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）。
术语表#
术语表提供了 MNE-Python 专有词汇以及通用神经影像概念的简明定义。如果你认为某个术语缺失，欢迎创建新的 issue 或提交 pull request 来补充。
- annotations（注释）#
- 注释（annotation）由起始时间（onset）、持续时间（duration）和文本描述定义。它既可以包含实验相关信息，也可以包含人工标记的信号细节，例如坏数据段、睡眠分期、睡眠事件（睡眠纺锤波、K 复合波）等。
Annotations对象是多个注释的容器，可通过Raw对象的annotations属性访问。类定义参见Annotations，简短教程参见从原始数据中解析事件。另请参见 events。 - beamformer（波束形成器）#
- 波束形成器（beamformer）是一种常用的源估计方法，它使用一组空间滤波器（波束形成器权重）计算预定义位置上源的时间过程。类定义参见
beamformer.Beamformer。另请参见 LCMV。 - BEM#
- boundary element model（边界元模型）#
- boundary element method（边界元方法）#
- BEM 是 boundary element method（边界元方法）或 boundary element model（边界元模型）的缩写。两者都与正向模型计算中导体模型（conductor model）的定义有关。边界元模型由内颅骨、外颅骨和头皮（外层皮肤）等表面构成，这些表面划分出头部的不同组织隔室。可以使用
bem.make_watershed_bem()或bem.make_flash_bem()计算 BEM 表面。使用示例参见头模型与正向计算。 - channels（通道）#
- 通道（channels）指 MEG 传感器、EEG 电极或其他传感器，例如 EOG、ECG、sEEG、ECoG 等。通道通常具有类型（如 gradiometer）和单位（如 T/m），用于绘图等操作。另请参见 data channels 与 non-data channels。
- data channels（数据通道）#
- MNE-Python 中的许多函数默认作用于“数据通道”（data channels）。这些通道包含来自大脑的电生理数据，而非 EOG、ECG、刺激/触发或采集系统状态数据等其他通道类型（参见 non-data channels）。MNE 中被视为“数据通道”的通道集合包含以下类型（以及用于绘图的缩放因子）： 'mag' ：磁强计（magnetometer），缩放 1e+15，以 fT 为单位绘图；'grad' ：梯度计（gradiometer），缩放 1e+13，以 fT/cm 为单位绘图；'eeg' ：EEG，缩放 1e+06，以 µV 为单位绘图；'csd' ：电流源密度（current source density），缩放 1000，以 mV/m² 为单位绘图；'seeg' ：sEEG，缩放 1000，以 mV 为单位绘图；'ecog' ：ECoG，缩放 1e+06，以 µV 为单位绘图；'dbs' ：DBS，缩放 1e+06，以 µV 为单位绘图；'hbo' ：氧合血红蛋白（oxyhemoglobin），缩放 1e+06，以 µM 为单位绘图；'hbr' ：脱氧血红蛋白（deoxyhemoglobin），缩放 1e+06，以 µM 为单位绘图；'fnirs_cw_amplitude' ：fNIRS（连续波幅度），缩放 1，以 V 为单位绘图；'fnirs_fd_ac_amplitude' ：fNIRS（频域交流幅度），缩放 1，以 V 为单位绘图；'fnirs_fd_phase' ：fNIRS（频域相位），缩放 1，以 rad 为单位绘图；'fnirs_od' ：fNIRS（光密度 OD），缩放 1，以 AU 为单位绘图；'fnirs_td_gated_amplitude' ：fNIRS（时域门控幅度），缩放 1，以 AU 为单位绘图；'fnirs_td_moments_intensity' ：fNIRS（时域矩强度），缩放 1，以 AU 为单位绘图；'fnirs_td_moments_mean' ：fNIRS（时域矩均值），缩放 1e+12，以 ps 为单位绘图；'fnirs_td_moments_variance' ：fNIRS（时域矩方差），缩放 1e+24，以 ps² 为单位绘图
- DC（直流）#
