在前面我们介绍过Evoked的数据结构以及如何创建Evoked对象：

脑电分析系列[MNE-Python-4]| MNE中数据结构Evoked及其对象创建

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。

本示例中，我们着重于mne.Evoked的绘图功能。

案例介绍

# 导入工具包
import os.path as op
import numpy as np
import matplotlib.pyplot as pltimport mne

"""
第一步：
从文件中读取诱发对象
"""
# 获取数据文件默认春芳地址
data_path = mne.datasets.sample.data_path()
# 构建文件存放的具体路径
fname = op.join(data_path, 'MEG', 'sample', 'sample_audvis-ave.fif')
# 根据文件存放的具体路径
evoked = mne.read_evokeds(fname, baseline=(None, 0), proj=True)

# 打印 evoked
print(evoked)

从上面打印信息可以看到，Evoked的内容包含了4个类别的evoked数据，分别是：Left Auditory、Right Auditory、Left visual、Right visual。

注意，诱发事件是一系列诱发事件的实例。
通过将参数条件传递给mne.read_evokeds()，您只能读取其中一个类别。 为了使本教程更简单，我们将每个实例读取到一个变量。

evoked_l_aud = evoked[0]
evoked_r_aud = evoked[1]
evoked_l_vis = evoked[2]
evoked_r_vis = evoked[3]

下面我们绘制事件相关的电位/场(ERP / ERF)。 默认情况下不绘制不良通道。
在这里，我们明确设置了exclude参数，以红色显示不良频道。MNE-python的所有绘图功能都会返回图形实例的句柄。
有了句柄后，我们可以自定义绘制效果

fig = evoked_l_aud.plot(exclude=(), time_unit='s')

下面我们将它变得更漂亮一些，仅使用MEG通道。许多mne函数都包含一个pick参数来包含频道的选择。pick_types()、mne.pick_channels()、mne.pick_channels_regexp()或可以解释为通道名称或通道类型的字符串列表，可以轻松构造这些通道索引。

使用spatial_colors=True，对各个通道行进行颜色编码，以显示传感器的位置—具体地说，将传感器的x、y和z位置转换为R、G和B值。

evoked_l_aud.plot(spatial_colors=True, gfp=True, picks='meg')

注意左边的图例。这些颜色表明可能有两个不同的信号来源。 从第一个数字来看，这并不明显。尝试用鼠标左键绘制斜线。 它应该打开一个新窗口，其中topomaps(头皮区域)是绘制区域的平均值。还有一个单独绘制topomaps的功能。

evoked_l_aud.plot_topomap(time_unit='s')

默认情况下，topomaps是从诱发数据上平均分布的时间点绘制的。
我们也可以自己定义时间。

times = np.arange(0.05, 0.151, 0.05)
evoked_r_aud.plot_topomap(times=times, ch_type='mag', time_unit='s')

# 或者我们可以自动选择峰值。
# 或者我们可以自动选择峰值。
evoked_r_aud.plot_topomap(times='peaks', ch_type='mag', time_unit='s')

首先，我们在一个图形中创建一组matplotlib轴，并将所有诱发数据的类别相互绘制在一起。

fig, ax = plt.subplots(1, 5, figsize=(8, 2))
kwargs = dict(times=0.1, show=False, vmin=-300, vmax=300, time_unit='s')
evoked_l_aud.plot_topomap(axes=ax[0], colorbar=True, **kwargs)
evoked_r_aud.plot_topomap(axes=ax[1], colorbar=False, **kwargs)
evoked_l_vis.plot_topomap(axes=ax[2], colorbar=False, **kwargs)
evoked_r_vis.plot_topomap(axes=ax[3], colorbar=False, **kwargs)
for ax, title in zip(ax[:4], ['Aud/L', 'Aud/R', 'Vis/L', 'Vis/R']):ax.set_title(title)
plt.show()

如上图，我们创建了五个轴，但是只有四个类别。第五轴用于绘制颜色栏。创建此类自定义图或使用colorbar = False禁用颜色条时，必须为其提供空间。这就是警告要告诉您的内容。同样，我们将show = False用于第三个函数调用。

我们可以使用Evoked对象的mne.Evoked.plot_joint()方法在一张图中组合两种图形。按原样调用(evoked.plot_joint())，此函数应提供时空动态的信息显示。 可以使用topomap_args和ts_args参数直接设置图的时间序列部分和topomap部分的样式。也可以将键值对作为Python字典传递。

然后将它们作为参数传递给联合绘图的mne.Evoked.plot_topomap()和时间序列(mne.Evoked.plot())。

对于使用这些topomap_args和ts_args参数的特定样式的示例，此处显示了特定时间点（90和200 ms）的topomaps，未绘制传感器（通过转发到plot_topomap的参数），并且显示了Global Field Power：

ts_args = dict(gfp=True, time_unit='s')
topomap_args = dict(sensors=False, time_unit='s')
evoked_r_aud.plot_joint(title='right auditory', times=[.09, .20],ts_args=ts_args, topomap_args=topomap_args)

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

EEG公开数据集汇总

学习神经科学，发展人工智能

探索双耳助听器中的人体通信

手部的运动区域也与整个身体相连

他们想把广告植入你的梦境

EEG伪影详解和过滤工具的汇总(二)

EEG伪影类型详解和过滤工具的汇总(一)

MNE中数据结构Epoch及其创建方法

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！