MNE-Python 第10天学习笔记：结果报告与可视化

一、为什么需要报告和可视化1.1 数据分析的最后一公里数据分析的完整流程 原始数据 → 预处理 → 分段 → 分析 → 报告/图表 ↑ 这是别人看到的 前面的工作做得再好如果图和报告不好看 - 审稿人看不懂 → 被拒稿 - 导师不满意 → 返工 - 自己过段时间也忘了分析过程1.2 今天要完成的事1. 回顾前9天的分析成果 2. 用 MNE Report 生成交互式 HTML 报告 3. 创建发表级别的对比图 4. 保存高质量图片二、环境准备2.1 导入库# 环境设置 # 设置 matplotlib 后端 # 今天以保存图片为主用 Agg 后端即可 import matplotlib matplotlib.use(Agg) # pyplotmatplotlib 的绘图接口 import matplotlib.pyplot as plt # mne脑电分析核心库 import mne # numpy科学计算库 import numpy as np # os操作系统路径处理 import os # warnings警告控制 import warnings warnings.filterwarnings(ignore) # 中文字体设置 plt.rcParams[font.sans-serif] [Microsoft YaHei, SimHei] plt.rcParams[axes.unicode_minus] False print(*60) print(MNE-Python 第10天结果报告与可视化) print(*60) print(\n 今天是最后一天) print(我们将整合前9天的所有知识生成专业报告)2.2 加载预处理好的数据# ---------- 1. 加载数据并快速预处理 ---------- print(\n加载数据...) sample_data_folder mne.datasets.sample.data_path() raw_fname os.path.join(sample_data_folder, MEG, sample, sample_audvis_raw.fif) raw mne.io.read_raw_fif(raw_fname, preloadFalse) # 提取 EEG 通道 raw_eeg raw.copy().pick_types(eegTrue, eogTrue, stimTrue) # 重命名通道 eeg_names [ch for ch in raw_eeg.ch_names if ch.startswith(EEG)] montage mne.channels.make_standard_montage(standard_1020) standard_names montage.ch_names[:len(eeg_names)] raw_eeg.rename_channels(dict(zip(eeg_names, standard_names))) raw_eeg.set_montage(montage) # 加载到内存并滤波 raw_eeg.load_data() raw_eeg.notch_filter(freqs60, pickseeg, verboseFalse) raw_eeg.filter(l_freq1, h_freq40, pickseeg, verboseFalse) raw_eeg.set_eeg_reference(average, verboseFalse) print(✅ 数据预处理完成) # 提取事件 events mne.find_events(raw_eeg, stim_channelSTI 014) event_id {听觉/左耳: 1, 听觉/右耳: 2, 视觉/左眼: 3, 视觉/右眼: 4}三、创建 Epochs 和 ERP# ---------- 2. 创建 Epochs 和计算 ERP ---------- print(\n创建 Epochs...) epochs mne.Epochs( raw_eeg, events, event_idevent_id, tmin-0.2, tmax0.5, baseline(-0.2, 0), rejectdict(eeg150e-6), preloadTrue, verboseFalse ) print(f✅ Epochs: {len(epochs)} 个分段) # 计算各条件的 ERP print(计算 ERP...) evoked_dict {} for cond_name in event_id.keys(): evoked_dict[cond_name] epochs[cond_name].average() print(f {cond_name}: {len(epochs[cond_name])} 个分段) # 合并听觉和视觉条件 evoked_auditory mne.combine_evoked( [evoked_dict[听觉/左耳], evoked_dict[听觉/右耳]], weights[0.5, 0.5]) evoked_auditory.comment 听觉 evoked_visual mne.combine_evoked( [evoked_dict[视觉/左眼], evoked_dict[视觉/右眼]], weights[0.5, 0.5]) evoked_visual.comment 视觉 # 差异波 evoked_diff mne.combine_evoked( [evoked_auditory, evoked_visual], weights[1, -1]) evoked_diff.comment 听觉-视觉 print(✅ 差异波计算完成)四、时频分析# ---------- 3. 