- direct current（直流）#
- 信号中随时间保持恒定的部分。电生理信号的“直流偏置”（DC offset）通常通过高通滤波或减去合适的基线来处理。
- DICS#
- dynamic imaging of coherent sources（相干源动态成像）#
- 相干源动态成像（Dynamic Imaging of Coherent Sources，DICS）是一种计算不同频段源功率的方法。更多细节参见
Compute source power using DICS beamformer和beamformer.make_dics()。 - digitization（数字化）#
- 数字化（digitization）是记录头部形状以及基准线圈（或 HPI）和/或头部 EEG 电极位置的过程。这些位置以三维空间中的点集表示。参见
Reading sensor digitization files和Supported formats for digitized 3D locations。 - dipole（偶极子）#
- ECD#
- equivalent current dipole（等效电流偶极子）#
- 等效电流偶极子（ECD）是对小范围皮层区域内突触后活动的近似表示。产生可测量 EEG/MEG 信号的胞内电流，被认为源自垂直于皮层表面排列的皮层锥体神经元群体。由于这类电流源的长度相对于皮层与 EEG/MEG 传感器之间的距离非常小，这些技术测得的场可以很好地近似为（即等效于）位于皮层表面的理想点源（偶极子）所产生的场。
- dSPM#
- dynamic statistical parametric mapping（动态统计参数映射）#
- 动态统计参数映射（dSPM）给出给定源位置处经噪声归一化的最小范数估计。其计算方式是将每个源位置的活动估计除以噪声的基线标准差。
- eLORETA#
- sLORETA#
- eLORETA 与 sLORETA（exact and standardized low resolution brain electromagnetic tomography，精确与标准化低分辨率脑电磁断层成像）是与 dSPM 和 MNE 类似的线性源估计技术。sLORETA 输出标准化后的值（与 dSPM 类似），而 eLORETA 生成归一化的电流估计。参见
minimum_norm.apply_inverse()、使用 MNE、dSPM、sLORETA 和 eLORETA 进行源定位以及Compute sLORETA inverse solution on raw data。 - epochs（分段）#
- Epochs（在其他软件包中有时称为“trials”）是从连续数据中提取的等长数据段。通常，epoch 围绕刺激事件或反应提取，不过有时也会使用顺序或重叠的 epoch（例如分析静息态活动）。类定义参见
Epochs，叙述性概述参见Epochs 数据结构：不连续数据。 - events（事件）#
- 事件（events）对应原始数据中的特定时间点，例如触发信号、实验条件事件等。MNE-Python 用存储在形状为
(n_events, 3)的 NumPy 数组中的整数表示事件。第一列包含事件起始点（以采样点为单位，包含first_samp）。最后一列包含事件编码。第二列包含紧邻前一个采样点的信号值，这反映了事件数组有时来自模拟电压通道（“触发通道”或“刺激通道”）。在大多数情况下，第二列全为零，可以忽略。事件数组可通过mne.make_fixed_length_events()、mne.read_events()和mne.find_events()创建。简短教程参见从原始数据中解析事件。另请参见 annotations。 - evoked（诱发数据）#
- 诱发数据（evoked）通过对 epochs 求平均获得。通常，会为每个被试和每种条件构建一个 evoked 对象，但也可以对不同被试的 evoked 对象列表求平均来获得。类定义参见
EvokedArray，叙述性概述参见Evoked 数据结构：诱发/平均数据。 - fiducial（基准点）#
- fiducial point（基准点）#
- anatomical landmark（解剖标志点）#
