MNE-Python專輯 (2) MNE中數據結構Raw及其用法簡介(更新)

點擊上面"腦機接口社區"關注我們

更多技術乾貨第一時間送達

Raw對象主要用來存儲連續型數據，核心數據爲n_channels和times,也包含Info對象。

下面可以通過幾個案例來說明Raw對象和相關用法。

Raw結構查看：

# 引入python庫
import mne
from mne.datasets import sample
import matplotlib.pyplot as plt


# sample的存放地址
data_path = sample.data_path()
# 該fif文件存放地址
fname = data_path + '/MEG/sample/sample_audvis_raw.fif'


"""
如果上述給定的地址中存在該文件，則直接加載本地文件，
如果不存在則在網上下載改數據
"""
raw = mne.io.read_raw_fif(fname)

通過打印raw：

print(raw)

可以看出核心數據爲n_channels和n_times

raw.info

<Info | 24 non-empty fields
    acq_pars : str | 13886 items
    bads : list | MEG 2443, EEG 053
    ch_names : list | MEG 0113, MEG 0112, MEG 0111, MEG 0122, MEG 0123, ...
    chs : list | 376 items (GRAD: 204, MAG: 102, STIM: 9, EEG: 60, EOG: 1)
    comps : list | 0 items
    custom_ref_applied : bool | False
    description : str | 49 items
    dev_head_t : Transform | 3 items
    dig : Digitization | 146 items (3 Cardinal, 4 HPI, 61 EEG, 78 Extra)
    events : list | 1 items
    experimenter : str | 3 items
    file_id : dict | 4 items
    highpass : float | 0.10000000149011612 Hz
    hpi_meas : list | 1 items
    hpi_results : list | 1 items
    lowpass : float | 172.17630004882812 Hz
    meas_date : tuple | 2002-12-03 19:01:10 GMT
    meas_id : dict | 4 items
    nchan : int | 376
    proc_history : list | 0 items
    proj_id : ndarray | 1 items
    proj_name : str | 4 items
    projs : list | PCA-v1: off, PCA-v2: off, PCA-v3: off
    sfreq : float | 600.614990234375 Hz
    acq_stim : NoneType
    ctf_head_t : NoneType
    dev_ctf_t : NoneType
    device_info : NoneType
    gantry_angle : NoneType
    helium_info : NoneType
    hpi_subsystem : NoneType
    kit_system_id : NoneType
    line_freq : NoneType
    subject_info : NoneType
    utc_offset : NoneType
    xplotter_layout : NoneType
>

上面爲row中info的信息，從中可以看出info記錄了raw中有哪些是不良通道(bads),通道名稱:ch_names,sfreq:採樣頻率等。

通常raw的數據訪問方式如下：

data, times = raw[picks, time_slice]

picks:是根據條件挑選出來的索引；

time_slice:時間切片

想要獲取raw中所有數據，以下兩種方式均可：

data,times=raw[:]

data,times=raw[:,:]

"""
案例：
獲取10-20秒內的良好的MEG數據


# 根據type來選擇 那些良好的MEG信號(良好的MEG信號，通過設置exclude="bads") channel,
結果爲 channels所對應的的索引
"""


picks = mne.pick_types(raw.info, meg=True, exclude='bads')
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")

"""
sfreq：採樣頻率


raw返回所選信道以及時間段內的數據和時間點，
分別賦值給data以及times（即raw對象返回的是兩個array）
"""
sfreq=raw.info['sfreq']
data,times=raw[:5,int(sfreq*1):int(sfreq*3)]
plt.plot(times,data.T)
plt.title("Sample channels")

"""
繪製各通道的功率譜密度
"""
raw.plot_psd()
plt.show()

"""
繪製SSP矢量圖
"""
raw.plot_projs_topomap()
plt.show()

"""
繪製通道頻譜圖作爲topography
"""
raw.plot_psd_topo()
plt.show()

"""
繪製電極位置
"""
raw.plot_sensors()
plt.show()

MNE 從頭創建Raw對象

在實際過程中，有時需要從頭構建數據來創建Raw對象。
方式：通過mne.io.RawArray類來手動創建Raw

注：使用mne.io.RawArray創建Raw對象時，其構造函數只接受矩陣和info對象。

數據對應的單位：
V: eeg, eog, seeg, emg, ecg, bio, ecog

T: mag

T/m: grad

M: hbo, hbr

Am: dipole

AU: misc

構建一個Raw對象時，需要準備兩種數據，一種是data數據，一種是Info數據，

data數據是一個二維數據，形狀爲(n_channels,n_times)

案例1

import mne
import numpy as np
import matplotlib.pyplot as plt

"""
生成一個大小爲5x1000的二維隨機數據
其中5代表5個通道，1000代表times
"""
data = np.random.randn(5, 1000)


"""
創建info結構,
內容包括：通道名稱和通道類型
設置採樣頻率爲:sfreq=100
"""
info = mne.create_info(
    ch_names=['MEG1', 'MEG2', 'EEG1', 'EEG2', 'EOG'],
    ch_types=['grad', 'grad', 'eeg', 'eeg', 'eog'],
    sfreq=100
)
"""
利用mne.io.RawArray類創建Raw對象
"""
custom_raw = mne.io.RawArray(data, info)
print(custom_raw)

從上面打印的信息可以看出
raw對象中n_channels=5, n_times=1000

"""
對圖形進行縮放


對於實際的EEG / MEG數據，應使用不同的比例因子。
對通道eeg、grad，eog的數據進行2倍縮放
"""
scalings = {'eeg': 2, 'grad': 2,'eog':2}
custom_raw.plot(n_channels=5, 
                scalings=scalings,
                title='Data from arrays',
         show=True, block=True)


plt.show()

案例2

import numpy as np
import neo


import mne
import matplotlib.pyplot as plt

構建正餘弦數據模擬mag,grad信號

其中採樣頻率爲1000Hz,時間爲0到10s.

# 創建任意數據
sfreq = 1000  # 採樣頻率
times = np.arange(0, 10, 0.001)  # Use 10000 samples (10s)


sin = np.sin(times * 10)  # 乘以 10 縮短週期
cos = np.cos(times * 10)
sinX2 = sin * 2
cosX2 = cos * 2


# 數組大小爲 4 X 10000.
data = np.array([sin, cos, sinX2, cosX2])


# 定義 channel types and names.
ch_types = ['mag', 'mag', 'grad', 'grad']
ch_names = ['sin', 'cos', 'sinX2', 'cosX2']

創建info對象

"""
創建info對象
"""
info = mne.create_info(ch_names=ch_names,
                       sfreq=sfreq, 
                       ch_types=ch_types)

利用mne.io.RawArray創建raw對象

"""
利用mne.io.RawArray創建raw對象
"""
raw = mne.io.RawArray(data, info)


"""
對圖形進行縮放


對於實際的EEG / MEG數據，應使用不同的比例因子。


對通道mag的數據進行2倍縮小，對grad的數據進行1.7倍縮小
"""
scalings = {'mag': 2, 'grad':1.7}


raw.plot(n_channels=4, scalings=scalings, title='Data from arrays',
         show=True, block=True)


"""
可以採用自動縮放比例


只要設置scalings='auto'即可
"""
scalings = 'auto'
raw.plot(n_channels=4, scalings=scalings,
         title='Auto-scaled Data from arrays',
         show=True, block=True)
plt.show()