第7章:与 MNE-Python 的衔接

承接第6章 — 溯源分析。这是 Brainstorm 线索的最后一章。

到目前为止,你已经在本仓库中两次走过同样的大致流程——导入、预处理、分段、平均、溯源分析——一次是以 MNE-Python 代码的形式,一次是以 Brainstorm 点击操作的形式。这最后一章,将把两者直接联系起来。

共享的示例数据

MNE-Python 自带一个数据集模块 mne.datasets.brainstorm,其中包含最初作为官方 Brainstorm 教程数据集发布的记录(包括听觉刺激、静息态以及体模记录等)。这意味着你可以在 MNE-Python 中加载真正来自 Brainstorm 的数据,并以代码的形式运行与你刚才点击操作类似的流程——这是在同一份数据上,交叉验证你对这两种工具理解程度的一个很好的方式。

在两者之间迁移文件

• Brainstorm → MNE-Python:Brainstorm 可以将记录、头模型和溯源结果导出为 MNE-Python 能直接读取的格式,包括普通的 .mat 文件以及与 FieldTrip 兼容的结构体。
• MNE-Python → Brainstorm:MNE-Python 写出的 .fif 文件(原始记录、分段数据、正/逆模型)可以直接导入 Brainstorm 数据库,使用的正是第3章中那个 Review raw file 导入步骤。

两个工具都不会把你的数据锁定在自己内部——在一个工具中处理到一半的数据,通常都可以转到另一个工具中继续处理。

针对具体任务选择工具

• 适合使用 Brainstorm 的情形 ——需要快速、直观、探索性的分析;项目中的合作者不写代码;或者想要一张精美的三维溯源图,却不想自己写绘图代码。
• 适合使用 MNE-Python 的情形 ——需要一套能在众多被试上完全一致运行的流程;需要将分析过程作为代码纳入版本控制或接受同行评审;需要与其他 Python 分析(统计检验、机器学习、自定义预处理)集成。

许多实际项目会同时用到两者:先在 Brainstorm 中对一两名被试进行探索性分析、检查是否合理,再将最终确定的流程编写为 MNE-Python 脚本,应用到完整数据集上。

接下来可以做什么

如果你想看看这些概念是如何写成可执行代码的,MNE-Python 线索的EEG 基础和 ERP 分析两章,以代码的形式覆盖了这一流程中传感器层面的部分;而应用到你自己的数据则是一个模板,可用于在你自己的记录上运行这一整套流程。

Brainstorm 线索到此结束,感谢阅读。