时频分析 ---------- print(\n计算时频分析...) # 创建更长的 Epochs 用于时频分析 epochs_tfr mne.Epochs( raw_eeg, events, event_idevent_id, tmin-1.0, tmax2.0, baseline(-0.5, 0), rejectdict(eeg150e-6), preloadTrue, verboseFalse ) # 选择 Cz 通道 epochs_tfr.pick([Cz]) # Morlet 小波变换 frequencies np.arange(4, 31, 1) n_cycles frequencies / 2 power mne.time_frequency.tfr_morlet( epochs_tfr[听觉/左耳], freqsfrequencies, n_cyclesn_cycles, return_itcFalse, averageTrue, decim2, verboseFalse ) print(✅ 时频分析完成)五、MNE Report自动生成 HTML 报告5.1 什么是 MNE ReportMNE Report 一个交互式 HTML 网页 里面可以包含 - 原始数据预览 - 功率谱密度图 - 事件标记 - ERP 波形 - 脑地形图 - 时频图 - 源定位结果 好处 - 所有分析结果集中在一个文件 - 可以交互缩放、切换时间点 - 方便分享给导师/合作者 - 方便自己回顾分析过程5.2 创建报告# ---------- 4. 创建 MNE Report ---------- print(\n *60) print(生成 MNE HTML 报告) print(*60) # Report()创建报告对象 # title报告标题 # subjects_dirMRI 数据目录源定位可视化需要 report mne.Report( title脑电数据分析报告 - 听觉/视觉实验, subjects_diros.path.join(sample_data_folder, subjects), verboseFalse ) print(报告中添加内容...) # ----- 4.1 添加原始数据 ----- print( 原始数据预览) report.add_raw( rawraw_eeg, title原始数据滤波后, psdTrue, # 同时显示 PSD butterflyTrue # 蝴蝶图模式 ) # ----- 4.2 添加事件 ----- print( 事件标记) report.add_events( eventsevents, event_idevent_id, sfreqraw_eeg.info[sfreq], title实验事件 ) # ----- 4.3 添加 Epochs ----- print( 分段数据) report.add_epochs( epochsepochs, title数据分段Epochs ) # ----- 4.4 添加 ERP ----- print( ERP 波形) for cond_name, evoked in evoked_dict.items(): safe_name cond_name.replace(/, _) report.add_evokeds( evokedsevoked, titlescond_name, n_time_points10, # 地形图的时间点数 ) # ----- 4.5 添加 ERP 对比 ----- print( ERP 对比) report.add_evokeds( evokeds[evoked_dict[听觉/左耳], evoked_dict[听觉/右耳], evoked_dict[视觉/左眼], evoked_dict[视觉/右眼]], titles[听觉/左耳, 听觉/右耳, 视觉/左眼, 视觉/右眼], n_time_points8, ) # ----- 4.6 添加时频图 ----- print( 时频图) # 将时频图保存为图片再添加到报告 fig_tfr power.plot( picksCz, baseline(-0.5, 0), modepercent, vmin-50, vmax50, showFalse ) fig_tfr.suptitle(Cz ERD/ERS, fontsize12) report.add_figure( figfig_tfr, titleCz通道 ERD/ERS, image_formatpng ) plt.close(fig_tfr) # ----- 4.7 添加差异波 ----- print( 差异波) report.add_evokeds( evokedsevoked_diff, titles听觉 - 视觉, n_time_points8, ) # ----- 保存报告 ----- report_fname day10_eeg_report.html report.save(report_fname, overwriteTrue) print(f\n✅ 报告已保存为 {report_fname}) print(f 用浏览器打开即可查看交互式报告)add_raw()参数详解add_evokeds()参数详解六、创建发表级图表6.1 多子图综合布局# ---------- 5. 