Skip to main content
Ctrl
+
K
安装
文档
API 参考
获取帮助
开发
致谢
系统设置
浅色
深色
选择版本
Discord(办公时间)
Mastodon
问答论坛
代码仓库
在 GitHub 上赞助我们
通过 OpenCollective 捐赠
安装
文档
API 参考
获取帮助
开发
致谢
系统设置
浅色
深色
选择版本
Discord(办公时间)
Mastodon
问答论坛
代码仓库
在 GitHub 上赞助我们
通过 OpenCollective 捐赠
收起侧边栏
展开侧边栏
章节导航
教程
入门教程
MNE-Python MEG/EEG 分析概览
原地修改数据
从原始数据中解析事件
Info 数据结构
处理传感器位置
配置 MNE-Python
开始使用
mne.Report
读取不同记录系统的数据
从 MEG 设备导入数据
导入 EEG 设备数据
导入 fNIRS 设备数据
处理 CTF 数据:Brainstorm 听觉数据集
导入眼动追踪设备数据
处理连续数据
Raw 数据结构:连续数据
处理事件
标注连续数据
Raw
对象的内置绘图方法
预处理
伪迹检测概览
使用 mne.Report 创建质量控制(QC)报告
处理坏导联
剔除坏数据段与中断
滤波背景知识
滤波与重采样
使用回归修复伪迹
使用 ICA 修复伪迹
投影器与投影背景知识
使用 SSP 修复伪迹
设置 EEG 参考
去除 fMRI 梯度伪迹
提取并可视化受试者头部运动
信号空间分离(SSS)与 Maxwell 滤波
预处理功能性近红外光谱(fNIRS)数据
光泵磁力仪(OPM)MEG 数据预处理
在 MNE-Python 中处理眼动追踪数据
将连续数据分段为 Epochs
Epochs 数据结构:不连续数据
基于回归的基线校正
可视化分段数据(Epochs)
处理 Epoch 元数据
自动生成 Epochs 元数据
将 Epochs 导出为 Pandas DataFrame
将连续数据切分为等间隔 Epoch
估计诱发响应
Evoked 数据结构:诱发/平均数据
可视化 Evoked 数据
EEG 分析:事件相关电位(ERP)
绘制白化数据
时频分析
Spectrum 与 EpochsSpectrum 类:频域数据
传感器层面的频率与时频分析
频率标记:SSVEP/vSSR 数据集基础分析
正向模型与源空间
FreeSurfer MRI 重建
源空间对齐与坐标框架
使用自动配准方法
头模型与正向计算
使用模板 MRI 计算 EEG 前向算子
MNE 如何使用 FreeSurfer 输出
修复 BEM 与头部表面
计算协方差矩阵
源定位与逆问题
SourceEstimate 数据结构
使用等效电流偶极子(ECD)拟合进行源定位
使用引导式等效电流偶极子(ECD)拟合进行源定位
使用 MNE、dSPM、sLORETA 和 eLORETA 进行源定位
偶极子方向在分布式源定位中的作用
计算多种 MNE 解
使用 LCMV 波束形成器进行源重建
可视化源时间过程(STC)
基于 MRI 电极位置的 EEG 源定位
Brainstorm Elekta 体模数据集教程
Brainstorm CTF 体模数据集教程
4D Neuroimaging/BTi 体模数据集教程
KIT 体模数据集教程
传感器数据的统计分析
统计推断
可视化 EEG 数据的统计显著性阈值
单试次功率的非参数单样本聚类统计
单试次功率的非参数条件间聚类统计
单试次功率的质量单变量双因素重复测量 ANOVA
全传感器数据的时空置换 F 检验
源估计的统计分析
使用时空聚类对源数据进行置换 t 检验
源空间数据的时空聚类两样本置换检验
使用时空聚类对源数据进行重复测量 ANOVA
神经活动的机器学习模型
连续数据的频谱-时间感受野(STRF)估计
解码(MVPA)
跨位置泛化(GAL)解码与 TimeGAL
临床应用
处理 sEEG 数据
处理 ECoG 数据
基于多导睡眠图(PSG)数据的睡眠分期
仿真
从零创建 MNE-Python 数据结构
用点扩散污染已知信号
使用 DICS 进行功率映射
可视化教程
让图表更符合出版要求
使用事件系统联动图表
示例
输入/输出
从 .fif 文件读取平均信息
读取 BCI2000 文件
从原始数据中读取阻抗
如何使用神经集成(NEO)格式的数据
读写噪声协方差矩阵
读取 XDF 脑电数据
数据模拟
比较模拟与估计的源活动
生成模拟的诱发数据
生成模拟的原始数据
使用受试者解剖结构模拟原始数据
生成模拟的源数据
预处理
对 EEG 使用对侧参考
皮层信号抑制(CSS)用于去除皮层信号
基于时间差定义目标事件并绘制诱发响应
识别因凝胶过多而短接的 EEG 电极
使用电流源密度(CSD)变换 EEG 数据
显示 EOG 伪迹的时间分布
通过回归减少 EOG 伪迹
使用可变时间窗自动生成 Epochs 元数据
使用主成分分析—最优基组(PCA-OBS)去除心脏伪迹
查找 MEG 参考通道伪迹
