MNE学习笔记：Raw数据结构

Posted 2022-12-04 Dodo·D·Caster

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

1. 导包

2. 设置存放地址

3. 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：

1. 设置采样频率
2. 设置要读取的channels数量和时间范围
3. 读取raw
4. 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：

1. 设置筛选条件
2. 设置时间区间
3. 读取Raw
4. 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：