使用mne对运动想象数据bciIV进行预处理

最新推荐文章于 2025-05-07 18:21:22 发布
最新推荐文章于 2025-05-07 18:21:22 发布
阅读量1.2k 收藏 23
点赞数 20
分类专栏： python信号处理 # MNE的介绍和学习 文章标签： python 信号处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45019121/article/details/140065364
版权

需要的库

mne numpy scipy scikit-learn

pip install mne numpy scipy scikit-learn

数据下载

对Data sets 2a ‹4-class motor imagery› 四分类的运动想象来进行mne的处理。
BCI Competition IV
数据的说明如下
[22 EEG channels (0.5-100Hz; notch filtered), 3 EOG channels, 250Hz sampling rate, 4 classes, 9 subjects]
在这里插入图片描述
在此处下载数据集和数据的说明
在这里插入图片描述
数据是gdf格式的

除了这个官网的，还有github版本csv格式的谷歌云盘存储的数据
这个数据经过了共同平均参考（CAR）和8-30HZ的带通滤波器（只有alpha和beta频段了）

说明，有九个患者，T是训练集的版本，E是测试集的版本。

加载数据

import mne
import os
import numpy as np

# 设置数据路径
data_path = '/path/to/your/data/'  # 替换为你的数据路径

# 加载训练和测试数据
subject = 'A01'  # 替换为所需的受试者编号
training_data = mne.io.read_raw_gdf(os.path.join(data_path, f'{subject}T.gdf'), preload=True)
test_data = mne.io.read_raw_gdf(os.path.join(data_path, f'{subject}E.gdf'), preload=True)

取单人的训练数据，mne的版本不能太高，否则会报错
查看数据的信息
可以使用training_data.info来查看信息,
使用jupyterlab的界面可以直接查看到下面的信息
在这里插入图片描述
一个读取gdf格式文件的函数

def read_and_show_gdf_info(data_path):
    """
    读取GDF文件并显示基本信息
    
    参数:
        data_path: GDF文件的完整路径
    返回:
        raw: MNE Raw对象
    """
    try:
        # 读取GDF文件
        raw = mne.io.read_raw_gdf(data_path, preload=True)
        # 获取并打印基本信息
        print("\n=== 数据基本信息 ===")
        print(f"采样率: {raw.info['sfreq']} Hz")
        print(f"通道数: {len(raw.ch_names)}")
        print(f"数据时长: {raw.n_times / raw.info['sfreq']:.2f} 秒")
        print(f"通道名称: {raw.ch_names}")
        
        # 获取事件信息
        events, event_dict = mne.events_from_annotations(raw)
        print("\n=== 事件信息 ===")
        print(f"事件类型: {event_dict}")
        print(f"事件总数: {len(events)}")
        
        return raw
        
    except FileNotFoundError:
        print(f"错误: 文件不存在 - {data_path}")
        return None
    except Exception as e:
        print(f"错误: {str(e)}")
        return None
#现在先测试单个文件的处理流程
data_dir = r"E:\data\运动想象\IV\BCICIV_2a_gdf\BCICIV_2a_gdf"
#使用路径拼接函数
data_path = os.path.join(data_dir, 'A01T.gdf')
raw = read_and_show_gdf_info(data_path)

在这里插入图片描述

获取通道的名字的信息
training_data.ch_names
获取数据
training_data.get_data()
(25,672528)
按照采样率是250hz，可以得到采样的时间是2690s
training_data.times
通过时间的函数，我们可以看到

简单查看一些图像

设置matplotlib的后端
%matplotlib
inline：将图形内嵌在Notebook中显示。这是默认选项。
notebook：将图形显示在Notebook的一个单独的单元格中。
plt：将图形显示在一个专用的Figure窗口中，可以通过菜单栏或工具栏进行缩放、保存等操作。
qt：将图形显示在一个QT窗口中，支持交互式操作。

import matplotlib
import matplotlib.pyplot as plt

matplotlib.use('Qt5Agg')#设置使用qt来作为处理的后端
training_data.plot()

