Python-EEG工具库MNE中文教程(4)-MNE中数据结构Evoked及其对象创建

本教程为脑机学习者Rose发表于公众号：脑机接口社区 .QQ交流群：903290195

Evoked结构

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。

诱发电位振幅往往较低，从小于1微伏到数微伏不等，而脑电图为数十微伏，肌电图为毫伏，心电图通常接近20毫伏。为了在EEG、ECG、EMG等生物信号和环境噪声的背景下解决这些低幅度电位，通常需要对信号进行平均。信号被时间锁定在刺激上，大部分噪声是随机产生的，这样就可以通过对重复响应来平均掉噪声。

诱发电位(Evoked)结构主要用于存储实验期间的平均数据，在MNE中，创建Evoked对象通常使用mne.Epochs.average()来平均epochs数据来实现。

Evoked结构简介

#导入包
import os.path as op
import matplotlib.pyplot as plt
import mne

从fif文件中读取诱发数据

"""
从文件中读取诱发数据集
"""
data_path = mne.datasets.sample.data_path()
fname = op.join(data_path, 'MEG', 'sample', 'sample_audvis-ave.fif')
evokeds = mne.read_evokeds(fname, baseline=(None, 0), proj=True)
print(evokeds)

Read a total of 4 projection items:
    PCA-v1 (1 x 102) active
    PCA-v2 (1 x 102) active
    PCA-v3 (1 x 102) active
    Average EEG reference (1 x 60) active
Found the data of interest:
    t =    -199.80 ...     499.49 ms (Left Auditory)
    0 CTF compensation matrices available
    nave = 55 - aspect type = 100
    Projections have already been applied. Setting proj attribute to True.
    Applying baseline correction (mode: mean)

使用read_evokeds函数加载诱发文件，并返回evoked实例列表，可以使用condition参数来读取指定类别

这里有[‘Left Auditory’, ‘Right Auditory’, ‘Left Visual’, ‘Right Visual’]等类别，

evoked = mne.read_evokeds(fname, condition='Left Auditory')
evoked.apply_baseline((None, 0)).apply_proj()
print(evoked)

# 打印evoked的信息，这个信息和Raw对象以及Epochs对象中的info很相似
print(evoked.info)
print(evoked.times)

# 查看evoked结构其他属性
print(evoked.nave)  # Number of averaged epochs.
print(evoked.first)  # First time sample.
print(evoked.last)  # Last time sample.
print(evoked.comment)  # Comment on dataset. Usually the condition.
print(evoked.kind)  # Type of data, either average or standard_error.

55
-120
300
Left Auditory
average

快速提取并绘制全局能量谱(Global Field Power, GFP)作为跨通道的标准偏差

这里仅对EEG显示

gfp = evoked.copy().pick_types(eeg=True, meg=False).data.std(axis=0)
fig, ax = plt.subplots(1)
ax.plot(evoked.times, gfp / 1e6)  # scale to uV
ax.set(xlabel='Time (sec)', ylabel='GFP (uV)')
fig.tight_layout()

a. 读取evoked文件，创建evoked对象

sample_audvis-ave.fif文件包含了听觉诱发电位

1) 读取fif文件，创建evoked对象

from mne import read_evokeds
from mne.datasets import sample
import matplotlib.pyplot as plt

"""
文件存放地址
"""
data_path = sample.data_path()
fname = data_path + '/MEG/sample/sample_audvis-ave.fif'

"""
读取fif文件:
sample_audvis-ave.fif

只读取左听觉的电位数据
""" 
condition = 'Left Auditory'
evoked = read_evokeds(fname, condition=condition, baseline=(None, 0),
                      proj=True)

Read a total of 4 projection items:
    PCA-v1 (1 x 102) active
    PCA-v2 (1 x 102) active
    PCA-v3 (1 x 102) active
    Average EEG reference (1 x 60) active
Found the data of interest:
    t =    -199.80 ...     499.49 ms (Left Auditory)
    0 CTF compensation matrices available
    nave = 55 - aspect type = 100
    Projections have already been applied. Setting proj attribute to True.
    Applying baseline correction (mode: mean)

2）绘制evoked数据

将结果显示为蝶形图
可以通过使用exclude=[]，这里不排除不良通道，将不良通道以红色显示

evoked.plot(exclude=[], time_unit='s')
plt.show()

将结果以二维图片的形式显示 (x: time, y: channels, color: amplitude)

evoked.plot_image(exclude=[], time_unit='s')
plt.show()

b. MNE 从头创建Evoked对象

在实际过程中，有时需要从头自动构建数据来创建Evoked对象，
方式：利用mne.EvokedArray创建Evoked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

案例1

#导入工具包
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
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：创建evoked对象

利用mne.EvokedArray创建Evoked对象

"""
tmin:event开始前的时间，如果未指定，则默认为0
"""
# 设置事件开始前时间为-0.1s
tmin = -0.1

# 对数据求平均
data_evoked = data.mean(0)

# epochs的数量
nave = data.shape[0]

# 给evoked起一个名称
comment = "Smiley faces"

"""
利用mne.EvokedArray创建Evoked对象
"""
evoked_array = mne.EvokedArray(data_evoked, info, tmin,
                               comment=comment, nave=nave)
print(evoked_array)
_ = evoked_array.plot(time_unit='s')

案例2

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 = mne.create_info(ch_names=ch_names, sfreq=sfreq, ch_types=ch_types

nave = len(epochs_data)  # Number of averaged epochs
evoked_data = np.mean(epochs_data, axis=0)

evokeds = mne.EvokedArray(evoked_data, info=info, tmin=-0.2,
                          comment='Arbitrary', nave=nave)

picks = mne.pick_types(info, meg=True, eeg=False, misc=False)

evokeds.plot(picks=picks, show=True, units={'mag': '-'},
             titles={'mag': 'sin and cos averaged'}, time_unit='s')
plt.show()

脑机接口 QQ交流群：903290195
更多分享，请关注公众号