发表级综合图表 ---------- print(\n *60) print(创建发表级图表) print(*60) # 创建 3×3 的大图布局 fig plt.figure(figsize(18, 14)) fig.suptitle(听觉 vs 视觉 脑电分析综合图, fontsize18, fontweightbold) # 选择 Cz 通道头顶中央ERP 分析最常用 plot_ch Cz # ----- 子图1听觉左耳 ERP ----- ax1 fig.add_subplot(3, 3, 1) evoked_dict[听觉/左耳].plot( picksplot_ch, axesax1, showFalse, spatial_colorsFalse, time_unitms ) ax1.set_title(听觉/左耳 ERP, fontsize12, fontweightbold) ax1.axvline(x0, colorred, linestyle--, alpha0.5) ax1.grid(True, alpha0.3) # ----- 子图2听觉右耳 ERP ----- ax2 fig.add_subplot(3, 3, 2) evoked_dict[听觉/右耳].plot( picksplot_ch, axesax2, showFalse, spatial_colorsFalse, time_unitms ) ax2.set_title(听觉/右耳 ERP, fontsize12, fontweightbold) ax2.axvline(x0, colorred, linestyle--, alpha0.5) ax2.grid(True, alpha0.3) # ----- 子图3听觉地形图150ms ----- ax3 fig.add_subplot(3, 3, 3) evoked_dict[听觉/左耳].plot_topomap( times[0.15], ch_typeeeg, axesax3, showFalse, average0.05, time_unitms ) ax3.set_title(听觉地形图 (150ms), fontsize12, fontweightbold) # ----- 子图4视觉左眼 ERP ----- ax4 fig.add_subplot(3, 3, 4) evoked_dict[视觉/左眼].plot( picksplot_ch, axesax4, showFalse, spatial_colorsFalse, time_unitms ) ax4.set_title(视觉/左眼 ERP, fontsize12, fontweightbold) ax4.axvline(x0, colorred, linestyle--, alpha0.5) ax4.grid(True, alpha0.3) # ----- 子图5视觉右眼 ERP ----- ax5 fig.add_subplot(3, 3, 5) evoked_dict[视觉/右眼].plot( picksplot_ch, axesax5, showFalse, spatial_colorsFalse, time_unitms ) ax5.set_title(视觉/右眼 ERP, fontsize12, fontweightbold) ax5.axvline(x0, colorred, linestyle--, alpha0.5) ax5.grid(True, alpha0.3) # ----- 子图6视觉地形图150ms ----- ax6 fig.add_subplot(3, 3, 6) evoked_dict[视觉/左眼].plot_topomap( times[0.15], ch_typeeeg, axesax6, showFalse, average0.05, time_unitms ) ax6.set_title(视觉地形图 (150ms), fontsize12, fontweightbold) # ----- 子图7听觉 vs 视觉对比 ----- ax7 fig.add_subplot(3, 3, 7) mne.viz.plot_compare_evokeds( {听觉: evoked_auditory, 视觉: evoked_visual}, picksplot_ch, axesax7, showFalse, legendupper right ) ax7.set_title(听觉 vs 视觉, fontsize12, fontweightbold) ax7.axvline(x0, colorred, linestyle--, alpha0.5) ax7.grid(True, alpha0.3) # ----- 子图8差异波 ----- ax8 fig.add_subplot(3, 3, 8) evoked_diff.plot( picksplot_ch, axesax8, showFalse, spatial_colorsFalse, time_unitms ) ax8.set_title(差异波听觉 - 视觉, fontsize12, fontweightbold) ax8.axvline(x0, colorred, linestyle--, alpha0.5) ax8.axhline(y0, colorblack, linestyle-, alpha0.3) ax8.grid(True, alpha0.3) # ----- 子图9时频图 ----- ax9 fig.add_subplot(3, 3, 9) power.plot( picksCz, baseline(-0.5, 0), modepercent, vmin-50, vmax50, axesax9, showFalse, colorbarTrue ) ax9.set_title(Cz ERD/ERS, fontsize12, fontweightbold) # 调整布局并保存 plt.tight_layout() fig.savefig(day10_comprehensive_figure.png, dpi300, bbox_inchestight, facecolorwhite, edgecolornone) print(✅ 综合图表已保存为 day10_comprehensive_figure.png (300 DPI)) plt.close(fig)6.2 不同条件的地形图时间序列# ---------- 6. 