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：

1. 眼电伪迹(EOG)：

   • 独立成分分析(ICA)去除
   • 模板匹配减法

2. 肌电伪迹(EMG)：

   • 高频滤波(>30Hz)
   • 肌肉活动检测算法

3. 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。