会出现下面的界面
在这里插入图片描述
因为这里通道的名称不是标准的命名

通道信息的补全

在这里插入图片描述
因为在进行滤波算法和一些处理的过程中，可能会使用到空间信息，所以，要先把对应的通道信息给补充上

修改通道名称到标准的命名

raw.info[“ch_names”]

因为要电极进行自动的定位，使用标准的系统，使用 montage
如果不进行名称的修正，会报错。

standard_montage= mne.channels.make_standard_montage('standard_1020')
standard_montage.plot()

在这里插入图片描述

按照对应的电极的点位，
单个通道的{‘EEG Fp1’:‘Fp1’}
针对这个建立下面这个映射表，是根据标准的10-20的电极图确定的。

mapping = {'EEG-Fz':'Fz',
 'EEG-0':'FC3',
 'EEG-1':'FC1',
 'EEG-2':'FCz',
 'EEG-3':'FC2',
 'EEG-4':'FC4',
 'EEG-5': 'C5',
 'EEG-C3': 'C3',
 'EEG-6': 'C1',
 'EEG-Cz': 'Cz',
 'EEG-7':'C2',
 'EEG-C4':'C4',
 'EEG-8':'C6',
 'EEG-9':'CP3',
 'EEG-10':'CP1',
 'EEG-11':'CPz',
 'EEG-12':'CP2',
 'EEG-13':'CP4',
 'EEG-14':'P1',
 'EEG-Pz':'Pz',
 'EEG-15':'P2',
 'EEG-16':'POz',
 'EOG-left':'Fp1',
 'EOG-central': 'Fpz',
 'EOG-right':'Fp2'
}
我们可以看到有22个EEG电极和3个EOG电极，先确定位置，然后在修改通道类型。
#重命名通道，设置电极的标准
training_data.rename_channels(mapping)
#使用标准的通道，就
training_data.set_montage(standard_montage)
# 绘制通道位置
training_data.plot_sensors(show_names=True)

绘制出对应电极的位置
在这里插入图片描述

查看通道的类型，因为只能对齐已有的类别，所以先不对

raw.ch_names
raw.get_channel_types()
# 修改类型
# 指定要修改的通道名称
ch_names = raw.info['ch_names']
channels_to_modify = ch_names[-3:]
# 设置这些通道的新类型为 'eog'
raw.set_channel_types({ch: 'eog' for ch in channels_to_modify})

# 验证修改是否成功
print(raw.get_channel_types())

通道电极的属性的说明

查看电极的坐标

print(raw.info['chs'][0]['loc'])  # 打印第一个通道的位置信息,现在loc的信息还是空的

在这里插入图片描述
前三个值：通道在笛卡尔坐标系中的位置（x, y, z）。
接下来的三个值：通道方向的单位向量（x, y, z）。
最后六个值：协方差矩阵，用于描述通道噪声的空间分布。

#绘制3D位置
training_data.get_montage().plot(kind='3d')

在这里插入图片描述

#绘制2d的，这里raw和train_data混用了。
raw.get_montage().plot()

在这里插入图片描述

再次绘制波形图

在这里插入图片描述

查看内置的电极布局
builtin_montages = mne.channels.get_builtin_montages(descriptions=True)
for montage_name, montage_description in builtin_montages:
    print(f"{montage_name}: {montage_description}")

保存电极文件

raw.get_montage().save('my_montage.set')

如果想要去除一些通道，使用下面的方式，我们去除掉眼电数据。

training_data.drop_channels(['Fpz'])

滤波的处理操作

使用陷波处理工频噪声，某个固定hz的噪声，使用滤波进行高通和低通

#此处使用50Hz的陷波滤波器
raw = raw.notch_filter(freqs=(60))

raw = raw.filter(l_freq=0.1, h_freq=30)

training_data.filter(7.,35.,fir_design='firwin')

