如何用Python的MNE读取TXT格式EEG数据并执行Welch周期图分析

一、将一维数组转换为MNE Raw对象 #

MNE依赖结构化的Raw对象处理EEG数据，需先构建元信息并调整数组形状适配MNE要求：

import mne
import numpy as np

# 假设一维EEG数组已加载为eeg_data，采样频率根据实际数据设置（示例为250Hz）
eeg_data = np.loadtxt("your_eeg_file.txt")  # 若已加载数组可跳过此步
sfreq = 250

# 创建Info对象，定义通道基本信息
info = mne.create_info(
    ch_names=["EEG"],  # 单通道命名，多通道可扩展为["EEG1", "EEG2"...]
    sfreq=sfreq,
    ch_types=["eeg"]
)

# 调整数组形状为MNE要求的(n_channels, n_samples)
eeg_data_mne = eeg_data.reshape(1, -1)  # 多通道则替换1为对应通道数

# 生成Raw对象
raw = mne.io.RawArray(eeg_data_mne, info)

二、可选预处理步骤 #

为提升后续分析精度，建议做基础滤波处理：

# 带通滤波，保留0.5-40Hz的EEG信号（参数可按需调整）
raw.filter(l_freq=0.5, h_freq=40)

三、执行Welch周期图分析 #

MNE内置compute_psd_welch方法可直接计算功率谱：

# 计算Welch功率谱
psds, freqs = raw.compute_psd(
    method='welch',
    fmin=0.5,  # 分析的最低频率
    fmax=40,   # 分析的最高频率
    n_fft=512, # FFT窗口长度，建议取2的幂次
    n_overlap=256  # 窗口重叠数，通常设为n_fft的一半
)

# 提取单通道功率谱数据（多通道则按索引提取对应通道）
psd_data = psds[0]

# 可视化结果（可选）
import matplotlib.pyplot as plt
plt.plot(freqs, psd_data)
plt.xlabel('Frequency (Hz)')
plt.ylabel('Power Spectral Density (µV²/Hz)')
plt.title('Welch Periodogram')
plt.show()

参数说明 #

• n_fft：决定频率分辨率，公式为采样频率/n_fft，值越大分辨率越高，但计算量同步增加
• n_overlap：重叠窗口可减少谱估计的方差，提升结果平滑度

内容的提问来源于stack exchange，提问作者Manthan Datta