mne溯源相关说明

参考文章：

The SourceEstimate data structure这个是mne，讲解stc的结构。
博客园Note1 基于MNE实现脑电信号的源定位（重建或成像）
开始看mne的教程，不太清晰，这个博客园的流程清楚。
从mri电极位置构建源定位
可视化源定位stc

首先我们要清楚，溯源是需要一定的大脑的模版的，这个可以使用标准模版（template）的数据来辅助，也可以根据自己的mri的数据来构建，这个没有，先不讨论。

本文使用的是fsaverage下面的模版文件。可以看到还有其他的版本的大脑扫描模版。

这个图来自ebrains的网页可视化

我们可以看到这个是按照功能区划分的。

进行源定位的方式有MNE、dSPM、sLORETA 和 eLORETA。
我将为您比较dSPM和sLORETA这两种脑源定位方法。

dSPM（动态统计参数映射）和sLORETA（标准化低分辨率脑电磁断层扫描）都是用于脑源定位的方法，但它们在原理和应用上有一些显著差异。

MNE、dSPM、sLORETA和eLORETA方法对比

这四种方法都是脑源定位(source localization)领域中常用的算法，用于从脑电图(EEG)或脑磁图(MEG)数据中推断出大脑中的神经活动源。以下是它们的详细对比：

MNE (最小范数估计)

基本原理：

• 寻求使测量数据与源活动之间误差最小的解决方案
• 使用L2范数正则化来求解欠定反问题

特点：

• 倾向于产生分散的浅表源活动
• 计算速度较快，实现简单
• 对深部源活动估计不足
• 无统计框架，难以解释激活的统计显著性

适用场景：

• 适合初步分析和探索
• 当研究浅表皮层活动时较为可靠

dSPM (动态统计参数映射)

基本原理：

• 基于MNE，但增加了噪声协方差矩阵的归一化
• 将估计结果转换为z分数或t统计量

特点：

• 提供统计显著性测量
• 对噪声具有较好的鲁棒性
• 改善了对深部源的估计，但仍有偏差
• 保留了较好的时间分辨率

适用场景：

• 需要统计显著性评估的研究
• 时间序列分析
• 事件相关研究

sLORETA (标准化低分辨率脑电磁断层扫描)

基本原理：

• 使用分辨率矩阵进行标准化
• 在无噪声情况下对单一源有零定位误差

特点：

• 理论上提供无偏估计，尤其对单一源
• 空间分辨率优于MNE和dSPM
• 深部源定位更准确
• 空间平滑度较高，可能导致相邻活动源区分不清

适用场景：

• 需要准确源定位的研究
• 对深部源活动感兴趣的研究
• 单一或少数几个活动源的分析

eLORETA (精确低分辨率脑电磁断层扫描)

基本原理：

• sLORETA的改进版本
• 使用权重矩阵来补偿空间偏差
• 即使在有噪声的情况下也能达到零定位误差

特点：

• 最佳的空间分辨率和定位准确性
• 对多源场景表现更好
• 深部源估计更准确
• 计算复杂度较高
• 较新的方法，但已获得广泛认可

适用场景：

• 需要最高定位精度的研究
• 复杂源结构的分析
• 深部源活动研究

方法比较总结

选择哪种方法取决于具体的研究问题、数据质量、关注的脑区以及计算资源。在实际应用中，研究者经常会使用多种方法进行交叉验证，以增强结果的可靠性和稳健性。

从mne 我们知道源定位的形式有下面的几种，我们在此使用的是皮层约束源空间。

我们先对比来看，MNE的原教程先让我们设置几个文件夹的变量，并尝试设置几个路径，

MNE的教程

from mne import read_source_estimate
from mne.datasets import sample

print(__doc__)

# Paths to example data
sample_dir_raw = sample.data_path()#D:/系统数据/git仓库/MNE-Cookbook/mne_data/MNE-sample-data
sample_dir = sample_dir_raw / "MEG" / "sample"
subjects_dir = sample_dir_raw / "subjects"

fname_stc = sample_dir / "sample_audvis-meg"

