MNE学习笔记:Raw数据结构
Posted Dodo·D·Caster
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了MNE学习笔记:Raw数据结构相关的知识,希望对你有一定的参考价值。
MNE学习笔记(二):Raw数据结构
参考文章:
https://mp.weixin.qq.com/s/LXHP7dDOyhvCWi8vKWH5lw
https://www.pianshen.com/article/7715313899/
Raw数据结构
定义:Raw数据类型的对象用来存储连续型数据,核心数据以2维numpy array(分别是channels和samples)的形式存储,除此之外还包含了Info对象。
raw对象返回两个array:所选信道以及时间段内的数据和时间点,我们可以将它们分别赋值给data以及times
创建Raw
创建的过程非常简单
-
导包
-
设置存放地址
-
加载文件
# 引入python库
import mne
from mne.datasets import sample
import matplotlib.pyplot as plt
# sample的存放地址
data_path = sample.data_path()
# 该fif文件存放地址
fname = data_path + '/MEG/sample/sample_audvis_raw.fif'
# 存在文件则直接加载,否则从网上下载该数据
raw = mne.io.read_raw_fif(fname)
当然,为了节约空间,也可以对数据通过crop()
来进行切割,这里我采用的是不切割的版本
sample_data_folder = mne.datasets.sample.data_path()
sample_data_raw_file = os.path.join(sample_data_folder, 'MEG', 'sample', 'sample_audvis_raw.fif')
raw = mne.io.read_raw_fif(sample_data_raw_file, verbose=False).crop(tmax=60)
查看Raw
对于raw的信息(如channels数量、采样频率等),如果要查看则可用print(raw)
和print(raw.info)
print(raw)
结果:
print(raw.info)
结果:
访问Raw
Raw的访问方式有多种,它们实质上没有区别,但是在表达上会有一些区别,具体还是要根据实际情况来选择最适合的方式,这里我们先对两种情况进行分析:
有采样频率的访问方式
其过程为:
- 设置采样频率
- 设置要读取的channels数量和时间范围
- 读取raw
- 对图像进行一些设置(如命名title)并展示
代码:
sfreq = raw.info['sfreq'] # 采样频率
data, times = raw[:5, int(sfreq * 1):int(sfreq * 3)] # 从前五个channels的1~3s提取data和times
_ = plt.plot(times, data.T)
_ = plt.title('Sample channels')
plt.show()
运行结果:
有筛选的访问方式
其过程为:
- 设置筛选条件
- 设置时间区间
- 读取Raw
- 对图像进行一些设置(如命名title)并展示
代码:
# 获取10-20秒内的良好的MEG数据
picks = mne.pick_types(raw.info, meg=True, exclude='bads') # 选择良好的MEG信号,排除bads
t_idx = raw.time_as_index([10., 20.]) # 时间设置为10~20秒内的
data, times = raw[picks, t_idx[0]:t_idx[1]]
plt.plot(times, data.T)
plt.title("Sample channels")
plt.show()
运行结果:
部分可直接绘制图
通过调用一些已经封装好的函数,我们可以直接绘制其图像,这里举几个例子:
代码:
# 图一:绘制各通道的功率谱密度
raw.plot_psd()
plt.show()
# 图二:绘制通道频谱图作为topography
raw.plot_psd_topo()
plt.show()
# 图三:绘制SSP矢量图
raw.plot_projs_topomap()
plt.show()
# 图四:绘制电极位置
raw.plot_sensors()
plt.show()
结果:
图一:
图二:
图三:
图四:
不可直接绘制的图
对于这种图,我们需要对其进行手动的绘制,这就要求我们通过mne.io.RawArray类来手动创建Raw对象。
数据对应的单位:
V: eeg, eog, seeg, emg, ecg, bio, ecog
T: mag
T/m: grad
M: hbo, hbr
Am: dipole
AU: misc
构建一个Raw对象时,需要准备两种数据,一种是data数据,一种是Info数据,其中data数据是一个二维数据,形状为(n_channels,n_times)
这里我们看来自脑机接口社区上的两个案例:
案例一
代码:
import mne
import numpy as np
import matplotlib.pyplot as plt
"""
生成一个大小为5x1000的二维随机数据
其中5代表5个通道,1000代表times
"""
data = np.random.randn(5, 1000)
"""
创建info结构,
内容包括:通道名称和通道类型
设置采样频率为:sfreq=100
"""
info = mne.create_info(
ch_names=['MEG1', 'MEG2', 'EEG1', 'EEG2', 'EOG'],
ch_types=['grad', 'grad', 'eeg', 'eeg', 'eog'],
sfreq=100
)
# 利用mne.io.RawArray类创建Raw对象
custom_raw = mne.io.RawArray(data, info)
print(custom_raw)
"""
对图形进行缩放
对于实际的EEG / MEG数据,应使用不同的比例因子。
对通道eeg、grad,eog的数据进行2倍缩放
"""
scalings = {'eeg': 2, 'grad': 2, 'eog': 2}
custom_raw.plot(n_channels=5,
scalings=scalings,
title='Data from arrays',
show=True, block=True)
plt.show()
结果:
custom_raw
:
缩放图:
案例二
如果没有neo库,则需要先在控制台进行安装,安装代码为
pip install neo
代码:
import numpy as np
import neo
import mne
import matplotlib.pyplot as plt
"""
构建正余弦数据模拟mag,grad信号
其中采样频率为1000Hz,时间为0到10s.
"""
# 创建任意数据
sfreq = 1000 # 采样频率
times = np.arange(0, 10, 0.001) # Use 10000 samples (10s)
sin = np.sin(times * 10) # 乘以 10 缩短周期
cos = np.cos(times * 10)
sinX2 = sin * 2
cosX2 = cos * 2
# 数组大小为 4 X 10000.
data = np.array([sin, cos, sinX2, cosX2])
# 定义 channel types and names.
ch_types = ['mag', 'mag', 'grad', 'grad']
ch_names = ['sin', 'cos', 'sinX2', 'cosX2']
# 创建info对象
info = mne.create_info(ch_names=ch_names,
sfreq=sfreq,
ch_types=ch_types)
# 利用mne.io.RawArray创建raw对象
raw = mne.io.RawArray(data, info)
"""
对图形进行缩放
对于实际的EEG / MEG数据,应使用不同的比例因子。
对通道mag的数据进行2倍缩小,对grad的数据进行1.7倍缩小
"""
scalings = {'mag': 2, 'grad': 1.7}
raw.plot(n_channels=4, scalings=scalings, title='Data from arrays',
show=True, block=True)
"""
可以采用自动缩放比例
只要设置scalings='auto'即可
"""
scalings = 'auto'
raw.plot(n_channels=4, scalings=scalings,
title='Auto-scaled Data from arrays',
show=True, block=True)
plt.show()
结果:
以上是关于MNE学习笔记:Raw数据结构的主要内容,如果未能解决你的问题,请参考以下文章
MNE学习笔记:三种数据结构(RawEpoch及Evoked)的差异