dx修复工具_MNEPython简易中文教程 | EEG/MEG数据的伪影识别、修复坏道以及去除坏段...

转载自公众号：路同学

作者：路同学

Hello,

这里是行上行下，我是喵君姐姐~

在之前所发布的“MNE-Python的简易中文教程简单入门”中，我们介绍了使用MNE来对EEG/MEG进行预处理；

另外，在发布的“MNE进阶教程|实例详解EEG/MEG数据读取”教程中，主要介绍了以一个公开数据为案例，详解基于MNE-Python的从“原数据”到“可处理数据”的读取流程。

随后，发布的“MNE-Python简易教程|解析EEG/MEG数据中的事件信息”教程中，详解如何从EEG/MEG数据中解析出事件信息，即介绍MNE-Python中的事件信息的读取。

而在本期中，我们继续邀请路同学带大家详解EEG/MEG数据预处理的核心阶段——伪影的处理。

什么是伪影？

伪影是记录的信号中不属于本来大脑神经元活动的部分，造成这种干扰和噪音的原因很多：

环境伪影：

以交流电(典型的50或60Hz)为中心的持续震荡；

由建筑物震动引起的短暂信号跳跃(如砰地一声关上门)；

附近电梯、手机、地磁场等产生的电磁干扰。

测量伪影：

来自刺激呈现的电磁干扰(如EEG传感器接收未屏蔽耳机产生的磁场)；

头部位置指示器(HPI)线圈的特定频率的持续震荡；

由于传感器故障(如电极接触不良)造成的单个导联出现随机的高振幅波动或恒定的零信号。

生物伪影：

由于心脏电活动造成的周期性的类似QRS信号模式(尤其在MEG导联中)；

由于眼动造成的短暂偏转(尤其在前额EEG导联中)；

由于眨眼造成的大幅的瞬态偏转(尤其在前额EEG导联中)；

由于吞咽引起的肌肉活动造成的几个通道上出现短暂的高频波动。

如何处理伪影？

三种选择：

1 忽略artifact照旧处理；

2 排除数据坏损的部分，分析剩余的数据；

3 修复artifact同时(希望)保持感兴趣的信号不变。

伪影检测

这是这一节的核心。

首先还是导入example data方便后面的示例：

import osimport numpy as npimport mnesample_data_folder = mne.datasets.sample.data_path()sample_data_raw_file = os.path.join(sample_data_folder, 'MEG', 'sample',                                    'sample_audvis_raw.fif')raw = mne.io.read_raw_fif(sample_data_raw_file)raw.crop(0, 60).load_data()

MNE-Python包括一些用于自动检测的工具，但是用户也可以通过对数据的可视化方式来进行检查。

由于示例数据中包含SSP projector，即数据导联到空间的投影信息，这个信息预留在Raw对象中作为一个单独的变量，这里我们先用del_proj()从Raw对象中删除掉它以便我们检查数据的最原始状态：

ssp_projectors = raw.info['projs']raw.del_proj()

接下来介绍一些典型的伪影：

低频漂移：

低频漂移很容易直接通过最基础的plot()方法观察到，这里我们画出60秒的所有导联的数据：

mag_channels = mne.pick_types(raw.info, meg='mag')raw.plot(duration=60, order=mag_channels, n_channels=len(mag_channels),         remove_dc=False)

低频漂移很容易通过高通滤波以较低的截止频率来消除，通常使用0.1Hz的截止频率可以抑制大部分的漂移。

电力线噪音：

电力线伪影最容易通过绘画能量谱图来观察到，我们使用plot_psd()来说明：

fig = raw.plot_psd(tmax=np.inf, fmax=2