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）。

数据集概览

注意

向 MNE-Python 贡献数据集

欢迎在 MNE Forum 上联系 MNE-Python 开发者，讨论添加更多公开数据集的可能性。

所有数据集获取函数都位于 mne.datasets 中。要下载任意数据集，可使用 data_path（获取完整数据集）或 load_data（部分获取数据集）函数。

所有获取函数都会先检查默认下载位置，确认数据集是否已存在于你的计算机上，仅在必要时才下载。默认下载位置也可配置；更多信息请参阅任一 data_path 函数的文档。

Sample 数据集

mne.datasets.sample.data_path()。

这些数据由 MGH/HMS/MIT Athinoula A. Martinos 生物医学成像中心的 Neuromag Vectorview 系统采集。在采集 MEG 的同时，还记录了来自 60 通道电极帽的 EEG 数据。原始 MRI 数据集由 Siemens 1.5 T Sonata 扫描仪采用 MPRAGE 序列采集。

注意

提供这些数据仅用于熟悉 MNE 软件，不应使用这些数据评估所用 MEG 或 MRI 系统的性能。

在该实验中，向受试者的左右视野呈现棋盘格图案，其间穿插呈现给左耳或右耳的音调。刺激间隔为 750 ms。偶尔在视野中央呈现笑脸图案。要求受试者在笑脸出现后尽快用右手食指按键。

Sample 数据集的触发码。

名称		内容
LA	1	对左耳听觉刺激的响应
RA	2	对右耳听觉刺激的响应
LV	3	对左侧视野刺激的响应
RV	4	对右侧视野刺激的响应
smiley	5	对笑脸图案的响应
button	32	按键触发的响应

数据集内容

示例数据集包含两个主要目录：MEG/sample（MEG/EEG 数据）和 subjects/sample（MRI 重建结果）。除受试者 sample 外，还提供了另一名受试者 morph 的 MRI 表面重建，用于演示 morphing（形变映射）功能。

MEG/sample 目录的内容。

文件	内容
sample/audvis_raw.fif	原始 MEG/EEG 数据
audvis.ave	用于离线平均的模板脚本
auvis.cov	用于计算噪声协方差矩阵的模板脚本

subjects/sample 目录内容概览。

文件 / 目录	内容
bem	正向建模数据目录
bem/watershed	使用 watershed 算法计算的 BEM 表面分割数据
bem/inner_skull.surf	BEM 使用的内颅骨表面
bem/outer_skull.surf	BEM 使用的外颅骨表面
bem/outer_skin.surf	BEM 使用的皮肤表面
sample-head.fif	供 mne_analyze 可视化使用的 FIF 格式皮肤表面
surf	表面重建结果
mri/T1	可视化中使用的 T1 加权 MRI 数据

示例数据集中已完成以下预处理步骤：

• MRI 表面重建已使用 FreeSurfer 软件计算完成。

• BEM 表面已使用 watershed 算法创建，参见使用 watershed 算法。

为方便起见，示例数据集随附 fsaverage。

UCL OPM 听觉数据集

mne.datasets.ucl_opm_auditory.data_path()。

使用 UCL 的 FIL 提供的 OPM 装置进行的基础听觉诱发磁场实验。详情参见 [1]。

示例

• 光泵磁力仪（OPM）MEG 数据预处理

Brainstorm 数据集

提供三个 Brainstorm 教程的数据集获取函数。用户在下载前必须同意这些数据集的许可条款。这些文件由 CTF 275 系统记录，并以原生 CTF 格式（.ds 文件）提供。

