别再对着头皮信号发愁了！手把手教你用MNE-Python搞定EEG源定位（附完整代码）
从零实现EEG源定位：MNE-Python实战指南与结果可视化
神经科学研究中，脑电图（EEG）源定位技术就像一台"脑内GPS"，能够将头皮电极记录的微弱电信号转化为三维脑区活动图谱。对于刚接触该领域的研究者而言，复杂的数学原理和繁琐的软件操作往往成为入门障碍。本文将使用Python生态中的MNE-Python工具包，带您完成从原始EEG数据到源定位结果可视化的全流程实战。
1. 环境配置与数据准备
工欲善其事，必先利其器。在开始源定位前，需要确保计算环境配置正确。推荐使用Anaconda创建专属的Python环境：
conda create -n mne_env python=3.9 conda activate mne_env pip install mne numpy scipy matplotlib nibabel pyvista典型的EEG源定位项目需要两类核心数据：
- EEG记录数据：建议使用64通道以上的系统采集，格式支持.edf、.fif或.set等
- 头部模型数据：优先选择被试个体的MRI结构像，若无则使用标准脑模板（如fsaverage）
import mne sample_data_folder = mne.datasets.sample.data_path() sample_data_raw_file = sample_data_folder / 'MEG' / 'sample' / 'sample_audvis_raw.fif' raw = mne.io.read_raw_fif(sample_data_raw_file, preload=True)2. 数据预处理关键步骤
优质的预处理是源定位成功的基石。EEG信号需要经过以下关键处理环节：
- 滤波去噪：0.1-40Hz带通滤波消除低频漂移和高频肌电干扰
- 坏道检测与插值：通过统计特性识别异常通道
- 重参考：采用平均参考（CAR）减少参考电极依赖性
- 眼电伪迹去除：使用ICA分解消除眨眼和眼动噪声
# 典型预处理代码示例 raw.filter(0.1, 40, fir_design='firwin') raw.set_eeg_reference('average', projection=True) ica = mne.preprocessing.ICA(n_components=15, random_state=97) ica.fit(raw) ica.exclude = [0, 1] # 假设前两个成分是眼电 raw = ica.apply(raw)注意：预处理参数需根据具体实验设计调整，滤波范围尤其影响后续源定位结果
3. 构建头模型与前向解算
头模型是连接脑内源活动与头皮电位的桥梁，其构建过程包含三个核心环节：
| 步骤 | 工具/方法 | 输出结果 |
|---|---|---|
| 组织分割 | FreeSurfer | 各组织边界表面 |
| 导电场计算 | Boundary Element Method (BEM) | 传导矩阵 |
| 源空间定义 | 表面或体积网格 | 源位置集合 |
# 使用标准脑模板构建头模型 subjects_dir = sample_data_folder / 'subjects' conductivity = (0.3, 0.006, 0.3) # 脑组织/颅骨/头皮电导率 model = mne.make_bem_model(subject='sample', ico=4, conductivity=conductivity) bem = mne.make_bem_solution(model) src = mne.setup_source_space('sample', spacing='ico5', subjects_dir=subjects_dir) fwd = mne.make_forward_solution(raw.info, trans=None, src=src, bem=bem)4. 源估计算法与参数优化
MNE-Python提供多种源定位算法，最小范数估计（MNE）是最常用的方法之一。其实质是通过求解以下优化问题：
min ||x||² + λ||y - Ax||²其中λ是正则化参数，平衡解的能量约束与数据拟合程度。实际操作中需要：
- 计算噪声协方差矩阵
- 确定最优正则化参数
- 选择源方向约束（固定或自由）
from mne.minimum_norm import make_inverse_operator, apply_inverse cov = mne.compute_covariance(epochs, tmax=0, method='empirical') inv = make_inverse_operator(raw.info, fwd, cov, loose=0.2, depth=0.8) stc = apply_inverse(epochs.average(), inv, lambda2=1./9., method='dSPM')5. 结果可视化与解读技巧
源定位结果的科学可视化需要兼顾空间精度与统计显著性：
三维激活图展示特定时间点的脑区激活模式：
brain = stc.plot(subjects_dir=subjects_dir, initial_time=0.1, clim=dict(kind='value', lims=[3, 6, 9]))时间过程曲线反映感兴趣区域(ROI)的动态变化：
label = mne.read_labels_from_annot('sample', parc='aparc', subjects_dir=subjects_dir)[0] roi_data = stc.extract_label_time_course(label, src, mode='mean_flip')实践中发现，使用fsaverage标准空间时，建议先将个体数据配准到标准空间再进行组分析。对于临床研究，个体MRI结构像能显著提高定位精度，特别是在颞叶等复杂脑区。