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）。

常见问题（FAQ）

MNE-Python 常见问题

求助！我的 Python 和 MNE-Python 无法正常工作！

请参阅我们的安装说明。

我还是搞不定！

参见获取帮助。

在 Windows 下无法使用 PyVista/3D 绘图

如果在 Jupyter Notebook 中 PyVista 绘图效果不佳，使用 IPython 魔法命令 %gui qt 通常会有帮助。

%gui qt

在 macOS 上 Python 运行极慢，即使只是简单命令！

在使用 Spyder 或 PyCharm 等 IDE 时，Python 的某些后端会干扰 macOS 的节能设置。要验证这一点，请先 import time 并运行：

start = time.time(); time.sleep(0.0005); print(time.time() - start)

如果耗时达到数秒，你可以任选一种方式：

• 安装 appnope 模块，并在脚本中运行：

  import appnope
  appnope.nope()
  

• 在终端中运行以下命令来更改配置默认值：

  $ defaults write org.python.python NSAppSleepDisabled -bool YES
  

如何引用 MNE？

参见如何引用 MNE-Python。

我不确定如何用我的 Y 数据完成 X 分析步骤……

要弄清楚处理 EEG 和 MEG 数据时“正确的做法”并不容易。我们通过 MNE Forum（MNE 论坛）讨论不同类型数据的分析策略。值得先搜索论坛存档，看看过去是否有相关讨论；如果其中还没有答案，也不必犹豫，直接提出新问题。

我好像发现了一个 bug，该怎么办？

当你遇到错误信息或意外结果时，往往很难判断原因究竟是 MNE-Python 的 bug、用户代码中的错误、数据文件损坏，还是数据本身存在异常。寻求帮助的第一步应当是 MNE Forum，而不是 GitHub。这一点值得反复强调：GitHub issue tracker 不是用来获取使用帮助的——它用于报告软件 bug、提出功能请求以及改进文档。如果你提交的 issue 只包含使用问题，我们会关闭该 issue 并引导你前往论坛。如果你确信遇到的问题是一个软件 bug（而不是数据问题或用户操作失误）：

• 请确认你使用的是最新版本。可以在 shell 提示符下用以下命令检查：

  $ mne sys_info
  

  这还会给出 MNE-Python 重要依赖项的版本信息。

• 如果你已经使用最新版本，在可能的情况下请尝试最新的开发版，因为自最新发行版以来该 bug 可能已被修复。如果无法试用最新开发版，请在 GitHub issues 页面搜索，看看该问题是否已被报告和/或修复。

• 请尝试用某个 MNE 示例数据集复现该问题。如果无法用内置数据集复现，请提供一段能够触发该错误的、经过匿名化处理的小规模数据链接。

如果问题仍然存在，请新建一个 issue，并附上能够复现该错误的最小代码示例。将代码示例粘贴到 issue 中，并在代码行的上方和下方各加一行三个反引号（```）。这个最小可复现示例应当是自包含的，也就是说 MNE-Python 的贡献者应当能够复制粘贴你提供的代码片段，并在自己的电脑上复现该 bug。

为什么用“pickle”保存 MNE-Python 对象和数据以备后用是危险的？

用 pickle 保存数据和 MNE-Python 对象以备日后使用，因其简单通用而颇具吸引力，但通常并非最佳选择。pickle 并非为稳定的长期存储而设计，很可能在不久的将来你就无法读取这些数据。详情请参阅：

• http://www.benfrederickson.com/dont-pickle-your-data/

• https://stackoverflow.com/questions/21752259/python-why-pickle

MNE-Python 为其对象提供了自有的文件保存格式（通常基于 FIF 标准），一般通过 save 方法或 write_* 方法实现，例如 mne.io.Raw.save()、mne.Epochs.save()、mne.write_evokeds()、mne.SourceEstimate.save()。如果你有想保存的数据却不知如何操作，可以在 MNE Forum 或 GitHub issues 页面提问。

