MNE文档：基于模板 MRI 的 EEG 前向算子
Head model and forward computation

在了解了脑图谱发展的过程之后，对脑的模版有了更深的认识，所以，对于之前使用的正向的溯源文件，进行一下解析，查看包含的信息，mne的存储格式和nilearn中的格式是否有区别。

本示例中，mne除了fsaverage还有sample，这两个常用。

samaple和fsaverage的对比

在 MNE-Python 中，sample 和 fsaverage 是两个不同的模板/数据集，但它们的用途和定位有本质区别。以下是详细解释：

---

1. fsaverage：标准模板大脑

(1) 来源与定义

• 来源：由 FreeSurfer 提供，是一个 标准化的平均大脑模板，基于多被试 MRI 数据配准到 MNI 空间后生成。
• 用途：
  • 用于跨被试分析（如组水平统计）。
  • 当个体 MRI 数据不可用时，作为替代模板（如源空间、BEM、皮层表面等）。
  • 支持脑区标签（如 Brodmann 分区）的标准化映射。

(2) 数据结构

• 包含内容：
  • 高分辨率皮层表面（如 white、pial、inflated）。
  • 预计算的 BEM 模型（如 fsaverage-5120-5120-5120-bem-sol.fif）。
  • 标准源空间（如 fsaverage-ico-5-src.fif）。
  • 解剖标签（如 aparc.a2009s 分区）。
• 坐标系：MNI 坐标系（标准空间）。

(3) 获取方式

import mne
mne.datasets.fetch_fsaverage(subjects_dir="/path/to/your/subjects_dir")

• 下载后文件存储在 subjects_dir/fsaverage/ 中。

---

2. sample：示例数据集

(1) 来源与定义

• 来源：MNE-Python 官方提供的 单被试示例数据集，包含一名真实被试的匿名化数据（EEG/MEG/MRI）。
• 用途：
  • 学习 MNE 的入门工具（教程、文档示例）。
  • 测试算法或脚本的功能。
  • 演示数据预处理、源定位、可视化等完整流程。

(2) 数据结构

• 包含内容：
  • 原始 MEG 数据（.fif 文件）。
  • MRI 数据（已通过 FreeSurfer 重建的个体大脑）。
  • 事件标记、电极位置、噪声协方差矩阵等。
  • 预计算的 BEM 模型、源空间、正向模型。
• 坐标系：个体 MRI 坐标系（未经 MNI 标准化）。

(3) 获取方式

import mne
sample_data_path = mne.datasets.sample.data_path()
subjects_dir = sample_data_path / "subjects"

---

3. 关键区别

特性	fsaverage	sample
类型	标准模板（群体平均）	单被试真实数据（匿名化）
用途	跨被试分析、模板化处理	学习、测试、演示流程
坐标系	MNI 空间	个体 MRI 空间
BEM/源空间	预生成的模板模型	基于个体 MRI 生成的模型
数据内容	仅解剖结构和模板数据	完整的 MEG/EEG 数据 + 解剖数据

---

4. 何时使用哪一个？

(1) 使用 fsaverage 的场景

• 你的研究没有个体 MRI 数据，需要标准化分析。
• 进行组水平统计或跨被试比较。
• 需要与文献中的 MNI 坐标结果对齐。

(2) 使用 sample 的场景

• 学习 MNE 的基本操作（如教程中的代码示例）。
• 测试新脚本或算法的兼容性。
• 演示从原始数据到源定位的完整流程。

---

5. 代码示例

(1) 加载 fsaverage 的 BEM 模型

subjects_dir = "/path/to/subjects_dir"
bem_file = subjects_dir / "fsaverage/bem/fsaverage-5120-5120-5120-bem-sol.fif"
bem_sol = mne.read_bem_solution(bem_file)

(2) 加载 sample 的 MEG 数据

from mne.datasets import sample
data_path = sample.data_path()
raw_file = data_path / "MEG/sample/sample_audvis_raw.fif"
raw = mne.io.read_raw_fif(raw_file, preload=True)

---

6. 常见问题

(1) 能否将个体数据映射到 fsaverage 模板？

是的！通过 配准（registration） 将个体 MRI 对齐到 fsaverage 的 MNI 空间，使结果可跨被试比较。
工具：

• FreeSurfer 的 recon-all --target fsaverage。
• MNE 的 mne.coregister。

(2) sample 数据集是否包含 fsaverage 数据？

不直接包含，但可单独下载 fsaverage。两者通常分开使用。

(3) 如何切换被试目录？

设置 subjects_dir 环境变量或在代码中指定：

import mne
mne.set_config("SUBJECTS_DIR", "/path/to/your/subjects_dir")

