脑电数据处理笔记（一）

这里以EEGLAB中的数据为例。本文参考自《python脑电处理中文手册》。

首先讲一下EEGLAB工具包怎么下载：

首先去EEGLAB官网中下载eeglab压缩包，https://sccn.ucsd.edu/eeglab/download.php。需要提交一个申请，填上自己名字后即可获得压缩包。解压缩后，双击打开文件夹，就可以看到sample_data文件夹中的.set文件和.locs文件了。

因为我们这里不用matlab进行脑电分析，我们只需要调用eeglab中的脑电数据集，因此不需要将工具包添加到matlab中。如哟需要，可自行搜索相关教程。

1.读取数据

（1）加载数据并查看数据信息

# 导入必要的包
import numpy as np
import mne
import matplotlib
matplotlib.use('TkAgg')  # 使用这个命令，绘制的图形可以独立弹窗并能使用交互式命令（用这个命令后plot生成的图可以点击更改设置）
import matplotlib.pyplot as plt


# 读取数据
data_path = 'H:/app_app/EEG_LAB/eeglab_current/eeglab2023.1/sample_data/eeglab_data.set'
raw = mne.io.read_raw_eeglab(data_path, preload=True)
print(raw.info)  # 查看raw中详细信息

上述代码的输出为：

Reading H:\app_app\EEG_LAB\eeglab_current\eeglab2023.1\sample_data\eeglab_data.fdt
Reading 0 ... 30503  =      0.000 ...   238.305 secs...
C:\Users\路还长别猖狂\AppData\Local\Temp\ipykernel_21232\2699441557.py:2: RuntimeWarning: Estimated head radius (0.1 cm) is below the 3rd percentile for infant head size. Check if the montage_units argument is correct (the default is "mm", but your channel positions may be in different units).
  raw = mne.io.read_raw_eeglab(data_path, preload=True)
<Info | 8 non-empty values
 bads: []
 ch_names: FPz, EOG1, F3, Fz, F4, EOG2, FC5, FC1, FC2, FC6, T7, C3, C4, Cz, ...
 chs: 32 EEG
 custom_ref_applied: False
 dig: 35 items (3 Cardinal, 32 EEG)
 highpass: 0.0 Hz
 lowpass: 64.0 Hz
 meas_date: unspecified
 nchan: 32
 projs: []
 sfreq: 128.0 Hz
>

（2）从上述代码中可以看到，"ch_names"中显示了标准的电极通道名称（注意旧版本的mne中加载的名称非标准，我这里用的是mne==1.3.1版本），但是电极位置没有设置，因此需要调用.locs文件手动导入电极位置。

# 设置.locs文件地址
locs_info_path = 'H:/app_app/EEG_LAB/eeglab_current/eeglab2023.1/sample_data/eeglab_chan32.locs'
# 读取电极位置中的信息
montage = mne.channels.read_custom_montage(locs_info_path)
# 更新电极位置
raw.set_montage(montage)

（3）从 http://raw.info中看到，导联名称已经是标准名称了，不需要再更改导联名称。但是看到ch_names中有两个EOG（眼电）信号，但是chs中却识别到了32个EEG，实际上去掉两个EOG，应为30个

channel_type_dict = {"EOG1": "eog", "EOG2": "eog"}
raw.set_channel_types(channel_type_dict)

执行完后已经显示30个eeg通道，2个eog通道了。

（4）可视化数据波形图

查看原始数据波形图：

raw.plot(duration=5, n_channels=32, clipping=None)
# 是以独立弹窗的形式出现的，可以点击help查看使用规则，单击通道名称可以标记坏道（之后该系列文章中会提到）

图1 原始数据波形图

查看原始数据功率谱密度图：

注：对功率谱密度不了解的，可以看这两篇文章：随机信号的功率谱密度究竟有什么物理意义？ 或者 信号处理之功率谱原理与python实现-腾讯云开发者社区-腾讯云

# 这个函数在新版本mne中已经被替代了
raw.plot_psd(average=True)
# 可使用以下函数，效果一致
raw.compute_psd().plot(average=True)

图2 功率谱密度

从功率谱密度中可以看到，在60Hz处有明显异样，可能是存在噪声，因此需要在滤波步骤中滤除。

查看原始数据eeg电极分布位置：

raw.plot_sensors(ch_type='eeg', show_names=True)

图3 电极分布图

在脑地形图上绘制功率谱图：

raw.compute_psd().plot_topo()

图4 功率谱图

2.滤波

（1）缺陷滤波

刚才在功率谱密度图处提到，60Hz处有噪声，需要剔除，这时就需要进行缺陷滤波（一定是从功率谱密度图中看）。同时查看缺陷滤波后的功率谱密度图。

raw = raw.notch_filter(freqs=(60))
raw.plot_psd(average=True)

图5 功率谱密度

（2）高低通滤波

高通滤波为了消除电压漂移，低通滤波为了消除高频噪音。这里选择0.1Hz高通滤波，30Hz低通滤波。

raw = raw.filter(l_freq=0.1, h_freq=30)
raw.plot_psd(average=True)

图6 功率谱密度

mne中默认使用FIR滤波方法：

raw = raw.filter(l_freq=0.1, h_freq=30, method='fir')  <<==>> raw = raw.filter(l_freq=0.1, h_freq=30)

若想使用IIR滤波方法，可以使用如下命令：

raw = raw.filter(l_freq=0.1, h_freq=30, method='iir')

关于IIR滤波器和FIR滤波器的区别

（1）滤波器结构不同：IIR滤波器具有反馈结构，而FIR滤波器则不具有反馈结构。

（2）滤波器特性不同：IIR滤波器具有较高的滤波效率和较小的延迟时间，能够实现更加复杂的滤波特性；而FIR滤波器具有较高的稳定性和可靠性，不会出现稳定性问题和非线性失真，能够实现精确的滤波特性和灵活的滤波器设计。

（3）滤波器设计方法不同：IIR滤波器的设计方法主要是基于模拟滤波器的设计方法，可以通过差分方程、极点和零点等来实现滤波器的设计；而FIR滤波器的设计方法主要是基于窗函数的设计方法，可以通过窗函数、截止频率和滤波器阶数等来实现滤波器的设计。

IIR滤波器和FIR滤波器的应用

（1）IIR滤波器的应用：IIR滤波器主要应用于音频信号处理、语音信号处理、图像处理、传感器信号处理等方面，如音频均衡器、陷波滤波器、数字滤波器等。

（2）FIR滤波器的应用：FIR滤波器主要应用于通信系统、雷达信号处理、生物医学信号处理等方面，如低通滤波器、高通滤波器、带通滤波器等。

3.该系列会持续更新~~