis=1), **plot_kwargs)
ax.grid(True, ls=":")
ax.set(title="After ICA Denoising (替代参考通道回归)", **set_kwargs)
plt.show()

---

After HFC

没有参考通道的呀，又忘了

做到这一步，官方教程就跑完了，剩下的因为我使用的数据是静息态的任务，另议。

---

我有一段OPM脑磁数据，被试看了20分钟的电视剧。我根据MNE的教程将数据进行了预处理，包括ICA、HFC和滤波，教程的下一步是分析ERP的脑部地形图，但是我的数据类似静息态，所以下一步呢？我能从这个数据看到什么吗？

一、核心分析方向 1：神经振荡（脑磁节律）分析（OPM 数据优势方向）
二、核心分析方向 2：功能连接与脑网络分析（静息态延伸，适配持续任务态）
三、核心分析方向 3：ICA 成分的功能深度解读（利用已完成的 ICA 预处理）
四、进阶分析方向：动态功能连接分析（突破静态连接局限性）
五、增值分析：与剧情 / 行为特征的关联分析

在尝试常见的分析方向包括数据分段（Epoch 化）、频域功率分析（各节律波段统计）

PSD空间分布

不懂

---

放弃了，2026/03/31，这次试着从阅读官方文档开始。