EEGLAB与MNE-Python:EEG数据批量处理逻辑解析

clear; clc; eeglab;  % 清空工作区变量和命令窗口，并启动EEGLAB工具箱Subj=[1:10]; % 定义被试编号，这里共有10名被试Cond={'L1' 'L2' 'L3' 'L4'};  % 定义4种实验条件的marker类型（字符串形式）file_path='D:\weicg\EEG\test_data2\'; % 指定EEGLAB数据文件(.set)所在的路径for i=1:length(Subj)  % 外层循环：遍历所有被试    file_name=[num2str(Subj(i)) '_LH.set']  % 根据被试编号生成对应的数据文件名，例如“1_LH.set”    for j=1:length(Cond)  % 内层循环：遍历所有实验条件        EEG= pop_loadset('filename',file_name,'filepath',file_path);  % 读取当前被试的EEGLAB数据集        EEG = pop_selectevent( EEG, 'type',{Cond{j}},'deleteevents','off','deleteepochs','on', 'invertepochs','off');         % 从当前数据集中筛选指定条件的epoch（试次）        % type指定事件类型，即条件marker        % deleteepochs='on' 表示删除不属于该条件的epoch，只保留当前条件的epoch        % deleteevents='off' 表示保留事件信息        % invertepochs='off' 表示不反向选择epoch        data(i,j,:,:)=squeeze(mean(EEG.data,3));          % 计算当前被试在该条件下的ERP平均波形        % EEG.data的维度为：channel × timepoints × epochs        % mean(EEG.data,3) 表示在第三维（trial/epoch）上求平均，即被试内平均        % squeeze() 用于去掉单一维度        % 最终data形成四维数组：subject × condition × channel × timepoints    end endtepoch=EEG.times; chanloc=EEG.chanlocs;% 提取时间轴信息和电极位置信息，用于后续ERP绘图EEG=[]; EEG.times=tepoch; EEG.chanlocs=chanloc; % 重新创建EEG结构体，仅保留时间信息和电极位置信息，以便后续绘图使用save 'D:\weicg\EEG\test_data2\data'  data EEG % 将结果保存到指定路径并命名为data% 保存内容包括：% data：四维ERP数据（被试 × 条件 × 通道 × 时间点）% EEG：包含时间轴和电极位置的结构体% 以后进行统计分析或绘图时可以直接加载该文件，无需重新运行前面的数据提取过程

import mneimport matplotlibmatplotlib.use('Qt5Agg')  # 设置Matplotlib绘图后端为Qt5Agg，使MNE的交互式绘图功能正常工作（如点击通道、缩放等）import osfile = r"D:\weicg\EEG\test_data2\1_LH.set"# 指定需要读取的EEGLAB数据文件路径，该文件为预处理并分段后的Epoch数据epoch = mne.read_epochs_eeglab(file)# 使用MNE函数读取EEGLAB的.set文件，并转换为MNE中的Epochs对象epoch  #/epoch.info 输出Epochs对象的信息，包括：事件数量、种类、时间段、基线校正等。

files = [f for f in os.listdir(data_dir) if f.endswith("LH.set")]# 获取该目录下所有以 "LH.set" 结尾的文件名# 这些文件通常对应不同被试的数据文件，例如：1_LH.set、2_LH.set等from collections import defaultdictsubjects = range(1, 11)file_path = r'D:\weicg\EEG\test_data2' # 定义数据所在文件夹路径all_evokeds = defaultdict(list) # 创建一个字典，用于存储每个条件的 ERP（Evoked）结果for subj in subjects: # 循环遍历每一个被试    fname = os.path.join(file_path, f'{subj}_LH.set')    epochs = mne.read_epochs_eeglab(fname)    # 自动读取条件名    conds = list(epochs.event_id.keys())    for cond in conds: # 遍历每一个实验条件        evoked = epochs[cond].average()        all_evokeds[cond].append(evoked) # 将当前被试该条件的 ERP 结果加入字典all_evokeds 

% 以Cz电极为例进行ERP波形绘制% 在本数据中Cz的物理电极编号为13，因此在data数组的通道维度选择13%% 各个条件Cz波形图figure; % 新建图形窗口hold on; % 允许在同一坐标轴上叠加绘图set(gca,'YDir','reverse'); % 设置负电位向上% xlim([-500 1000]); % 可选：设置X轴范围% ylim([-15 10]); % 可选：设置Y轴范围axis([-500 1000 -40 35]); % 设置绘图显示范围（时间范围和振幅范围）plot(EEG.times, squeeze(mean(data(:,1,13,:),1)),'-b'); % L1条件在Cz上的组平均ERPplot(EEG.times, squeeze(mean(data(:,2,13,:),1)),'-g'); % L2条件在Cz上的组平均ERPplot(EEG.times, squeeze(mean(data(:,3,13,:),1)),'-k'); % L3条件在Cz上的组平均ERPplot(EEG.times, squeeze(mean(data(:,4,13,:),1)),'-r'); % L4条件在Cz上的组平均ERP% mean(data(:,cond,13,:),1)：对所有被试进行平均，得到组平均ERPlegend('L1','L2','L3','L4'); % 添加图例说明各条件title('Group-level Cz waveforms by condition','fontsize',16); % 图标题xlabel('Latency (ms)','fontsize',16); % X轴名称ylabel('Amplitude (uV)','fontsize',16); % Y轴名称