如果你想将自己的数据（例如受试者的行为评分）写入磁盘，我们强烈建议使用 h5io，它基于 HDF5 格式和 h5py，能以快速、可长期兼容的标准格式保存数据。

我已经下载过一次数据集，但 MNE-Python 又要求重新下载，为什么？

MNE 示例数据的默认存放位置是 ~/mne_data。如果你已经下载了数据，而某个示例却询问是否要再次下载，请确认数据位于 examples 目录中，并且你是在该目录下运行脚本：

$ cd examples/preprocessing

然后在 Python 中可以执行：

In [1]: %run plot_find_ecg_artifacts.py

有关所有可用数据集的列表以及一些高级配置选项（例如为数据集指定自定义存储位置），请参阅 Datasets Overview。

我没有指定，某个函数却使用了多个 CPU 核心，为什么？

通常，在 MNE-Python 中通过 n_jobs 变量让 parallel 模块使用多个核心。然而，像 mne.preprocessing.maxwell_filter() 这样使用 scipy.linalg 的函数并没有 n_jobs 参数，却仍可能使用多个核心。这是因为 scipy.linalg 所依赖的线性代数库原生支持多线程：

• OpenBLAS

• Intel Math Kernel Library（MKL），它使用 OpenMP

• Accelerate，Apple silicon 上 macOS 的 PyPI NumPy 和 SciPy wheel 所使用的库

要控制 mne.preprocessing.maxwell_filter() 这类线性代数密集型函数使用的核心数，可以将环境变量设置为期望的核心数。具体哪个变量有效，取决于你的 BLAS 在构建时所链接的线程层，而不仅仅取决于用的是哪种 BLAS。mne.sys_info() 会同时报告这两者，例如 OpenBLAS 0.3.33 with 10 threads (openmp threading layer)。

• 使用 pthreads 线程层的 OpenBLAS（通常由 PyPI 上的 NumPy 和 SciPy wheel 提供）：使用 OPENBLAS_NUM_THREADS。

• 使用 openmp 线程层的 OpenBLAS（通常由 conda-forge 和独立安装程序提供）：使用 OMP_NUM_THREADS。在这些构建中 OPENBLAS_NUM_THREADS 会被静默忽略，因为 OpenBLAS 将线程管理交给了 OpenMP。

• MKL：使用 MKL_NUM_THREADS；对于任何基于 OpenMP 的线程层，也可以使用 OMP_NUM_THREADS。

• Accelerate：没有有效的设置方法，也不需要设置。Accelerate 自行管理线程，并会忽略上述所有变量；VECLIB_MAXIMUM_THREADS 至多仅供参考。其性能相对于线程设置基本是平坦的，因此没有什么可调的。

使用更多线程并不总是更快。尤其是像 mne.preprocessing.maxwell_filter() 和 mne.compute_covariance()（method="shrunk"）这类分解密集型的操作，当 OpenBLAS 或 MKL 占用所有逻辑 CPU 核心时可能慢得多。如果其中某个操作异常缓慢，可以用你分析中有代表性的一部分数据来比较几种设置，例如 1、2、3、4 以及物理 CPU 核心数。最佳设置取决于具体的操作、CPU 和 BLAS 库。

请在导入 MNE-Python、NumPy 或 SciPy 之前设置环境变量。例如，在 shell 中这样启动分析：

$ OMP_NUM_THREADS=4 python analysis.py

在线性代数库加载之后再做的修改，在同一个 Python 会话中可能不会生效。

我手上有一个不知道是什么类型的 FIF 文件，该怎么读取？

mne.what() 函数可以作用于任何 .fif 文件，用于识别文件中包含的数据类型。这有助于判断该用 mne.read_cov()、mne.read_epochs()、mne.read_evokeds() 等哪个函数。还有对应的命令行工具 mne what：

