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

在了解了腦圖譜發展的過程之后，對腦的模版有了更深的認識，所以，對于之前使用的正向的溯源文件，進行一下解析，查看包含的信息，mne的存儲格式和nilearn中的格式是否有區別。

本示例中，mne除了fsaverage還有sample，這兩個常用。

samaple和fsaverage的對比

在 MNE-Python 中，sample 和 fsaverage 是兩個不同的模板/數據集，但它們的用途和定位有本質區別。以下是詳細解釋：

---

1. fsaverage：標準模板大腦

(1) 來源與定義

• 來源：由 FreeSurfer 提供，是一個 標準化的平均大腦模板，基于多被試 MRI 數據配準到 MNI 空間后生成。
• 用途：
  • 用于跨被試分析（如組水平統計）。
  • 當個體 MRI 數據不可用時，作為替代模板（如源空間、BEM、皮層表面等）。
  • 支持腦區標簽（如 Brodmann 分區）的標準化映射。

(2) 數據結構

• 包含內容：
  • 高分辨率皮層表面（如 white、pial、inflated）。
  • 預計算的 BEM 模型（如 fsaverage-5120-5120-5120-bem-sol.fif）。
  • 標準源空間（如 fsaverage-ico-5-src.fif）。
  • 解剖標簽（如 aparc.a2009s 分區）。
• 坐標系：MNI 坐標系（標準空間）。

(3) 獲取方式

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

• 下載后文件存儲在 subjects_dir/fsaverage/ 中。

---

2. sample：示例數據集

(1) 來源與定義

• 來源：MNE-Python 官方提供的 單被試示例數據集，包含一名真實被試的匿名化數據（EEG/MEG/MRI）。
• 用途：
  • 學習 MNE 的入門工具（教程、文檔示例）。
  • 測試算法或腳本的功能。
  • 演示數據預處理、源定位、可視化等完整流程。

(2) 數據結構

• 包含內容：
  • 原始 MEG 數據（.fif 文件）。
  • MRI 數據（已通過 FreeSurfer 重建的個體大腦）。
  • 事件標記、電極位置、噪聲協方差矩陣等。
  • 預計算的 BEM 模型、源空間、正向模型。
• 坐標系：個體 MRI 坐標系（未經 MNI 標準化）。

(3) 獲取方式

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

---

3. 關鍵區別

特性	fsaverage	sample
類型	標準模板（群體平均）	單被試真實數據（匿名化）
用途	跨被試分析、模板化處理	學習、測試、演示流程
坐標系	MNI 空間	個體 MRI 空間
BEM/源空間	預生成的模板模型	基于個體 MRI 生成的模型
數據內容	僅解剖結構和模板數據	完整的 MEG/EEG 數據 + 解剖數據

---

4. 何時使用哪一個？

(1) 使用 fsaverage 的場景

• 你的研究沒有個體 MRI 數據，需要標準化分析。
• 進行組水平統計或跨被試比較。
• 需要與文獻中的 MNI 坐標結果對齊。

(2) 使用 sample 的場景

• 學習 MNE 的基本操作（如教程中的代碼示例）。
• 測試新腳本或算法的兼容性。
• 演示從原始數據到源定位的完整流程。

---

5. 代碼示例

(1) 加載 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) 加載 sample 的 MEG 數據

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. 常見問題

(1) 能否將個體數據映射到 fsaverage 模板？

是的！通過 配準（registration） 將個體 MRI 對齊到 fsaverage 的 MNI 空間，使結果可跨被試比較。
工具：

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

(2) sample 數據集是否包含 fsaverage 數據？

不直接包含，但可單獨下載 fsaverage。兩者通常分開使用。

(3) 如何切換被試目錄？

設置 subjects_dir 環境變量或在代碼中指定：

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

---

7. 文檔參考

• fsaverage 文檔：
  MNE: FreeSurfer’s fsaverage
• sample 數據集文檔：
  Sample Dataset Tutorial

---

總結

• fsaverage 是標準模板大腦，用于跨被試分析和標準化處理。
• sample 是單被試示例數據集，用于學習和測試。
• 根據研究需求選擇：需要模板化分析 → fsaverage；需要真實數據示例 → sample。

幾個模版被試的說明

你提到的四個文件夾 (fsaverage, fsaverage_sym, morph-maps, 和 sample) 在神經影像學和腦電圖（EEG）/腦磁圖（MEG）數據處理中扮演著不同的角色，它們分別對應不同的模板或功能。下面我將詳細解釋每個文件夾及其內容的區別：