在这里插入图片描述

介绍两种fir的区别

firwin函数用于设计基于窗口方法的FIR滤波器。其基本原理是通过选择合适的窗口函数和滤波器长度来得到一个理想频率响应逼近。firwin函数的主要特点包括：

  1. 窗口方法设计：firwin采用窗口方法设计FIR滤波器，通过截断理想的无限脉冲响应（IIR）滤波器并应用窗函数来减少边缘效应。

  2. 频率响应平滑：窗口函数有助于减少频率响应中的旁瓣（sidelobes），从而获得较为平滑的频率响应。

  3. 简单易用：firwin设计的滤波器通常具有较少的参数，需要用户指定滤波器长度和截止频率（或频带）。

  4. 支持多种窗函数：firwin支持多种窗函数，如汉宁窗、海明窗、布莱克曼窗等。

  5. 应用：适用于大多数标准低通、高通、带通和带阻滤波器设计。

from scipy.signal import firwin, freqz
import matplotlib.pyplot as plt
import numpy as np

# 设计一个低通滤波器
numtaps = 51  # 滤波器长度
cutoff = 0.3  # 截止频率（相对于Nyquist频率）

# 使用汉宁窗设计滤波器
b = firwin(numtaps, cutoff, window='hanning')

# 频率响应
w, h = freqz(b, worN=8000)
plt.plot(0.5 * np.fft.fftfreq(len(w)), np.abs(h), 'b')
plt.show()

firwin2

firwin2函数用于设计基于频率采样方法的FIR滤波器。与firwin不同，firwin2允许用户直接指定滤波器的任意频率响应特性。

  1. 频率采样设计：firwin2基于频率采样法设计滤波器，通过在频率域上指定目标频率响应来生成滤波器系数。

  2. 灵活性高：用户可以精确控制在不同频段上的频率响应，这使得firwin2在设计自定义滤波器时更加灵活。

  3. 复杂频率响应：可以设计具有非标准响应的滤波器，例如多通带或多阻带滤波器。

  4. 应用：适用于需要自定义频率响应的滤波器设计场景。

示例代码
from scipy.signal import firwin2, freqz
import matplotlib.pyplot as plt
import numpy as np

# 定义频率和相应的响应
freq = [0.0, 0.1, 0.2, 0.5, 0.7, 1.0]  # 相对于Nyquist频率的频率点
gain = [0.0, 0.0, 1.0, 1.0, 0.0, 0.0]  # 对应频率点的增益

# 设计滤波器
numtaps = 51  # 滤波器长度
b = firwin2(numtaps, freq, gain)

# 频率响应
w, h = freqz(b, worN=8000)
plt.plot(0.5 * np.fft.fftfreq(len(w)), np.abs(h), 'b')
plt.show()

共同平均参考

#去除眼电数据之后，进行平均参考
raw.ch_names[-3:]
raw.drop_channels(raw.ch_names[-3:])

raw_car = raw.set_eeg_reference('average', projection=True)

#使用这种投射
raw.apply_proj()

因为原csv好像没有进行什么复杂的操作，接下来进行如何从gdf文件提取到对应的csv文件的。

周期分割

读取文件注释标签

这是文件的事件的描述。
在这里插入图片描述

#取一下相关的时间和事件标签
events, event_dict = mne.events_from_annotations(raw)

了解什么是annotation

# onsets 和 durations 是以秒为单位的数组，descriptions 是一个字符串数组
onsets = [10, 20, 30]  # 事件开始时间（秒）
durations = [1, 2, 1]  # 事件持续时间（秒）
descriptions = ['Event1', 'Event2', 'Event3']  # 事件描述

annotations = mne.Annotations(onsets, durations, descriptions)

这三个行的一列，构成了events的信息，一般标签信息可能只有开始的时间，和事件描述组成的

event_dict,是对应的记录吧
在这里插入图片描述
events
在这里插入图片描述

#选中通道类型，选择什么通道作为要取的数据
picks = mne.pick_types(raw.info, meg=False, eeg=True, stim=False, eog=False,
                       exclude='bads')
#选择要取的事件对应的字典
event_id ={'769': 7,
 '770': 8,
 '771': 9,
 '772': 10}
 #定义取出的时间起止点
 tmin, tmax = 2., 5.5 
 epochs = mne.Epochs(raw, events, event_id, tmin, tmax, proj=True,
                    picks=picks, baseline=None, preload=True,
                     reject=dict(eeg=220e-6)
                   )

baseline参数用于指定数据基线的时间范围，以便进行基线校正。基线校正是一种预处理步骤，用于将数据重新缩放，使基线均值为0。这有助于消除数据中的直流偏移，并使不同epoch之间的数据具有可比性。
baseline=(None, 0): 使用事件前的时间段作为基线。这里None表示基线的起始时间与tmin相同。
baseline=(-0.2, 0): 使用事件前200毫秒到事件时刻作为基线。

