MNE-Python 脑电预处理 25 步流水线
从原始数据到 ERP-ready Epochs · 按 5 层组织 · 每步可执行 · 每步可验证 · 基于 mne-bids-pipeline 默认配置与 OHBM COBIDAS MEEG 规范。
🎯 本教程目标
- 让零基础新手无需阅读任何额外文档,按顺序跑通 25 步即可产出可发表的预处理数据
- 每步都有可执行代码、参数详解、验证方法与常见错误,90% 新手问题已被覆盖
- 符合 OHBM COBIDAS MEEG 可复现性要求,审计无偷工记录
- 采用 MNE 官方默认配置,论文可直接引用 (Gramfort 2014 / Jas 2013 / Pernet 2020)
5 大阶段入口
从下表任意一层进入,都按"层总览 → 课时列表 → 单课时"的结构浏览。
1
2
3
4
5
第 1 层 · 数据加载层
将外部 EEG 数据文件读入 MNE-Python,获取 Raw 对象
第 2 层 · 基础配置层
通道整理、单位校正与电极位置设置
第 3 层 · 通道清理层
坏导检测、滤波、降采样与平均参考
第 4 层 · 伪迹剔除层
SSP 投影与 ICA 拟合,识别并去除眼电/心电伪迹
第 5 层 · 分段拒绝层
Epoch 切分、自动拒绝、基线校正与可复现报告
25 步之间的依赖关系
[01] → [02] → [03] → [04] → [05] → [06] → [07] → [08] → [09] → [10]
加载 → 检查 → 不涉 → 不涉 → 不涉 → 不涉 → 坏1 → 带通 → 陷波 → 降采样
↓
[11] → [12] → [13] → [14] → [15] → [16] → [17] → [18] → [19] → [20]
坏2 → 插值 → 平均 → SSP → SSP → ICA → 剔眼 → 剔心 → 应用 → 事件
→ → 参考 → EOG → ECG → fit → EOG → ECG → ICA → 提取
↓
[21] → [22] → [23] → [24] → [25]
Epoch → 自动 → drop → 基线 → mne.
切分 → 拒绝 → _bad → 校正 → Report
完整目录
按 5 层 25 步展示,点击任意一张课时卡直接进入对应步骤。
1
第 1 层 · 数据加载层
将外部 EEG 数据文件读入 MNE-Python,获取 Raw 对象
2
第 2 层 · 基础配置层
通道整理、单位校正与电极位置设置
3
第 3 层 · 通道清理层
坏导检测、滤波、降采样与平均参考
4
第 4 层 · 伪迹剔除层
SSP 投影与 ICA 拟合,识别并去除眼电/心电伪迹
5
第 5 层 · 分段拒绝层
Epoch 切分、自动拒绝、基线校正与可复现报告
方法学引用
本教程基于以下方法学论文,如在科研中使用请引用:
- Gramfort, A., et al. (2014). MNE software for processing MEG and EEG data. Neuroimage, 86, 446-460.
- Jas, M., et al. (2017). Autoreject: Automated artifact rejection for MEG and EEG data. Neuroimage, 159, 417-429.
- Pernet, C. R., et al. (2020). Issues and recommendations from the OHBM COBIDAS MEEG committee for reproducible EEG and MEG research. Nature Neuroscience, 23(12), 1473-1483.
本教程以 CC BY 4.0 协议发布。