听觉数据集

mne.datasets.brainstorm.bst_raw.data_path()。。

有关数据的详情请参阅 Brainstorm 听觉数据集教程。

示例

• 处理 CTF 数据：Brainstorm 听觉数据集：部分复现了原始 Brainstorm 教程。

静息态数据集

mne.datasets.brainstorm.bst_resting.data_path()。

详情请参阅 Brainstorm 静息态数据集教程。

示例

• 在源空间计算包络相关

正中神经数据集

mne.datasets.brainstorm.bst_raw.data_path()。

详情请参阅 Brainstorm 正中神经数据集教程。

示例

• Brainstorm 原始（正中神经）数据集

SPM faces 数据集

mne.datasets.spm_face.data_path()。

SPM faces 数据集包含面孔知觉任务的 EEG、MEG 和 fMRI 记录。

示例

• 从原始数据到 SPM Faces 数据集的 dSPM：完整流程，包括伪迹去除、分段平均、正向模型计算，以及针对“faces - scrambled”对比的 dSPM 源重建。

EEGBCI 运动想象数据集

mne.datasets.eegbci.load_data()。

EEGBCI 数据集的说明见 [2] 以及 PhysioNet 文档页面。该数据集可在 PhysioNet 获取 [3]。它包含 109 名受试者、每人 14 次 run 的 64 通道 EEG 记录，格式为 EDF+。记录使用 BCI2000 系统完成。要加载某名受试者的数据，可执行：

from mne.io import concatenate_raws, read_raw_edf
from mne.datasets import eegbci
subjects = [1]  # may vary
runs = [4, 8, 12]  # may vary
raw_fnames = eegbci.load_data(subjects, runs)
raws = [read_raw_edf(f, preload=True) for f in raw_fnames]
# concatenate runs from subject
raw = concatenate_raws(raws)
# make channel names follow standard conventions
eegbci.standardize(raw)

示例

• 使用共空间模式（CSP）从 EEG 数据解码运动想象

躯体感觉数据集

mne.datasets.somato.data_path()。

该数据集包含伴有事件相关同步（ERS）与事件相关去同步（ERD）的躯体感觉数据。

示例

• 传感器层面的频率与时频分析

• 使用 DICS 波束形成器计算源功率

• 探索特定频段的事件相关动态

多模态数据集

mne.datasets.multimodal.data_path()。

该数据集包含在 Otaniemi（阿尔托大学）记录的单名受试者数据，刺激包括听觉、视觉和躯体感觉。

示例

• 从 .fif 文件中获取平均信息

fNIRS 运动数据集

mne.datasets.fnirs_motor.data_path()。

该数据集包含在麦考瑞大学记录的单名受试者数据。光极（optodes）放置于运动皮层上方。共有三种条件：

• 左手拇指依次轻叩其余手指

• 右手拇指依次轻叩其余手指

• 无任何动作的对照条件

每次轻叩持续 5 秒，每种条件各 30 个试次。

示例

• 预处理功能性近红外光谱（fNIRS）数据

高频 SEF 数据集

mne.datasets.hf_sef.data_path()。

该数据集包含数千个分段的躯体感觉诱发磁场（正中神经刺激）数据。数据使用 Elekta TRIUX MEG 设备以 3 kHz 采样率记录，适合研究高频躯体感觉响应。数据集包含两名受试者的数据，以及 DICOM 格式的 MRI 图像和 FreeSurfer 重建结果。

示例

• 高频 SEF 响应。

视觉 92 类物体数据集

mne.datasets.visual_92_categories.data_path()。

该数据集使用 306 通道 Neuromag Vectorview 系统记录。

实验向受试者视觉呈现 92 幅图像，内容涵盖人物、动物以及自然或人造的无生命物体 [4]。由于条件数量众多，该数据集非常适合基于表征相似性分析（RSA）的方法。

示例

• 表征相似性分析（RSA）：部分复现了 [4] 的结果。

mTRF 数据集

mne.datasets.mtrf.data_path()。

该数据集包含 128 通道 EEG 以及自然语音刺激特征，后者也可在此获取。

实验中受试者聆听自然语音。数据集包含语音刺激的多种特征表示，适合用于拟合神经活动的连续回归模型。更多细节和该软件包的说明见 [5]。

示例

• 感受野估计与预测：部分复现了 [5] 的结果。

Kiloword 数据集

mne.datasets.kiloword.data_path()。

该数据集由 75 名受试者对 960 个英文单词执行词汇判断任务的平均 EEG 数据组成 [6]。这些单词带有丰富的标注，可用于（例如）对书面单词加工的 EEG 相关成分进行多元回归估计。