地形图时间序列 ---------- print(\n创建地形图时间序列...) # 创建 2×4 的地形图对比 # 上行听觉条件下行视觉条件 # 列50, 100, 150, 200 毫秒 times_topo [0.05, 0.10, 0.15, 0.20] # 秒 fig, axes plt.subplots(2, 4, figsize(20, 10)) fig.suptitle(听觉 vs 视觉 脑地形图时间序列, fontsize16, fontweightbold) for col, t in enumerate(times_topo): # 上行听觉 evoked_dict[听觉/左耳].plot_topomap( times[t], ch_typeeeg, axesaxes[0, col], showFalse, average0.05, time_unitms, vmin-3, vmax3 # 统一颜色范围便于比较 ) axes[0, col].set_title(f听觉 {t*1000:.0f}ms, fontsize12, fontweightbold) # 下行视觉 evoked_dict[视觉/左眼].plot_topomap( times[t], ch_typeeeg, axesaxes[1, col], showFalse, average0.05, time_unitms, vmin-3, vmax3 ) axes[1, col].set_title(f视觉 {t*1000:.0f}ms, fontsize12, fontweightbold) plt.tight_layout() fig.savefig(day10_topomap_timeseries.png, dpi300, bbox_inchestight, facecolorwhite, edgecolornone) print(✅ 地形图时间序列已保存为 day10_topomap_timeseries.png (300 DPI)) plt.close(fig)七、高质量图片保存7.1 图片格式选择print(\n *60) print(高质量图片保存) print(*60) print( 不同图片格式的用途 ┌─────────┬──────────┬──────────────────────┐ │ 格式 │ 文件大小 │ 最适合 │ ├─────────┼──────────┼──────────────────────┤ │ PNG │ 中等 │ 日常使用、PPT、博客 │ │ TIFF │ 较大 │ 论文投稿位图 │ │ PDF │ 小 │ 论文投稿矢量图 │ │ SVG │ 小 │ 可编辑矢量图 │ │ EPS │ 小 │ LaTeX 论文 │ └─────────┴──────────┴──────────────────────┘ ) # 保存多种格式 print(保存多种格式的图片...) # 创建示例图 fig, ax plt.subplots(figsize(8, 6)) evoked_dict[听觉/左耳].plot( picksCz, axesax, showFalse, spatial_colorsFalse, time_unitms ) ax.set_title(听觉/左耳 ERP (Cz), fontsize14, fontweightbold) ax.axvline(x0, colorred, linestyle--, alpha0.5) ax.grid(True, alpha0.3) # PNG - 日常使用 fig.savefig(day10_erp.png, dpi150, bbox_inchestight, facecolorwhite, edgecolornone) print( ✅ day10_erp.png (150 DPI - 日常使用)) # TIFF - 论文投稿 fig.savefig(day10_erp.tiff, dpi300, bbox_inchestight, facecolorwhite, edgecolornone, pil_kwargs{compression: tiff_lzw}) print( ✅ day10_erp.tiff (300 DPI - 论文投稿)) # PDF - 矢量图 fig.savefig(day10_erp.pdf, bbox_inchestight, facecolorwhite, edgecolornone) print( ✅ day10_erp.pdf (矢量图 - LaTeX 论文)) plt.close(fig)7.2 savefig 参数详解# savefig() 的参数说明 fig.savefig( filename.png, # 文件名扩展名决定格式 dpi300, # 分辨率dots per inch # 150 屏幕显示 # 300 论文投稿标准 # 600 印刷出版 bbox_inchestight, # 自动裁剪多余白边 facecolorwhite, # 图片背景色 edgecolornone, # 图片边框颜色 # TIFF 额外参数 pil_kwargs{compression: tiff_lzw} # LZW 无损压缩 )八、项目总结# ---------- 7. 