其他
脑电分析系列[MNE-Python-17]| 使用多种滤波器对脑电数据去除伪影
一些由电源线造成的伪影具有某些特定范围的频率(比如,由电网产生的电力线噪声,主要由50Hz(或60Hz取决于实验的地理位置)的尖峰组成)。因此可以通过滤波来固定。
本文分别使用陷波滤波器、低通滤波、高通滤波来对EEG数据去除电源线等噪声。
陷波滤波器(Notch Filter)简介：
陷波滤波器指的是一种可以在某一个频率点迅速衰减输入信号，以达到阻碍此频率信号通过的滤波效果的滤波器。陷波滤波器属于带阻滤波器的一种,其阻带很窄，因此也称点阻滤波器。常常用于去除固定频率分量或阻带很窄的地方。如用于去除直流分量，去除某些特定频率分量.
本案例介绍了如何在MNE-Python中过滤数据。
import numpy as np
import mne
from mne.datasets import sample
data_path = sample.data_path()
raw_fname = data_path + '/MEG/sample/sample_audvis_raw.fif'
proj_fname = data_path + '/MEG/sample/sample_audvis_eog_proj.fif'
"""
提取0秒到20秒之间的数据
"""
tmin, tmax = 0, 20
"""
读取原始数据
通过在加载前剪切原始数据来节省内存
"""
raw = mne.io.read_raw_fif(raw_fname)
raw.crop(tmin, tmax).load_data()
raw.info['bads'] = ['MEG 2443', 'EEG 053'] # bads + 2 more
"""
设置 频率在2Hz到300Hz之间
"""
fmin, fmax = 2, 300
"""
FFT大小为n_fft,在理想情况下为2的幂
"""
n_fft = 2048
# 选择一通道的子集
selection = mne.read_selection('Left-temporal')
picks = mne.pick_types(raw.info, meg='mag', eeg=False, eog=False,
stim=False, exclude='bads', selection=selection)
raw.plot_psd(area_mode='range', tmax=10.0, picks=picks, average=False)
用陷波滤波去除电源线噪声
去除电力线噪声可以直接在原始对象上使用陷波滤波器，指定要切断的频率阵列：
raw.notch_filter(np.arange(60, 241, 60), picks=picks, fir_design='firwin')
raw.plot_psd(area_mode='range', tmax=10.0, picks=picks, average=False)
用低通滤波去除电源线噪声
如果只对低频感兴趣，可以在电力线噪声的峰值以下进行低通滤波。
# 50hz以下的低通滤波
raw.filter(None, 50., fir_design='firwin')
raw.plot_psd(area_mode='range', tmax=10.0, picks=picks, average=False)
高通滤波消除缓慢漂移
为了消除缓慢的漂移，可以使用高通滤波。
raw.filter(1., None, fir_design='firwin')
raw.plot_psd(area_mode='range', tmax=10.0, picks=picks, average=False)
如果想要一步完成低通和高通滤波，可以做一个所谓的带通滤波器，如下所示:
# 1 Hz-50 Hz范围内的带通滤波
raw.filter(1, 50., fir_design='firwin')
raw.plot_psd(area_mode='range', tmax=10.0, picks=picks, average=False)
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