KIT 体模数据集

mne.datasets.phantom_kit.data_path()。

该数据集是在澳大利亚悉尼的麦考瑞大学使用 KIT 系统对体模（phantom）测量获得的。

示例

• KIT 体模数据集教程

4D Neuroimaging / BTi 数据集

mne.datasets.phantom_4dbti.data_path()。

该数据集是在马赛 La Timone 医院的 MEG 中心使用 4D Neuroimaging / BTi 系统对体模测量获得的。

示例

• 4D Neuroimaging/BTi 体模数据集教程

Kernel OPM 体模数据集

mne.datasets.phantom_kernel.data_path()。

该数据集是在华盛顿大学 ILABS 的 Kernel Flux（720 传感器）系统中使用 Neuromag 体模测量获得的。为测试目的，42 个可能模块中仅有 7 个处于工作状态，因此只得到 121 个通道的数据，覆盖范围有限（主要位于枕区和顶区）。

示例

• Kernel OPM 体模数据

OPM 数据集

mne.datasets.opm.data_path()。

使用 Elekta DACQ 采集的 OPM 数据，只是将数据直接接入 Elekta 磁力计通道。因此这些 FIF 文件看起来来自一个 TRIUX 系统，但该系统只采集少量磁力计通道，而非整个阵列。

OPM 的 coil_type 为自定义类型，需要自定义的 coil_def.dat。新的 coil_type 为 9999。

OPM 的配准与典型的 SQUID-MEG 流程略有不同。OPM 不需要 -trans.fif 文件，FIF 文件中已包含以 MRI 坐标表示的正确传感器位置，且没有 RPA/LPA/Nasion 的数字化点。因此 MEG<->Head 坐标变换被视为单位矩阵（即一切都在 MRI 坐标中），尽管这会错误地识别头部坐标系（头部坐标系由 LPA、RPA 和 Nasion 的关系定义）。

触发信号包括：

• 正中神经刺激：触发值 257。

• 磁触发（仅 OPM 测量中）：触发值 260。在正中神经刺激前 1 秒，会向 MSR 输入一个磁触发。这样做是为了事后检查各 OPM 之间的同步情况，因为每个传感器都运行在独立时钟上。结果表明同步效果令人满意。

示例

• 光泵磁力计（OPM）数据

• 计算 VectorView 与 OPM 数据的源功率谱密度（PSD）

Sleep PolySomnoGraphic 数据库

mne.datasets.sleep_physionet.age.fetch_data() mne.datasets.sleep_physionet.temazepam.fetch_data()

Sleep PhysioNet 数据库包含 197 份整夜多导睡眠图（PolySomnoGraphic）睡眠记录，其中有 EEG、EOG、颏肌 EMG 和事件标记。部分记录还包含呼吸和体温。相应的睡眠图（hypnogram，睡眠模式）由训练有素的技术人员依据 Rechtschaffen and Kales 手册人工判读，也一并提供。如使用这些数据，请引用 [7] 和 [3]。

示例

• 基于多导睡眠图（PSG）数据的睡眠分期

参考通道噪声 MEG 数据集

mne.datasets.refmeg_noise.data_path()。

该数据集是在德国埃尔朗根大学医院使用 4D Neuroimaging / BTi 系统采集的。整段记录中存在强烈的外部磁噪声爆发，因此非常适合作为自动噪声去除技术的示例。

