脑机接口基础学习02-认识MNE数据结构Raw及其用法简介_raw.plot

Raw对象主要用来存储连续型数据，核心数据为n_channels和times,也包括Info对象

#引入Python库
import mne 
from mne.datasets import sample
import matplotlib.pyplot as plt

#sample的存放地址
fname=r'E:\脑机接口资料\MNE-sample-data\MEG\sample\sample_audvis_raw.fif'

raw=mne.io.read_raw_fif(fname)

print(raw)
1
2
3
4
5
6
7
8
9
10
11

输出结果：

'''
info中的信息，info中记录了raw中有哪些是不良通道（bads），通道名称：ch_names，sfreq等

'''
raw.info

#通常raw的数据访问方式如下：
# data,times=raw[picks,time_slice]
#picks:是根据条件挑选出来的索引；
#time_slice:时间切片
#想要获取raw中所有数据，以下两种方式均可：
#data,times=raw[:]
#data,times=raw[:,:]
1
2
3
4
5
6
7
8
9
10
11
12
13

'''
案例：获取10-20s秒内良好的MEG数据

#根据type来选择，那些良好的MEG信号（良好的MEG信号，通过设置exclude='bads'），channel结果为channels所对应的的索引

'''

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')
1
2
3
4
5
6
7
8
9
10
11
12

'''
sfreq：采样频率

raw返回所选信道及时间段内的数据和时间点
分别赋值给data及times（即raw对象返回的是两个array）

'''

sfreq=raw.info['sfreq']
data,times=raw[:5,int(sfreq*1):int(sfreq*3)]
plt.plot(times,data.T)
plt.title('Sample channels')
1
2
3
4
5
6
7
8
9
10
11
12

'''
绘制各通道的功率谱密度

'''

raw.plot_psd()
plt.show()
1
2
3
4
5
6
7

'''
绘制SSP矢量图
SSP为信号空间投影

'''

raw.plot_projs_topomap()
plt.show()
1
2
3
4
5
6
7
8

按道理说应该出现这样子的图

但是不知道为什么我这边总是报错，且没有解决这个错误，希望有人知道怎样解决这个错误的话可以指点我一下

'''
绘制通道频谱图作为topography
'''

raw.plot_psd_topo()
plt.show()
1
2
3
4
5
6

'''
绘制电极位置

'''

raw.plot_sensors()
plt.show()
1
2
3
4
5
6
7

按道理说这些电极位置都应该在框框里，不知道为什么我画出来都越界了，希望有人知道的话可以指点我一下

'''
MNE从头创建RAW对象

在实际过程中，有时需要从头构建数据来创建Raw对象
方式：通过mne.io.RawArray类来手动创建Raw

注：使用mne.io.RawArray创建Raw对象时，其构造函数只接受矩阵和info对象

数据对应的单位：
V：eeg,eog,seeg,emg,ecg,bio,ecog
T:mag
T/m:grad
M:hbo,hbr
Am:dipole
AU:misc

构建一个Raw对象时，需要准备两种数据，一种是data数据，一种是info数据
data数据是一个二维数据，形状为（n_channels,n_times）

'''
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

###########案例1

#引入Python库
import mne 
import numpy as np
import matplotlib.pyplot as plt
1
2
3
4
5
6

'''
生成一个5*1000的二维随机数据
其中5代表5个通道，1000代表times

'''
data=np.random.randn(5,1000)

'''
创建info结构
内容包括：通道名称和通道类型
设置采样频率：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类创建Raw对象

'''
custom_raw=mne.io.RawArray(data,info)
print(custom_raw)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

从打印的信息中可以看出，raw对象中n_channels=5，n_times=1000

'''
对图形进行缩放

对于实际EEG/MEG数据，应使用不同的比例因子
对通道eeg、grad、eog的数据进行2倍缩小

'''

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()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

##########案例2

import numpy as np
import neo

import mne
import matplotlib.pyplot as plt


'''
构建正余弦数据模拟mag,grad信号
其中采样频率为1000Hz，时间为0-10s

'''
1
2
3
4
5
6
7
8
9
10
11
12
13
14

#创建任意数据

sfreq=1000  #采样数据
times=np.arange(0,10,0.001)#Use 1000 samples（10s）

sin=np.sin(times*10) #乘以10缩短周期
cos=np.cos(times*10)

sinx2=sin*2
cosx2=cos*2

#数组大小是4*10000

data=np.array([sin,cos,sinx2,cosx2])

#定义channel types and names

ch_types=['mag','mag','grad','grad']
ch_names=['sin','cos','sinx2','cosx2']
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

###创建info对象

info=mne.create_info(ch_names=ch_names,
                    sfreq=sfreq,
                   ch_types=ch_types)
1
2
3
4
5

'''
利用mne.io.RawArray创建raw对象

'''

raw=mne.io.RawArray(data,info)

'''
对图形进行缩放

对于实际的EEG/MEG数据，应使用不同的比例因子

对通道mag的数据进行2倍缩小，对grad的数据进行1.7倍缩小
'''

scalings={'mag':2,'grad':1.7}

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

'''
可以采用自动缩放比例


只要设置scalinngs='auto'即可

'''

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

plt.show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

今天的学习还是有些懵，也有很多不懂的地方，希望有大佬可以指点一下