---

7. 文档参考

• fsaverage 文档：
  MNE: FreeSurfer’s fsaverage
• sample 数据集文档：
  Sample Dataset Tutorial

---

总结

• fsaverage 是标准模板大脑，用于跨被试分析和标准化处理。
• sample 是单被试示例数据集，用于学习和测试。
• 根据研究需求选择：需要模板化分析 → fsaverage；需要真实数据示例 → sample。

几个模版被试的说明

你提到的四个文件夹 (fsaverage, fsaverage_sym, morph-maps, 和 sample) 在神经影像学和脑电图（EEG）/脑磁图（MEG）数据处理中扮演着不同的角色，它们分别对应不同的模板或功能。下面我将详细解释每个文件夹及其内容的区别：

1. fsaverage

• 描述：fsaverage 是一个标准的大脑模板，由 FreeSurfer 提供，并广泛用于神经影像研究中。它是一个平均化的、对称的大脑模型，基于多个大脑扫描结果构建而成。
• 用途：
  • 作为解剖参考框架，用于标准化不同被试的大脑数据。
  • 在 MNE-Python 中，常用于源定位分析，提供了一个通用的源空间和 BEM 模型。
• 特点：高分辨率，包含详细的皮层结构信息。

2. fsaverage_sym

• 描述：fsaverage_sym 是 fsaverage 的一个变体，特别强调左右半球的对称性。这个模板在创建时进行了额外的处理，以确保两个半球尽可能对称。
• 用途：
  • 当需要进行严格对称性分析时使用，例如在研究左右半球功能差异时。
  • 对于某些特定的统计分析或可视化任务，可能更倾向于使用对称模板。
• 特点：左右半球高度对称，适用于需要严格对称性的研究。

3. morph-maps

• 描述：morph-maps 文件夹通常包含形态映射（morphing maps），这些映射用于将一个被试的数据转换到另一个被试或模板上。
• 用途：
  • 在多被试研究中，用于将个体数据标准化到共同的空间框架下，便于跨被试比较和群体分析。
  • 可以将单个被试的源估计结果映射到 fsaverage 或其他模板上，以便进行群体水平的统计分析。
• 特点：包含从个体到模板或其他个体的映射关系，是实现数据标准化和群体分析的关键工具。

4. sample

• 描述：sample 通常指的是一个示例被试的数据集，包括 EEG/MEG 数据、MRI 扫描结果等。MNE-Python 提供了一个名为 sample 的示例数据集，用于演示和教学目的。
• 用途：
  • 作为学习和测试 MNE-Python 功能的示例数据。
  • 研究人员可以使用 sample 数据集来熟悉各种数据处理和分析流程。
• 特点：包含完整的实验数据和相关文件，适合初学者和开发者用来学习和调试代码。

总结

• fsaverage 和 fsaverage_sym：都是标准大脑模板，但后者更强调左右半球的对称性。
• morph-maps：包含用于数据标准化和群体分析的形态映射。
• sample：是一个示例数据集，用于学习和测试 MNE-Python 的功能。

在实际应用中，根据你的具体需求选择合适的模板和工具非常重要。如果你正在进行多被试研究，可能需要使用 morph-maps 来标准化数据；如果专注于单个被试的详细分析，则可以直接使用 fsaverage 或 fsaverage_sym 作为参考框架。

导入数据

import numpy as npimport mne
from mne.datasets import eegbci, fetch_fsaverage# Download fsaverage files
fs_dir = fetch_fsaverage(verbose=True)
subjects_dir = fs_dir.parent# The files live in:
subject = "fsaverage"
trans = "fsaverage"  # MNE has a built-in fsaverage transformation
src = fs_dir / "bem" / "fsaverage-ico-5-src.fif"
bem = fs_dir / "bem" / "fsaverage-5120-5120-5120-bem-sol.fif"

我们获取fsaverage 的存储文件夹。
之前文件中有过一定的描述，下面进行更加详细的记录。

第一个文件fsaverage-ico-4-src.fif中的“src”可能代表“source
space”，即源空间。源空间定义了大脑中可能产生信号的源的位置，通常是皮层表面。ico-4可能指的是四阶的Icosahedron（二十面体）细分，用于生成源空间的网格。Ico-4的细分级别决定了源的数量，细分级别越高，源点越多，计算量也越大。用户可能需要这个文件来进行源定位分析，比如计算逆解。