示例

• 查找 MEG 参考通道伪迹

其他数据集

这些数据集在文档中用于特定目的，通常不适合单独用于分析。

fsaverage

mne.datasets.fetch_fsaverage()。

为方便起见，我们提供了一个函数，用于单独下载并解压（或更新已有的）fsaverage 受试者数据。另请参阅 fsaverage 的背景信息。

示例

使用模板 MRI 计算 EEG 前向算子

婴儿模板 MRI

mne.datasets.fetch_infant_template()。

该函数会从 [8] 下载婴儿模板 MRI 以及 MNE 专用文件。

ECoG 数据集

mne.datasets.misc.data_path()。数据位于 /ecog/。

该数据集包含一个皮层脑电图（ECoG）示例数据集，其中有两个电极网格和十根电极杆，运动数据为模拟数据（真实数据尚待提供）。

示例

• 如何将 3D 电极位置转换为 2D 图像：演示如何将 3D 电极位置投影到 2D 图像上，这是 ECoG 分析中的常见步骤。

• 定位颅内电极触点：演示如何使用图形界面定位电极触点，并将其变形映射到标准图谱。

sEEG 数据集

mne.datasets.misc.data_path()。数据位于 /seeg/。

该数据集包含一个立体脑电图（sEEG）示例数据集，其中有 21 根电极杆，任务为在键盘上完成二选一运动。

示例

• 定位颅内电极触点：演示如何使用图形界面定位电极触点，并将其变形映射到标准图谱。

• 处理 sEEG 数据：演示绘制 sEEG 解剖结构与结果的方法。

LIMO 数据集

mne.datasets.limo.load_data()。

在原始 LIMO 实验（见 [9]）中，参与者执行二选一强制选择任务，对两种面孔刺激进行辨别。整个实验中被试辨别的始终是同样两张面孔。关键操纵在于任务中向面孔刺激加入的噪声水平，使面孔对观察者而言更易或更难辨认。

所呈现的面孔沿噪声-信号（或称相位一致性）连续体变化，范围从 0 到 100%，以 10% 为步长递增。换言之，相位一致性高的面孔（如 90%）容易识别，而相位一致性低的面孔（如 10%）难以识别，因而也难以辨别。

示例

• 使用 LIMO 数据集进行单试次线性回归分析：探索 LIMO 数据集中单名受试者的数据，演示如何利用各数据集 metadata 中的信息拟合单试次线性回归。

ERP CORE 数据集

mne.datasets.erp_core.data_path()。

原始 ERP CORE 数据集 [10] 包含 40 名参与者的数据，他们完成了 6 个 EEG 实验，这些实验经过精心设计，用于诱发 7 种著名的事件相关电位（ERP）成分。

目前，MNE-Python 的 ERP CORE 数据集仅提供 Flankers 范式中一名参与者（受试者 001）的数据，该范式可诱发偏侧化准备电位（LRP）和错误相关负波（ERN）。所提供的数据并非 ERP CORE 数据集的原始数据，而是经过少量修改的版本，旨在演示 Epochs 的 metadata 功能。例如，我们已正确设置参考和 montage，并将事件保存为 Annotations。数据以 FIFF 格式提供。

示例

• 自动生成 Epochs metadata：学习如何自动生成 Epochs metadata，并可视化错误相关负波（ERN）ERP 成分。

SSVEP 数据集

mne.datasets.ssvep.data_path()。

这是一个简单的频率标记视觉刺激示例数据集：N=2 名参与者观看以 12.0 Hz 或 15.0 Hz 恒定频率翻转的棋盘格图案。共 10 个试次，每个试次长 20.0 s。记录了 32 通道湿电极 EEG。

数据格式：按 BIDS 标准组织的 BrainVision .eeg/.vhdr/.vmrk 文件。

示例

• 频率标记：SSVEP/vSSR 数据集基础分析

EYELINK 数据集

mne.datasets.eyelink.data_path()。

两个来自 SR Research EyeLink 的小型眼动数据示例数据集。

EEG-眼动数据集

mne.datasets.eyelink.data_path()。。数据位于 /eeg-et/。

包含在一次瞳孔光反射实验中记录的同时 EEG（EGI）和眼动（ASCII 格式）数据，分别存储于不同文件。1 名参与者注视屏幕，同时出现短暂闪光。事件起始时间由贴在屏幕上的光电二极管记录，并同时发送至 EEG 和眼动系统。

