脑电分析工具MNE教程

最新推荐文章于 2024-09-29 10:58:46 发布

By4te

最新推荐文章于 2024-09-29 10:58:46 发布

阅读量6.4k

点赞数 6

分类专栏： Sleep stage 文章标签： python

本文链接：https://blog.csdn.net/m0_49939117/article/details/122434436

版权

Sleep stage 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

资料来源：脑电分析系列 | MNE-Python汇总

1.安装与使用

在windows系统下，基于Anaconda安装MNE-python。具体步骤见资料，此处不予展示。

2.数据结构Raw

Raw对象用于存储连续型数据，核心数据为n_channels和times，raw.info中还包括ch_names，chs等。

通常raw的数据访问方式如下：

data, times = raw[picks, time_slice]

其中picks是根据条件挑选出来的索引，time_slice是时间切片（可以控制EEG数据时间段大小）。若需访问raw中所有数据，代码如下：

data,times=raw[:]

data,times=raw[:,:]

代码示例如下：

# 根据type选择良好的信号
# 设置获取信号时间范围
picks = mne.pick_types(raw.info, meg=True, exclude='bads')
t_idx = raw.time_as_index([10., 20.])
data, times = raw[picks, t_idx[0]:t_idx[1]]
plt.plot(times,data.T)
plt.title("Sample channels")

# 设置采样频率:sfreq
# raw返回所选信道以及时间段内的数据和时间点，
sfreq=raw.info['sfreq']
data,times=raw[:5,int(sfreq*1):int(sfreq*3)]
plt.plot(times,data.T)
plt.title("Sample channels")

# 绘制各通道功率谱密度
raw.plot_psd()
plt.show()

# 绘制SSP矢量图
raw.plot_projs_topomap()
plt.show()

# 绘制通道频谱图
raw.plot_psd_topo()
plt.show()

# 绘制电极位置
raw.plot_sensors()
plt.show()

3.Epoch

Epoch：从连续的脑电图信号中提取一些特定时间窗口的信号

举例：假设我们有一个长度为60s的信号x，采样频率为1 Hz。
脑电信号的矩阵表示为1x60矩阵，如果将信号划分成一些2s的信号，则将有30个peoch(信号中每2s就是一个epoch)

4.Evoked

Evoked potential(EP)诱发电位或诱发反应是指在出现诸如闪光或纯音之类的刺激后，从人类或其他动物的神经系统，特别是大脑的特定部分记录的特定模式的电位。不同形式和类型的刺激会产生不同类型的电位。

5.案例

（1）导入工具库

import numpy as np
import matplotlib.pyplot as plt

import mne
from mne.datasets.sleep_physionet.age import fetch_data    # 获取EEG数据
from mne.time_frequency import psd_welch                   
 
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import FunctionTransformer

（2）加载数据

PSG.edf包含多导睡眠图。来自EEG头盔的原始数据，Hypnogram.edf包含专家记录的注释。将这两个对象合并到mne.io.Raw对象中，就可以根据注释的描述提取事件以获得时间片段(epochs)。

"""
可以通过
mne.datasets.sleep_physionet.age.fetch_data(subjects,recording,path)
来获取PhysioNet多导睡眠图数据集文件。
subjects：表示想要使用哪些受试者对象，可供选择的受试者对象范围为0-19。
recording：表示夜间记录的编号(索引)，有效值为：[1]、[2]或[1、2]。

path:PhysioNet数据的存放地址，如果没有给定，则加载默认存放数据的地址；
如果默认存放数据集的地址不存在数据，则从网络中下载相关数据。
"""
# 选择两个受试者实验对象ALICE, BOB(该名字并非实验中的真实名，这里是为了方便才临时取的名字)
ALICE, BOB = 0, 1
# 加载ALICE, BOB的实验数据文件
[alice_files, bob_files] = fetch_data(subjects=[ALICE, BOB], recording=[1])

# 通道名称映射
mapping = {'EOG horizontal': 'eog',
           'Resp oro-nasal': 'misc',
           'EMG submental': 'misc',
           'Temp rectal': 'misc',
           'Event marker': 'misc'}

#读取ALICE的edf文件，和其对应的注释文件
raw_train = mne.io.read_raw_edf(alice_files[0])
annot_train = mne.read_annotations(alice_files[1])

raw_train.set_annotations(annot_train, emit_warning=False)
raw_train.set_channel_types(mapping)

# 绘制空0s开始，时间窗口长度为40s的连续通道数据波形图
raw_train.plot(duration=40, scalings='auto')
plt.show()

这里仅使用5个阶段：唤醒（W），阶段1，阶段2，阶段3/4和REM睡眠(R)。为此，这里使用mne.events_from_annotations()中的event_id参数来选择我们感兴趣的事件，并将事件标识符与每个事件相关联。

annotation_desc_2_event_id = {'Sleep stage W': 1,
                              'Sleep stage 1': 2,
                              'Sleep stage 2': 3,
                              'Sleep stage 3': 4,
                              'Sleep stage 4': 4,
                              'Sleep stage R': 5}

events_train, _ = mne.events_from_annotations(
    raw_train, event_id=annotation_desc_2_event_id, chunk_duration=30.)

# 创建一个新的event_id以统一 阶段3和4
event_id = {'Sleep stage W': 1,
            'Sleep stage 1': 2,
            'Sleep stage 2': 3,
            'Sleep stage 3/4': 4,
            'Sleep stage R': 5}

# 绘制事件数据
mne.viz.plot_events(events_train, event_id=event_id,
                    sfreq=raw_train.info['sfreq'])

# 保留颜色代码以便进一步绘制
stage_colors = plt.rcParams['axes.prop_cycle'].by_key()['color']

根据注释中的事件从数据创建epochs(时间片段)

tmax = 30. - 1. / raw_train.info['sfreq']  # tmax in included
"""
所创建的是时间从tmin=0开始，到tmax为止的epochs
"""
epochs_train = mne.Epochs(raw=raw_train, events=events_train,
                          event_id=event_id, tmin=0., tmax=tmax, baseline=None)

print(epochs_train)

（3）测试数据

raw_test = mne.io.read_raw_edf(bob_files[0])
annot_test = mne.read_annotations(bob_files[1])
raw_test.set_annotations(annot_test, emit_warning=False)
raw_test.set_channel_types(mapping)
events_test, _ = mne.events_from_annotations(
    raw_test, event_id=annotation_desc_2_event_id, chunk_duration=30.)
epochs_test = mne.Epochs(raw=raw_test, events=events_test, event_id=event_id,
                         tmin=0., tmax=tmax, baseline=None)

print(epochs_test)

使用特征工程，PSD

fig, (ax1, ax2) = plt.subplots(ncols=2)

# iterate over the subjects
stages = sorted(event_id.keys())
for ax, title, epochs in zip([ax1, ax2],
                             ['Alice', 'Bob'],
                             [epochs_train, epochs_test]):

    for stage, color in zip(stages, stage_colors):
        epochs[stage].plot_psd(area_mode=None, color=color, ax=ax,
                               fmin=0.1, fmax=20., show=False,
                               average=True, spatial_colors=False)
    ax.set(title=title, xlabel='Frequency (Hz)')
ax2.set(ylabel='uV^2/hz (dB)')
ax2.legend(ax2.lines[2::3], stages)
plt.tight_layout()
plt.show()