- 基准点（fiducials）是放置在成像系统视野中的物体，用作易于定位的已知空间参考。在神经影像中，基准点常放置在解剖标志点上，例如鼻根点（nasion，NAS）或左/右耳前点（LPA 和 RPA）。这些已知参考位置用于定义坐标系以定位传感器（因此 NAS、LPA 和 RPA 常被称为“基本点”（cardinal points），因为它们定义了头部坐标系的基准方向）。在配准不同坐标系中的测量时（例如将 EEG 传感器位置对齐到头部 MRI），这些基本点也很有用。由于神经影像领域常将基准物体放置在解剖标志点上，“fiducial”“anatomical landmark”和“cardinal point”这几个术语常被（错误地）互换使用。
- first_samp#
Raw对象的first_samp属性是一个整数，表示从硬件采集系统启动到数据记录开始之间经过的时间采样点数。这种采样编号方式是 VectorView MEG 系统的特性，但为保持一致性，所有Raw对象都具有该属性，无论数据来源如何。换言之，从非 VectorView 数据文件加载的Raw对象中，first_samp为 0。另请参见 last_samp。- forward（正向）#
- forward solution（正向解）#
- 正向解（forward solution）是一个线性算子，刻画源空间中每个偶极子位置与传感器测得的相应场分布之间的关系（即“导联场矩阵”，lead field matrix）。计算正向解需要头部的电导率模型，该模型包含不同组织隔室的几何形状和电导率（参见 boundary element model 和
bem.ConductorModel）。有关Forward对象及其存储数据的信息，参见mne.Forward。 - FreeSurfer LUT（查找表）#
- LUT（查找表）#
- FreeSurfer 查找表（lookup table，LUT）提供给定体积图谱或表面标签名称、其整数值（例如在
aparc+aseg.mgz中）与其标准颜色之间的映射（更多信息参见 FreeSurfer wiki）。也可以基于不同的表面分区创建自定义 LUT，例如参见关于HCPMMP的这条评论。 - GFP#
- global field power（全局场功率）#
- 全局场功率（Global Field Power，GFP）是衡量传感器处电磁场（非）均匀性的指标。它通常按每个时间点上传感器值的标准差计算。因此，它是一条一维时间序列，反映信号在传感器位置间的空间变异性。
- HED#
- hierarchical event descriptors（层级事件描述符）#
- 层级事件描述符（Hierarchical event descriptors，HED）是使用斜杠（/）分隔关键词的标签，用于描述不同类型的实验事件（例如
stimulus/circle/red/left和stimulus/circle/blue/left）。这些标签可用于对实验事件分组，并选择用于分析的事件类型。 - HPI#
- cHPI#
- head position indicator（头位指示器）#
- 头位指示器（HPI，连续头位指示器有时写作 cHPI）是 MEG 采集期间贴附于被试头部的微小线圈。每个线圈发射不同频率的正弦信号，被 MEG 传感器拾取后可用于推断头部位置。使用 cHPI 时，正弦信号通常设置在任何感兴趣的神经信号频率之上，因此可以在头位校正后通过低通滤波去除。参见
提取并可视化受试者头部运动。 - info（测量信息）#
- measurement info（测量信息）#
- “测量信息”（measurement info，简称 info）对象是与
Raw、Epochs或Evoked对象相关的元数据集合。它包含通道位置与类型、采样频率、预处理历史（如滤波器）等。叙述性概述参见Info 数据结构。 - inverse（逆）#
- inverse operator（逆算子）#
- 逆算子是一个 \(M \times N\) 矩阵（\(M\) 个源位置 × \(N\) 个传感器），将其作用于传感器信号，可得到产生所观测传感器信号的脑活动估计。线性逆方法 MNE、dSPM、sLORETA 和 eLORETA 都提供逆算子。参见
minimum_norm.apply_inverse()。 - label（标签）#
- Label 指皮层中定义的一个区域，文献中常称为感兴趣区（region of interest，ROI）。标签可以按解剖定义（基于皮层的物理结构），也可以按功能定义（基于皮层对特定刺激的响应）。另请参见 ROI。
- last_samp#
Raw对象的last_samp属性是一个整数，表示从数据记录开始到结束之间经过的时间采样点数。这种采样编号方式是 VectorView MEG 系统的特性，但为保持一致性，所有Raw对象都具有该属性，无论数据来源如何。另请参见 first_samp。- layout（布局）#