示例

• 在 MNE-Python 中处理眼动追踪数据

自由观看数据集

mne.datasets.eyelink.data_path()。。数据位于 /freeviewing/。

包含 1 名参与者自由观看自然场景视频时的眼动数据（ASCII 格式）。在部分视频中，自然场景被像素化，使场景中的人物无法辨认。

示例

• 在 MNE-Python 中绘制眼动热图

JupyterLite 数据

mne.datasets.lite_data.data_path()。

一个小型精选归档，包含在浏览器中运行教程和示例所需的数据文件，取自 sample、kiloword、erp_core、mtrf 和 eegbci 数据集。文件未作改动，校验和与完整数据集一致。它解压到 MNE-lite-data/，每个文件仍保留在其原始数据集文件夹下（MNE-sample-data/、MNE-kiloword-data/ 等）。不包含 somato 数据集，因此躯体感觉相关教程和示例无法在浏览器中使用。

该数据仅用于文档构建；如需进行分析，请使用上文中各个数据集的获取函数。

参考文献

[1]

Robert A. Seymour, Nicholas Alexander, Stephanie Mellor, George C. O’Neill, Tim M. Tierney, Gareth R. Barnes, and Eleanor A. Maguire. Interference suppression techniques for OPM-based MEG: Opportunities and challenges. NeuroImage, 247:118834, February 2022. doi:10.1016/j.neuroimage.2021.118834.

[2]

Gerwin Schalk, Dennis J. McFarland, Thilo Hinterberger, Niels Birbaumer, and Jonathan R. Wolpaw. BCI2000: a general-purpose brain-computer interface (BCI) system. IEEE Transactions on Biomedical Engineering, 51(6):1034–1043, 2004. doi:10.1109/TBME.2004.827072.

[3] (1,2)

Ary L. Goldberger, Luis A. N. Amaral, Leon Glass, Jeffrey M. Hausdorff, Plamen Ch. Ivanov, Roger G. Mark, Joseph E. Mietus, George B. Moody, Chung-Kang Peng, and H. Eugene Stanley. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation, 2000. doi:10.1161/01.CIR.101.23.e215.

[4] (1,2)

Radoslaw Martin Cichy, Dimitrios Pantazis, and Aude Oliva. Resolving human object recognition in space and time. Nature Neuroscience, 17(3):455–462, 2014. doi:10.1038/nn.3635.

[5] (1,2)

Michael J. Crosse, Giovanni M. Di Liberto, Adam Bednar, and Edmund C. Lalor. The multivariate temporal response function (mTRF) toolbox: a MATLAB toolbox for relating neural signals to continuous stimuli. Frontiers in Human Neuroscience, 2016. doi:10.3389/fnhum.2016.00604.

[6]

Stéphane Dufau, Jonathan Grainger, Katherine J. Midgley, and Phillip J. Holcomb. A thousand words are worth a picture: snapshots of printed-word processing in an event-related potential megastudy. Psychological Science, 26(12):1887–1897, 2015. doi:10.1177/0956797615603934.

[7]

B. Kemp, A. H. Zwinderman, B. Tuk, H. A. C. Kamphuisen, and J. J. L. Oberyé. Analysis of a sleep-dependent neuronal feedback loop: the slow-wave microcontinuity of the EEG. IEEE Transactions on Biomedical Engineering, 47(9):1185–1194, 2000. doi:10.1109/10.867928.

[8]

Christian O’Reilly, Eric Larson, John E. Richards, and Mayada Elsabbagh. Structural templates for imaging EEG cortical sources in infants. NeuroImage, 227:117682, 2021. doi:10.1016/j.neuroimage.2020.117682.

[9]

Guillaume A. Rousselet, Carl M. Gaspar, Cyril R. Pernet, Jesse S. Husk, Patrick J. Bennett, and Allison B. Sekuler. Healthy aging delays scalp EEG sensitivity to noise in a face discrimination task. Frontiers in Psychology, 1(19):1–14, 2010. doi:10.3389/fpsyg.2010.00019.

[10]

Emily S. Kappenman, Jaclyn L. Farrens, Wendy Zhang, Andrew X. Stewart, and Steven J. Luck. ERP CORE: an open resource for human event-related potential research. NeuroImage, 225:117465, 2021. doi:10.1016/j.neuroimage.2020.117465.