可视化 NIRS 伪迹校正方法
比较 MNE 中不同的 ICA 算法
对 MEG/EEG 通道插值坏道
将 MEG 或 EEG 数据插值到任意电极布局
带运动补偿的 Maxwell 滤波
标注运动伪迹并重新估计 dev_head_t
标注肌肉伪迹
去除肌肉 ICA 成分
使用过采样时间投影绘制传感器去噪结果
在剔除前探索分段质量
在诱发数据中平移时间尺度
重映射 MEG 通道类型
XDAWN 去噪
可视化
如何把 3D 电极位置转换为 2D 图像
使用 mne.viz.Brain 绘图
以图像形式可视化通道在各分段上的活动
在头皮上绘制 EEG 传感器
绘制诱发数据的地形箭头图
绘制诱发数据的地形图
用噪声协方差白化诱发数据
在 MNE-Python 中绘制眼动热图
绘制 MEG 系统的传感器布局
绘制 MNE 脑与头盔
绘制 EEG 系统的传感器布局
通过子类化 MNEBrowseFigure 进行高级绘图定制
绘制皮层分区
按 ROI 分组并按反应时排序绘制单试次活动
SSP 投影的灵敏度图
比较不同条件的诱发响应
为 MEG 传感器绘制自定义地形图
跨半球比较
时频分析示例
计算互谱密度(CSD)矩阵
从单试次分段计算逆解的功率谱密度
计算源空间标签内的功率与相位锁定
计算标签内的源功率谱密度(PSD)
计算 VectorView 与 OPM 数据的源功率谱密度
使用 dSPM 计算源空间的诱导功率
使用 AR 模型进行时间白化
计算并可视化 ERDS 图
探索特定频段的事件相关动态
模拟数据的时频分析(Multitaper vs. Morlet vs. Stockwell vs. Hilbert)
统计示例
传感器数据的一维簇水平置换 F 检验
传感器数据 T 检验的 FDR 校正
连续数据回归(rER[P/F])
通过 rpy2 与 R 集成
传感器数据的置换 T 检验
在传感器空间用分箱与回归分析连续特征
机器学习(解码、编码与 MVPA)
使用共空间模式(CSP)从 EEG 数据解码运动想象
在时频空间中使用共空间模式(CSP)解码
表征相似性分析
解码源空间数据
使用 SPoC 进行连续目标解码
传感器空间解码:跨时间与条件的泛化
使用 ICA 与 PCA 降维技术分析诱发响应
从 EEG 数据使用 XDAWN 解码
计算效应匹配空间滤波(EMS)
传感器空间线性分类器:绘制模式与滤波器
感受野估计与预测
使用时空谱分解(SSD)计算空间滤波器
连接性分析示例
正向建模
显示 EEG 与 MEG 传感器的灵敏度图
生成左侧小脑的体源空间
使用源空间变形
逆问题与源分析
在单试次分段上计算 MNE-dSPM 逆解
在原始数据上计算 sLORETA 逆解
在体源空间中计算诱发数据的 MNE-dSPM 逆解
使用自定义逆求解器进行源定位
使用 DICS 波束形成器计算源水平的时频时间过程
使用 DICS 波束形成器计算源功率
使用 DICS、LCMV 波束形成器与 dSPM 计算诱发 ERS 源功率
使用 Gamma-MAP 经验贝叶斯方法计算稀疏逆解
从 source_estimate 对象提取时间过程
从源估计生成功能标签
提取标签内激活的时间序列
使用混合范数计算稀疏逆解:MxNE 与 irMxNE
在混合源空间中对诱发数据计算 MNE 逆解
通过 MNE 投影协方差计算源功率估计
对表面源估计进行变形
对体源估计进行变形
使用类 XFit 多偶极子模型计算源时间过程
使用多尺度时频字典计算迭代重加权 TF-MxNE
使用环形图可视化标签间的源泄漏
绘制点扩散函数(PSF)与串扰函数(CTF)
计算 LCMV 波束形成器的串扰函数
绘制体源的点扩散函数(PSF)
在诱发数据上计算 RAP-MUSIC
读取逆算子
读取 STC 文件
计算源空间中的空间分辨率指标
计算空间分辨率指标以比较 MEG 与 EEG+MEG
使用逆解估计数据信噪比
计算源空间信噪比
使用时频稀疏先验计算 MxNE
在诱发数据上计算 TRAP-MUSIC
绘制完整的向量值 MNE 解
公开数据集示例
Brainstorm 原始数据(正中神经)
高频 SEF 数据集
Kernel OPM 体模数据
使用 LIMO 数据集进行单试次线性回归分析
光泵磁力计(OPM)数据
从原始数据到 SPM Faces 数据集的 dSPM
术语表
实现细节
设计理念
示例数据集
命令行工具
从其他分析软件迁移
典型 M/EEG 工作流
如何引用 MNE-Python
引用 MNE-Python 的论文
非官方中文翻译
本页译自 MNE-Python 官方文档:
查看英文原文 ↗
。 文档版权归 MNE Developers 所有(BSD-3-Clause)。
数据模拟
#
用于生成模拟数据的工具。
比较模拟与估计的源活动
比较模拟与估计的源活动
生成模拟的诱发数据
生成模拟的诱发数据
生成模拟的原始数据
生成模拟的原始数据
使用受试者解剖结构模拟原始数据
使用受试者解剖结构模拟原始数据
生成模拟的源数据
生成模拟的源数据