MEG和EEG数据的时间-频率分析方法介绍及MNE实践

MEG和EEG是两种常用的记录脑电活动的非侵入性方法。时间-频率分析是对这些活动进行分析的关键方法之一，它可以揭示出大脑在不同时间点和频率上的活动特征，进而帮助我们理解脑功能的动态变化。本文将介绍时间-频率分析的几种常见方法，并以MNE（MNE-Python）为例进行实践演示。

时间-频率分析通常包括两个步骤：时域分析和频域分析。时域分析关注的是信号的时序特征，如时间窗口上的振幅、幅度的变化等。频域分析则研究信号在不同频率上的分布情况，如功率谱密度、频谱的变化等。

1. 时域分析的方法：

- 窗口平均法：将信号按照固定长度的时间窗口划分，计算每个窗口上的平均值，可以得到信号的整体变化情况。

- 自相关法：通过计算信号与自身的相关系数，可以揭示出信号的重复性和周期性特征。

- 加窗法：在信号上加权处理，常见的加窗函数有矩形窗、汉宁窗、汉明窗等。加窗后的信号能够减小频谱泄漏，使得频率分量更准确。

2. 频域分析的方法：

- 傅立叶变换（FFT）：将信号从时域转换为频域。通过计算信号的功率谱密度，可以得到信号在不同频率上的分布情况。

- 短时傅立叶变换（STFT）：将信号按照固定长度的时间窗口进行傅立叶变换，得到时间-频率矩阵。该方法能够展示信号的瞬时频率变化。

- 小波变换（Wavelet Transform）：利用小波函数对信号进行变换，可以获得信号在时间-频率平面上的局部特征。常用的小波函数有Morlet小波、Daubechies小波等。

MNE是一个功能强大的脑电数据处理软件包，它提供了丰富的工具用于进行时频分析。下面以MNE-Python为例，介绍如何使用MNE进行时频分析：

import mne
import numpy as np
from mne.time_frequency import tfr_morlet

# 导入MEG和EEG数据
raw = mne.io.Raw('raw.fif')

# 设置参数
fmin = 2.0  # 感兴趣频率的最低值
fmax = 40.0  # 感兴趣频率的最高值
n_cycles = 5  # 小波周期的数量

# 创建时频分析实例
tfr = tfr_morlet(raw, freqs=np.logspace(np.log10(fmin), np.log10(fmax), 40), n_cycles=n_cycles, use_fft=True, return_itc=False, average=False)

# 获取时频数据
power = tfr.data

# 绘制时频图
tfr.plot(picks='grad', baseline=(-0.5, 0), mode='logratio', title='Time-frequency power')

# 获取特定频率段的平均功率
freq_range_power = np.mean(power[..., tfr.freqs >= 10.0, tfr.freqs <= 20.0], axis=-1)

以上是使用MNE-Python进行时频分析的简单示例。首先，我们导入MEG和EEG数据并设置相关的参数。然后，利用tfr_morlet函数创建一个时频分析实例，并指定感兴趣的频率范围和小波周期的数量。最后，我们可以通过plot函数绘制时频图，并通过mean函数计算特定频率段的平均功率。

总结起来，时频分析是一种用于分析MEG和EEG数据的重要方法。MNE提供了丰富的工具用于进行时频分析，并且非常易于使用。通过对时频特征的研究，我们可以更好地理解脑电活动的动态变化和相关的脑功能。