执行完上述代码，就变成了一个epochs 的类了

epochs类的介绍

数组的形状必须是(n_epochs, n_chans, n_times)

import numpy as np
import neo

import mne
import matplotlib.pyplot as plt

"""
设置event id,用来识别events.
"""
event_id = 1
# 第一列表示样本编号
events = np.array([[200, 0, event_id],
                   [1200, 0, event_id],
                   [2000, 0, event_id]])  # List of three arbitrary events

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)

"""
利用sin和cos创建一个2个通道的700 ms epochs的数据集

只要是(n_epochs, n_channels, n_times)形状的数据，都可以被用来创建
"""
epochs_data = np.array([[sin[:700], cos[:700]],
                        [sin[1000:1700], cos[1000:1700]],
                        [sin[1800:2500], cos[1800:2500]]])

ch_names = ['sin', 'cos']
ch_types = ['mag', 'mag']
#info需要通道，采样率，通道类型
info = mne.create_info(ch_names=ch_names, sfreq=sfreq, ch_types=ch_types)
#有原始数据，有信息，有events，还有event的id
epochs = mne.EpochsArray(epochs_data, info=info, events=events,
                         event_id={'arbitrary': 1})

epochs.plot(scalings='auto' )
plt.show()

取事件段并进行初步的分析

在这里插入图片描述
在这里插入图片描述
对应的csv文件是把对应的数据给存储为了（288，feature）的特征形式了。

a=epochs.get_data().reshape(288,-1)
a.shape
a.tocsv('eeg.csv')
#当然这样的形式，感觉一定程度

我们取对应的事件的所有数据

epochs_event1 = epochs['769']
epochs_event2 = epochs['770']
epochs_event3 = epochs['771']
epochs_event4 = epochs['772']

可视化分段后的数据

epochs_event1.plot(n_epochs=4)

在这里插入图片描述

绘制功率谱图（逐导联）

在这里插入图片描述
绘制功率谱图Theta、Alpha和Beta频段

#因为处理的时候，进行了滤波，只剩了8-30Hz的，就没取第一个
bands = [(4, 8, 'Theta'), (8, 12, 'Alpha'), (12, 30, 'Beta')]
epochs_event1.plot_psd_topomap(bands=bands, normalize=True, show=True)

在这里插入图片描述

epochs_event3.compute_psd().plot_topomap(bands=bands, normalize=True, show=True)

在这里插入图片描述

叠加平均

数据叠加平均

可视化叠加平均后的数据

绘制逐导联的时序信号

import numpy as np
evoked= epochs_event1.average()
evoked.plot()
#绘制地形图
times = np.linspace(2, 5.5, 5)
evoked.plot_topomap(times=times, colorbar=True)

在这里插入图片描述

绘制联合图

evoked.plot_joint()

在这里插入图片描述

绘制逐导联热力图

evoked.plot_image()

在这里插入图片描述

绘制拓扑时序信号图

evoked.plot_topo()

在这里插入图片描述

绘制平均所有电极后的ERP

mne.viz.plot_compare_evokeds(evokeds=evoked, combine='mean')

在这里插入图片描述

mne.viz.plot_compare_evokeds(evokeds=evoked, picks=['P1', 'Pz', 'P2'], combine='mean')

微状态的处理

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
import seaborn as sns
from mne.viz import plot_topomap
# import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文无衬线字体（黑体）
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示为方块的问题


def visualize_microstate_distribution(evoked, time_points, n_microstates=4):
    """
    可视化微状态的降维分布
    
    参数:
    evoked: mne.Evoked对象
    time_points: array, 时间点
    n_microstates: int, 微状态数量
    """
    # 提取数据
    data = np.array([extract_timepoint_data(evoked, t) for t in time_points]).T
    
