步骤 12:坏导插值

import mne

# ====== 方式 A：默认插值（球面样条，推荐） ======
# 自动遍历 raw.info['bads'] 并插值
raw.interpolate_bads(reset_bads=True)

# ====== 方式 B：手动指定要插值的通道 ======
# 先把要插值的通道加入 bads 列表，再调用 interpolate_bads（无 picks 参数）
raw.info['bads'] = ['Fp1', 'Cz']
raw.interpolate_bads(
    reset_bads=True,
    method=dict(eeg='spline'),
)

# ====== 方式 C：所有通道都强制插值（不推荐，仅调试用） ======
# raw.interpolate_bads(picks=raw.ch_names)

# ====== 验证 ======
print(f"剩余坏导: {raw.info['bads']}")  # reset_bads=True 后应为空

# 验证 1：坏导列表已清空
print(f"剩余坏导: {raw.info['bads']}")
assert len(raw.info['bads']) == 0, "reset_bads 未生效"

# 验证 2：插值后数据无 NaN
data, _ = raw.get_data(return_times=True)
assert not np.isnan(data).any(), "插值后出现 NaN"

# 验证 3：可视化（插值通道应与周边高度相关）
# 假设 Fp1 被插值了，与 Fp2、AF3、AF7 对比
fp1_data, _ = raw['Fp1', :5000]
af3_data, _ = raw['AF3', :5000]
corr = np.corrcoef(fp1_data[0], af3_data[0])[0, 1]
print(f"Fp1 vs AF3 相关系数: {corr:.2f}")
# 期望：r > 0.7

# 验证 4：对比插值前后 PSD
# （需要原始 backup）raw_orig vs raw 插值后