可以看到我的simple的文件夹是下面的

simple_dir是D:\系统数据\git仓库\MNE-Cookbook\mne_data\MNE-sample-data\MEG\sample
里面存在很多.fif和.stc后缀类似的文件。

subjects_dir是D:\系统数据\git仓库\MNE-Cookbook\mne_data\MNE-sample-data\subjects

fname_stc 这个直接使用了成人的meg的这个文件。

看到很多文件是不是有些不明所以。
事实上，我们需要的文件只有fif后缀的一个和stc这个文件。

mne-Load and inspect example data

加载和检查数据。
通过read_source_estimate来进行这个stc的读取。

stc = read_source_estimate(fname_stc, subject="sample")

# Define plotting parameters
surfer_kwargs = dict(
    hemi="lh",
    subjects_dir=subjects_dir,
    clim=dict(kind="value", lims=[8, 12, 15]),
    views="lateral",
    initial_time=0.09,
    time_unit="s",
    size=(800, 800),
    smoothing_steps=5,
)

# Plot surface
brain = stc.plot(**surfer_kwargs)

# Add title
brain.add_text(0.1, 0.9, "SourceEstimate", "title", font_size=16)

从文件加载源空间时间序列数据（SourceEstimate 对象）。

设置了网格参数和绘图的方式。

2. 定义绘图参数字典

surfer_kwargs = dict(
    hemi="lh",
    subjects_dir=subjects_dir,
    clim=dict(kind="value", lims=[8, 12, 15]),
    views="lateral",
    initial_time=0.09,
    time_unit="s",
    size=(800, 800),
    smoothing_steps=5,
)

• 核心参数解析：
  • hemi="lh"：指定绘制左半球 ('lh'/'rh'/'both')
  • subjects_dir：FreeSurfer 被试目录的路径（包含各被试的皮层表面数据）
  • clim：颜色范围控制
    • kind="value"：直接指定数值范围
    • lims=[8, 12, 15]：颜色渐变的分界点（min, mid, max）
  • views="lateral"：视角（其他选项：'medial', 'ventral', 'frontal' 等）
  • initial_time=0.09：初始显示的时间点（单位由 time_unit 决定）
  • time_unit="s"：时间单位（秒，也支持 'ms'）
  • size=(800, 800)：图像画布尺寸（宽度, 高度）
  • smoothing_steps=5：表面平滑的迭代次数（值越大表面越平滑）

3. 绘制源估计图

brain = stc.plot(**surfer_kwargs)

• 作用：生成交互式 3D 脑图对象 (mne.viz.Brain)
• 返回的 brain 对象可用于后续交互操作（如添加标记、调整视角等）

4. 添加标题

brain.add_text(0.1, 0.9, "SourceEstimate", "title", font_size=16)

• 参数解析：
  • 0.1：水平位置（0=左，1=右）
  • 0.9：垂直位置（0=底部，1=顶部）
  • "SourceEstimate"：显示的文本内容
  • "title"：文本标识符（可自定义）
  • font_size=16：字体大小

关键功能总结

1. 数据加载：从 STC 文件加载源激活时空数据
2. 可视化配置：通过参数字典精细控制脑图的显示方式（颜色、视角、时间点等）
3. 交互式显示：生成可旋转、缩放、浏览时间序列的 3D 脑图
4. 标注增强：在图像上添加自定义文本标注

我们运行，可以得到下面的结果，stc就是包含了溯源后的数据的东西。

那么我们如何计算自己的数据的stc。

源估计

源估计包含由源空间定义的空间位置上的激活时间序列。在 FreeSurfer 表面（由 3D 三角剖分组成）的背景下，我们可以将膨胀大脑表示上的每个数据点称为顶点。如果每个顶点代表一个时间序列的空间位置，则可以将时间序列和空间位置写入一个矩阵，其中每个顶点（行）在多个时间点（列）可以分配一个值。这个值是我们在给定时空点的信号强度。正是这个矩阵存储在 stc.data 中。