    # 数据标准化和微状态分析
    scaler = StandardScaler()
    data_scaled = scaler.fit_transform(data.T).T
    
    # 执行微状态分析
    kmeans = KMeans(n_clusters=n_microstates, random_state=42)
    labels = kmeans.fit_predict(data_scaled.T)
    
    # PCA降维
    pca = PCA(n_components=2)
    data_pca = pca.fit_transform(data_scaled.T)
    
    # t-SNE降维
    tsne = TSNE(n_components=2, random_state=42)
    data_tsne = tsne.fit_transform(data_scaled.T)
    
    # 创建图形
    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))
    
    # PCA散点图
    scatter1 = ax1.scatter(data_pca[:, 0], data_pca[:, 1], c=labels, 
                          cmap='viridis', alpha=0.6)
    ax1.set_title('PCA降维的微状态分布')
    ax1.set_xlabel('第一主成分')
    ax1.set_ylabel('第二主成分')
    plt.colorbar(scatter1, ax=ax1, label='微状态类别')
    
    # t-SNE散点图
    scatter2 = ax2.scatter(data_tsne[:, 0], data_tsne[:, 1], c=labels, 
                          cmap='viridis', alpha=0.6)
    ax2.set_title('t-SNE降维的微状态分布')
    ax2.set_xlabel('t-SNE维度1')
    ax2.set_ylabel('t-SNE维度2')
    plt.colorbar(scatter2, ax=ax2, label='微状态类别')
    
    plt.tight_layout()
    return fig, (data_pca, data_tsne, labels)

def plot_typical_microstates(evoked, microstate_patterns, info):
    """
    可视化典型微状态地形图
    
    参数:
    evoked: mne.Evoked对象
    microstate_patterns: array, 微状态模式
    info: mne.Info对象，电极位置信息
    """
    n_states = len(microstate_patterns)
    fig, axes = plt.subplots(1, n_states, figsize=(4*n_states, 4))
    
    if n_states == 1:
        axes = [axes]
    
    # 绘制每个微状态的地形图
    for idx, pattern in enumerate(microstate_patterns):
        plot_topomap(pattern, info, axes=axes[idx], show=False)
        axes[idx].set_title(f'微状态 {idx+1}')
    
    plt.tight_layout()
    return fig

def analyze_microstate_transitions(labels, time_points):
    """
    分析微状态转换
    
    参数:
    labels: array, 微状态标签
    time_points: array, 时间点
    """
    # 计算转换矩阵
    transitions = np.zeros((len(np.unique(labels)), len(np.unique(labels))))
    for i in range(len(labels)-1):
        transitions[labels[i], labels[i+1]] += 1
    
    # 归一化
    row_sums = transitions.sum(axis=1)
    transitions_norm = transitions / row_sums[:, np.newaxis]
    
    # 可视化转换矩阵
    fig, ax = plt.subplots(figsize=(8, 6))
    sns.heatmap(transitions_norm, annot=True, cmap='YlOrRd', ax=ax)
    ax.set_title('微状态转换概率矩阵')
    ax.set_xlabel('目标微状态')
    ax.set_ylabel('起始微状态')
    
    return fig, transitions_norm

# 使用示例
def run_complete_analysis(evoked, time_points, n_microstates=4):
    """
    运行完整的微状态分析和可视化
    """
    # 执行微状态分析
    results = perform_microstate_analysis(evoked, time_points, n_microstates)
    
    # 可视化分布
    dist_fig, (pca_data, tsne_data, labels) = visualize_microstate_distribution(
        evoked, time_points, n_microstates)
    
    # 可视化典型微状态
    topo_fig = plot_typical_microstates(
        evoked, results['patterns'], evoked.info)
    
    # 分析转换
    trans_fig, trans_matrix = analyze_microstate_transitions(
        labels, time_points)
    
    return {
        'distribution_plot': dist_fig,
        'topography_plot': topo_fig,
        'transition_plot': trans_fig,
        'pca_data': pca_data,
        'tsne_data': tsne_data,
        'labels': labels,
        'transition_matrix': trans_matrix
    }

results = run_complete_analysis(evoked, evoked.times, n_microstates=4)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

绘制三维的

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
import seaborn as sns
from mne.viz import plot_topomap
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文无衬线字体（黑体）
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示为方块的问题


def visualize_microstate_distribution_3d(evoked, time_points, n_microstates=4):
    """
    可视化微状态的3D降维分布
    
