注意
转到末尾下载完整示例代码。
伪迹检测概览#
本教程介绍伪迹检测的基础知识，并简要介绍 MNE-Python 提供的伪迹检测工具。
照例，我们首先导入所需的 Python 模块并加载一些示例数据：
# Authors: The MNE-Python contributors.
# License: BSD-3-Clause
# Copyright the MNE-Python contributors.
import os
import numpy as np
import mne
sample_data_folder = mne.datasets.sample.data_path()
sample_data_raw_file = os.path.join(
sample_data_folder, "MEG", "sample", "sample_audvis_raw.fif"
)
raw = mne.io.read_raw_fif(sample_data_raw_file)
raw.crop(0, 60).load_data() # just use a fraction of data for speed here
Opening raw data file /home/circleci/mne_data/MNE-sample-data/MEG/sample/sample_audvis_raw.fif...
Read a total of 3 projection items:
PCA-v1 (1 x 102) idle
PCA-v2 (1 x 102) idle
PCA-v3 (1 x 102) idle
Range : 25800 ... 192599 = 42.956 ... 320.670 secs
Ready.
Reading 0 ... 36037 = 0.000 ... 60.000 secs...
什么是伪迹？#
伪迹是记录信号中并非来自感兴趣源（即大脑神经活动）的部分。因此，相对于感兴趣的信号，伪迹是一种干扰或噪声。这类干扰可能有许多来源，例如：
- 环境伪迹
- 围绕交流工频（通常为 50 或 60 Hz）的持续振荡 建筑物振动（如关门）引起的短暂信号跳变 来自附近电梯、手机、地磁场等的电磁场噪声
- 设备伪迹
- 刺激呈现带来的电磁干扰（例如 EEG 传感器拾取到未屏蔽耳机产生的场） 由头位指示（HPI）线圈所用特定频率引起的持续振荡 传感器故障导致的单个通道随机高幅波动（或反之，信号恒为零），例如表面电极与头皮接触不良
- 生理性伪迹
- 心脏电活动引起的周期性类 QRS 信号模式（尤其见于磁强计通道） 眼动引起的短促阶跃样偏转（尤其见于额区 EEG 通道） 眨眼引起的大幅瞬态偏转（尤其见于额区 EEG 通道） 吞咽时肌肉活动引起的多个通道短暂高频波动爆发
在某些情况下，来自大脑内部的信号也可能被视为伪迹。例如，如果研究者主要关注对刺激的感觉响应，但实验范式包含行为反应（如按键），那么与计划和执行按键相关的神经活动，相对于感兴趣的信号（即诱发感觉响应），就可以被视为伪迹。
注意
由于传感器设计不同（例如被动式与主动式 EEG 电极、轴向与平面梯度计等），相同来源的伪迹在不同 EEG 或 MEG 系统的记录中可能表现不同。
如何处理伪迹#
面对记录中的伪迹，通常有三种基本选择：
忽略伪迹，继续进行分析
剔除被污染的数据部分，分析剩余数据
修复伪迹，即抑制记录中的伪迹成分，同时（希望）保持感兴趣的信号不受影响
修复伪迹有许多不同的方法，MNE-Python 提供了多种伪迹修复工具，包括数字滤波、独立成分分析（ICA）、Maxwell 滤波 / 信号空间分离（SSS）以及信号空间投影（SSP）。后续的独立教程将分别演示这些伪迹修复技术。许多修复技术既可作用于连续（原始）数据，也可作用于已分段的 Epochs 数据（不过效果未必相同）；有些技术可用于内存映射数据，另一些则要求将数据复制到内存中。当然，在选用任何策略之前，你必须先检测出伪迹，这正是下一节的主题。
伪迹检测#
MNE-Python 提供了一些用于自动检测特定伪迹（如心跳和眨眼）的工具，当然你也可以随时通过目视检查数据来识别并标注伪迹。
我们在入门教程中已经看到，示例数据包含 SSP 投影器（projectors），因此在查看伪迹之前，我们先把这些投影器保存到一个单独的变量中，然后用 del_proj() 方法将它们从 Raw 对象中移除，以便在原始状态下检查数据：
ssp_projectors = raw.info["projs"]
raw.del_proj()
低频漂移#
低频漂移最容易通过目视检查发现，可使用基本的 plot() 方法；绘制较长的时间跨度并关闭逐通道的直流偏移校正会更有帮助。下面我们绘制 60 秒的数据并显示所有磁强计通道：
