第 6 章：事件与 Epoching¶

有了干净、已滤波的连续数据，现在我们可以把它切成短小的试次片段（Epochs）—— 一切关于 ERP 的分析都建立在这上面。本章讲解如何查找事件，以及如何正确构建 Epochs。

import mne
import matplotlib.pyplot as plt
from pathlib import Path

mne.set_log_level("WARNING")

sample_folder = Path(mne.datasets.sample.data_path()) / "MEG" / "sample"
raw = mne.io.read_raw_fif(sample_folder / "sample_audvis_raw.fif", preload=True)

# 在丢弃刺激通道之前先查找事件 -- 我们需要它来找出触发点
events = mne.find_events(raw, stim_channel="STI 014")

raw.pick(["eeg", "eog"])
raw.filter(l_freq=1.0, h_freq=40.0)
print("找到的事件数量:", len(events))
print(events[:10])

找到的事件数量: 320
[[27977     0     2]
 [28345     0     3]
 [28771     0     1]
 [29219     0     4]
 [29652     0     2]
 [30025     0     3]
 [30450     0     1]
 [30839     0     4]
 [31240     0     2]
 [31665     0     3]]

两种查找事件的方式¶

正如第 3 章提到的，事件会出现在两个地方之一：

# 方法一：专门的刺激/触发通道（本数据集）
events = mne.find_events(raw, stim_channel="STI 014")

# 方法二：附加在文件上的标注（annotations，你自己的 .edf 记录）
events, event_id = mne.events_from_annotations(raw)

不管用哪种方法，最终得到的都是一个 events 数组：每行代表一个事件，包含 [采样点编号, 0, 事件编码] 三列。event_code（事件编码）只是一个整数 —— 我们通过一个 event_id 字典，赋予它可读的含义。

# 本数据集的事件编码，MNE 文档中已有记录：
event_id = {
    "auditory/left": 1,
    "auditory/right": 2,
    "visual/left": 3,
    "visual/right": 4,
    "smiley": 5,
    "button": 32,
}

fig = mne.viz.plot_events(events, sfreq=raw.info["sfreq"], event_id=event_id)
plt.show()

png

注意像 "auditory/left" 这样的名字里有一个 /。MNE 会把它当作层级结构来处理：之后，epochs["auditory"] 会同时选中 auditory/left 和 auditory/right，而 epochs["auditory/left"] 则只选中那一个。这纯粹是你在构建 event_id 时自己选择的命名约定 —— 可以用它来把相关的条件归为一组。

创建 `Epochs`¶

mne.Epochs 会在每个事件周围切出一个固定的时间窗口。关键参数：

tmin、tmax：相对事件的窗口边界，单位是秒（例如 -0.2 到 0.5 表示事件前 200 ms 到事件后 500 ms）。
baseline：一个时间窗口（通常是事件前的时段），它的均值会从每个通道中减去 —— 用来修正任意的电压偏移，使各个 epoch 之间可以比较。(-0.2, 0.0) 是常见的选择。
reject：一个字典，给出各通道类型的峰峰值幅度阈值；任何超过阈值的 epoch 都会被自动丢弃 —— 这是对付 ICA 没能清理干净的伪迹的一道简单但有效的第二道防线。
preload：含义和 Raw 中一样 —— 立即加载数据。

epochs = mne.Epochs(
    raw,
    events,
    event_id=event_id,
    tmin=-0.2,
    tmax=0.5,
    baseline=(-0.2, 0.0),
    preload=True,
    reject=dict(eeg=150e-6, eog=250e-6),
)
epochs

	General
	MNE object type	Epochs
	Measurement date	2002-12-03 at 19:01:10 UTC
	Participant	Unknown
	Experimenter	MEG
	Acquisition
	Total number of events	300
	Events counts	auditory/left: 63 auditory/right: 69 button: 16 smiley: 15 visual/left: 72 visual/right: 65
	Time range	-0.200 – 0.499 s
	Baseline	-0.200 – 0.000 s
	Sampling frequency	600.61 Hz
	Time points	421
	Metadata	No metadata set
	Channels
	EEG	and
	EOG
	Head & sensor digitization	146 points
	Filters
	Highpass	1.00 Hz
	Lowpass	40.00 Hz

检查哪些 epoch 被丢弃了¶

reject 阈值会自动丢弃受污染的 epoch。务必检查丢弃了多少、以及为什么 —— 如果丢弃的比例过大，说明你的阈值设置得太严格了（或者说明上游的伪迹清理步骤还需要改进）。

print(epochs.drop_log_stats(), "% 的 epoch 被丢弃")
epochs.plot_drop_log()
plt.show()

6.25 % 的 epoch 被丢弃

png

选择与浏览 epoch¶

用条件名称（也就是 event_id 中的标签）来索引，并像浏览 raw.plot() 一样，逐个浏览单个试次。

print("所有听觉试次（左 + 右）:", len(epochs["auditory"]))
print("仅 auditory/left:", len(epochs["auditory/left"]))

epochs.plot(n_epochs=10, scalings="auto")
plt.show()

所有听觉试次（左 + 右）: 132
仅 auditory/left: 63

png

保存 epochs（可选）¶

对一个满意的 Epochs 对象，你可以把它保存下来，下次就不用重新跑一遍整个流程：

epochs.save("my-epo.fif", overwrite=True)
epochs = mne.read_epochs("my-epo.fif")

（-epo.fif 这种命名约定是 MNE 的硬性要求，不只是建议。）

小结¶

事件来自刺激通道（mne.find_events）或标注（mne.events_from_annotations）。
event_id 把可读的条件名称（可以用 / 表示层级）映射到整数编码。
mne.Epochs(raw, events, event_id, tmin, tmax, baseline, reject) 切分并清理试次片段。
应用拒绝阈值之后，务必检查 epochs.plot_drop_log()。

下一章：第 7 章 —— ERP 分析 —— 把这些 epoch 平均成 ERP 本身。