- Layout 以二维方式给出传感器位置（由每个传感器的
x、y、width和height值定义）。它主要用于示意目的（即在头部卡通图中绘制近似传感器位置的示意图，即所谓的地形图或 topomap）。另请参见 montage。 - LCMV#
- LCMV beamformer（线性约束最小方差波束形成器）#
- 线性约束最小方差（linearly constrained minimum variance，LCMV）波束形成器试图在抑制其他区域串扰的同时估计给定源的活动（
beamformer.make_lcmv()）。另请参见 beamformer。 - maximum intensity projection（最大强度投影）#
- 一种通过在从观察者到像素的向量方向上（即垂直于视平面的方向）寻找最大值，来显示某个体积内逐像素活动的方法。
- MNE#
- minimum-norm estimate（最小范数估计）#
- minimum-norm estimation（最小范数估计）#
- 最小范数估计（Minimum-norm estimation，MNE）可用于在源空间（通常为皮层表面）上生成分布式的激活图。MNE 使用线性逆算子将传感器测量投影到源空间。逆算子由被试的正向解和传感器测量的噪声协方差估计计算得到。
- montage（电极布置）#
- EEG 通道名称及传感器在头皮上的相对位置。layout 是二维位置，而 montage 是三维位置。montage 还可以包含 HPI 点、基准点或额外头形点的位置。类定义参见
DigMontage。另请参见 layout。 - morphing（形变）#
- 形变（morphing）指将一个解剖结构上的源估计转移到另一个解剖结构上的操作。在 fMRI 文献中称为 realignment。该操作对于组研究是必要的，可将数据变换到公共空间以进行统计分析。更多细节参见
Morphing and averaging source estimates。 - noise covariance（噪声协方差）#
- 噪声协方差是一个包含数据通道之间协方差的矩阵。它是一个形状为 n_channels \(\times\) n_channels 的方阵。在处理多种传感器类型（例如 EEG 和 MEG）时尤其有用。实践中，该矩阵由基线时段或空房间测量估计得到，并且它还提供了可用于后续分析（如源成像）的噪声模型。
- non-data channels（非数据通道）#
- 除 data channels 之外的所有通道类型。MNE 中被视为“非数据通道”的通道集合包含以下类型（以及用于绘图的缩放因子）： 'eog' ：EOG，缩放 1e+06，以 µV 为单位绘图；'ecg' ：ECG，缩放 1e+06，以 µV 为单位绘图；'resp' ：呼吸监测通道；'emg' ：EMG，缩放 1e+06，以 µV 为单位绘图；'ref_meg' ：参考磁强计，缩放 1e+15，以 fT 为单位绘图；'misc' ：misc，缩放 1，以 AU 为单位绘图；'stim' ：刺激通道；'chpi' ：连续头位指示器（HPI）线圈通道；'exci' ：磁通激励通道；'ias' ：内部主动屏蔽数据（Triux 系统）；'syst' ：系统状态通道信息（Triux 系统）；'bio' ：BIO，缩放 1e+06，以 µV 为单位绘图；'temperature' ：温度，缩放 1，以 C 为单位绘图；'gsr' ：皮肤电反应，缩放 1，以 S 为单位绘图；'gof' ：拟合优度，缩放 1，以 GOF 为单位绘图；'dipole' ：偶极子，缩放 1e+09，以 nAm 为单位绘图；'eyegaze' ：眼动追踪（注视位置），缩放 1，以 rad 为单位绘图；'pupil' ：眼动追踪（瞳孔大小），缩放 1000，以 mm 为单位绘图；'whitened' ：白化数据，缩放 1，以 Z 为单位绘图
- OPM#
- optically pumped magnetometer（光泵磁强计）#
- 光泵磁强计（optically pumped magnetometer，OPM）是一种利用穿过气体（如铷）的激光来感应磁场波动的磁强计。OPM 可在接近室温的条件下工作。
- path-like（类路径）#
- 在文件系统中行为类似路径的对象。可以是
str或pathlib.Path。 - pick（选取）#
- 一个整数，表示通道在测量信息（measurement info）中的索引。通过它可以在
