从 OPM、SQUID、EEG 原始数据到 BIDS：一个多模态脑磁数据处理项目实践
1. 背景：我是做什么工作的
我目前的研究方向是基于原子磁力仪（OPM）的脑磁图（MEG）研究。
组里有两份远古时期传承下来的数据，一份做出来，一份没做出来。数据格式是txt，内里只有数据，命名诡异，其他无任何说明 🤤
大量时间都花在搞清楚这个设备参数、实验范式和整理数据上了
不同设备导出的数据格式各异，元数据散落在实验记录本里，后续如果想用 MNE-Python 等标准工具链进行分析，往往需要写大量的“胶水代码”来适配。
- 因此，先把数据组织成可复现、可验证、可继续分析的工程项目，这很重要。
有一天拷打在AI，无意中看到了珍贵的多模态脑数据，涵盖了 SQUID-MEG、OPM-MEG，以及和 SQUID 同步采集的 EEG 数据。
OPM-MEG, SQUID-MEG, and EEG (OSE) dataset
根据 MNE 官方推荐解决方案，可将所有原始数据统一转换为 BIDS（Brain Imaging Data Structure）标准格式。
2. 原始数据长什么样
本次项目共包含 5 名被试：002、005、006、093、095。
每位被试在一次实验中通常包含以下几类数据：
- EEG：脑电图
- SQUID：传统低温超导 MEG
- OPM：可穿戴光泵磁力仪 MEG
- Empty：空房间环境噪声记录
- T1：结构磁共振成像（用于后续源定位）
实验任务包含四个范式：auditory（听觉）、motor（运动）、rest（静息态）、somatosensory（体感）。
原始数据的格式不统一：
- EEG 使用 BrainVision 格式（三件套
.vhdr/.vmrk/.eeg）。 - OPM 导出为 MATLAB
.mat文件，包含数据矩阵、传感器位置、方向和 trigger。 - SQUID 使用 Ricoh/KIT 系统的
.con格式。
如果不做标准化，这三份数据不好入手。
3. BIDS 长什么样
BIDS 不仅仅是一个目录命名规范，它强制你保留数据的上下文。把数据转成 BIDS 的工程收益包括：
- 统一入口：后续所有分析只需通过
mne-bids读取，不用关心底层是.eeg还是.con。 - 元数据保留：通道信息、事件信息、坐标系等以
.tsv和.json标准化保存，人机可读。 - 无缝衔接 Pipeline：转成 BIDS 后，可以直接接入
mne-bids-pipeline等自动化流程，极大提升复现性。
转换后的 BIDS 目录结构如下：
bids_dataset/
sub-002/
ses-01/
eeg/
sub-002_ses-01_task-auditory_eeg.vhdr
sub-002_ses-01_task-auditory_eeg.vmrk
sub-002_ses-01_task-auditory_eeg.eeg
sub-002_ses-01_task-auditory_eeg.json
sub-002_ses-01_task-auditory_channels.tsv
sub-002_ses-01_task-auditory_events.tsv
sub-002_ses-01_task-auditory_electrodes.tsv
sub-002_ses-01_task-auditory_coordsystem.json
meg/
sub-002_ses-01_task-auditory_meg.con
sub-002_ses-01_task-auditory_channels.tsv
...
sub-emptyroom/
ses-01/
meg/
sub-emptyroom_ses-01_task-noise_meg.con
吐槽一下，我觉得这个结构似乎不是给人类准备的
4. 三种设备的转换差异（核心踩坑记录）
这是整个项目中最耗时的部分，不同设备的转换逻辑差异巨大，以下是各类设备处理的核心思路：
：）我现在有[OPM-MEG, SQUID-MEG, and EEG (OSE) dataset]，在文件夹内，请你将它们依次规整成BIDS格式
OPM: MAT 文件解析重构
OPM 数据是 .mat 文件，虽然官方提供了Reading data for different recording systems，但是因为程序处理字段是写死的，不一致就会有报错
比如这里 KeyError: 'data' 在这个.mat文件中数据字段是 bexp 🌞
这里我选择古法炮制数据——将.mat文件拆开再填充进新建RAW对象，胃，这真的很酷，不是吗 😎
提取数据矩阵、采样率、通道名称、传感器位置和朝向（坐标转换矩阵） 以及 trigger 通道
这里的传感器位置很重要，后续的降噪处理比如 HFC 会用到，需要写入进loc数组中
注意到探头型号是 Quspin （数据文档也有标明）
FIFFV_COIL_QUSPIN_ZFOPM_MAG 是 Z 轴 OPM，其线圈坐标系中敏感轴是 z 轴，即 [0,0,1]
MNE 将 loc[3:12] 解释为 3×3 旋转矩阵的三列：
loc[3:6] = ex ← 线圈局部坐标系 x 轴在 head 坐标下的方向
loc[6:9] = ey
loc[9:12] = ez ← 线圈 z 轴 = 敏感轴，在 head 坐标下的方向
