步骤 21:事件分段

import mne

# ====== 方式 A：标准 ERP 创建 ======
epochs = mne.Epochs(
    raw,
    events=events,
    event_id=event_id,        # 之前提取的事件字典
    tmin=-0.2,                # 刺激前 200 ms（基线）
    tmax=0.8,                 # 刺激后 800 ms
    baseline=(-0.2, 0),       # 基线窗口（用于步骤 24）
    picks=['eeg', 'eog'],     # 仅 EEG 和 EOG 通道（不含 stim）
    reject=None,              # 不在此处拒绝（步骤 22 单独做）
    preload=True,             # 必须 True 才能后续操作
    proj=True,                # 自动施加已记录的 SSP 投影
    on_missing='warn',        # 缺失事件如何处理
    reject_by_annotation=True,
)

# ====== 方式 B：固定拒绝阈值（一步创建+拒绝） ======
epochs = mne.Epochs(
    raw,
    events=events,
    event_id=event_id,
    tmin=-0.2,
    tmax=0.8,
    baseline=(-0.2, 0),
    reject=dict(eeg=150e-6, eog=250e-6),  # 单位：V
    preload=True,
)

# ====== 验证 ======
print(epochs)
print(f"总 epoch 数: {len(epochs)}")
# 注意：epochs.event_id 是 {条件名: 触发码} 字典，不是计数
# 正确的计数方式：
for condition, event_code in epochs.event_id.items():
    n = len(epochs[condition])
    print(f"{condition} (code={event_code}): {n} 个 epoch")
print(f"数据形状: {epochs.get_data().shape}")
# 输出: (n_epochs, n_channels, n_times)

# 验证 1：基本属性
print(epochs)
# 输出示例：<Epochs | 240 events (all good) | tmin: -0.2, tmax: 0.8, baseline: (-0.2, 0)>

# 验证 2：数据形状
data = epochs.get_data()
print(f"Shape: {data.shape}")  # (n_epochs, n_channels, n_times)
assert data.shape[1] == len(epochs.ch_names)

# 验证 3：时间轴
times = epochs.times
print(f"时间轴: [{times[0]:.2f}, {times[-1]:.2f}] 秒, 步长 {1/(times[1]-times[0]):.0f} Hz")

# 验证 4：可视化
epochs.plot(n_epochs=10, n_channels=20)
# 期望：能看到清晰的事件相关成分

# 验证 5：平均 ERP
evoked = epochs.average()
evoked.plot()

# 验证 6：每个条件的 epoch 数（正确写法）
for condition in epochs.event_id:
    n = len(epochs[condition])
    print(f"{condition}: {n}")