MNE学习笔记（三）：Epoch数据结构
MNE学习笔记（三）：Epoch数据结构
参考文章：
https://mp.weixin.qq.com/s/eJz5a1Up8fST0P1AcNs6Ig
https://mne.tools/stable/auto_tutorials/index.html 【官方教程】
https://roses.blog.csdn.net/article/details/103705562
引言
Raw数据结构适合处理连续的数据，但是对于单个时间点的数据，则需要一种新的数据结构来进行处理，也就是今天的主角：Epoch数据结构。
概念
从连续的脑电图信号中提取一些特定时间窗口的信号，这些时间窗口可以称作为epochs
原因：EEG是连续收集的，要分析脑电事件相关的电位时，需要将信号"切分"成时间片段，这些时间片段被锁定到某个事件（例如刺激）中的时间片段。
在MNE中，Epoch对象是一种把连续型数据作为时间段集合的表示方法，形状为(n_events,n_channels,n_times)的数组形式:
与Raw对象
Epochs对象和Raw对象有很多的相似之处：
- 它们都能够加载和存储
.fif格式的数据，也都能够通过get_data()方法导出到Numpy_array中去或者通过to_data_frame()方法导出到Pandas_DataFrame中去 - 它们都能通过
pick(),pick_channels()和pick_types等方法来进行channel的选择 - 它们都能通过
add_proj(),del_proj()和plot_projs_topomap()方法来绘制SSP矢量图 - 它们都有
copy(),crop(),time_as_index(),filter()和resample()方法 - 它们都有
times,ch_names,proj和info属性 - 它们多
plot(),plot_psd(),plot_psd_topomap()这些有内置的绘图方法
创建
创建Epochs对象方式有三种：
- 通过Raw对象和事件点(event times)
- 通过读取.fif文件数据生成Epoch对象
- 通过mne.EpochsArray从头创建Epoch对象
通过Raw对象和事件点(event times)
Tips：这里画图时需要对bad通道进行一些处理，在后面学习完bad通道后再回头来补
PS：如不进行操作则会出现
Channels marked as bad: ['MEG 2443', 'EEG 053']
步骤：
- 读取fif文件，构建raw对象
- 通过
find_events从raw中提取events对象 - 创建epochs对象
代码：
import mne
from mne import io
from mne.datasets import sample
# 文件路径
data_path = "D:\Data\MNE-sample-data"
raw_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw.fif'
# 读取fif文件,创建raw对象
raw = io.read_raw_fif(raw_fname)
# 通过find_events从raw中提取events
events = mne.find_events(raw, stim_channel='STI 014')
# 创建epochs
event_dict = {'auditory/left': 1, 'auditory/right': 2, 'visual/left': 3,
'visual/right': 4, 'face': 5, 'buttonpress': 32}
epochs = mne.Epochs(raw, events, tmin=-0.3, tmax=0.7)
print(epochs.event_id)
结果：
通过读取.fif文件数据生成Epoch对象
步骤：
- 读取fif文件，构建raw对象
- 创建event对象
- 创建epoch对象
- 对epoch进行叠加平均得到evoked对象
- 绘制evoked
代码：
import mne
from mne import io
from mne.datasets import sample
# 文件路径
data_path = "D:\Data\MNE-sample-data"
raw_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw.fif'
event_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw-eve.fif'
event_id, tmin, tmax = 1, -0.2, 0.5
# 读取fif文件,创建raw对象
raw = io.read_raw_fif(raw_fname)
# 读取包含event的fif文件，创建event对象
events = mne.read_events(event_fname)
# 挑选通道:EEG + MEG - bad channels
raw.info['bads'] += ['MEG 2443', 'EEG 053'] # bads + 2 more
picks = mne.pick_types(raw.info, meg=True, eeg=False, stim=True, eog=True,