import matplotlib.pyplot as pltmne.viz.plot_compare_evokeds(    all_evokeds,                 picks=['Cz'],             # 选择要绘制的电极，这里选择 Cz 电极    ci=False,                 # 不绘制置信区间（confidence interval）                              # 如果设为 True，则会显示平均波形周围的误差带    invert_y=True,            # 将 Y 轴反转，使负电位朝上    time_unit='ms',           # 将时间单位显示为毫秒（ms）    title='Group-level Cz waveforms by condition', # 设置图的标题    show=False          # 为保存图片先不要显示                              )fig = plt.gcf() # 获取当前图像对象（current figure）fig.savefig('Cz_waveforms_by_condition.png', dpi=300, bbox_inches='tight') # 保存图像

N2_peak=find(EEG.times==207); P2_peak=find(EEG.times==374); %% 所有条件总平均N2/P2地形图figure; subplot(121); topoplot(squeeze(mean(mean(data(:,:,:,N2_peak),1),2)),EEG.chanlocs);% 提取N2时间点所有被试和所有条件的平均电位分布% data(:,:,:,N2_peak)：N2时间点的所有数据% mean(...,1)：被试平均% mean(...,2)：条件平均caxis([-10 10]); % 设置颜色刻度范围title('N2 topography','fontsize',16); % N2头皮分布图subplot(122); topoplot(squeeze(mean(mean(data(:,:,:,P2_peak),1),2)),EEG.chanlocs); caxis([-10 10]); % 设置颜色刻度范围title('P2 topography','fontsize',16); % P2头皮分布图

%% 各条件N2时间点的地形图% 由于L1和L2条件的N2峰不明显，这里为每个条件大致估计一个潜伏期N2_timepoints = [316, 310, 249, 208]; % 每个条件的N2时间点（ms）figure;for i = 1:length(Cond) % 遍历所有条件subplot(1, length(Cond), i); % 在同一窗口按条件排列子图condition_data = squeeze(mean(data(:, i, :, find(EEG.times==N2_timepoints(i))))); % 提取当前条件在指定N2时间点的数据% mean(data(:,i,:,:),1)：先对被试平均% find(...)：找到对应时间点索引topoplot(condition_data, EEG.chanlocs, 'maplimits', [-15 15]); % 绘制该条件N2时刻的头皮地形图，并统一颜色范围title(sprintf('%s N2', Cond{i})); % 添加子图标题（条件名称）End

import matplotlib.pyplot as pltgrand_avg = {} # 计算每个条件的 group average（所有被试平均）for cond, evks in all_evokeds.items():  grand_avg[cond] = mne.grand_average(evks) # 再把所有条件平均（所有条件+所有被试）grand_all = mne.grand_average(list(grand_avg.values()))N2_peak = 0.207P2_peak = 0.374fig, axes = plt.subplots(1,2, figsize=(8,4))grand_all.plot_topomap(times=N2_peak, axes=axes[0], vlim=(-10,10), colorbar=False, time_unit='s')axes[0].set_title('N2 topography')grand_all.plot_topomap(times=P2_peak, axes=axes[1], vlim=(-10,10), colorbar=False, time_unit='s')axes[1].set_title('P2 topography')plt.show()

# 定义每个条件对应的 N2 时间点（单位：秒）# Matlab 中是毫秒 [316,310,249,208]，这里换算成秒N2_timepoints = [0.316,0.310,0.249,0.208]# 定义实验条件名称conditions=['L1', 'L2', 'L3', 'L4']# 创建一个画布，1行4列子图，每个条件一个topomap# figsize 控制图的整体大小fig, axes = plt.subplots(1, len(conditions), figsize=(12,3))# 循环遍历每个条件for i, cond in enumerate(conditions):    # 从 grand_avg 字典中取出当前条件的 group average Evoked 对象    evk = grand_avg[cond]    # 绘制该条件在指定时间点的头皮电位分布图（topomap）    evk.plot_topomap(        times=N2_timepoints[i],   # 当前条件的 N2 时间点        axes=axes[i],             # 指定绘制在哪个子图        vlim=(-15,15),            # 颜色范围，对应 Matlab maplimits [-15 15]        colorbar=False,           # 不显示单独的 colorbar        time_unit='s'             # 时间单位为秒    )    # 设置子图标题，例如 "L1 N2"    axes[i].set_title(f'{cond} N2')# 显示图像plt.show()