脑机接口基础学习03-认识及创建Epoch

前面两篇文章一直在写Epoch，那么Epoch到底是什么东西？
概念简介：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周期（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：
假如我们有一个长度为60s的信号X，采样频率为1Hz，脑电信号的矩阵表示1x60矩阵，如果将信号划分为一些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
来看一个简单的小例子：

'''
###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
'''
#导入python库函数
import mne
from mne import io
from mne.datasets import sample
import matplotlib.pyplot as pltraw_fname=r'E:\脑机接口资料\MNE-sample-data\MEG\sample\sample_audvis_filt-0-40_raw.fif'
event_fname=r'E:\脑机接口资料\MNE-sample-data\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+2more
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()

输出结果：

下面来看一下如何从头创建Epoch对象
在实际过程中，有时需要从头创建数据来创建Epoch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

#引入python包
import mne
import numpy as np
import matplotlib.pyplot as plt'''
主要步骤如下:
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)'''
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'''
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

#引入python包import numpy as np
import neoimport 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700ms 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()

OK，今天的脑机接口学习结束

脑机接口基础学习03-认识及创建Epoch相关推荐

脑机接口基础学习19---救救我吧，Evoked数据可视化
在这一节的学习中,我遇到了非常大的问题 Evoked potential(EP)诱发电位或诱发反应是指出现在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 ...
脑机接口基础学习06---机器学习算法随机森林判断睡眠类型
案例介绍本案例对多导睡眠图(Polysomnography,PSG)数据进行睡眠阶段的分类来判断睡眠类型训练:对Alice的睡眠数据进行训练测试:利用训练结果对Bob的睡眠数据进行测试,判断其睡 ...
深度学习技术在脑机接口中的应用
大家好! Rose给大家分享一下深度学习技术在脑机接口中的应用. 什么是脑机接口? 脑机接口(BCI)是一种系统,可将受试者(人类或动物)的大脑活动模式提取并转换为用于交互式应用程序的消息或命令.脑活 ...
快速入门脑机接口：BCI基础(二)
关于脑机接口的分类可以查看<快速入门脑机接口:BCI基础(一)> 组成成分脑活动神经系统由两个主要部分组成:中枢神经系统和周围神经系统.大脑是中枢神经系统的主要器官,它包含约1000亿 ...
伍冬睿教授：脑机接口中迁移学习的完整流程
大家好,今天Rose分享一篇关于脑机接口中的迁移学习的完整流程.本文由华中科技大学伍冬睿教授授权分享. 关于脑机接口中迁移学习方面的研究,伍教授团队做过大量的工作.之前社区分享过<脑机接口中的流 ...
脑机接口等在线学习课堂视频分享(供下载)
由博睿康组织的"Neuracle-在线学习课堂"三场直播已经结束,相关讲座视频介绍与分享如下. 直播课程一讲师:綦宏志,天津大学精密仪器与光电子工程学院生物医学工程系副教授.綦老 ...
快速入门脑机接口：BCI基础(一)
在本模块中,将介绍脑机接口的基础知识. 定义:脑机接口是什么? 脑机接口(BCI)是允许大脑与各种机器之间进行通信的系统. 它们的工作分为三个主要步骤:收集大脑信号,对其进行解释,然后根据接收到的大脑 ...
深度学习下的脑机接口BCI究竟有多远？
BCI | ECoG | 脑机接口 LFP | CMRR | 生物计算随着生命科学.医药研发.数据分析.数据挖掘.LFP.生物计算.靶点发现.基因测序等技术的快速发展,脑科学逐渐出现在人们的视野中 ...
研究人员通过小鼠控制光标来研究意图控制，探索更好的脑机接口使用方式
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达通过我们对外部物体的感官体验,可以有效地控制外部物体.为了研究因果关系的学习和影响方式,研究人员设计了一种使用宽场钙信号 ...

脑机接口基础学习03-认识及创建Epoch

脑机接口基础学习03-认识及创建Epoch相关推荐

最新文章

热门文章