步骤 20:事件提取

import mne

# ====== 方式 A：从 annotation 提取事件（推荐） ======
# 适用于 .fif、.vhdr（已含 annotation）格式
events = mne.events_from_annotations(raw, event_id=None)
# 返回: events_array, event_id_dict
events, event_id = events
print(f"事件数: {len(events)}")
print(f"事件 ID 字典: {event_id}")

# ====== 方式 B：从 stim 通道直接检测 ======
# 适用于 .edf、.cnt、原始 .fif 等使用 stim 通道的格式
# 实测 MNE 1.12.1 源码（mne/event.py）L33：
#   output : 'onset' | 'offset' | 'step'
# 默认即 'onset'；'onset' 是合法值（不是 'red'/'on'/'off'）
events = mne.find_events(
    raw,
    stim_channel='STI001',     # stim 通道名
    output='onset',            # 'onset'（默认）/'offset'/'step'
    consecutive='increasing',  # 默认 'increasing'
    min_duration=0,            # 默认 0
    shortest_event=2,          # 默认 2 样本
    verbose='INFO',
)
print(f"找到 {len(events)} 个事件")
print(f"前 5 个事件: {events[:5]}")

# ====== 方式 C：自定义事件字典映射 ======
# 仅保留你关心的 trigger
event_id = {
    'target': 1,
    'standard': 2,
}
events, _ = mne.events_from_annotations(raw, event_id=event_id)
print(f"过滤后事件数: {len(events)}")

# ====== 验证：每个 ID 的事件数 ======
from collections import Counter
event_counts = Counter(events[:, 2])
print(f"事件计数: {event_counts}")
# 期望：每个 ID 的事件数与实验设计一致

# 验证 1：事件数与实验设计一致
n_target = (events[:, 2] == event_id['target']).sum()
n_standard = (events[:, 2] == event_id['standard']).sum()
print(f"target: {n_target}, standard: {n_standard}")
# 期望：与设计文件一致

# 验证 2：事件间隔合理
event_onsets = events[:, 0]
intervals = np.diff(event_onsets) / raw.info['sfreq']  # 秒
print(f"事件间隔: min={intervals.min():.2f}s, mean={intervals.mean():.2f}s")
# 期望：≥ 实验中两个 trial 的最小间隔

# 验证 3：可视化（在 stim 通道上加标记）
mne.viz.plot_events(events, raw.info['sfreq'])

# 验证 4：触发延迟验证（用 onset 时刻附近）
# 应有事件处出现 ERP 信号