【声明：本blog为原创，转载请先联系~】

之前主要一直在使用matlab做一些预处理，主要基于eeglab，不过最近由于结果呈现的需要，发现py的mne库功能更强大丰富，开源性也更好，所以这里以mnelab（基于mne库做的GUI界面）入手，记录一下其强大而简单的功能。

mnelab/mne包链接指向库(膜拜大佬)：

https://github.com/mne-tools/mne-python

https://github.com/cbrnr/mnelab

1.关于安装：

（1）安装需依赖的库及版本环境：

MNELAB requires Python >= 3.6. In addition, the following Python packages are required:

• QtPy >= 1.9.0
• PyQt5 >= 5.10.0 or PySide2 >= 5.10.0
• numpy >= 1.14.0
• scipy >= 1.0.0
• matplotlib >= 2.1.0
• mne >= 0.20.0
• pyobjc-framework-Cocoa >= 5.2.0 (macOS only)
• python.app (only when using Anaconda or Miniconda Python on macOS)

如果需要其他的计算/导出/导入格式，还需要安装以下的库

Optional dependencies provide additional features if installed:

• scikit-learn (ICA computation with FastICA)
• python-picard (ICA computation with PICARD)
• pyxdf (import XDF)
• pyEDFlib (export to EDF/BDF)
• pybv (export to BrainVision VHDR/VMRK/EEG)

mne做不了以下事情：

MNELAB comes with the following features that are not (yet) available in MNE:

• Export to EDF/BDF (requires pyEDFlib)
• Export to EEGLAB SET
• Export to BrainVision VHDR/VMRK/EEG (requires pybv)
• Import XDF files (requires pyxdf)

（2）安装指令：

A.pip下安装

1. Install either PyQt5 (python3 -m pip install PyQt5) or PySide2 (python3 -m pip install PySide2).
2. Install MNELAB (python3 -m pip install mnelab).

You can start MNELAB in a terminal with mnelab（windows系统指令） or python3 -m mnelab（linux系统指令）.

B.anaconda下安装

An (unofficial, but regularly updated) conda package can be installed from conda-forge. We strongly suggest to install MNELAB into its own dedicated environment to ensure smooth installation and operation:

conda create -y -n mnelab -c conda-forge mnelab

2.关于使用教程（这里以mnelab的可视化进行代码讲解，更易入门）

（1）数据预处理

EEG数据一般在后续操作前需要对其进行数据的简单预处理，以我个人经验，将其分为大致以下几个步骤：

这里以实际实验数据（.vhdr/vmark/eeg）数据格式为例，open读取后的文件内容 

code：

data = read_raw("C:/Users/Administrator/Desktop/实验数据/2020.1.5下午before/03.vhdr", preload=True)

<1>脑区电极的定位，即确定channel locations。

mnelab：edit——》set montage   

我们这里使用的是标准10-20格式

code：

data.set_montage('standard_1020', raise_if_subset=False)

<2>选择/删除电极。这里主要结合自己的研究内容，我主要研究EEG信号，因此在我们的研究中需要删除ECG、EMG、EOG等不需要的通道

mnelab：edit——》pick channels

我们主要研究EEG信号，所以这里将ECG通道删除

code：

raw.drop({'ECG'})

<3>在分段前进行滤波，防止后滤波而导致的锯齿化数据（顺序：先滤波——》再降采样、分段等），常用一般滤波[0.5，30]hz（后续可根据具体需求进一步进行sub-band多子带滤波）

mnelab：tools——》filter data

code：

data.filter(0.5, 30.0)

<4>重置参考电极，这里常以TP9 TP10双耳平均电极作为参考（与研究目的也有关，这里讲p300的参考电极）

公式：所有电极数据 —（TP9+TP10）/2

mnelab：edit——》set reference

code：

data.set_eeg_reference(['TP9', 'TP10'])

结果：左图为重置参考前，右图为重置参考后（可以明显看到TP9 TP10处数据变缓和，因为以其叠加平均后作为参考）

补充：其他的参考方式：

一些常见的参考方案以及ref_channels参数的相应值如下：

（1）无需重新引用(No re-referencing)：  

如果EEG数据已经在使用正确的参考信号，则设置ref_channels = []。这将阻止MNE-Python自动添加平均参考投影。

（2）平均参考(Average reference)：  

通过设置ref_channels ='average'来对当前EEG信号进行平均，创建一个新的虚拟参考电极。   

如果在info['bads']中设置了错误的EEG通道，则会自动排除它们。

raw.set_eeg_reference('average', projection=True)
evoked_car = mne.Epochs(raw, **epochs_params).average()

evoked_car.plot(axes=ax2, 
                titles=dict(eeg='Average reference'), 
                show=False,
                time_unit='s')

"""
使用所有通道的平均值作为参考
"""
raw_avg_ref = raw.copy().set_eeg_reference(ref_channels='average')

（3）单电极(A single electrode)：  

将ref_channels设置为包含将用作新参考的通道名称的列表，例如ref_channels = ['Cz']。

多个电极的平均值(The mean of multiple electrodes:)：  

通过计算从两个或多个选定通道记录的当前EEG信号的平均值，可以创建一个新的虚拟参考电极（自动计算所选取通道的平均值） 

将ref_channels设置为通道名称列表，指定要使用的通道。   

例如，要使用平均乳突参考，在使用10-20命名方案时，请设置ref_channels = ['M1'，'M2']。

<5>对数据根据mark进行分段，同时去除基线（extract epochs），去基线常以“0时刻”（选定的事件）开始前一段时间作为基线

 mnelab：tools——》create events from annotations（因为我们数据格式为vhdr，自带vmark信息）

这时可以看到，events这里读取了三种mark信息，1（非靶刺激），2（靶刺激）和99999（刺激开始点）

code：

events, _ = mne.events_from_annotations(data)

<6>分段extract epochs，去基线（一般以0目标前几百ms作为去基线标准baseline）

mnelab：tools——》extract epochs

这里选择“2”（靶刺激作为分段），总时长-0.2s-1s，去基线以-0.2s-0s为baseline

code：

data = mne.Epochs(data, events, event_id=[2], tmin=-0.2, tmax=1.0, baseline=(-0.2, 0.0), preload=True)

【未完待续】