MNE是用于探索、可视化和分析人类神经生理学数据的开源 Python 包
这里使用的数据集为BCI CompetitionIV(2008)中的数据集2a。数据集文件如下图：
使用mne.io.read_raw_gdf()读取，具体参数设置见官网：https://mne.tools/stable/generated/mne.io.read_raw_gdf.html#examples-using-mne-io-read-raw-gdf

1.读取数据

import mne
import matplotlib.pyplot as plt
input_fname = 'BCI_data/BCICIV_2a_gdf/A01E.gdf'  # 选取01E文档
# 通道名称映射
mapping = {'EEG-Fz': 'eeg','EEG-0': 'eeg','EEG-1': 'eeg','EEG-2': 'eeg','EEG-3': 'eeg','EEG-4': 'eeg','EEG-5': 'eeg','EEG-C3': 'eeg','EEG-6': 'eeg','EEG-Cz': 'eeg','EEG-7': 'eeg','EEG-C4': 'eeg','EEG-8': 'eeg','EEG-9': 'eeg','EEG-10': 'eeg','EEG-11': 'eeg','EEG-12': 'eeg','EEG-13': 'eeg','EEG-14': 'eeg','EEG-Pz': 'eeg','EEG-15': 'eeg','EEG-16': 'eeg','EOG-left': 'eog','EOG-central': 'eog','EOG-right': 'eog'
}
raw = mne.io.read_raw_gdf(input_fname)
raw.set_channel_types(mapping)  # 这里我进行了一步映射，如果不映射会显示无法将EEG与EOG区分开

显示脑电数据的信息

print(raw)
print(raw.info)

如果不进行映射，打印的结果如下：

<RawGDF | A01E.gdf, 25 x 687000 (2748.0 s), ~29 kB, data not loaded>
<Info | 7 non-empty valuesbads: []ch_names: EEG-Fz, EEG-0, EEG-1, EEG-2, EEG-3, EEG-4, EEG-5, EEG-C3, EEG-6, ...chs: 25 EEGcustom_ref_applied: Falsehighpass: 0.5 Hzlowpass: 100.0 Hzmeas_date: 2005-01-19 12:00:00 UTCnchan: 25projs: []sfreq: 250.0 Hz

可以看到chs那里把EOG通道也归到EEG通道中了，正确结果应为下面打印的：

<RawGDF | A01E.gdf, 25 x 687000 (2748.0 s), ~29 kB, data not loaded>
<Info | 7 non-empty valuesbads: []ch_names: EEG-Fz, EEG-0, EEG-1, EEG-2, EEG-3, EEG-4, EEG-5, EEG-C3, EEG-6, ...chs: 22 EEG, 3 EOGcustom_ref_applied: Falsehighpass: 0.5 Hzlowpass: 100.0 Hzmeas_date: 2005-01-19 12:00:00 UTCnchan: 25projs: []sfreq: 250.0 Hz
>

显示前10秒所有的脑电信号

plt.figure(figsize=(10, 8))
raw.plot(duration=10, n_channels=25, scalings='auto')
plt.show()

结果如图：

60HZ下的psd

raw.plot_psd(fmax=60)
plt.show()

结果如下图：（我觉得这个绘制的有点问题，通道数不明显，有懂得可以讨论一下）

获取10-20秒内良好的eog数据

# 方法一
picks = mne.pick_types(raw.info, eog=True, exclude='bads')  # 换成eeg即可显示eeg数据
t_idx = raw.time_as_index([10., 20.])
data, times = raw[picks, t_idx[0]:t_idx[1]]
plt.plot(times, data.T)
plt.title("Sample channels")
plt.show()
# 方法二
sfreq = raw.info['sfreq']
data, times = raw[22:25, int(sfreq*10):int(sfreq*20)]
plt.plot(times, data.T)
plt.title("Sample channels")
plt.show()

结果如下图所示：
方法一：

方法二：

MNE读取竞赛数据集gdf格式脑电数据，并简单可视化相关推荐

Python读取.edf格式脑电数据文件
MNE-python读取.edf文件 EDF,全称是 European Data Format,是一种标准文件格式,用于交换和存储医疗时间序列. 该格式文件能够存储多通道的数据,允许每个信号拥有不同的 ...
Python专栏 | MNE脑电数据(EEG/MEG)可视化
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 Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法之载入数据文章目录系列文章目录正文总结正文 MNE包的 ...
从.gdf格式的脑电数据中获得脑电数据，通道名称，采用频率。
用mne库的mne.io.read_raw_gdf(path)读取gdf文件,想要读取edf文件,就将mne.io.read_raw_gdf()中的gdf改为edf即可. import mne imp ...
Python协方差矩阵处理脑电数据
在本教程中,我们将介绍传感器协方差计算的基础知识,并构建一个噪声协方差矩阵,该矩阵可用于计算最小范数逆解. 诸如MNE的源估计方法需要从记录中进行噪声估计. 在本教程中,我们介绍了噪声协方差的基础知识 ...
脑电分析系列[MNE-Python-21]| Python协方差矩阵处理脑电数据
今天主要介绍一下MNE中如何用协方差矩阵来处理脑电数据的. MNE中的许多方法,包括源估计和一些分类算法,都需要根据记录进行协方差估计. 在本教程中,我们将介绍传感器协方差计算的基础知识,并构建一个噪 ...
脑电分析系列[MNE-Python-18]| 生成模拟原始脑电数据
在实验中有时需要原始脑电数据来进行模拟实验,但又限于实验条件的不足,需要构造模拟的原始脑电数据. 本示例通过多次重复所需的源激活来生成原始数据. 案例介绍 # 导入工具包 import numpy a ...
Python-生成模拟原始脑电数据
在实验中有时需要原始脑电数据来进行模拟实验,但又限于实验条件的不足,需要构造模拟的原始脑电数据. 本示例通过多次重复所需的源激活来生成原始数据. 案例介绍 # 导入工具包 import numpy a ...
Python脑电数据的Epoching处理
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 import os.path as op import numpy as np import mne import ma ...
【思维导图】利用LSTM(长短期记忆网络)来处理脑电数据
文章来源| 脑机接口社区群友认知计算_茂森的授权分享在此非常感谢认知计算_茂森! 本篇文章主要通过思维导图来介绍利用LSTM(长短期记忆网络)来处理脑电数据. 文章的内容来源于社区分享的文章&l ...

MNE读取竞赛数据集gdf格式脑电数据，并简单可视化