脑电分析系列[MNE-Python-2]| MNE中数据结构Epoch及其创建方法

最新推荐文章于 2024-07-31 21:46:41 发布

脑机接口社区

最新推荐文章于 2024-07-31 21:46:41 发布

阅读量1.9k

点赞数 1

文章标签： python 人工智能 epoll 物联网 netty

本文链接：https://blog.csdn.net/zyb228/article/details/118502955

版权

Epoch概念简介

相信很多人第一次接触epoch时，都会有疑惑，这个词在EEG中到底指的是什么。
下面将详细说明一下。

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.
由于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。
比如在EEGLAB分析中，EEGLAB将连续数据视为由一个较长的时期(long epoch)组成，而将数据切分后，它由多个较小的时期(small epoch)组成。

举个例子
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)

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:

创建Epochs对象方式有三种：

(1)通过Raw对象和事件事件点(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

这里利用方式2和方式3创建Epochs对象

a. 读取fif文件创建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。

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


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'
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()

    Read a total of 4 projection items:
        PCA-v1 (1 x 102)  idle
        PCA-v2 (1 x 102)  idle
        PCA-v3 (1 x 102)  idle
        Average EEG reference (1 x 60)  idle
    Range : 6450 ... 48149 =     42.956 ...   320.665 secs
Ready.
Current compensation grade : 0
72 matching events found
Applying baseline correction (mode: mean)
Not setting metadata
Created an SSP operator (subspace dimension = 3)
4 projection items activated
Loading data for 72 events and 106 original time points ...
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on MAG : ['MEG 1711']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
    Rejecting  epoch based on EOG : ['EOG 061']
17 bad epochs dropped

b. 从头创建Epoch对象

在实际过程中，有时需要从头构建数据来创建Epochs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

案例1

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：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
"""
# 设置事件开始前时间为-0.1s
tmin = -0.1

第三步：创建epochs对象

"""
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')

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)


epochs = mne.EpochsArray(epochs_data, info=info, events=events,
                         event_id={'arbitrary': 1})


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