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）。

从其他分析软件迁移#

这里提供一些从其他分析软件迁移过来的建议。

EEGLAB#

要读取从 EEGLAB 导出的数据，MNE-Python 提供了 .edf 读取器 mne.io.read_raw_edf() 以及 set 文件读取器。若要读取包含原始数据的 set 文件，请使用 mne.io.read_raw_eeglab()；若要读取包含 epochs 数据的 set 文件，请使用 mne.read_epochs_eeglab()。

下表汇总了一些最常见分析任务中相互对应的 EEGLAB 与 MNE-Python 代码。为清晰起见，下表假设已存在以下变量：文件名 fname、epochs 的时间区间 tmin 和 tmax，以及实验条件 cond1 和 cond2。l_freq 和 h_freq 是频率（单位为 Hz），分别表示低于该频率和高于该频率的数据将被滤除。

处理步骤	EEGLAB 函数	MNE-Python
开始使用	`addpath(...);` `eeglab;`	`import mne` `from mne import io,` `Epochs` `from mne.preprocessing` `import ICA`
导入数据	`EEG = pop_fileio(fname);`	`raw = io.read_raw_fif(fname)` `raw = io.read_raw_edf(fname)` `raw = io.read_raw_eeglab(fname)` `(set file)`
滤波	`EEG = pop_eegfiltnew(EEG, l_freq, h_freq);`	`raw.filter(l_freq, h_freq)`
平均参考（Common Average referencing）	`EEG= pop_averef;`	`raw.set_eeg_reference("average")`
移除通道	`pop_select.m`	`raw.drop_channels()`
运行 ICA	`EEG = pop_runica(EEG, 'pca', n);` `EEG = pop_binica(EEG, 'pca', n);`	`ica.fit(raw)` `mne.preprocessing.infomax()`
绘制 ICA 属性	`pop_compprop( EEG, comp_num, winhandle);`	`ica.plot_properties(raw, picks)`
绘制 ICA 成分	`compheads()`	`ica.plot_components(raw, picks)`
排除成分	`pop_selectcomps()`	`ica.exclude = list_of_components_to_exclude`
对数据进行分段（Epoch）	`event_id = {'cond1', 'cond2'};` `Epochs = pop_epochs(EEG, event_id, [tmin, tmax]);`	`events = mne.find_events(raw)` `event_id = dict(cond1=32, cond2=64)` `epochs = Epochs(raw, events, event_id, tmin, tmax)`
选择 Epoch	`Epochs = pop_epochs(EEG_epochs, {cond2});`	`epochs[cond2]`
ERP 蝶形图	`pop_timtopo(EEG_epochs, ...);`	`evoked = epochs[cond2].average()` `evoked.plot()` `evoked.plot_joint()`
对比 ERP	`pop_compareerps(EEG_epochs1, EEG_epochs2);`	`mne.combine_evoked([evoked1, -evoked2], weights='equal').plot()` `mne.viz.plot_compare_evokeds([evoked1, evoked2])`
保存数据	`EEG = pop_saveset(EEG, fname);`	`raw.save(fname)` `epochs.save(fname)` `evoked.save(fname)`

潜在陷阱#

MNE-Python 的许多对象都带有就地（in-place）操作的方法以节省内存（也就是说，调用 raw.filter(lfreq, hfreq) 时，Raw 对象中的数据会被改变）。如果你不希望如此，可以始终先调用该对象的 copy() 方法（例如 filtered_raw = raw.copy().filter(lfreq, hfreq)）。此外，一些 MNE-Python 函数还提供布尔型的 copy 参数，可实现相同的目的。
通道类型（channel types）这一概念在 MNE 中至关重要，因为它支持多模态数据的分析（例如 EEG、MEG、EOG、Stim 通道等），而大多数 EEGLAB 函数则假定所有通道都属于同一类型（EEG）。若要将通道限定为单一类型，请参阅 mne.pick_types()、raw.pick()、epochs.pick() 和 evoked.pick()。