1. fsaverage

• 描述：fsaverage 是一個標準的大腦模板，由 FreeSurfer 提供，并廣泛用于神經影像研究中。它是一個平均化的、對稱的大腦模型，基于多個大腦掃描結果構建而成。
• 用途：
  • 作為解剖參考框架，用于標準化不同被試的大腦數據。
  • 在 MNE-Python 中，常用于源定位分析，提供了一個通用的源空間和 BEM 模型。
• 特點：高分辨率，包含詳細的皮層結構信息。

2. fsaverage_sym

• 描述：fsaverage_sym 是 fsaverage 的一個變體，特別強調左右半球的對稱性。這個模板在創建時進行了額外的處理，以確保兩個半球盡可能對稱。
• 用途：
  • 當需要進行嚴格對稱性分析時使用，例如在研究左右半球功能差異時。
  • 對于某些特定的統計分析或可視化任務，可能更傾向于使用對稱模板。
• 特點：左右半球高度對稱，適用于需要嚴格對稱性的研究。

3. morph-maps

• 描述：morph-maps 文件夾通常包含形態映射（morphing maps），這些映射用于將一個被試的數據轉換到另一個被試或模板上。
• 用途：
  • 在多被試研究中，用于將個體數據標準化到共同的空間框架下，便于跨被試比較和群體分析。
  • 可以將單個被試的源估計結果映射到 fsaverage 或其他模板上，以便進行群體水平的統計分析。
• 特點：包含從個體到模板或其他個體的映射關系，是實現數據標準化和群體分析的關鍵工具。

4. sample

• 描述：sample 通常指的是一個示例被試的數據集，包括 EEG/MEG 數據、MRI 掃描結果等。MNE-Python 提供了一個名為 sample 的示例數據集，用于演示和教學目的。
• 用途：
  • 作為學習和測試 MNE-Python 功能的示例數據。
  • 研究人員可以使用 sample 數據集來熟悉各種數據處理和分析流程。
• 特點：包含完整的實驗數據和相關文件，適合初學者和開發者用來學習和調試代碼。

總結

• fsaverage 和 fsaverage_sym：都是標準大腦模板，但后者更強調左右半球的對稱性。
• morph-maps：包含用于數據標準化和群體分析的形態映射。
• sample：是一個示例數據集，用于學習和測試 MNE-Python 的功能。

在實際應用中，根據你的具體需求選擇合適的模板和工具非常重要。如果你正在進行多被試研究，可能需要使用 morph-maps 來標準化數據；如果專注于單個被試的詳細分析，則可以直接使用 fsaverage 或 fsaverage_sym 作為參考框架。

導入數據

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"

我們獲取fsaverage 的存儲文件夾。
之前文件中有過一定的描述，下面進行更加詳細的記錄。

第一個文件fsaverage-ico-4-src.fif中的“src”可能代表“source
space”，即源空間。源空間定義了大腦中可能產生信號的源的位置，通常是皮層表面。ico-4可能指的是四階的Icosahedron（二十面體）細分，用于生成源空間的網格。Ico-4的細分級別決定了源的數量，細分級別越高，源點越多，計算量也越大。用戶可能需要這個文件來進行源定位分析，比如計算逆解。

第二個文件fsaverage-5120-5120-5120-bem-sol.fif中的“bem”代表邊界元模型（Boundary
Element
Model），用于正向計算中的電磁場模擬。BEM模型需要不同組織的邊界，如頭皮、顱骨、腦脊液和大腦等。文件名中的5120可能指的是每個邊界面（如頭皮、顱骨、大腦）的三角形數量，例如5120個三角形。而“sol”可能表示解文件，即已經計算好的BEM模型的解，用于快速計算導聯場或正向解。用戶在進行EEG/MEG的正向計算時會用到這個文件。

先繼續插入可視化的代碼，對于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文件的說明

BEM 表面是不同組織之間界面三角剖分，用于前向計算。這些表面例如包括內顱骨表面、外顱骨表面和皮膚外表面，即頭皮表面。

計算并可視化 BEM 表面

計算 BEM 表面需要使用 FreeSurfer，并使用命令行工具 mne watershed_bem 或 mne flash_bem，或者相關的函數 mne.bem.make_watershed_bem() 或 mne.bem.make_flash_bem()。

