第3章: 前処理 — フィルタリングと再基準化¶
第2章 — データの読み込みと確認からの続きです。
記録データを読み込んで確認したら、この章では他の何かを行う前にそれをきれいにします — MNE-Pythonトラックの前処理の章でコードとして扱われているのと同じフィルタリングと再基準化のステップです。
チャンネルの設定¶
再基準化や頭皮マップのプロットが意味を持つ前に、MNELABは各チャンネルが何であり、どこに位置するかを知る必要があります:
- Channels → Set Montage... は、チャンネル名を照合することで標準的な電極配置（または自分で用意したもの）を割り当てます — コードでの
raw.set_montage()と同じ役割です。 - Channels → Pick Channels... と Channels → Rename Channels... はチャンネル一覧を絞り込んだり、名前の不一致を修正したりします。
- Channels → Interpolate Bad Channels は、（情報パネルまたは Channels → Channel Properties... で）不良と印を付けたチャンネルを削除する代わりに、隣接チャンネルから再構成します。
再基準化¶
Channels → Change Reference... を使うと、新しい参照（全チャンネルの平均、特定の電極、あるいは連結ペアなど、よく使われるもの）を選び、それを基準に記録データを計算し直せます。これはコードでの raw.set_eeg_reference() が行うのと同じ判断であり、まったく同じ理由で重要です — チャンネル間の振幅の違いは、すべてのチャンネルが同じ基準点に対して測定されて初めて意味を持ちます。
フィルタリング、リサンプリング、切り出し¶
この章の残りのステップは Process メニューにあります:
- Process → Filter Data... はバンドパスフィルタやノッチフィルタを適用します — 低いカットオフ以下のゆっくりしたドリフトや、高いカットオフ以上のライン ノイズなどを取り除く、コードでの
raw.filter()とraw.notch_filter()に相当するGUI操作です。 - Process → Resample Data... はサンプリング周波数を下げます。高い時間分解能がもう必要ない段階で、ICAなど後続のステップを高速化するのに役立ちます。
- Process → Crop Data... は記録データを関心のある時間範囲に切り詰め、それ以外を捨てます。