在神经科学和心理学研究中，事件相关电位(ERP)分析是揭示大脑认知过程的重要工具。不同于传统教材的理论讲解，本文将带您用Python完成一次完整的ERP分析流程——从原始脑电数据导入、预处理到最终的可视化解读。无论您是刚开始接触脑电分析的心理学研究生，还是需要快速上手ERP分析的工程师，这篇实战指南都能提供可直接运行的代码和避坑经验。
1.1 工具选择与安装
目前Python生态中有两个主流的脑电分析工具包：
- EEGLAB：MATLAB传统工具的Python移植版，适合习惯GUI操作的用户
- MNE-Python：专为Python设计的开源库，API设计更符合Python习惯
推荐使用MNE-Python，因为它的文档更完善，社区支持更好。安装只需一行命令：
pip install mne numpy matplotlib pandas scipy
1.2 数据格式与导入
常见的脑电数据格式包括：
以.edf文件为例，导入数据的Python代码如下：
import mne
raw = mne.io.read_raw_edf('eeg_data.edf', preload=True)
print(raw.info) # 查看数据基本信息
常见导入问题解决：
- 如果遇到编码错误，尝试指定编码：
encoding='latin1' - 采样率不一致时，使用
resample_sfreq参数统一采样率
2.1 滤波处理
脑电信号中的主要频率成分：
- δ波(0.5-4Hz)：深度睡眠状态
- θ波(4-8Hz)：浅睡眠或深度放松
- α波(8-13Hz)：闭眼放松状态
- β波(13-30Hz)：专注思考状态
- γ波(>30Hz)：认知加工过程
ERP分析通常需要保留1-30Hz的频率成分：
raw.filter(1, 30, method='iir') # IIR滤波器更节省计算资源
2.2 伪迹去除技术
常见的伪迹类型及处理方法：
-
眼电伪迹(EOG)：
- 独立成分分析(ICA)去除
- 模板匹配减法
-
肌电伪迹(EMG)：
- 高频滤波(>30Hz)
- 肌肉活动检测算法
-
心电伪迹(ECG)：
- R波检测与减法
- ICA成分剔除
ICA去眼电的完整代码示例：
from mne.preprocessing import ICA
ica = ICA(n_components=20, random_state=97)
ica.fit(raw)
ica.exclude = [0, 1] # 根据成分图谱手动选择要剔除的成分
ica.apply(raw)
3.1 事件标记与分段
ERP分析的关键是将连续EEG数据按刺激事件分段。首先需要标记事件：
events = mne.find_events(raw, stim_channel='STI 014')
epochs = mne.Epochs(raw, events, event_id=,
tmin=-0.2, tmax=0.8, baseline=(-0.2, 0))
3.2 叠加平均技术
ERP的核心原理是通过叠加平均增强信号：
target_erp = epochs['target'].average()
nontarget_erp = epochs['nontarget'].average()
影响ERP质量的关键参数：
4.1 经典ERP成分识别
主要ERP成分及其认知意义：
- P300：刺激评估与决策(300ms左右正波)
- N400：语义冲突处理(400ms左右负波)
- MMN：自动差异检测(100-250ms负波)
绘制ERP波形的代码：
import matplotlib.pyplot as plt
fig = target_erp.plot_joint(times=[0.3, 0.4, 0.5])
plt.suptitle('Target Stimulus ERP Components')
plt.show()
4.2 地形图分析
查看特定时间点的电压分布：
target_erp.plot_topomap(times=[0.1, 0.3, 0.5, 0.7],
colorbar=True, size=3)
4.3 统计比较
使用非参数检验比较条件差异：
from mne.stats import permutation_cluster_test
X = [epochs['target'].get_data(), epochs['nontarget'].get_data()]
T_obs, clusters, p_values, _ = permutation_cluster_test(
X, n_permutations=1000)
5.1 常见报错解决方案
- "Channel names not unique"：检查电极名称是否有重复
- "Invalid event_id"：确认事件标记与数据匹配
- "Baseline period out of bounds"：调整分段时间窗口
5.2 性能优化技巧
- 对大数据集使用
preload=False延迟加载 - 多核并行处理：
n_jobs参数 - 内存映射代替完全加载：
memory='memmap'
5.3 扩展分析方向
- 时频分析：
mne.time_frequency - 源定位：需要MRI结构像配合
- 机器学习分类：
mne.decoding
在最近的一个注意力研究中，我发现使用0.1Hz的高通滤波比传统的0.5Hz能更好地保留早期ERP成分。另外，对于Oddball范式的数据分析，建议至少保留40个试次才能获得稳定的P300波形。
