MNE学习笔记：Epoch数据结构

Posted 2022-12-03 Dodo·D·Caster

MNE学习笔记（三）：Epoch数据结构

参考文章：

https://mp.weixin.qq.com/s/eJz5a1Up8fST0P1AcNs6Ig

https://mne.tools/stable/auto_tutorials/index.html 【官方教程】

https://roses.blog.csdn.net/article/details/103705562

引言

Raw数据结构适合处理连续的数据，但是对于单个时间点的数据，则需要一种新的数据结构来进行处理，也就是今天的主角：Epoch数据结构。

概念

从连续的脑电图信号中提取一些特定时间窗口的信号，这些时间窗口可以称作为epochs

原因：EEG是连续收集的，要分析脑电事件相关的电位时，需要将信号"切分"成时间片段，这些时间片段被锁定到某个事件（例如刺激）中的时间片段。

在MNE中，Epoch对象是一种把连续型数据作为时间段集合的表示方法，形状为(n_events,n_channels,n_times)的数组形式:

与Raw对象

Epochs对象和Raw对象有很多的相似之处：

• 它们都能够加载和存储.fif格式的数据，也都能够通过get_data()方法导出到Numpy_array中去或者通过to_data_frame()方法导出到Pandas_DataFrame中去
• 它们都能通过pick(),pick_channels()和pick_types等方法来进行channel的选择
• 它们都能通过add_proj(),del_proj()和plot_projs_topomap()方法来绘制SSP矢量图
• 它们都有 copy(), crop(), time_as_index(), filter()和 resample()方法
• 它们都有times,ch_names,proj和info属性
• 它们多plot(),plot_psd(),plot_psd_topomap()这些有内置的绘图方法

创建

创建Epochs对象方式有三种：

1. 通过Raw对象和事件点(event times)
2. 通过读取.fif文件数据生成Epoch对象
3. 通过mne.EpochsArray从头创建Epoch对象

通过Raw对象和事件点(event times)

Tips：这里画图时需要对bad通道进行一些处理，在后面学习完bad通道后再回头来补

PS：如不进行操作则会出现Channels marked as bad: ['MEG 2443', 'EEG 053']

步骤：

1. 读取fif文件，构建raw对象
2. 通过find_events从raw中提取events对象
3. 创建epochs对象

代码：

import mne
from mne import io
from mne.datasets import sample

# 文件路径
data_path = "D:\\Data\\MNE-sample-data"
raw_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw.fif'

# 读取fif文件,创建raw对象
raw = io.read_raw_fif(raw_fname)

# 通过find_events从raw中提取events
events = mne.find_events(raw, stim_channel='STI 014')

# 创建epochs
event_dict = 'auditory/left': 1, 'auditory/right': 2, 'visual/left': 3,
              'visual/right': 4, 'face': 5, 'buttonpress': 32
epochs = mne.Epochs(raw, events, tmin=-0.3, tmax=0.7)
print(epochs.event_id)

结果：

通过读取.fif文件数据生成Epoch对象

步骤：

1. 读取fif文件，构建raw对象
2. 创建event对象
3. 创建epoch对象
4. 对epoch进行叠加平均得到evoked对象
5. 绘制evoked

代码：

import mne
from mne import io
from mne.datasets import sample

# 文件路径
data_path = "D:\\Data\\MNE-sample-data"
raw_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw.fif'
event_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw-eve.fif'
event_id, tmin, tmax = 1, -0.2, 0.5

# 读取fif文件,创建raw对象
raw = io.read_raw_fif(raw_fname)
# 读取包含event的fif文件，创建event对象
events = mne.read_events(event_fname)

# 挑选通道:EEG + MEG - bad channels 
raw.info['bads'] += ['MEG 2443', 'EEG 053']  # bads + 2 more
picks = mne.pick_types(raw.info, meg=True, eeg=False, stim=True, eog=True,
                       exclude='bads')

# 读取Epoch数据
epochs = mne.Epochs(raw, events, event_id, tmin, tmax, proj=True,
                    picks=picks, baseline=(None, 0), preload=True,
                    reject=dict(grad=4000e-13, mag=4e-12, eog=150e-6))

# 对epochs数据进行求平均获取诱发响应
evoked = epochs.average()

evoked.plot(time_unit='s')
plt.show()

结果：

通过mne.EpochsArray从头创建Epoch对象

方式：利用mne.EpochsArray创建Epochs对象，创建时直接构建numpy数组即可，数组的形状必须是(n_epochs, n_chans, n_times)

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

步骤

1. 构建数据
2. 构建events，设置事件的id
3. 创建epochs对象

代码：

import mne
import numpy as np
import matplotlib.pyplot as plt

"""
第一步：构建数据
构建一个大小为10x5x200的三维数组，数组中数据是随机数；
第一维数据表示：10 epochs
第二维数据表示：5 channels
第三维数据表示：2 seconds per epoch
"""
# 采样频率
sfreq = 100
# 10 epochs + 5 channels + 2 seconds per epoch
data = np.random.randn(10, 5, sfreq * 2)
# 创建一个info结构
info = mne.create_info(
    ch_names=['MEG1', 'MEG2', 'EEG1', 'EEG2', 'EOG'],
    ch_types=['grad', 'grad', 'eeg', 'eeg', 'eog'],
    sfreq=sfreq
)