mag_channels = mne.pick_types(raw.info, meg="mag")
raw.plot(duration=60, order=mag_channels, n_channels=len(mag_channels), remove_dc=False)
使用较低截止频率的高通滤波即可轻松去除低频漂移（上面看到的漂移周期大约为 20 秒，因此本例中 0.1 Hz 的截止频率大概可以抑制大部分漂移）。
工频噪声#
工频伪迹在频谱图上最容易看出，因此我们用 compute_psd() 来演示。
fig = raw.compute_psd(tmax=np.inf, fmax=250).plot(
average=True, amplitude=False, picks="data", exclude="bads"
)
# add some arrows at 60 Hz and its harmonics:
for ax in fig.axes[1:]:
freqs = ax.lines[-1].get_xdata()
psds = ax.lines[-1].get_ydata()
for freq in (60, 120, 180, 240):
idx = np.searchsorted(freqs, freq)
ax.arrow(
x=freqs[idx],
y=psds[idx] + 18,
dx=0,
dy=-12,
color="red",
width=0.1,
head_width=3,
length_includes_head=True,
)
Effective window size : 3.410 (s)
Plotting power spectral density (dB=True).
这里可以看到 60、120、180 和 240 Hz 处的窄带频率峰——即美国（示例数据采集地）的工频及其 2、3、4 次谐波。其他峰（约 25 至 30 Hz 处及其二次谐波）可能与心跳有关；如下一节所述，使用专门的心跳检测函数在时域中更容易观察到。
心电伪迹（ECG）#
MNE-Python 在 mne.preprocessing 子模块中提供了专用函数 find_ecg_events()，用于从专用 ECG 通道或磁强计（若没有 ECG 通道）中检测心电伪迹。此外，create_ecg_epochs() 函数会在内部调用 find_ecg_events()，并利用得到的事件数组提取以检测到的心电伪迹为中心的 Epochs。下面我们创建这些 Epochs，然后展示检测到的心电伪迹的图像，以及跨伪迹平均的 ERF。尽管 EEG 通道受心电伪迹影响较弱，我们仍会展示全部三种通道类型：
ecg_epochs = mne.preprocessing.create_ecg_epochs(raw)
ecg_epochs.plot_image(combine="mean")
Reconstructing ECG signal from Magnetometers
Setting up band-pass filter from 8 - 16 Hz
FIR filter parameters
---------------------
Designing a two-pass forward and reverse, zero-phase, non-causal bandpass filter:
- Windowed frequency-domain design (firwin2) method
- Hann window
- Lower passband edge: 8.00
- Lower transition bandwidth: 0.50 Hz (-12 dB cutoff frequency: 7.75 Hz)
- Upper passband edge: 16.00 Hz
- Upper transition bandwidth: 0.50 Hz (-12 dB cutoff frequency: 16.25 Hz)
- Filter length: 6007 samples (10.001 s)
Number of ECG events detected : 59 (average pulse 58.9981981638739 / min.)
Not setting metadata
59 matching events found
No baseline correction applied
Using data from preloaded Raw for 59 events and 601 original time points ...