博客园

下面给出博客里面的如何获得源数据的过程。
我们需要使用上面的这个模版

\mne_data\MNE-fsaverage-data\fsaverage

如果没有这个，在运行了一次之后，应该会下载到对应的文件夹。
在博客的原文中，使用的是ico-5的溯源方式，因为无法运行，进行了下采样。
fsaverage是FreeSurfer的标准模板大脑，常用于脑成像研究中的标准化空间。

import mne
import os.path as op
from mne.datasets import fetch_fsaverage

# 获取 fsaverage 路径
fs_dir = fetch_fsaverage(verbose=True)
subjects_dir = op.dirname(fs_dir)
subject = "fsaverage"
trans = "fsaverage"

src = op.join(fs_dir, "bem", "fsaverage-ico-4-src.fif")
bem = op.join(fs_dir, "bem", "fsaverage-5120-5120-5120-bem-sol.fif")

# 生成 ico-4 源空间（2562 源点，相比 ico-5 更轻量）
src = mne.setup_source_space(subject, spacing="ico4", subjects_dir=subjects_dir, add_dist=False)
mne.write_source_spaces(op.join(fs_dir, "bem", "fsaverage-ico-4-src.fif"), src, overwrite=True)

# 如果需要更低分辨率的 ico-3
src = mne.setup_source_space(subject, spacing="ico3", subjects_dir=subjects_dir, add_dist=False)
mne.write_source_spaces(op.join(fs_dir, "bem", "fsaverage-ico-3-src.fif"), src, overwrite=True)

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。

读取自己的数据

此处我读取的是eeglab处理过后的数据。

pathdir=r"E:\data\301数据汇总\EEG\jxt_analysis\health\1"
file=r"processed_data.set"
path=os.path.join(pathdir, file)
raw_data = mne.io.read_raw_eeglab(path, preload=True)

#降低采样率和设置重参考，这个是必要的
raw = raw_data.copy()
raw = raw.resample(sfreq=100, verbose=True)
raw.set_eeg_reference(projection=True)

需要自己的通道文件，读取的src文件就可以绘制这个标准的溯源点的图。

mne.viz.plot_alignment(
    raw.info,
    src=src,
    eeg=["original", "projected"],
    trans=trans,
    show_axes=True,
    mri_fiducials=True,
    dig="fiducials",
)

进行fwd的计算（前向模型）

前向模型用于模拟大脑（源）的电活动如何被传感器（如脑电图电极）测量。这很有道理，因为在脑电图分析中，你需要一个将源活动与传感器读数连接起来的模型。
mindist=5.0 内颅骨到源的最小距离

fwd = mne.make_forward_solution(
    raw.info, trans=trans, src=src, bem=bem, eeg=True, mindist=5.0, n_jobs=None
)
print(fwd)

查看fwd的键值

print(fwd.keys()) 

dict_keys([‘sol’, ‘source_ori’, ‘nsource’, ‘coord_frame’, ‘sol_grad’,
‘nchan’, ‘_orig_source_ori’, ‘_orig_sol’, ‘_orig_sol_grad’, ‘info’,
‘src’, ‘source_nn’, ‘source_rr’, ‘surf_ori’, ‘mri_head_t’])

看一下就可以，还没有都使用。

核心参数

1. sol (正向解矩阵)

   • 核心的增益矩阵（n_channels × n_sources），表示每个源点活动对传感器信号的贡献权重。
   • 若 source_ori 为自由方向（free orientation），每个源点对应 3 列（x/y/z 方向）。

2. source_ori (源方向约束)

   • 表示源方向的约束方式：
     • 'fixed'：固定方向（如皮层表面法线方向）
     • 'free'：自由方向（允许任意方向，需后续逆解方法支持）

3. nsource (源总数)

   • 源空间中的离散化源点数量（若 source_ori='free'，实际自由度可能为 3 × nsource）。

4. coord_frame (坐标系)

   • 源点坐标的参考系，通常为 'head'（头部坐标系）或 'mri'（MRI 坐标系）。

5. sol_grad (解的梯度矩阵)

   • 用于计算磁场梯度（MEG 中的导数场），形状类似 sol，但对应磁场梯度。

辅助参数

6. nchan (通道数)

   • EEG/MEG 传感器的数量，与 sol 的行数一致。

7. _orig_source_ori, _orig_sol, _orig_sol_grad

   • 原始未修改的源方向和解矩阵（某些操作会覆盖原值，此参数用于备份）。

8. info (测量信息)

