脑电分析系列[MNE-Python-2]| MNE中数据结构Raw及其用法简介(更新)

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

下面可以通过几个案例来说明Raw对象和相关用法。

Raw结构查看：

# 引入python库import mnefrom mne.datasets import sampleimport matplotlib.pyplot as plt
# sample的存放地址data_path = sample.data_path()# 该fif文件存放地址fname = data_path + '/MEG/sample/sample_audvis_raw.fif'
"""如果上述给定的地址中存在该文件，则直接加载本地文件，如果不存在则在网上下载改数据"""raw = mne.io.read_raw_fif(fname)

通过打印raw：

print(raw)

<Raw  |  sample_audvis_raw.fif, n_channels x n_times : 376 x 166800 (277.7 sec), ~3.6 MB, data not loaded>

可以看出核心数据为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
>

上面为row中info的信息，从中可以看出info记录了raw中有哪些是不良通道(bads),通道名称:ch_names,sfreq:采样频率等。

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[:,:]

"""案例：获取10-20秒内的良好的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")

"""sfreq：采样频率
raw返回所选信道以及时间段内的数据和时间点，分别赋值给data以及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")

"""绘制各通道的功率谱密度"""raw.plot_psd()plt.show()

"""绘制SSP矢量图"""raw.plot_projs_topomap()plt.show()

"""绘制通道频谱图作为topography"""raw.plot_psd_topo()plt.show()

"""绘制电极位置"""raw.plot_sensors()plt.show()

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)

案例1

import mneimport numpy as npimport matplotlib.pyplot as plt

"""生成一个大小为5x1000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为: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)

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

"""对图形进行缩放
对于实际的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 npimport neo
import mneimport 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到10s.

# 创建任意数据sfreq = 1000 # 采样频率times = np.arange(0, 10, 0.001) # Use 10000 samples (10s)
sin = np.sin(times * 10) # 乘以 10 缩短周期cos = np.cos(times * 10)sinX2 = sin * 2cosX2 = cos * 2
# 数组大小为 4 X 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']

创建info对象

"""创建info对象"""info = mne.create_info(ch_names=ch_names, sfreq=sfreq, ch_types=ch_types)

利用mne.io.RawArray创建raw对象

"""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()

Rose

不用于商业行为，转载请联系后台

若有侵权，请后台留言，管理员即时删侵！

更多阅读

投稿通道

如何让你的工作让更多人知晓和受益？

脑机接口社区就是这样一个连接学界、

企业界和爱好者的平台渠道。

社区鼓励高校实验室、企业或个人在我们平台上分享优质内容。

稿件要求

稿件系个人原创作品，若已在其他平台发表，请明确标注。

稿件一经录取，便提供稿费！

投稿通道

微信扫码，备注：投稿+姓名+单位

微信交流群，请扫码上方微信

(备注：姓名+单位+专业/领域行业)

QQ交流群：913607986

你的每一次在看，我都很在意！