第二个文件fsaverage-5120-5120-5120-bem-sol.fif中的“bem”代表边界元模型（Boundary
Element
Model），用于正向计算中的电磁场模拟。BEM模型需要不同组织的边界，如头皮、颅骨、脑脊液和大脑等。文件名中的5120可能指的是每个边界面（如头皮、颅骨、大脑）的三角形数量，例如5120个三角形。而“sol”可能表示解文件，即已经计算好的BEM模型的解，用于快速计算导联场或正向解。用户在进行EEG/MEG的正向计算时会用到这个文件。

先继续插入可视化的代码，对于raw，需要的可能是布局文件，

(raw_fname,) = eegbci.load_data(subjects=1, runs=[6])
raw = mne.io.read_raw_edf(raw_fname, preload=True)# Clean channel names to be able to use a standard 1005 montage
eegbci.standardize(raw)# Read and set the EEG electrode locations, which are already in fsaverage's
# space (MNI space) for standard_1020:
montage = mne.channels.make_standard_montage("standard_1005")
raw.set_montage(montage)
raw.set_eeg_reference(projection=True)  # needed for inverse modeling# Check that the locations of EEG electrodes is correct with respect to MRI
mne.viz.plot_alignment(raw.info,src=src,eeg=["original", "projected"],trans=trans,show_axes=True,mri_fiducials=True,dig="fiducials",
)

bem文件的说明

BEM 表面是不同组织之间界面三角剖分，用于前向计算。这些表面例如包括内颅骨表面、外颅骨表面和皮肤外表面，即头皮表面。

计算并可视化 BEM 表面

计算 BEM 表面需要使用 FreeSurfer，并使用命令行工具 mne watershed_bem 或 mne flash_bem，或者相关的函数 mne.bem.make_watershed_bem() 或 mne.bem.make_flash_bem()。

这里我们假设它已经计算过了。每个受试者需要几分钟。

对于脑电图（EEG），我们使用 3 层（内颅骨、外颅骨和皮肤），而对于脑磁图（MEG），只需要 1 层（内颅骨）就足够了。

bem.keys()

dict_keys([‘solution’, ‘bem_method’, ‘surfs’, ‘solver’, ‘is_sphere’,
‘nsol’, ‘sigma’, ‘source_mult’, ‘field_mult’, ‘gamma’])

bem的surf查看

如果要生成一个新的bem，应该需要，这几个层的surf文件
此处需要使用的就是，inner_skull.surf，outer_skull.surf，outer_skin.surf

Using surface:
C:\Users\maten\mne_data\MNE-fsaverage-data\fsaverage\bem\inner_skull.surf
Using surface:
C:\Users\maten\mne_data\MNE-fsaverage-data\fsaverage\bem\outer_skull.surf
Using surface:
C:\Users\maten\mne_data\MNE-fsaverage-data\fsaverage\bem\outer_skin.surf

显示一下，这个的样子

单层的

# 说明，使用pyvista,需要使用不同的绘图格式，表面的点需要转为数量，加上坐标的形式，并构成一维数组。
from mne import read_surface
import numpy as np
import pyvista as pv
import numpy as np
outer_skin_coords, outer_skin_faces = read_surface('C:/Users/maten/mne_data/MNE-fsaverage-data/fsaverage/bem/outer_skin.surf')
faces_pyvista = np.hstack((3 * np.ones((outer_skin_faces.shape[0], 1), dtype=outer_skin_faces.dtype), outer_skin_faces))
surf = pv.PolyData(outer_skin_coords, faces_pyvista.ravel())
surf.plot()

对于
outer skin CM is -0.21 -19.38 -0.23 mm
outer skull CM is -0.19 -19.34 -0.49 mm
inner skull CM is -0.53 -21.10 6.21 mm

这个对应的是质心的坐标。

三层的

from mne import read_surface
import pyvista as pv
import numpy as npdef create_polydata_from_mne_coords_faces(coords, faces):"""Convert coordinates and faces from MNE format to PyVista format."""# 在每个面的前面添加数字 3（因为是三角形）faces_pyvista = np.hstack((3 * np.ones((faces.shape[0], 1), dtype=faces.dtype), faces))return pv.PolyData(coords, faces_pyvista.ravel())# 定义表面文件路径
subjects_dir = 'C:/Users/maten/mne_data/MNE-fsaverage-data/fsaverage/bem/'
surfaces = [('inner_skull', subjects_dir + 'inner_skull.surf', 'blue'),('outer_skull', subjects_dir + 'outer_skull.surf', 'green'),('outer_skin', subjects_dir + 'outer_skin.surf', 'red')
]# 创建PyVista Plotter对象
plotter = pv.Plotter()# 循环遍历每个表面文件并添加到绘图器中
for name, path, color in surfaces:coords, faces = read_surface(path)polydata = create_polydata_from_mne_coords_faces(coords, faces)plotter.add_mesh(polydata, color=color, opacity=0.5, smooth_shading=True)# 显示图形
plotter.show()