   • 仿照 MNE 的 Info 对象，包含传感器配置、滤波信息、坐标变换等元数据。

源空间相关

9. src (源空间对象)

   • 包含源点位置 (src[0]['rr'])、三角剖分 (src[0]['tris'])、层信息等详细结构。

10. source_rr (源点坐标)

    • 所有源点的三维坐标（形状：(nsource, 3)），单位为米。

11. source_nn (源点法线方向)

    • 每个源点的法线方向向量（形状：(nsource, 3)），仅在 source_ori='fixed' 时有效。

12. surf_ori (表面法线方向标记)

    • 布尔值，表示源方向是否基于表面法线（通常为 True）。

坐标变换

13. mri_head_t (MRI 到头部坐标变换)
    • 将 MRI 坐标系中的源点转换到头部坐标系的仿射变换矩阵（4×4）。

使用场景

• EEG/MEG 逆问题：fwd['sol'] 是源活动到传感器信号的线性映射，用于构建逆算子（如 LCMV/dSPM）。
• 源方向约束：通过 source_ori 和 source_nn 实现固定方向约束，减少计算复杂度。
• 坐标对齐：mri_head_t 确保源空间与头部坐标系对齐，是多模态数据融合的关键。

建议通过 print(fwd) 直接查看前向模型的摘要信息，或使用 mne.forward.forward.Forward 类的文档进一步探索。

print(fwd['nsource'])  # 源点数
print(fwd['nchan'])    # 传感器通道数
print(fwd['sol'])      # 解析解
print(fwd['source_rr'])  # 源空间的顶点坐标
print(fwd['source_ori']) # 源的方向

协方差矩阵和逆向估计的计算

因为需要噪声源模型，所以对于erp可能使用动作基线的部分，来更好的屏蔽噪声和凸显主要数据。对于静息态，应该使用比较暗

计算噪声协方差、逆向因子，并应用逆向因子。此处使用的方法为dSPM。根据官方教程可更换为其他的逆向求解算法。

此处的raw使用的是静息态的脑电数据，并且未进行筛选，正常的应该尽量截取无噪声污染的片段。

noise_cov = mne.compute_raw_covariance(raw)
#逆向因子
inverse_operator = make_inverse_operator(
    raw.info, fwd, noise_cov, loose=0.0, depth=0.8
)
#删去fwd
del fwd

# 逆向因子应用
from mne.minimum_norm import apply_inverse_raw
#使用dSPM的方法，下面再尝试其他的方法。
method = "dSPM"
snr = 3.0
lambda2 = 1.0 / snr**2
stc = apply_inverse_raw(
    raw,
    inverse_operator,
    lambda2,
    method=method,
    pick_ori=None,
    verbose=True,
)

通过这几个短短的代码，就可以得到stc这个源估计了。

使用提供的函数进行可视化
这些参数和可视化的界面的参数差不多。

initial_time = 0.1
brain = stc.plot(
#查看了一些内部实现，好像两个参数没什么用，默认参数是none
    #subjects_dir=subjects_dir,
    #subject=subject,
    initial_time=initial_time,
    smoothing_steps=7,
    hemi='both'#确定是左脑还是右脑，或者更多的选择
)

这个annotation读取的也不是这两个文件夹中的内容。

说明，中间这几个步骤可以按照博客园的过程。
如果运行过程出现数组过大，就可以尝试我上述的步骤，对ico这个源定位估计的点进行减少，同时，对于脑电的时间长度和采样点，可以进行减少。

这个图可以看到不少东西，但是我们如何取得这个数据并进一步进行分析。

对于stc的保存和读取

from mne import SourceEstimate
stc.save('1.stc')