    参数:
    evoked: mne.Evoked对象
    time_points: array, 时间点
    n_microstates: int, 微状态数量
    """
    # 提取数据
    data = np.array([extract_timepoint_data(evoked, t) for t in time_points]).T
    
    # 数据标准化和微状态分析
    scaler = StandardScaler()
    data_scaled = scaler.fit_transform(data.T).T
    
    # 执行微状态分析
    kmeans = KMeans(n_clusters=n_microstates, random_state=42)
    labels = kmeans.fit_predict(data_scaled.T)
    
    # PCA降维到3维
    pca = PCA(n_components=3)
    data_pca = pca.fit_transform(data_scaled.T)
    
    # t-SNE降维到3维
    tsne = TSNE(n_components=3, random_state=42)
    data_tsne = tsne.fit_transform(data_scaled.T)
    
    # 创建3D图形
    fig = plt.figure(figsize=(15, 6))
    
    # PCA 3D散点图
    ax1 = fig.add_subplot(121, projection='3d')
    scatter1 = ax1.scatter(data_pca[:, 0], data_pca[:, 1], data_pca[:, 2],
                          c=labels, cmap='viridis', alpha=0.6)
    ax1.set_title('PCA 3D降维的微状态分布')
    ax1.set_xlabel('PC1')
    ax1.set_ylabel('PC2')
    ax1.set_zlabel('PC3')
    
    # t-SNE 3D散点图
    ax2 = fig.add_subplot(122, projection='3d')
    scatter2 = ax2.scatter(data_tsne[:, 0], data_tsne[:, 1], data_tsne[:, 2],
                          c=labels, cmap='viridis', alpha=0.6)
    ax2.set_title('t-SNE 3D降维的微状态分布')
    ax2.set_xlabel('t-SNE1')
    ax2.set_ylabel('t-SNE2')
    ax2.set_zlabel('t-SNE3')
    
    # 添加颜色条
    plt.colorbar(scatter1, ax=ax1, label='微状态类别')
    plt.colorbar(scatter2, ax=ax2, label='微状态类别')
    
    # 添加交互性：设置可旋转视角
    ax1.view_init(elev=20, azim=45)
    ax2.view_init(elev=20, azim=45)
    
    plt.tight_layout()
    return fig, (data_pca, data_tsne, labels)

def plot_microstate_trajectories_3d(data_3d, labels, time_points):
    """
    绘制微状态在3D空间中的时间轨迹
    
    参数:
    data_3d: array, 3D降维后的数据
    labels: array, 微状态标签
    time_points: array, 时间点
    """
    fig = plt.figure(figsize=(10, 8))
    ax = fig.add_subplot(111, projection='3d')
    
    # 绘制散点
    scatter = ax.scatter(data_3d[:, 0], data_3d[:, 1], data_3d[:, 2],
                        c=labels, cmap='viridis', alpha=0.6)
    
    # 添加时间轨迹线
    ax.plot(data_3d[:, 0], data_3d[:, 1], data_3d[:, 2],
            'k-', alpha=0.3, linewidth=1)
    
    # 在关键点添加时间标记
    n_points = len(time_points)
    marker_indices = np.linspace(0, n_points-1, 5, dtype=int)
    for idx in marker_indices:
        ax.text(data_3d[idx, 0], data_3d[idx, 1], data_3d[idx, 2],
                f'{time_points[idx]:.2f}s', fontsize=8)
    
    ax.set_title('微状态时间轨迹')
    ax.set_xlabel('维度1')
    ax.set_ylabel('维度2')
    ax.set_zlabel('维度3')
    
    plt.colorbar(scatter, label='微状态类别')
    
    # 设置初始视角
    ax.view_init(elev=20, azim=45)
    
    return fig

def run_complete_analysis_3d(evoked, time_points, n_microstates=4):
    """
    运行完整的3D微状态分析和可视化
    """
    # 执行微状态分析
    results = perform_microstate_analysis(evoked, time_points, n_microstates)
    
    # 3D分布可视化
    dist_fig, (pca_data, tsne_data, labels) = visualize_microstate_distribution_3d(
        evoked, time_points, n_microstates)
    