$ mne what sample_audvis_eog-eve.fif
events

重采样与降采样数据

重采样、降采样和分箱数据的这些选项都是什么意思？

MNE-Python 中有许多函数可以改变数据的有效采样率。这里我们讨论其中几个主要的函数及其影响：

• mne.io.Raw.resample() 用于对原始数据重采样（通常是降采样）。重采样是一个两步过程：先应用低通 FIR 滤波器，再从数据中抽取部分样本。

  通常不建议在构建 mne.Epochs 进行最终分析之前用该函数对数据重采样，因为这样做实际上会损失事件时间的精度（并使其抖动），可参阅这个 gist 中的演示。不过，对原始数据重采样至少在以下情形中是有用的：

  • 在低通或带通滤波后的数据上计算投影算子

  • 探索数据

• mne.preprocessing.ICA.fit() 会在不做低通滤波的情况下降采样数据，但它仅用于对数据拟合统计模型。

• mne.Epochs.decimate() 与 mne.Epochs 构造函数中的 decim 参数作用相同，会在每个事件前后每隔 \(N^{th}\) 个样本抽取一个。为避免混叠伪影，降采样前应对原始数据做充分的低通滤波。建议按照 Nyquist 准则，使用 mne.io.Raw.filter() 并将 h_freq 设为新采样率的一半（fs/2N）或更低，以确保有效衰减高于该阈值的频率成分。

• mne.Epochs.resample()、mne.Evoked.resample() 和 mne.SourceEstimate.resample() 都会对数据重采样。由于重采样过程中会应用低通滤波器，因此可以避免潜在的混叠伪影。然而，这种滤波会引入边缘伪影。使用 mne.io.Raw.resample() 时同样存在边缘伪影，但那里的边缘伪影只局限于两个时间点：记录的起点和终点。而使用这三种方法时，每一段数据（或 mne.Evoked、mne.SourceEstimate 数据）的起点和终点都会被引入边缘伪影，这往往对数据产生更明显的影响。

• mne.SourceEstimate.bin() 可用于降采样，并可选择是否进行“分箱”（对数据点取平均）。这相当于对数据施加滑动平均（boxcar）滤波器后再降采样。时域的 boxcar 对应频域的 sinc，因此它相当于一个简单而非理想的低通滤波器；如果数据此前未被充分低通滤波，这会减轻但不会消除混叠。当“滤波器”或箱宽为单个样本（即冲激）时，该操作就简化为不经过滤波的降采样。

对原始数据重采样耗时太久！该怎么办？

mne.io.Raw.resample() 有一个 npad 参数，可以设为 'auto'。这是默认值，如果你改动过，可以试着改回 'auto'，或许会有帮助。

如果你有 NVIDIA GPU，还可以尝试使用“在 Linux 上修复 dock 图标”中介绍的方法，这有时能让滤波和重采样操作快上一个数量级。

正向解与逆向解

应该如何对协方差矩阵做正则化？

估计得到的协方差可能在数值上不稳定，并且容易使估计的源幅值与可用样本数之间产生相关性。因此建议对噪声协方差矩阵进行正则化（参见正则化噪声协方差矩阵），尤其是在样本量很少时。遗憾的是，有效样本数并不容易确定，因而也难以选择合适的正则化强度。在 MNE-Python 中，正则化使用文献 [1] 中描述的高级正则化方法，可通过 'auto' 选项启用。使用该选项时，将通过交叉验证来学习最优的正则化参数：

>>> import mne
>>> epochs = mne.read_epochs(epochs_path)
>>> cov = mne.compute_covariance(epochs, tmax=0., method='auto')

该过程利用未见数据的负对数似然，通过衡量白化数据的程度来定量评价噪声协方差。最终结果也可以进行目视检查。假设基线中不包含系统性信号（与感兴趣事件锁时），则白化后的基线信号应服从多元高斯分布，即在某一时间采样点上，白化基线信号应位于 -1.96 与 1.96 之间。基于同样的推理，全局场功率（GFP）的期望值为 1（计算 GFP 时应考虑真实的自由度，例如有 2 个活动 SSP 向量时取 ddof=3）：

>>> evoked = epochs.average()
>>> evoked.plot_white(cov)

