Skip to content

第5章:事件与分段

承接第4章 — 使用 ICA 去除伪迹。

有了一份干净的连续记录数据后,本章要标记出感兴趣的时刻,并围绕它们把数据切分成一个个试次——这正是 MNE-Python 教程事件与分段一章中以代码形式讲解的同一个过程。

事件与标注

Markers 菜单涵盖了 MNE-Python 所区分的两种时间标记:

  • Markers → Edit Events...、Import Events...、Export Events... 管理的是精确采样点上的数值事件代码——对应 MNE-Python 的 events 数组。
  • Markers → Edit Annotations...、Import Annotations...、Export Annotations... 管理的是带标签的时间区间——对应 MNE-Python 的 Annotations,常用于标记坏段或连续性的条件。
  • Markers → Find Events... 会扫描刺激通道以自动生成事件,而 Markers → Events from Annotations / Annotations from Events... 则在两种表示之间相互转换,对应代码中的 mne.events_from_annotations() 及其反向操作。

创建分段(Epochs)

Epochs → Create Epochs... 会围绕选定的一组事件代码,把连续记录数据切成固定长度的窗口,窗口的时间范围(例如事件前 200ms 到事件后 500ms)以及要减去的可选基线区间都可以设置——这些正是代码中 mne.Epochs() 所接受的参数。运行之后,侧边栏中的条目会从连续记录数据变为一叠分段(epochs),此后所有的菜单操作都会一次性作用于整叠数据。

清理分段

  • Epochs → Drop Bad Epochs... 会剔除峰峰值振幅超过你设定阈值的分段——这是代码中 epochs.drop_bad() 对应的图形界面操作,用来捕获 ICA 未能完全去除的残留伪迹。
  • Epochs → Detect Artifacts... 提供了额外的自动剔除标准,可以在你正式决定丢弃某些分段之前先对其进行标记。

关于这些菜单项所封装的底层分段 API,可参见 MNE-Python 教程的事件与分段一章。

下一步: 第6章 — ERP 分析