    # 绘制PCA轨迹图
    traj_fig_pca = plot_microstate_trajectories_3d(pca_data, labels, time_points)
    
    # 绘制t-SNE轨迹图
    traj_fig_tsne = plot_microstate_trajectories_3d(tsne_data, labels, time_points)
    
    # 可视化典型微状态
    topo_fig = plot_typical_microstates(
        evoked, results['patterns'], evoked.info)
    
    # 分析转换
    trans_fig, trans_matrix = analyze_microstate_transitions(
        labels, time_points)
    
    return {
        'distribution_3d_plot': dist_fig,
        'pca_trajectory_plot': traj_fig_pca,
        'tsne_trajectory_plot': traj_fig_tsne,
        'topography_plot': topo_fig,
        'transition_plot': trans_fig,
        'pca_data': pca_data,
        'tsne_data': tsne_data,
        'labels': labels,
        'transition_matrix': trans_matrix
    }

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Braindecode系列 (1)：在BCIC IV 2a数据集上进行试验
走在深度学习前沿的小宋
07-12 2773
最近在看运动想象相关的论文时，找到了一个很好的关于脑电信号处理的深度学习库，名为：`Braindecode`。在该库包中，集成了众多模型，包括：`EEGNet`、`Shallow_fbcsp`、`Atcnet`、`Tcn`等。这里就如何使用`Braindecode` 进行简单的介绍，本节内容主要介绍一个小项目：`在BCI IV 2a数据集上进行试验`。
BCI Competition IV 2a数据集介绍
热门推荐
文章旨在记录学习过程，希望对你有一点帮助
01-25 2万+
数据集由9名受试者的EEG数据组成，受试者在实验过程中需要进行四种不同的运动想象任务，即左手（1类）、右手（2类）、双脚（3类）和舌头（4类）运动想象。每名受试者均在不同的日期进行了两个session，两个session所得数据分别用于分类器的训练（T）和测试（E）。因此每个受试者将拥有两个数据文件，以一号受试者为例我们将两份文件命名为A01T和A01E，数据集共有18份文件。对于每一次session，可以细分为6次runs，每一次run包含有48次trials（测试）。
[BCIC IV 2a] 数据集介绍
菜鸡踩的坑s
05-08 2405
每位受试者2个session，每个session6个run，每个run48个trail，包含四类MI行为，每类行为12个trails，相当于每位受试者每类MI行为共有2*6*12=144trails采集人工噪声：在每一session开始时，对受试者记录5min基准信号以估计EOG影响：• 睁眼2min（注视屏幕上的十字）、闭眼1min、眼球运动1min每一个 trail 的平均时间大约为8s：• 0-2s：黑色屏幕上出现固定十字，伴随着提示音；
脑机接口（BCI）的研究方法
nvsirgn的博客
10-19 5862
“ 嘘！悄悄插播的哦” （图1 BCIduino实物图） BCIduino 8通道脑电放大器具体参数如下： 输入阻抗：1TΩ 输入偏置电流：300pA 输入参考噪声：1μVpp 采样速率：250 Hz/500Hz 共模抑制比：-110dB 可调增益放大倍数：1、2、4、6、8、12、2 分辨率：24 位 ADC，精度最高可达 0.1μV 功耗：正常工作时 39mW，待机时低至仅 10μW 采用可充电锂电池供电，进一步降低来自外部的干扰。 尺寸：50mm*50mm（实物测量，存在细微误差），实物图如图1
【MATLAB 处理BCI Competition IV 2a数据集】
flyccddd的博客
09-12 4498
摘要：本文介绍了使用matlab处理BCI Competition IV 2a数据集,并使用FBCSP算法对处理的数据集进行验证。
BCI Competition IV 2a数据集.gdf文件读取与预处理
qq_45713591的博客
