1、数据提取

本次教程以chb01患者的数据为例：
首先提取该患者的eeg数据：
在数据提取中就完成滤波：（0~50Hz）

from mne import Epochs, pick_types, events_from_annotations
from mne.io import concatenate_raws
from mne.io import read_raw_edf
from mne.datasets import eegbci
import mne
import numpy as np
import pandas as pd
import glob
import numpy as np
import os
from scipy import signal, fft
import matplotlib.pyplot as pltpath_time = "ttt.csv" # 患者发病发病起止时间表
file_dir = "chb01"
path_save = "data"
# 选择患者共有的通道
ch = ['FP1-F7', 'F7-T7', 'T7-P7', 'P7-O1', 'FP1-F3', 'F3-C3', 'C3-P3', 'P3-O1', 'FP2-F4', 'F4-C4', 'C4-P4', 'P4-O2', 'FP2-F8', 'F8-T8', 'T8-P8-0', 'P8-O2', 'FZ-CZ', 'CZ-PZ', 'P7-T7', 'T7-FT9', 'FT9-FT10', 'FT10-T8']
time = pd.read_csv(path_time,index_col="chb")
files = sorted(os.listdir(file_dir))
for file in files:if os.path.splitext(file)[1] == '.edf':f = os.path.splitext(file)[0]f_str = str(os.path.splitext(os.path.splitext(file)[0])[0])if i == 0:raws = mne.io.read_raw_edf(file_dir+"/" + file,preload=True,verbose=False)raws.pick_channels(ch)raws.filter(0.1,50.,method='iir')raw_d,raw_t = raws[:,:]i+=1else:i+=1if f_str in time.index:time.loc[f_str]['start'] = time.loc[f_str]['start'] * 256 + len(raw_t)time.loc[f_str]['end'] = time.loc[f_str]['end']*256 + len(raw_t)raw = mne.io.read_raw_edf(file_dir+"/" + file, preload=True,verbose=False)raw.pick_channels(ch)raw.filter(0.1,50.,method='iir')raws = concatenate_raws([raws,raw])raws_d, raw_t = raws[:,:]
d, t = raws[:,:]
data = d*1e6
np.save(path_save+"/"+file_dir+".npy",data)

其中，ttt.csv文件的部分内容如下：

2、制作数据样本-数据分快

详细代码如下：

   fbq = 3600*256fbjq = 3600*256*6fbjh = 3600*256*5time_window = 1024 # 每秒256个采样数据，这里的1024则是4秒的窗口的数据，可以根据实验需求调整！start = times.iloc[0]['start'] end = times.iloc[0]['end']d = np.load(path_save+"/"+file_dir)if start >= fbq :             fbqd = d[:,start-fbq:start]fbqd = fbqd.transpose(1,0)fbqd = fbqd.reshape(-1,time_window,22)fbql = np.zeros(fbqd.shape[0], dtype = int)fbql[:] = 1print(fbqd.shape,fbql.shape)np.save(path_save+"/"+"/d/"+file_dir+"_q.npy",fbqd)np.save(path_save+"/"+"/l/"+file_dir+"_q.npy",fbql)if start >= fbjq:fbjd = d[:,start-fbjq:start-fbjh]fbjd = fbjd.transpose(1,0)fbjd = fbjd.reshape(-1,time_window,22)fbjl = np.zeros(fbjd.shape[0], dtype = int)print(fbjd.shape,fbjl.shape)np.save(path_save+"/"+"/d/"+file_dir+"_j.npy",fbjd)np.save(path_save+"/"+"/l/"+file_dir+"_j.npy",fbjl)

3、过程展示

数据提取的过程如下：

样本制作与数据分块过程如下：
900为样本数量，1024为4s时间窗口内的数据，22为eeg通道数量！

接下来就可以进入具体的研究内容了！！！

CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理（二）相关推荐

CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-癫痫发作预测（六）
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-癫痫发作预测(六) 导入需要的包各功能模块数据集导入模型训练训练结果保存模型测试结果导入需要的包 import numpy as np ...
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-通道选择（五）
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-通道选择(五) 概述通道选择模型通道选择 LightGBM模块代码 LightGBM模型训练概述由于癫痫发作时不是整个大脑区域都有相关的反映 ...
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-2D-CNN（四）
主要内容 1.数据提取 2.提取过程 1.数据提取本次教程做适用于整体数据集上的处理工作,以不同的的处理代码展示整体的数据处理! 本次数据处理教程是没有做STFT变换,之间将提取的数据变换为适合2D ...
手把手教你EEG脑电数据预处理-操作篇
目录导入数据对数据进行初步认识电极定位移除无用电极重参考重采样滤波分段和基线校正插值坏导 ICA 剔除ICA成分剔除坏段目视检查法保存数据本分享为脑机学习者Rose整理发表于 ...
手把手教你EEG脑电数据预处理-原理篇
目录 0. EEG data 1. 定位通道数据 2. 删除无用数据 3.滤波 4.分段 5.基线校正 6. 重参考 7. 降低采样率 8. 插值坏导 9. 独立主成分分析 10. 剔除坏段本分享为 ...
Analyzer脑电数据处理步骤
Analyzer脑电数据处理步骤 1 简化版流程 2 详细版流程 2.1 设置数据路径的workspace 2.2 转换参考(New Reference 2.3 滤波(Filters) 2.4 ICA ...
Python中FIR滤波和STFT滤波对比（MNE脑电数据处理）
在脑电数据处理中滤波是很重要的一个步骤,直接影响后面的特征提取等计算流程.在之间写的博客中有过介绍(https://blog.csdn.net/zhoudapeng01/article/details ...
EEG脑电公开数据库大盘点
不做实验能否发表论文?答案当然是肯定的.对于刚进入EEG领域的同学来说,利用网上公开的EEG数据库练练手,顺便发表一些论文是个不错的选择.公开数据库对于促进科学研究的快速发展意义重大,公开数据的建立可 ...
arduino eeg脑电模块_应用深度学习EEGNet来处理脑电信号
本分享为脑机学习者Rose整理发表于公众号:脑机接口社区(微信号:Brain_Computer).QQ交流群:903290195 EEGNet论文 EEGNet简介脑机接口(BCI)使用神经活动作为 ...

CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理（二）

主要内容

1、数据提取

2、制作数据样本-数据分快

3、过程展示

CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理（二）相关推荐

最新文章

热门文章