BEM模型键值详细分析

BEM (边界元素法) 模型中的键值具有以下含义：

1. solution：BEM求解矩阵，包含了边界面之间的电位关系，用于计算头部不同组织界面上的电位分布。

2. bem_method：使用的BEM方法类型，常见的有"linear collocation"（线性搭配法）或"linear Galerkin"（线性伽辽金法）。

3. surfs：包含头模型中使用的表面信息，通常包括内颅骨、颅骨和头皮三个表面的几何描述（点、面等）。

4. solver：用于求解BEM方程的算法类型。

5. is_sphere：布尔值，表示该BEM模型是否基于球形模型（True）或真实头部形状（False）。

6. nsol：解决方案的维度或自由度数量。

7. sigma：组织电导率值列表，单位通常为S/m（西门子/米），分别对应脑组织、颅骨和头皮的电导率。

8. source_mult：源乘数，与源强度计算相关的系数。

9. field_mult：场乘数，与电场计算相关的系数。

10. gamma：BEM公式中的γ系数矩阵，用于描述不同表面之间的电位关系。

这些参数共同构成了完整的BEM解决方案，用于在MEG/EEG分析中进行正向计算，即从已知的源活动推算出在传感器位置处产生的场分布。

for layer in bem["surfs"]:print(f"层 ID: {layer['id']}")print(f"顶点数: {len(layer['rr'])}, 三角面片数: {len(layer['tris'])}")print(f"电导率 (σ): {layer['sigma']} S/m")

ID: 4 顶点数: 2562, 三角面片数: 5120 电导率 (σ): 0.30000001192092896 S/m
ID:3 顶点数: 2562, 三角面片数: 5120 电导率 (σ): 0.006000000052154064 S/m
ID: 1 顶点数: 2562, 三角面片数: 5120 电导率 (σ): 0.30000001192092896 S/m

(1) 层 ID 4（电导率 0.3 S/m）

• 解剖结构：头皮（Scalp）
  • 最外层，包裹颅骨和脑组织。
  • 电导率较高（约 0.3 S/m），反映头皮组织（皮肤、肌肉、脂肪）的导电性。
• 作用：
  • 在 EEG 中，头皮是电流的最终传导层，直接影响电极测量的电势分布。
  • 在 MEG 中，对磁场影响较小（因磁场穿透性强）。

(2) 层 ID 3（电导率 0.006 S/m）

• 解剖结构：颅骨（Skull）
  • 中间层，分隔头皮和脑内结构。
  • 电导率极低（约 0.006 S/m），反映颅骨的低导电性（骨组织导电性差）。
• 作用：
  • 在 EEG 中，颅骨会显著衰减脑内电流的传播，导致头皮电势分布模糊化。
  • 是影响 EEG 空间分辨率的主要因素。

(3) 层 ID 1（电导率 0.3 S/m）

• 解剖结构：脑壳（Brain）
  • 最内层，包裹脑实质（灰质、白质）和脑脊液（CSF）。
  • 电导率较高（约 0.3 S/m），反映脑组织和脑脊液的导电性。
• 作用：
  • 直接承载神经元活动产生的电流，是 EEG/MEG 信号的主要源头。
  • 在 BEM 模型中，通常与脑脊液合并为一层（尤其在简化模型中）。

2. 电导率值的意义

• 头皮和脑壳（0.3 S/m）：
  高导电性允许电流自由流动，对 EEG 信号的空间分布起主导作用。
• 颅骨（0.006 S/m）：
  低导电性导致电流在穿过颅骨时被强烈衰减，是 EEG 信号空间模糊化的主要原因。
  注意：颅骨电导率的值存在争议，一些研究建议使用 0.01–0.015 S/m [1]，但 MNE 默认使用 0.006 S/m。
  默认值：头皮 0.3 S/m，颅骨 0.006 S/m，脑壳 0.3 S/m。

