笔记

网页地址 Quality control (QC) reports with mne.Report — MNE 1.12.0 documentation 前言 质量控制（Quality Control, QC）是指系统性地检查分析各阶段的M/EEG数据，包括原始数据、中间预处理步骤和衍生结果的过程。 ...

网页地址 Background information on filtering — MNE 1.12.0 documentation 提示 该部分将会深入探讨滤波器的数学原理和设计方法，以进一步选择滤波器。 如果仅仅是想要直到如何在MNE-Python中使用默认滤波器的话，请移步至Filtering and resampling data — MNE 1.12.0 documentation ...

EEG处理平台 EEG预处理-处理的主流平台是EEGLAB和MNE-Python。 EEGLAB有用户友好的GUI界面和包罗万象的插件库，对于入门EEG处理的新手小白来说，为了避开代码关卡，选用EEGLAB是一个很不错的选择，可以面向分析和讨论，而不必困于代码实现。用户也可以用EEGLAB的函数制作自动化处理的脚本。 MNE-Python基于Python语言，调用函数比较方便，有比较成熟和易于查询的教程文档，也有很不错的交流社区。 参考教程 Tutorials — MNE 1.12.0 documentation MNE Forum Tutorials - EEGLAB Wiki 在使用上，笔者基于MATLAB软件使用EEGLAB，基于Jupyter Notebook使用MNE。具体安装教程和使用方法读者可自行在网络上查询。 ...

网页地址 Makoto’s preprocessing pipeline - SCCN 插值坏道（2021.6.14更新） 在平均参考和ICA之前插值坏道的主要原因如下： 最小化半球偏差。假设你有64个通道，你去掉了16个右半球的通道，直接做平均参考时，左半球的比例/权重会更高。 平均参考后的IC地形图是零均值的，这样的地形图很容易去评估。否则，你的地形图会是全红/全蓝的（尽管如此，你可以重新定义颜色映射的尺度）。 如果你在ICA之后插值，你没有办法插值ICA权重EEG.icaweights或ICA空间EEG.icasphere，这会导致后续处理中的问题。就比如说，你可能需要在Cz 电极处计算组水平独立成分（IC）的反向投影。但如果部分被试的 Cz 电极已被剔除，就无法进行该计算。 EEGLAB默认插值方法是球面样条插值，但会引入秩问题：因为非线性插值后的数据不会导致明显的秩亏损，相反，它会增加一个额外的维度，该维度的特征值近乎为0，就比如$<10^8$。换句话说，条件数（condition number）很高，这意味着矩阵是病态的。这样一个小的特征值数值上近似于0，但对我们的ICA算法实际上是0，因此会产生“幽灵IC”的问题，等等。 ...

参考文献 [1] BÖTTCHER A, WENDIGGENSEN P, MÜCKSCHEL M, 等, 2026. Standardizing EEG preprocessing for cross-site integration - the CLEAN pipeline[J/OL]. NeuroImage, 328: 121812. DOI:10.1016/j.neuroimage.2026.121812. 论文背景与介绍 应用面向：数据集成(data integration) ...

论文目录 A tip banner 开始写作 这是我的第一篇笔记内容！ 哈哈哈哈哈哈，于2026/3/19，胡汉三成功地调试出了自己的博客网站，希望能继续努力，写出自己的第一篇博客！ ...