info['chs']的可用通道列表中获得某个通道的信息。 - projector（投影器）#
- SSP#
- 投影器（projector），也称为信号空间投影（Signal Space Projection，SSP），定义了一种在空间上作用于 EEG 或 MEG 数据的线性操作。将 SSP 投影器与数据相乘，会把数据投影到较低维的子空间，从而降低数据的秩。进行源定位时，这类投影通常同时应用于数据和正向算子。注意，EEG 平均参考可以通过这样的投影算子实现。投影器与数据一起存储在测量信息的
info['projs']字段中。 - RAS#
- Right-Anterior-Superior（右-前-上），表示 MNE-Python 中定义坐标框架的标准方式：R：+X 为右，-X 为左；A：+Y 为前（front），-Y 为后（rear）；S：+Z 为上（top），-Z 为下（bottom）
- raw（原始数据）#
Raw对象保存连续数据（无论是否经过预处理），通常通过读取文件中存储的记录获得。类定义参见RawArray，叙述性概述参见Raw 数据结构：连续数据。- ROI#
- region of interest（感兴趣区）#
- 预期实验效应会表现出的空间区域。它可以是传感器的集合，或者在进行逆成像时，是皮层表面或皮层体积内的一组顶点。另请参见 label。
- selection（选择集）#
- 选择集（selection）是一组被选取的通道（例如落在感兴趣区内的所有传感器）。
- sensor types（传感器类型）#
- MNE-Python 处理的所有传感器可分为两类：data channels 和 non-data channels。
- source space（源空间）#
- 源空间指定在大脑中的哪些位置估计源幅度。它对应一组候选等效电流偶极子的位置。MNE-Python 主要使用由 FreeSurfer 基于 T1 加权 MRI 图像估计的皮层表面所定义的源空间。有关如何在源空间中计算正向算子，参见
头模型与正向计算。类定义及其包含数据的信息参见SourceSpaces。 - SQUID#
- superconducting quantum interference device（超导量子干涉器件）#
- 超导量子干涉器件（SQUID）是一种利用超导材料感应磁场波动的磁强计。MEG 系统中常见的标准低温 SQUID 传感器通常在接近绝对零度的温度下工作（例如低于 4 K）。
- STC#
- source estimate（源估计）#
- source time course（源时间过程）#
- 源估计通常称为 STC（Source Time Courses，源时间过程），由 dSPM、sLORETA、LCMV 或 MxNE 等源定位方法获得。STC 包含神经源随时间变化的幅度。在 MNE-Python 中，
SourceEstimate对象只存储激活幅度，而不存储源的位置。位置单独存储在用于计算正向算子的SourceSpaces对象中。参见SourceEstimate、VolSourceEstimate、VectorSourceEstimate和MixedSourceEstimate。 - stim channel（刺激通道）#
- trigger channel（触发通道）#
- 刺激通道（stim channel）或触发通道（trigger channel）是记录期间编码事件的通道。它通常是一个始终为零、在事件发生（如刺激起始或被试反应）时取正值的通道。刺激通道常以 STI 为前缀，以区别于其他通道类型。更多细节参见
What is a STIM channel?。 - template montage（模板电极布置）#
- 一种理想化的 EEG montage，通常由 EEG 系统或电极帽制造商提供。其电极位置并非在参与者头部实际测量得到，而是假设在球面上按最佳理论位置计算得出。
- tfr（时频表示）#
- 时频表示（time-frequency representation，TFR）通常是显示频率成分随时间变化的频谱图（STFT）或尺度图（小波）。
- trans（坐标变换）#
- 一种坐标系间的仿射变换，通常位于 Neuromag 头部坐标系与 FreeSurfer 使用的 MRI Surface RAS 坐标系之间。
- whitening（白化）#
- 一种线性操作，将具有已知协方差结构的数据变换为“白化数据”，其协方差结构等于单位矩阵。换言之，白化创建了互不相关且具有单位方差的虚拟通道。这也称为球化变换（sphering transformation）。