3. 层 ID 的编号问题

你提供的层 ID（4、3、1）与常规 FreeSurfer/MNE 标准 不一致。

• 标准标识（FreeSurfer 惯例）：
  • 3：脑壳（Brain）
  • 4：颅骨（Skull）
  • 5：头皮（Scalp）
• 可能原因：
  • 数据生成时使用了非标准标签（如自定义 BEM 模型）。
  • 文件可能来自旧版本 MNE 或特定数据集（如 fsaverage 模板的某些变体）。
  • 需进一步检查数据来源或通过可视化验证（见下文）。

import mne# 绘制 BEM 模型，叠加白质表面
mne.viz.plot_bem(subject="sample",subjects_dir="/path/to/subjects_dir",brain_surfaces="white",  # 指定表面类型orientation="coronal",slices=[100, 120, 140],  # 切片位置show=True
)

brain_surfaces的类型说明：

[“white”, “pial”]可以叠加显示多个

‘white’ 表面适合检查源空间与解剖的对齐。
“pail”

‘inflated’ 表面适合观察功能激活的拓扑模式。

“sphere”

‘head’ 或 ‘skull’ 和’brain’用于验证 BEM 模型的几何闭合性。
并不存在，没有对应的文件。

使用nilearn进行fsaverage的导入

from nilearn import datasets, plotting
from nilearn.surface import load_surf_data, load_surf_meshfsaverage = datasets.fetch_surf_fsaverage()
fsaverage#字典 

我们可以看到这个文件是上面不同层的

其中pial_left的文件也是由两部分组成的coordinates和face。
作为一个表面模型，有三维坐标点和，构成一个三角面的三维索引坐标。

# Step 2: 加载左半球网格并查看顶点数量
mesh = load_surf_mesh(fsaverage['pial_left'])  # 返回 (vertices, faces)
n_vertices = mesh[0].shape[0]  # vertices 是 (n_vertices, 3) 的坐标数组print(f"左半球顶点数量：{n_vertices}")# Step 3: 生成与顶点数量相同的随机数据
random_data = np.random.randn(n_vertic
plotting.plot_surf(surf_mesh=fsaverage['pial_left'],  # 表面网格surf_map=random_data,                # 表面数据hemi='left',                       # 半球view='lateral',                    # 视角：外侧colorbar=True,                     # 显示颜色条title='Left Hemisphere Activation'
)
plotting.show()

对于src的查看

import os.path as op
import numpy as np
import os
import mne
from mne.datasets import fetch_fsaverage# Download fsaverage files
fs_dir = fetch_fsaverage(verbose=True)
subjects_dir = op.dirname(fs_dir)# The files live in:
subject = "fsaverage"
trans = "fsaverage"  # MNE has a built-in fsaverage transformation
#说明ico-5-src.fif文件是源空间文件，bem-sol.fif文件是 bem 文件，用于解决 bem 问题。、
#ico-5的数据太大，无法计算，使用ico-4进行尝试
src = op.join(fs_dir, "bem", "fsaverage-ico-4-src.fif")
bem = op.join(fs_dir, "bem", "fsaverage-5120-5120-5120-bem-sol.fif")
src = mne.read_source_spaces(src)
src.plot()src = mne.read_source_spaces(src)
src.plot()

使用 mne.viz.plot_bem

对于bem的可视化，查看的是T1.mgz的图像。

fs_dir:这个是放置模版的文件夹
src:是roi文件或者对应的类似的
subject：是在fs_dir中，在加一个路径。
orientation有三种视图’coronal’, ‘axial’, and ‘sagittal’
冠状面（coronal plane）和矢状面(sagittal plane) ，横断面（axial）
slices：时间的切片

mne.viz.plot_bem(subject='fsaverage', subjects_dir=fs_dir, src=None, orientation='axial',slices=[0,10,50,100],show=True)

图示一下这三个面

把有效的溯源点，使用一些数据映射到头图像上，有些不均匀。

对于ico-4进行前向分解的左右脑，因为生理约束，有的点在头皮之外，无法作为有效的点。

生成一个bem文件

生成失败了， 目前还没找到原因

import mne
subjects_dir = r"D:\系统数据\git仓库\MNE-Cookbook\mne_data\MNE-sample-data\subjects"
conductivity = (0.3, 0.006, 0.3)  # 标准导电率值 (S/m) for [脑脊液, 颅骨, 头皮]
model = mne.make_bem_model(subject='fsaverage', ico=4, conductivity=conductivity,subjects_dir=subjects_dir)
bem_sol = mne.make_bem_solution(model)
mne.write_bem_solution('fsaverage-bem-sol.fif', bem_sol)

主要使用的应该是那三个suf文件

理论上，看之前可视化也没什么问题，但是生成的时候报错了。

目前还找不到什么原因。