#会分别保存左脑和右脑的数据

loaded_stc = mne.read_source_estimate('1.stc-lh.stc')

stc结构分析（MNE文档）

MNE中有讲述
与源空间（src）的关系
我们先得到src，在fwd中，我们可以访问到src。
fwd['src']
src 承载着从 stc 到表面的映射。表面由每个半球的三角网格构建而成。构成一个面的三角形由 3 个顶点组成。由于 src 是两个源空间（左半球和右半球）的列表，我们可以通过首先选择源空间来访问相应数据。构建左半球的表面可以通过 src[0]['tris'] 访问，其中索引 0 代表左半球，1 代表右半球。
src[0][‘tris’]中的值指的是 src[0]['rr'] 中的行索引。在这里，我们找到了表面网格的实际坐标。因此，每个顶点的索引值都会从这里选择一个坐标。此外， src[0]['vertno'] 存储的数据与 stc.lh_vertno 相同，但在使用如 mne.inverse_sparse.mixed_norm() 这样的稀疏求解器时除外，因为那时只有一部分顶点具有非零激活。

使用的是高密度源空间，有163842

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from mpl_toolkits.mplot3d.art3d import Poly3DCollection
hemi_idx=0
# 获取顶点坐标
vertices = fwd['src'][hemi_idx]['rr']

# 获取三角形索引 (每个三角形由3个顶点索引定义)
triangles = fwd['src'][hemi_idx]['tris']
fig = plt.figure(figsize=(10, 8))
alpha=0.3
ax = fig.add_subplot(111, projection='3d')
mesh = Poly3DCollection([vertices[triangle] for triangle in triangles],
                        alpha=alpha, linewidths=0.1, edgecolor='k')
# 设置颜色 (可以根据半球不同设置不同颜色)
face_color = [0.5, 0.5, 1.0] 
# if hemi == 'lh' else [1.0, 0.5, 0.5]
mesh.set_facecolor(face_color)

# 添加到图形中
ax.add_collection3d(mesh)    
# 设置轴的范围
coords_min = vertices.min(axis=0)
coords_max = vertices.max(axis=0)
ax.set_xlim(coords_min[0], coords_max[0])
ax.set_ylim(coords_min[1], coords_max[1])
ax.set_zlim(coords_min[2], coords_max[2])

# 设置轴标签
ax.set_xlabel('X (m)')
ax.set_ylabel('Y (m)')
ax.set_zlabel('Z (m)')               
# plt.ion()
plt.show()   

绘制出的上三角坐标的脑模型。

mesh = Poly3DCollection([vertices[triangle] for triangle in triangles],
alpha=alpha, linewidths=0.1, edgecolor=‘k’)
tris是坐标的索引，rr是坐标点位置。可以组合为一个三角形的三点定位。

STC的可视化

主要参考这个 可视化源定位stc

我们可以使用 stc.plot 来绘制源估计，就像在其他 MNE 对象中一样。请注意，为了使这种可视化工作，您必须在您的机器上安装 PyVista

和之前的可视化一样

initial_time = 0.1
brain = stc.plot(
    subjects_dir=subjects_dir,
    subject=subject,
    initial_time=initial_time,
    clim=dict(kind="value", lims=[3, 6, 9]),
    smoothing_steps=7,
)

initial_time = 0.1
stc_fs = mne.compute_source_morph(
    stc, "fsaverage", "fsaverage", subjects_dir, smooth=5, verbose="error"
).apply(stc)
brain = stc_fs.plot(
    subjects_dir=subjects_dir,
    initial_time=initial_time,
    clim=dict(kind="value", lims=[3, 6, 9]),
    surface="flat",
    hemi="both",
    size=(1000, 500),
    smoothing_steps=5,
    time_viewer=False,
    add_data_kwargs=dict(colorbar_kwargs=dict(label_font_size=10)),
)

# to help orient us, let's add a parcellation (red=auditory, green=motor,
# blue=visual)
brain.add_annotation("HCPMMP1_combined", borders=2)

# You can save a movie like the one on our documentation website with:
brain.save_movie(time_dilation=20, tmin=0.1, tmax=1.5,
                 interpolation='linear', framerate=50)

会生成一个动画，此过程占用内存也比较大。

先记录到这，更多的可视化方法参见教程。

选择ROI

import mne
from mne.datasets import sample
import os.path as op
from mne.datasets import fetch_fsaverage

fs_dir = fetch_fsaverage(verbose=True)
print(fs_dir)
subjects_dir = op.dirname(fs_dir)
subject = "fsaverage"