生成项目总结 ---------- print(\n *60) print( 项目总结) print(*60) print( ┌────────────────────────────────────────────┐ │ 10天 MNE-Python 学习之旅 │ ├────────────────────────────────────────────┤ │ │ │ 第1天环境搭建与数据初探 │ │ 第2天Montage与通道信息管理 │ │ 第3天事件与标记处理 │ │ 第4天数据预处理 - 滤波与重参考 │ │ 第5天数据预处理 - ICA伪迹处理 │ │ 第6天分段Epoching与基线校正 │ │ 第7天事件相关电位ERP分析 │ │ 第8天时频分析ERD/ERS │ │ 第9天源定位基础 │ │ 第10天结果报告与可视化 │ │ │ │ 你已掌握 │ │ ✅ 脑电数据加载和预处理 │ │ ✅ 事件提取和分段 │ │ ✅ ERP 分析和可视化 │ │ ✅ 时频分析和 ERD/ERS │ │ ✅ 源定位基础 │ │ ✅ 生成专业报告和图表 │ │ │ └────────────────────────────────────────────┘ ) print(保存的文件) print( day10_eeg_report.html - 交互式 HTML 报告) print( ️ day10_comprehensive_figure.png - 综合图表) print( ️ day10_topomap_timeseries.png - 地形图时间序列) print( ️ day10_erp.png - ERP 示例图 (PNG)) print( ️ day10_erp.tiff - ERP 示例图 (TIFF)) print( ️ day10_erp.pdf - ERP 示例图 (PDF))九、第10天完整代码# 环境设置 import matplotlib matplotlib.use(Agg) import matplotlib.pyplot as plt import mne import numpy as np import os import warnings warnings.filterwarnings(ignore) plt.rcParams[font.sans-serif] [Microsoft YaHei, SimHei] plt.rcParams[axes.unicode_minus] False print(*60) print(MNE-Python 第10天结果报告与可视化) print(*60) print(\n 今天是最后一天) # ---------- 1. 加载数据并快速预处理 ---------- print(\n加载数据...) sample_data_folder mne.datasets.sample.data_path() raw_fname os.path.join(sample_data_folder, MEG, sample, sample_audvis_raw.fif) raw mne.io.read_raw_fif(raw_fname, preloadFalse) raw_eeg raw.copy().pick_types(eegTrue, eogTrue, stimTrue) eeg_names [ch for ch in raw_eeg.ch_names if ch.startswith(EEG)] montage mne.channels.make_standard_montage(standard_1020) standard_names montage.ch_names[:len(eeg_names)] raw_eeg.rename_channels(dict(zip(eeg_names, standard_names))) raw_eeg.set_montage(montage) raw_eeg.load_data() raw_eeg.notch_filter(freqs60, pickseeg, verboseFalse) raw_eeg.filter(l_freq1, h_freq40, pickseeg, verboseFalse) raw_eeg.set_eeg_reference(average, verboseFalse) events mne.find_events(raw_eeg, stim_channelSTI 014) event_id {听觉/左耳: 1, 听觉/右耳: 2, 视觉/左眼: 3, 视觉/右眼: 4} print(✅ 数据预处理完成) # ---------- 2. 创建 Epochs 和计算 ERP ---------- epochs mne.Epochs(raw_eeg, events, event_idevent_id, tmin-0.2, tmax0.5, baseline(-0.2, 0), rejectdict(eeg150e-6), preloadTrue, verboseFalse) evoked_dict {} for cond_name in event_id.keys(): evoked_dict[cond_name] epochs[cond_name].average() evoked_auditory mne.combine_evoked( [evoked_dict[听觉/左耳], evoked_dict[听觉/右耳]], weights[0.5, 0.5]) evoked_visual mne.combine_evoked( [evoked_dict[视觉/左眼], evoked_dict[视觉/右眼]], weights[0.5, 0.5]) evoked_diff mne.combine_evoked([evoked_auditory, evoked_visual], weights[1, -1]) print(✅ ERP 计算完成) # ---------- 3. 