compute_proj_hfc计算各传感器法向量时，执行的是R @ [0,0,1] = loc[9:12]。
你的代码把pick_ori[i]（敏感轴）写进了loc[3:6]，而loc[9:12]全为零 → HFC 看到的所有法向量都是零向量 → 投影矩阵退化，校正完全无效。
然后，使用 MNE 的 mne.io.RawArray 构造 Raw 对象，转成 fif，最后统一通过 mne-bids 写入标准的 FIF 和 BIDS sidecar 文件。
以上是摸索，下面使用了 GPT5.5 一步到位，简直爽歪歪
EEG: BrainVision 格式整理
BrainVision 格式相对友好，mne-bids 原生支持较好。这里的工程重点在于修正内部文件引用（确保 .vhdr 内部指向正确的 .eeg 和 .vmrk），并确保手动补全标准的 channels.tsv（标记 EOG/ECG 等额外通道）、events.tsv（提取 trigger 转为事件）以及 electrodes.tsv 和 coordsystem.json（写入标准 10-10 系统电极坐标）。
SQUID: Ricoh/KIT .con 格式映射问题
SQUID 数据使用 Ricoh/KIT 系统的 .con 格式。这里遇到了一个硬坑：MNE 在读取特定型号（如 PQ1400R）的 .con 文件时，对 planar gradiometer（平面梯度计）的通道映射不完整，导致通道类型识别错误。
解决办法：通过运行时兼容映射（runtime compatibility mapping），强行将 .con 转换为标准的 FIF 文件，再手动写入 MEGGRADAXIAL（轴向梯度计）和 MEGGRADPLANAR（平面梯度计）
即可。这种方式比逐个填充通道参数（Info）更加优雅且不易出错。
from mne.io.constants import FIFF
from mne.io.kit import constants as kit_constants
kit_constants.KIT.CH_TO_FIFF_COIL[
kit_constants.KIT.CHANNEL_PLANAR_GRADIOMETER
] = FIFF.FIFFV_COIL_KIT_GRAD
以上只是麻烦些，手动对齐颗粒度即可，遇到问题记得及时拷打AI 🤛
5. 我要验 BIDS 没有问题
我说写完 BIDS 一定要验证，不然还是感觉乱七八糟
以OPM为例
每个 OPM FIF 能否被 MNE 读取
channels.tsv 行数是否匹配 raw channel 数
meg.json 是否存在
coordsystem.json 是否存在
events.tsv 是否存在
保证每种设备本身是完整的、可读的、元数据基本一致
VALIDATORS = [
("EEG", "validate_eeg_bids.py"),
("OPM-MEG", "validate_opm_bids.py"),
("SQUID-MEG", "validate_squid_bids.py"),
("MNE-BIDS read", "validate_mne_bids_read.py"),
]
通道类型是否正确？
采样率是否一致？
事件是否能用于 epoch？
MNE-BIDS 是否能按 BIDSPath 逐个读取？
保证 MNE-BIDS pipeline 能跑起来
from mne_bids import BIDSPath, read_raw_bids
bids_path = BIDSPath(
root="bids_dataset",
subject="002",
session="01",
task="auditory",
acquisition="squid",
run="01",
datatype="meg",
suffix="meg",
extension=".fif",
)
raw = read_raw_bids(bids_path=bids_path)
print(raw)
反正就是跑 + 输出参数，肉眼丁真一下看看有没有问题
前面仅对 RAW 对象填充字段和数据，加上AI审查生成，基本不会填充错误
不会很难，理顺就好
6. 第一版 auditory QC 结果
数据整理完毕后，不是我 GPT 跑了第一版听觉任务的质量控制分析。处理流程非常基础：
- 带通滤波 1-40 Hz
- 提取 Epoch 并进行 Baseline 校正
- 计算 Evoked 响应
- 计算 GFP（Global Field Power）和 RMS（Root Mean Square）
- 评估 SNR 和峰值潜伏期
当前阶段的统计结果如下：
[Auditory Evoked Response QC]
EEG: 平均 SNR 6.89, 峰值潜伏期 176 ms
OPM: 平均 SNR 3.10, 峰值潜伏期 132.5 ms
SQUID: 平均 SNR 6.09, 峰值潜伏期 133.6 ms
特别声明：这只是第一版 QC（质量控制）数据。当前 OPM 的 SNR 偏低是预期的，因为我还啥也没做诶。这组数据目前的作用是证明“数据流转链路已完全打通”。
7. 下一步计划
有了可验证的 BIDS 数据集，接下来的工程化路线就非常清晰了：
浙公网安备 33010602011771号