09-19 6717
BCI Competition IV 2a 数据集.gdf文件读取与预处理
Python用MNE库对脑电数据集进行预处理
06-10
下面是一些关于如何使用MNE库对脑电数据集进行预处理的基本步骤： 1. 导入需要的库和数据集 首先，你需要导入MNE库以及其他必要的库（如numpy和matplotlib），并且加载你要处理的数据集。可以使用MNE库中的`mne.io...
EegGraphAnalysis:使用MNE和Networkx对静止状态eeg数据进行图形分析
05-15
使用MNE和Networkx对静止状态eeg数据进行图形分析 清理静止状态数据，并使用相位滞后指数（PLI）创建连接矩阵。 然后，建立一个图，并为进行无偏组比较，导出一个非循环子图，该图连接了所有节点，从而使边缘权重...
mne-realtime:使用MNE-Python进行实时数据分析
05-02
这是用于使用MNE实时分析MEG / EEG数据的存储库。 该文档可以在这里找到： 依存关系 安装 我们建议使用Anaconda Python发行版。 我们要求您使用Python3。您可以选择通过pip实时安装mne。 除了numpy和scipy （标准的...
信号处理-情绪分类数据集DEAP预处理（python版）
03-27
DEAP原始数据预处理全流程; 基于python环境下的mne库函数。
Python中MNE库的EEG数据（PCA和ICA）预处理.zip
03-31
在BCI竞赛中，运动想象任务的数据集通常包含多个参与者的大量EEG记录，这样的数据集对于验证和比较预处理技术的效果非常有用。通过使用MNE库和提供的源代码，研究者可以深入理解PCA和ICA在EEG数据预处理中的应用，并...
MNE读取竞赛数据集gdf格式脑电数据，并简单可视化
weixin_43275631的博客
02-27 1288
MNE是用于探索、可视化和分析人类神经生理学数据的开源 Python 包这里使用的数据集为BCI CompetitionIV(2008)中的数据集2a。
基于WebUI的深度学习模型部署与应用实践
Programming Talk
05-06 426
随着深度学习技术的快速发展，如何将训练好的模型快速部署并提供友好的用户交互界面成为许多AI项目落地的关键。WebUI(Web User Interface)作为一种轻量级、跨平台的解决方案，正被广泛应用于各类AI模型的部署场景。本文将详细介绍基于Python生态构建WebUI的技术方案，包含完整的代码实现，并探讨在实际项目中的应用实践。本文详细介绍了基于Gradio构建深度学习WebUI的完整流程，从基础实现到生产部署，涵盖了实际项目中的关键技术和优化方案。二、基于Gradio的模型部署实践。
Python_leve2.1
m0_65273147的博客
05-04 1159
系统介绍: 本系统是一个分数查询系统，通过输入学生姓名，可以在控制台输出对应学生的成绩。拓展功能: 可以为系统添加增加、删除、修改学生成绩信息等功能。实现方法: 利用字典的增删改操作，结合用户输入，实现更多功能。举例: 同学们可以根据所学知识，自行对系统进行拓展，如添加新学生成绩、删除已有学生成绩、修改学生成绩等。
Python办公自动化应用（三）
2301_78858267的博客
05-07 446
根据中、英文对照字典（参见Python办公自动化应用（一））将Excel表单元格里的中文替换为英文。
QuecPython错误码汇总
Quectel的博客
05-06 663
QuecPython中定义的各种错误代码常量
关于Python：7. Python数据库操作
Triste__chengxi的博客
05-03 1933
简化数据库操作：SQLAlchemy ORM 提供了高层次的接口来简化数据库的操作，我们可以通过 Python 类来表示数据库表，进行增删改查，避免了手写 SQL 语句。支持复杂查询：SQLAlchemy 支持排序、聚合、联接查询等复杂数据库操作，同时可以自动生成对应的 SQL 语句。跨数据库兼容性：通过 SQLAlchemy，你可以很容易地将项目从一个数据库迁移到另一个数据库（比如从 SQLite 到 MySQL、PostgreSQL）。
load_dotenv()详解
kingdom_java的博客
05-04 967
load_dotenv()` 是连接 `.env` 文件与 Python 运行时环境的核心工具，通过动态加载配置实现安全、灵活的多环境管理。其设计兼顾开发便捷性与生产环境适配性，是现代 Python 项目的标配。
Python初学者笔记第十一期 -- （字符串编程练习题）
最新发布
Pi_Qiu_的博客
05-07 619
输入一个字符串，判断其是否是回文字符串。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值