這里我們假設它已經計算過了。每個受試者需要幾分鐘。

對于腦電圖（EEG），我們使用 3 層（內顱骨、外顱骨和皮膚），而對于腦磁圖（MEG），只需要 1 層（內顱骨）就足夠了。

bem.keys()

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

bem的surf查看

如果要生成一個新的bem，應該需要，這幾個層的surf文件
此處需要使用的就是，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

顯示一下，這個的樣子

單層的

# 說明，使用pyvista,需要使用不同的繪圖格式，表面的點需要轉為數量，加上坐標的形式，并構成一維數組。
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()

對于
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

這個對應的是質心的坐標。

三層的

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."""# 在每個面的前面添加數字 3（因為是三角形）faces_pyvista = np.hstack((3 * np.ones((faces.shape[0], 1), dtype=faces.dtype), faces))return pv.PolyData(coords, faces_pyvista.ravel())# 定義表面文件路徑
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')
]# 創建PyVista Plotter對象
plotter = pv.Plotter()# 循環遍歷每個表面文件并添加到繪圖器中
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)# 顯示圖形
plotter.show()

BEM模型鍵值詳細分析

BEM (邊界元素法) 模型中的鍵值具有以下含義：

1. solution：BEM求解矩陣，包含了邊界面之間的電位關系，用于計算頭部不同組織界面上的電位分布。

2. bem_method：使用的BEM方法類型，常見的有"linear collocation"（線性搭配法）或"linear Galerkin"（線性伽遼金法）。

3. surfs：包含頭模型中使用的表面信息，通常包括內顱骨、顱骨和頭皮三個表面的幾何描述（點、面等）。

4. solver：用于求解BEM方程的算法類型。

5. is_sphere：布爾值，表示該BEM模型是否基于球形模型（True）或真實頭部形狀（False）。

6. nsol：解決方案的維度或自由度數量。

7. sigma：組織電導率值列表，單位通常為S/m（西門子/米），分別對應腦組織、顱骨和頭皮的電導率。

8. source_mult：源乘數，與源強度計算相關的系數。

9. field_mult：場乘數，與電場計算相關的系數。

10. gamma：BEM公式中的γ系數矩陣，用于描述不同表面之間的電位關系。

這些參數共同構成了完整的BEM解決方案，用于在MEG/EEG分析中進行正向計算，即從已知的源活動推算出在傳感器位置處產生的場分布。

for layer in bem["surfs"]:print(f"層 ID: {layer['id']}")print(f"頂點數: {len(layer['rr'])}, 三角面片數: {len(layer['tris'])}")print(f"電導率 (σ): {layer['sigma']} S/m")

ID: 4 頂點數: 2562, 三角面片數: 5120 電導率 (σ): 0.30000001192092896 S/m
ID:3 頂點數: 2562, 三角面片數: 5120 電導率 (σ): 0.006000000052154064 S/m
ID: 1 頂點數: 2562, 三角面片數: 5120 電導率 (σ): 0.30000001192092896 S/m

(1) 層 ID 4（電導率 0.3 S/m）

• 解剖結構：頭皮（Scalp）
  • 最外層，包裹顱骨和腦組織。
  • 電導率較高（約 0.3 S/m），反映頭皮組織（皮膚、肌肉、脂肪）的導電性。
• 作用：
  • 在 EEG 中，頭皮是電流的最終傳導層，直接影響電極測量的電勢分布。
  • 在 MEG 中，對磁場影響較小（因磁場穿透性強）。

(2) 層 ID 3（電導率 0.006 S/m）

• 解剖結構：顱骨（Skull）
  • 中間層，分隔頭皮和腦內結構。
  • 電導率極低（約 0.006 S/m），反映顱骨的低導電性（骨組織導電性差）。
• 作用：
  • 在 EEG 中，顱骨會顯著衰減腦內電流的傳播，導致頭皮電勢分布模糊化。
  • 是影響 EEG 空間分辨率的主要因素。

(3) 層 ID 1（電導率 0.3 S/m）

• 解剖結構：腦殼（Brain）
  • 最內層，包裹腦實質（灰質、白質）和腦脊液（CSF）。
  • 電導率較高（約 0.3 S/m），反映腦組織和腦脊液的導電性。
• 作用：
  • 直接承載神經元活動產生的電流，是 EEG/MEG 信號的主要源頭。
  • 在 BEM 模型中，通常與腦脊液合并為一層（尤其在簡化模型中）。

