mne进行ica分析
最近在做有关的项目,根据mne文档写的内容 就不写注释了。这里我用的是csv的数据直接读取。
import numpy as np
import mne
import matplotlib.pyplot as plt
from mne.preprocessing import ICA
from mne.time_frequency import tfr_morlet
import pandas as pd
from itertools import chain# Read the CSV file as a NumPy array 需要电信号
data1 = []
for i in range(1, 23):data = pd.read_csv('data.csv', usecols=[str(i)])list1 = data.values.tolist()final_list = list(chain.from_iterable(list1))data1.append(final_list)# Some information about the channels
# ch_names = []
# for i in range(1, 20):
# ch_names.append("ch " + str(i))
ch_names=['Fz', 'FC3', 'FC1', 'FCz', 'FC2', 'FC4', 'C5', 'C3', 'C1', 'Cz', 'C2', 'C4', 'C6', 'CP3', 'CP1','CPz', 'CP2', 'CP4', 'P1', 'Pz', 'P2', 'POz']# Sampling rate of the Nautilus machine 采样频率
sfreq = 100 # Hz # Create the info structure needed by MNE
info = mne.create_info(ch_names, sfreq,ch_types='eeg') # Finally, create the Raw object
raw = mne.io.RawArray(data1, info)# #电极信息
montage = mne.channels.make_standard_montage("standard_1020")
raw.set_montage(montage)#ICA
ica = mne.preprocessing.ICA(n_components=22, random_state=97, max_iter=800)
ica.fit(raw)
ica.exclude = [1, 2,3] # details on how we picked these are omitted here
ica.plot_properties(raw, picks=ica.exclude)
plt.show()
生成的图
mne进行ica分析相关推荐
- 使用mne进行脑电信号分析
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 作者|有点大的青椒 单位|杭州电子科技大学 脑机信息混合智能实验室 本篇文章主要介绍使用MNE进行脑电分析,主要包括:预 ...
- Python 中MNE库去伪迹(ICA)案例的逐句解析
本文是在阅读博主zhoudapeng01的文章Python 中MNE库去伪迹(ICA)_zhoudapeng01的博客-CSDN博客_ica mne后做的一个翻译工作. 主要介绍的还是ICA,需要了解 ...
- Python 中MNE库去伪迹(ICA)
脑电数据处理过程中如何去除伪迹是很重要的一个步骤,伪迹的处理主要包括眼电.心电.肌肉点以及工频干扰.实际处理过程中通过滤波0.5-45赫兹的带通滤波器可以去除掉大部分的噪音,在我接触到的实际脑电数数据 ...
- fMRI独立成分分析方法(ICA)工具GIFT
软件下载连接: Software - TReNDS (trendscenter.org)https://trendscenter.org/software/下载完成后,在MATLAB中添加其路径即可. ...
- 针对MNE画脑电地形图出现ValueError: DigMontage is only a subset of info问题
脑电地形图的绘制对后面的ICA分析挺有用的,所以想自己学会绘制. Python中MNE库的脑电地形图绘制我是从这里面了解到可以直接用一条代码即可. 我直接用下面这条代码,就出现了ValueError: ...
- 【脑机接口】利用MNE进行EEG数据预处理(SEED数据集)
简单写下毕设里用到的预处理步骤 数据集详细信息可查看:SEED数据集 预处理分为以下6步: 数据读取 坏导插值 滤波+重参考 去伪迹 分段 需要用到的python库 import numpy as n ...
- 脑机接口专栏 | 如何分析静息状态的fMRI数据?(三)
关注微信公众号:脑机接口研习社 了解脑机接口最近进展 系列文章目录 脑机接口专栏 | 如何分析静息状态的fMRI数据?(一) 脑机接口专栏 | 如何分析静息状态的fMRI数据?(二) 文章目录 系列文 ...
- 用独立分量分析分离混合信号
周围的世界是来自各种来源的信号的动态混合.就像上面图片中的颜色相互融合,产生新的色调和色调一样,我们感知的一切都是简单组件的融合.大多数时候,我们甚至都不知道我们周围的世界是如此混乱的独立过程混合.只 ...
- 脑电独立成分分析(independent component analysis)
相比其它成像方法,EEG更为便捷低价,无论是拿erp成分还是做时频分析,提高信噪比始终是EEG分析的重点.将ICA应用在EEG分析中,可以较好的识别并去掉眼动和其它噪音(heart beat,line ...
最新文章
- DL之IDE:深度学习之计算机视觉开发环境搭建的详细流程(Ubuntu16.04+cuda9.0+cuDNN7.4.2+tensorflow_gpu)
- 数据挖掘领域十大经典算法
- Chrome浏览器对我的改变
- latex中插图心得
- 记录第二次遇到ERROR! MySQL server PID file could not be found!
- Node 环境变量 process.env.NODE_ENV 之webpack应用
- php错误日志和php-frm错误日志,错误amp;日志
- 【我的Android进阶之旅】Realm数据库学习资料汇总(持续更新)
- 【独立小程序商城】THINKPHP带后台管理+MYSQL数据库微信小程序商城系统源码
- (转)全新2007高校BBS上20个睿智的冷笑话
- 加仓减仓口诀_加仓减仓口诀
- 通用管理平台GBase 8c Platform
- 计算机应用二级客观题,计算机二级客观题
- 《那些年啊,那些事——一个程序员的奋斗史》——17
- Nginx报错Mixed Content: The page was loaded over HTTPS, This content should also be served over https
- 最新 955 不加班的公司名单
- Fragment与Activity之间的完美邂逅
- 运维如何学习、自我提升价值?
- python-数据分析--案例分析:美国各州人口数据分析
- Day11-软件测试设计之银行储蓄系统