创建 MNE Report ---------- print(\n生成 HTML 报告...) report mne.Report(title脑电数据分析报告, verboseFalse) report.add_raw(rawraw_eeg, title原始数据, psdTrue) report.add_events(eventsevents, event_idevent_id, sfreqraw_eeg.info[sfreq], title实验事件) report.add_epochs(epochsepochs, title数据分段) for cond_name, evoked in evoked_dict.items(): report.add_evokeds(evokedsevoked, titlescond_name, n_time_points8) report.add_evokeds(evokedsevoked_diff, titles听觉-视觉, n_time_points8) report.save(day10_eeg_report.html, overwriteTrue) print(✅ 报告已保存为 day10_eeg_report.html) # ---------- 4. 创建发表级综合图表 ---------- print(\n创建综合图表...) fig plt.figure(figsize(18, 14)) fig.suptitle(听觉 vs 视觉 脑电分析综合图, fontsize18, fontweightbold) plot_ch Cz # 9个子图简化版 for idx, (cond_name, pos) in enumerate(zip( [听觉/左耳, 听觉/右耳, 视觉/左眼, 视觉/右耳], [331, 332, 334, 335])): ax fig.add_subplot(pos) evoked_dict[cond_name].plot(picksplot_ch, axesax, showFalse, spatial_colorsFalse, time_unitms) ax.set_title(cond_name, fontsize12, fontweightbold) ax.axvline(x0, colorred, linestyle--, alpha0.5) ax.grid(True, alpha0.3) # 地形图 ax_topo1 fig.add_subplot(333) evoked_dict[听觉/左耳].plot_topomap( times[0.15], ch_typeeeg, axesax_topo1, showFalse, average0.05) ax_topo1.set_title(听觉地形图, fontsize12) ax_topo2 fig.add_subplot(336) evoked_dict[视觉/左眼].plot_topomap( times[0.15], ch_typeeeg, axesax_topo2, showFalse, average0.05) ax_topo2.set_title(视觉地形图, fontsize12) # 对比 ax_comp fig.add_subplot(337) mne.viz.plot_compare_evokeds( {听觉: evoked_auditory, 视觉: evoked_visual}, picksplot_ch, axesax_comp, showFalse, legendupper right) ax_comp.set_title(听觉 vs 视觉, fontsize12) ax_comp.axvline(x0, colorred, linestyle--, alpha0.5) # 差异波 ax_diff fig.add_subplot(338) evoked_diff.plot(picksplot_ch, axesax_diff, showFalse, spatial_colorsFalse, time_unitms) ax_diff.set_title(差异波, fontsize12) ax_diff.axhline(y0, colorblack, linestyle-, alpha0.3) plt.tight_layout() fig.savefig(day10_comprehensive_figure.png, dpi300, bbox_inchestight, facecolorwhite) print(✅ 综合图表已保存) plt.close(fig) # ---------- 5. 项目总结 ---------- print(\n *60) print( 10天 MNE-Python 学习之旅完成) print(*60) print(\n你已掌握) print( ✅ 脑电数据加载和预处理) print( ✅ 事件提取和分段) print( ✅ ERP 分析和可视化) print( ✅ 时频分析和 ERD/ERS) print( ✅ 源定位基础) print( ✅ 生成专业报告和图表) print(\n保存的文件) print( day10_eeg_report.html) print( ️ day10_comprehensive_figure.png) print(\n 恭喜完成你已经是一名合格的脑电数据分析者了)十、今日总结 核心概念️ 掌握的技能 图片保存速查# 日常使用 fig.savefig(figure.png, dpi150, bbox_inchestight) # 论文投稿 fig.savefig(figure.tiff, dpi300, bbox_inchestight, pil_kwargs{compression: tiff_lzw}) # LaTeX 论文 fig.savefig(figure.pdf, bbox_inchestight)