2. 電導率值的意義

• 頭皮和腦殼（0.3 S/m）：
  高導電性允許電流自由流動，對 EEG 信號的空間分布起主導作用。
• 顱骨（0.006 S/m）：
  低導電性導致電流在穿過顱骨時被強烈衰減，是 EEG 信號空間模糊化的主要原因。
  注意：顱骨電導率的值存在爭議，一些研究建議使用 0.01–0.015 S/m [1]，但 MNE 默認使用 0.006 S/m。
  默認值：頭皮 0.3 S/m，顱骨 0.006 S/m，腦殼 0.3 S/m。

3. 層 ID 的編號問題

你提供的層 ID（4、3、1）與常規 FreeSurfer/MNE 標準 不一致。

• 標準標識（FreeSurfer 慣例）：
  • 3：腦殼（Brain）
  • 4：顱骨（Skull）
  • 5：頭皮（Scalp）
• 可能原因：
  • 數據生成時使用了非標準標簽（如自定義 BEM 模型）。
  • 文件可能來自舊版本 MNE 或特定數據集（如 fsaverage 模板的某些變體）。
  • 需進一步檢查數據來源或通過可視化驗證（見下文）。

import mne# 繪制 BEM 模型，疊加白質表面
mne.viz.plot_bem(subject="sample",subjects_dir="/path/to/subjects_dir",brain_surfaces="white",  # 指定表面類型orientation="coronal",slices=[100, 120, 140],  # 切片位置show=True
)

brain_surfaces的類型說明：

[“white”, “pial”]可以疊加顯示多個

‘white’ 表面適合檢查源空間與解剖的對齊。
“pail”

‘inflated’ 表面適合觀察功能激活的拓撲模式。

“sphere”

‘head’ 或 ‘skull’ 和’brain’用于驗證 BEM 模型的幾何閉合性。
并不存在，沒有對應的文件。

使用nilearn進行fsaverage的導入

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

我們可以看到這個文件是上面不同層的

其中pial_left的文件也是由兩部分組成的coordinates和face。
作為一個表面模型，有三維坐標點和，構成一個三角面的三維索引坐標。

# Step 2: 加載左半球網格并查看頂點數量
mesh = load_surf_mesh(fsaverage['pial_left'])  # 返回 (vertices, faces)
n_vertices = mesh[0].shape[0]  # vertices 是 (n_vertices, 3) 的坐標數組print(f"左半球頂點數量：{n_vertices}")# Step 3: 生成與頂點數量相同的隨機數據
random_data = np.random.randn(n_vertic
plotting.plot_surf(surf_mesh=fsaverage['pial_left'],  # 表面網格surf_map=random_data,                # 表面數據hemi='left',                       # 半球view='lateral',                    # 視角：外側colorbar=True,                     # 顯示顏色條title='Left Hemisphere Activation'
)
plotting.show()

對于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
#說明ico-5-src.fif文件是源空間文件，bem-sol.fif文件是 bem 文件，用于解決 bem 問題。、
#ico-5的數據太大，無法計算，使用ico-4進行嘗試
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

對于bem的可視化，查看的是T1.mgz的圖像。

fs_dir:這個是放置模版的文件夾
src:是roi文件或者對應的類似的
subject：是在fs_dir中，在加一個路徑。
orientation有三種視圖’coronal’, ‘axial’, and ‘sagittal’
冠狀面（coronal plane）和矢狀面(sagittal plane) ，橫斷面（axial）
slices：時間的切片

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

圖示一下這三個面

把有效的溯源點，使用一些數據映射到頭圖像上，有些不均勻。

對于ico-4進行前向分解的左右腦，因為生理約束，有的點在頭皮之外，無法作為有效的點。

生成一個bem文件

生成失敗了， 目前還沒找到原因

import mne
subjects_dir = r"D:\系統數據\git倉庫\MNE-Cookbook\mne_data\MNE-sample-data\subjects"
conductivity = (0.3, 0.006, 0.3)  # 標準導電率值 (S/m) for [腦脊液, 顱骨, 頭皮]
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)

主要使用的應該是那三個suf文件

理論上，看之前可視化也沒什么問題，但是生成的時候報錯了。

目前還找不到什么原因。