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

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) activePCA-v2 (1 x 102) activePCA-v3 (1 x 102) activeAverage EEG reference (1 x 60) activeFound the data of interest:t =    -199.80 ...     499.49 ms (Left Auditory)0 CTF compensation matrices availablenave = 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) activePCA-v2 (1 x 102) activePCA-v3 (1 x 102) activeAverage EEG reference (1 x 60) activeFound the data of interest:t =    -199.80 ...     499.49 ms (Left Auditory)0 CTF compensation matrices availablenave = 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

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 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 eventssfreq = 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()

不用于商业行为，转载请联系后台

若有侵权，请后台留言，管理员即时删侵！

更多阅读

[MNE-Python-1]| MNE-Python详细安装与使用

[MNE-Python-2]| MNE中数据结构Raw及其用法简介

[MNE-Python-2]| MNE中数据结构Epoch及其创建方法

脑机接口新应用，利用深度学习对无声语音信号解码

猴子意念打字，有可能敲出莎士比亚全集

投稿通道

如何让你的工作让更多人知晓和受益？

脑机接口社区就是这样一个连接学界、

企业界和爱好者的平台渠道。

社区鼓励高校实验室、企业或个人在我们平台上分享优质内容。

稿件要求

稿件系个人原创作品，若已在其他平台发表，请明确标注。

稿件一经录取，便提供稿费！

投稿通道

微信扫码，备注：投稿+姓名+单位

微信交流群，请扫码上方微信

(备注：姓名+单位+专业/领域行业)

QQ交流群：913607986

你的每一次在看，我都很在意！