"""
第二步：构建events
在创建Epochs对象时，必须提供一个"events"数组，
事件(event)描述的是某一种波形(症状)的起始点，其为一个三元组，形状为(n_events,3):
第一列元素以整数来描述的事件起始采样点；
第二列元素对应的是当前事件来源的刺激通道(stimulus channel)的先前值(previous value),该值大多数情况是0；
第三列元素表示的是该event的id。
"""
events = np.array([
    [0, 0, 1],
    [1, 0, 2],
    [2, 0, 1],
    [3, 0, 2],
    [4, 0, 1],
    [5, 0, 2],
    [6, 0, 1],
    [7, 0, 2],
    [8, 0, 1],
    [9, 0, 2],
])

"""
设置事件的id
如果是dict，则以后可以使用这些键访问关联的事件。示例：dict（听觉=1，视觉=3）
如果是int，将创建一个id为string的dict。
如果是列表，则使用列表中指定ID的所有事件。
如果没有，则所有事件都将与一起使用，并使用与事件id整数对应的字符串整数名称创建dict。
"""
# 创建event id，受试者或者微笑或者皱眉
event_id = dict(smiling=1, frowning=2)
# tmin : event开始前的时间，如果未指定，则默认为0，这里我们设置事件开始前时间为-0.1s
tmin = -0.1

"""
第三步：利用mne.EpochsArray创建epochs对象
"""
custom_epochs = mne.EpochsArray(data, info, events, tmin, event_id)
print(custom_epochs)
# 绘制
_ = custom_epochs['smiling'].average().plot(time_unit='s')

结果：

查看与可视化

对于epoch对象而言，和Raw对象一样，都能进行查看、可视化等一系列操作。

在下面这个代码中，采用的epochs创建方式是通过Raw对象，这一部分和上面是一样的。

之后是6种对epoch的查看方式，包括通过列表切片、通过event_id和通过描述性名称等方式。

最后是两种不同的可视化，这一部分实际上有很多种，这里也只是选取了两种不同的图而已，具体可以参考mne的官方文档。有空的话我会专门研究一下可视化的各种方法，目前限于时间精力，可视化的部分也只是简单地搬过来用了而已，第一种方式是脑机接口社区里的对epochs平均叠加(average)，第二种方式是按时间序列(time series)进行绘制。

代码：

import mne
import os.path as op
import numpy as np
from matplotlib import pyplot as plt

# 创建raw对象
data_path = "D:\\Data\\MNE-sample-data"
# 加载包含事件events的听觉数据集
raw = mne.io.read_raw_fif(
    op.join(data_path, 'MEG', 'sample', 'sample_audvis_raw.fif'))

# 创建events对象
# 构造事件数组
events = mne.find_events(raw, stim_channel='STI 014')
# 显示事件数
print('Number of events:', len(events))
# 显示所有唯一的事件编号(第3列)
print('Unique event codes:', np.unique(events[:, 2]))

"""
使用描述性标签指定感兴趣的事件代码。
给不同的events一个描述性名称。
"""
event_id = 'Auditory/Left': 1, 'Auditory/Right': 2

# 创建epoch对象
# 取每个event的前0.1秒和后1秒共1.1秒的时间长度作为一个epoch
epochs = mne.Epochs(raw, events, event_id, tmin=-0.1, tmax=1,
                    baseline=(None, 0), preload=True)
print(epochs)

# 查看epoch对象
# 查看event属性，下面是各种不同的查看方式
print(epochs.events[:3])
print(epochs.event_id)
print(epochs[1:5])
print(epochs['Auditory/Right'])
print(epochs['Right'])
print(epochs['Right', 'Left'])

# 可视化1 : c.epoch平均叠加
# 通过调用mne.Epochs.average()方法可返回Evoked对象，average()方法可以通过参数指定需要的信道。
ev_left = epochs['Auditory/Left'].average()
ev_right = epochs['Auditory/Right'].average()
f, axs = plt.subplots(3, 2, figsize=(10, 5))
_ = f.suptitle('Left / Right auditory', fontsize=20)
_ = ev_left.plot(axes=axs[:, 0], show=False, time_unit='s')
_ = ev_right.plot(axes=axs[:, 1], show=False, time_unit='s')
plt.tight_layout()

# 可视化2 : 按时间序列(time series)进行epochs的绘制
catch_trials_and_buttonpresses = mne.pick_events(events, include=[5, 32])
epochs.plot(events=catch_trials_and_buttonpresses, event_id='Auditory/Left': 1, 'Auditory/Right': 2, group_by='selection', butterfly=True)

plt.show()

结果:

查看：

可视化1：

可视化2：