# 示例：加载视觉皮层（V1）的标签
labels = mne.read_labels_from_annot('fsaverage',  # 使用fsaverage模板
                                    parc='aparc',  # 解剖学分区
                                    subjects_dir=subjects_dir)  # FreeSurfer数据路径


v1_label = [label for label in labels if label.name == 'temporalpole-lh'][0]


# 可视化ROI
brain = stc.plot(subject='fsaverage', subjects_dir=subjects_dir)
brain.add_label(v1_label, color='red', alpha=0.5)

对区域进行标注

这是代码的最后部分，我们可以看到对应的区域被标记为粉色、

brain = stc.plot(subject='fsaverage', subjects_dir=subjects_dir)
brain.add_label(v1_label, color='pink', alpha=1)

modes = ['mean', 'mean_flip', 'pca_flip', 'max', 'median']
roi_data = stc.extract_label_time_course(
    v1_label, 
    fwd['src'],  # 源空间顶点索引（需与STC一致）
    mode='mean',    # 提取模式：取平均值
    allow_empty=True  # 允许空标签（无顶点时返回NaN）
)

print("ROI数据形状：", roi_data.shape) 
#Extracting time courses for 1 labels (mode: mean)
#ROI数据形状： (1, 30051)
 

#这个可以查看一下有什么区域
for label in labels:
    print(label.name)

bankssts-lh bankssts-rh caudalanteriorcingulate-lh
caudalanteriorcingulate-rh caudalmiddlefrontal-lh
caudalmiddlefrontal-rh cuneus-lh cuneus-rh entorhinal-lh entorhinal-rh
frontalpole-lh frontalpole-rh fusiform-lh fusiform-rh
inferiorparietal-lh inferiorparietal-rh inferiortemporal-lh
inferiortemporal-rh insula-lh insula-rh isthmuscingulate-lh
isthmuscingulate-rh lateraloccipital-lh lateraloccipital-rh
lateralorbitofrontal-lh

在 MNE-Python 的 extract_label_time_course 函数中，mode 参数决定了如何将标签（ROI）内的源活动数据整合为一个时间序列。以下是所有可用的 mode 选项及其作用的详细说明：

可用的 mode 形式

1. "mean"

• 作用：对标签内所有顶点的源活动取平均值。
• 适用场景：简单快速的整合，适合初步分析。
• 数学表达：
  $$\text{time\_course}(t)=\frac{1}{N}\sum _{i=1}^N{\text{source\_activity}}_i(t)$$
  其中 (N) 是标签内的顶点数。

2. "mean_flip"

• 作用：取平均值，但翻转极性以消除体积传导（volume conduction）的影响。
• 适用场景：EEG/MEG 溯源时，减少邻近区域的干扰。
• 原理：
  计算平均值后，根据标签的法向量方向翻转极性，确保信号方向一致。

3. "pca_flip"

• 作用：使用主成分分析（PCA）提取标签内源活动的第一主成分，并翻转极性。
• 适用场景：标签内顶点活动高度相关（如皮层褶皱区域），需降维后提取主要信号。
• 优势：比 "mean" 更鲁棒，尤其在高噪声或高相关性数据中。

4. "max"

• 作用：取标签内顶点的最大值。
• 适用场景：关注标签内最强的活动响应（如癫痫发作的高激活区域）。

5. "median"

• 作用：取标签内顶点的中位数。
• 适用场景：对异常值不敏感，适合非正态分布的数据。

6. "auto"

• 作用：自动选择模式（默认为 "mean"）。
• 适用场景：无需手动选择时，快速调用。

7. "vote"

• 作用：对二进制活动（如事件相关同步/去同步）进行投票，统计激活顶点的比例。
• 适用场景：分类或二元活动分析（如静息态 vs 活动态）。

模式选择建议

简单查看一下选择的分区平均激活和抑制的强度的数据

截取了前500s。

import matplotlib.pyplot as plt
positive_times = np.where(roi_data[0][1:500] > 0)[0]
plt.plot(positive_times, roi_data[0][1:500][positive_times], 'ro')
plt.xlabel('Time (samples)')
plt.ylabel('Amplitude')
plt.title('Positive Activation Times')
plt.show()

完成了第一部分，溯源，加上roi区域的标记（按照默认功能区的）和这个数据的获取。
之后再进行额外的记录。