该图同时显示各通道的白化诱发信号和白化 GFP。GFP 面板中的数字表示数据的估计秩，也就是计算白化 GFP 时对传感器平方和进行除法所用的有效自由度。白化 GFP 还有助于发现虚假的晚期诱发成分，这些成分可能是正则化过强或不足的结果。

注意，如果数据已使用信号空间分离（SSS）[2] 处理过，梯度计和磁力计将联合显示，因为两者都是由相同的 SSS 基向量、以相同的数值秩重建的。这也意味着这两种传感器类型不再线性无关。

这些评估方法可用于评估模型违背情况。更多入门材料可在此处找到。

对于专家级用例或调试，还可以比较其他替代估计器：

>>> covs = mne.compute_covariance(epochs, tmax=0., method='auto', return_estimators=True)
>>> evoked = epochs.average()
>>> evoked.plot_white(covs)

这会绘制最优估计器的白化诱发数据，并在相应面板中以多条独立曲线显示所有估计器的 GFP。

我的 watershed BEM 网格看起来不正确

在使用 mne watershed_bem 或 mne.bem.make_watershed_bem() 之后，你可能会发现脑、内颅骨、外颅骨和/或头皮表面的 BEM 网格在 mne.viz.plot_alignment() 和 mne.viz.plot_bem() 中看起来不正确。

MNE 依赖 FreeSurfer 的 mri_watershed 计算 BEM 网格。FreeSurfer 的 watershed BEM 策略是：

1. 计算外层皮肤（头皮）表面

2. 将外层皮肤向内收缩，形成“外颅骨”

3. 计算脑表面

4. 将脑表面向外扩张，形成“内颅骨”

一个常见的问题是看到：

the surface inner skull is not completely inside surface outer skull

观察网格时，内颅骨表面（扩张后的脑表面）会出现缺陷，这些缺陷会突入外颅骨表面（收缩后的头皮表面）。遇到这种情况，可以尝试以下办法（大致按难度从低到高排列）：

1. 调整 mne watershed_bem 中的 --preflood / -p 参数。

2. 调整 mne watershed_bem 的 --atlas 和 --gcaatlas 选项。

3. 手动编辑网格（参见这个教程）。

4. 手动运行 mri_watershed 并尝试各种 FreeSurfer 标志（例如用 -less 修正输出）。

5. 回到 FreeSurfer 流程的更早阶段来解决问题。特别是 mri/brainmask.mgz 可能由 autorecon1 步骤错误生成，导致脑掩膜中包含部分硬脑膜和/或颅骨。你可以用 freeview 或其他 MRI 查看工具进行检查。

   • 查阅 FreeSurfer 关于修复错误的文档。

   • 尝试通过 xopts 调整 mri_normalize 的参数，例如：

     $ mri_normalize -mprage -b 20 -n 5
     

   • 尝试手动设置控制点和/或使用 -gentle。

   • 检查 talairach 变换是否不太正确，如有问题则手动调整。

   • 在 FreeSurfer 邮件列表（listserv）中搜索其他思路

   先在一个干净的目录中运行 recon_all -autorecon1 -xopts xopts.txt 可能会有所帮助，看看这样能否解决全部问题；如果不行，再退而手动设置控制点和/或调整 talairach。当 -autorecon1 结束时一切看起来都正常，你就可以运行 mne watershed_bem 检查输出是否良好。一旦输出正常（且 brainmask.mgz 正确），就可以继续执行 recon_all -autorecon2 和 recon_all -autorecon3，从而有效地完成所有 recon_all 步骤。

参考文献

[1]

Denis A. Engemann and Alexandre Gramfort. Automated model selection in covariance estimation and spatial whitening of MEG and EEG signals. NeuroImage, 108:328–342, 2015. doi:10.1016/j.neuroimage.2014.12.040.

[2]

Samu Taulu, Juha Simola, and Matti J. Kajola. Applications of the signal space separation method. IEEE Transactions on Signal Processing, 53(9):3359–3372, 2005. doi:10.1109/TSP.2005.853302.