當前位置：首頁 > 编程语言 > python >内容正文

python

python与erp_Python-EEG处理和事件相关电位(ERP)

發布時間：2024/1/1 python 32 豆豆

生活随笔收集整理的這篇文章主要介紹了 python与erp_Python-EEG处理和事件相关电位(ERP) 小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

更多技術干貨第一時間送達

腦機接口社區推薦搜索

腦機接口

MNE

EEGLAB

算法

匯總

數據

有后臺留言問，代碼是在哪里運行的。這里說明一下，案例介紹的代碼均在jupyter notebook中運行的，當然這些代碼也可以在PyCharm等IDE中運行(不過可能存在再不同環境下代碼需要稍微改動的情況。)

Python腦電圖處理案例：

import mnefrom mne.datasets

import sample#加載數據文件data_path = sample.data_path()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"# 這些EEG數據已經默認有平均參考(average reference)raw = mne.io.read_raw_fif(raw_fname, preload=True)

# 只篩選 EEG 和 EOG數據raw.pick_types(meg=False, eeg=True, eog=True)# 查看 raw 信息，可以發現有59個EEG通道和1個EOG通道print(raw.info)

實際上，擁有一些EOG通道的EEG通道是很普遍的。在實際獲取EEG數據時，會受到眼動等活動的影響。

如果要更改通道類型，可以使用mne.io.Raw.set_channel_types()方法。

例如，要將EOG通道視為EEG，可以使用以下方法更改其類型：raw.set_channel_types(mapping={"EOG 061": "eeg"})print(raw.info)

比較上面前后兩個打印中的紅框內容，可以發現，EOG已被EEG取代了。

# 更改EOG通道的名稱raw.rename_channels(mapping={"EOG 061": "EOG"})# 為了講述案例，我們將EOG頻道重設為EOG類型。raw.set_channel_types(mapping={"EOG": "eog"})"""樣本數據集中的EEG通道有對應通道位置。這些位置可在每個通道說明的"位置"中找到。下面是獲取第一個通道的位置"""print(raw.info["chs"][0]["loc"])

[-0.03737009 0.10568011 0.073338750.00235201 0.11096951 -0.03500458

0. 1. 0. 0. 0. 1. ]

"""可以使用mne.io.Raw.plot_sensors()繪制通道位置。如果您的數據沒有位置，則可以使用MNE隨附的Montages來設置"""raw.plot_sensors()raw.plot_sensors("3d") # in 3D

設置腦電圖參考

首先，從原始對象中刪除參考。

這顯示的移除了MNE默認的EEG平均參考。

raw_no_ref, _ = mne.set_eeg_reference(raw, [])

EEG channel type selected for re-referencing

EEG data marked as already having the desired reference. Preventing automatic future re-referencing to an average reference.

Removing existing average EEG reference projection.

然后，定義了Epochs，并計算了左聽覺狀態的ERP。reject = dict(eeg=180e-6, eog=150e-6)event_id, tmin, tmax = {"left/auditory": 1}, -0.2, 0.5events = mne.read_events(event_fname)epochs_params = dict(events=events, event_id=event_id, tmin=tmin, tmax=tmax,reject=reject)evoked_no_ref = mne.Epochs(raw_no_ref, **epochs_params).average()del raw_no_ref

# save memorytitle = "EEG Original reference"evoked_no_ref.plot(titles=dict(eeg=title), time_unit="s")evoked_no_ref.plot_topomap(times=[0.1], size=3., title=title, time_unit="s")

設置平均參考電極

"""平均參考：通常默認情況下添加，但也可以顯式添加。"""raw.del_proj()raw_car, _ = mne.set_eeg_reference(raw,

"average", projection=

True)evoked_car = mne.Epochs(raw_car, **epochs_params).average()del raw_car

# save memorytitle =

"EEG Average reference"evoked_car.plot(titles=dict(eeg=title), time_unit=

"s")evoked_car.plot_topomap(times=[

0.1], size=

3., title=title, time_unit=

"s")

自定義參考：

使用通道EEG 001和EEG 002的平均值作為參考raw_custom, _ = mne.set_eeg_reference(raw, [

"EEG 001",

"EEG 002"])evoked_custom = mne.Epochs(raw_custom, **epochs_params).average()del raw_custom

# save memorytitle =

"EEG Custom reference"evoked_custom.plot(titles=dict(eeg=title), time_unit=

"s")evoked_custom.plot_topomap(

times=[0.1], size=3.,title=title, time_unit=

"s")

可以使用" / "分隔的"標記"來選擇Epochs中的試驗子集。

首先，我們創建一個包含4個條件的Epochs對象。

event_id = {"left/auditory": 1, "right/auditory": 2,"left/visual": 3, "right/visual": 4}epochs_params = dict(events=events, event_id=event_id, tmin=tmin, tmax=tmax,reject=reject)epochs = mne.Epochs(raw, **epochs_params)print(epochs)

接下來，我們創建左刺激和右刺激試驗的平均值。

我們可以使用基本的操作，例如，構建和繪制不同的ERP。left,

right = epochs[

"left"].average(), epochs[

"right"].average()# create and plot difference

ERPjoint_kwargs = dict(ts_args=dict(time_unit="s"),topomap_args=dict(time_unit="s"))mne.combine_evoked([

left, -

right], weights="

equal").plot_joint(**joint_kwargs)

Rejecting epoch based on EOG : ["EOG"]

Rejecting epoch based on EEG : ["EEG 001"]

Rejecting epoch based on EOG : ["EOG"]

這是權重相等的差異。

如果試驗編號不平衡，則也可以考慮使每個條件的事件數相等(使用epochs.equalize_event_counts)。

例如，首先，我們為每種情況創建單獨的ERP。aud_l = epochs[

"auditory",

"left"].average()aud_r = epochs[

"auditory",

"right"].average()vis_l = epochs[

"visual",

"left"].average()vis_r = epochs[

"visual",

"right"].average()all_evokeds = [aud_l, aud_r, vis_l, vis_r]print(all_evokeds)

"""這可以通過Python列表理解來簡化"""all_evokeds = [epochs[cond].average()

for cond

in sorted(event_id.keys())]print(all_evokeds)# 然后，我們也以這種方式構造和繪制左右試驗的未加權平均值：mne.combine_evoked([aud_l, -aud_r, vis_l, -vis_r], weights=

"equal").plot_joint(**joint_kwargs)Rejecting epoch based on EOG : ["EOG"]

Rejecting epoch based on EOG : ["EOG"]

Rejecting epoch based on EEG : ["EEG 001"]

Rejecting epoch based on EOG : ["EOG"]

[, , , ]

通常，在字典或列表中存儲誘發對象是有意義的——無論是不同的條件，還是不同的主題。

"""如果將它們存儲在一個列表中，就可以很容易地對它們求平均值，例如，跨主題(或條件)的總平均值。"""grand_average = mne.grand_average(all_evokeds)mne.write_evokeds(

"tmp\\tmp-ave.fif", all_evokeds)# 如果“誘發對象”對象存儲在詞典中，則可以按名稱檢索它們。all_evokeds = dict((cond, epochs[cond].average())

for cond

in event_id)print(all_evokeds[

"left/auditory"])# 除了顯式訪問外，還可以用于設置標題。for cond

in all_evokeds:all_evokeds[cond].plot_joint(title=cond, **joint_kwargs)

總結

以上是生活随笔為你收集整理的python与erp_Python-EEG处理和事件相关电位(ERP)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇： python: 测量代码运行时间
下一篇： MNE学习笔记（四）：Evoked数据结