0 bad epochs dropped
Not setting metadata
59 matching events found
No baseline correction applied
0 projection items activated
Not setting metadata
59 matching events found
No baseline correction applied
0 projection items activated
Not setting metadata
59 matching events found
No baseline correction applied
0 projection items activated
combining channels using "mean"
combining channels using "mean"
combining channels using "mean"
磁强计图像中的水平条纹反映了心电伪迹叠加在低频漂移之上（如前文所见）；为避免这种情况，可以在调用 create_ecg_epochs() 时传入 baseline=(-0.5, -0.2)。你还可以通过 average() 方法对 ECG Epochs 求平均，再用 mne.Evoked.plot_topomap() 方法快速查看各传感器上与 ECG 相关的场模式：
avg_ecg_epochs = ecg_epochs.average().apply_baseline((-0.5, -0.2))
Applying baseline correction (mode: mean)
同样，我们可以可视化相对于 EOG 响应峰值的不同时刻所对应的场空间模式：
avg_ecg_epochs.plot_topomap(times=np.linspace(-0.05, 0.05, 11))
或者，我们可以用 plot() 得到 ERP/F 图，或用 plot_joint() 得到头皮场图与 ERP/F 的组合图。这里我们手动指定了绘制头皮场图的时间点；若不指定，则会根据信号峰值自动选择：
avg_ecg_epochs.plot_joint(times=[-0.25, -0.025, 0, 0.025, 0.25])
No projector specified for this dataset. Please consider the method self.add_proj.
眼电伪迹（EOG）#
与上述心电检测和分段方法类似，MNE-Python 也提供了检测和提取眼电伪迹的函数：find_eog_events() 和 create_eog_epochs()。这里我们同样使用更高层的便捷函数，一步自动查找伪迹并将其提取到 Epochs 对象中。与上面的心电伪迹不同，眼电伪迹通常在 EEG 通道中最明显，但我们仍会展示全部三种通道类型。这次我们也会使用 baseline 参数；注意眨眼次数远少于心跳，因此图像看起来会比较块状：
eog_epochs = mne.preprocessing.create_eog_epochs(raw, baseline=(-0.5, -0.2))
eog_epochs.plot_image(combine="mean")
eog_epochs.average().plot_joint()
Using EOG channel: EOG 061
EOG channel index for this subject is: [375]
Filtering the data to remove DC offset to help distinguish blinks from saccades
Selecting channel EOG 061 for blink detection
Setting up band-pass filter from 1 - 10 Hz
FIR filter parameters
---------------------
Designing a two-pass forward and reverse, zero-phase, non-causal bandpass filter:
- Windowed frequency-domain design (firwin2) method
- Hann window
- Lower passband edge: 1.00
- Lower transition bandwidth: 0.50 Hz (-12 dB cutoff frequency: 0.75 Hz)
- Upper passband edge: 10.00 Hz
- Upper transition bandwidth: 0.50 Hz (-12 dB cutoff frequency: 10.25 Hz)
- Filter length: 6007 samples (10.001 s)
Now detecting blinks and generating corresponding events
Found 10 significant peaks
Number of EOG events detected: 10
Not setting metadata
10 matching events found
Applying baseline correction (mode: mean)
Using data from preloaded Raw for 10 events and 601 original time points ...
0 bad epochs dropped
Not setting metadata
10 matching events found
No baseline correction applied
0 projection items activated
Not setting metadata
10 matching events found
No baseline correction applied
0 projection items activated
Not setting metadata
10 matching events found
No baseline correction applied
0 projection items activated
combining channels using "mean"
combining channels using "mean"
combining channels using "mean"
No projector specified for this dataset. Please consider the method self.add_proj.
小结#
熟悉典型的伪迹形态和幅值，是评估后续伪迹修复效果的关键第一步。一个经验法则是：伪迹幅值应比感兴趣的信号大若干个数量级，并且这类事件应出现多次，这样才有可能找到能有效估计并修复伪迹的信号分解。
本节的其他几个教程演示了各种伪迹修复工具，并讨论了每种技术的优缺点，例如：
此外还有关于通用预处理步骤的教程，例如滤波与重采样，以及剔除坏通道或坏数据段。
脚本总运行时间：（0 分钟 8.753 秒）