exclude='bads')
# 读取Epoch数据
epochs = mne.Epochs(raw, events, event_id, tmin, tmax, proj=True,
picks=picks, baseline=(None, 0), preload=True,
reject=dict(grad=4000e-13, mag=4e-12, eog=150e-6))
# 对epochs数据进行求平均获取诱发响应
evoked = epochs.average()
evoked.plot(time_unit='s')
plt.show()
结果：
通过mne.EpochsArray从头创建Epoch对象
方式：利用mne.EpochsArray创建Epochs对象，创建时直接构建numpy数组即可，数组的形状必须是(n_epochs, n_chans, n_times)
数据对应的单位：
V: eeg, eog, seeg, emg, ecg, bio, ecogT: mag
T/m: grad
M: hbo, hbr
Am: dipole
AU: misc
步骤
- 构建数据
- 构建events，设置事件的id
- 创建epochs对象
代码：
import mne
import numpy as np
import matplotlib.pyplot as plt
"""
第一步：构建数据
构建一个大小为10x5x200的三维数组，数组中数据是随机数；
第一维数据表示：10 epochs
第二维数据表示：5 channels
第三维数据表示：2 seconds per epoch
"""
# 采样频率
sfreq = 100
# 10 epochs + 5 channels + 2 seconds per epoch
data = np.random.randn(10, 5, sfreq * 2)
# 创建一个info结构
info = mne.create_info(
ch_names=['MEG1', 'MEG2', 'EEG1', 'EEG2', 'EOG'],
ch_types=['grad', 'grad', 'eeg', 'eeg', 'eog'],
sfreq=sfreq
)
"""
第二步：构建events
在创建Epochs对象时，必须提供一个"events"数组，
事件(event)描述的是某一种波形(症状)的起始点，其为一个三元组，形状为(n_events,3):
第一列元素以整数来描述的事件起始采样点；
第二列元素对应的是当前事件来源的刺激通道(stimulus channel)的先前值(previous value),该值大多数情况是0；
第三列元素表示的是该event的id。
"""
events = np.array([
[0, 0, 1],
[1, 0, 2],
[2, 0, 1],
[3, 0, 2],
[4, 0, 1],
[5, 0, 2],
[6, 0, 1],
[7, 0, 2],
[8, 0, 1],
[9, 0, 2],
])
"""
设置事件的id
如果是dict，则以后可以使用这些键访问关联的事件。示例：dict（听觉=1，视觉=3）
如果是int，将创建一个id为string的dict。
如果是列表，则使用列表中指定ID的所有事件。
如果没有，则所有事件都将与一起使用，并使用与事件id整数对应的字符串整数名称创建dict。
"""
# 创建event id，受试者或者微笑或者皱眉
event_id = dict(smiling=1, frowning=2)
# tmin : event开始前的时间，如果未指定，则默认为0，这里我们设置事件开始前时间为-0.1s
tmin = -0.1
"""
第三步：利用mne.EpochsArray创建epochs对象
"""
custom_epochs = mne.EpochsArray(data, info, events, tmin, event_id)
print(custom_epochs)
# 绘制
_ = custom_epochs['smiling'].average().plot(time_unit='s')
结果：
查看与可视化
对于epoch对象而言，和Raw对象一样，都能进行查看、可视化等一系列操作。
在下面这个代码中，采用的epochs创建方式是通过Raw对象，这一部分和上面是一样的。
之后是6种对epoch的查看方式，包括通过列表切片、通过event_id和通过描述性名称等方式。
最后是两种不同的可视化，这一部分实际上有很多种，这里也只是选取了两种不同的图而已，具体可以参考mne的官方文档。有空的话我会专门研究一下可视化的各种方法，目前限于时间精力，可视化的部分也只是简单地搬过来用了而已，第一种方式是脑机接口社区里的对epochs平均叠加(average)，第二种方式是按时间序列(time series)进行绘制。
代码：
import mne
import os.path as op
import numpy as np
from matplotlib import pyplot as plt
# 创建raw对象
data_path = "D:\Data\MNE-sample-data"
# 加载包含事件events的听觉数据集
raw = mne.io.read_raw_fif(
op.join(data_path, 'MEG', 'sample', 'sample_audvis_raw.fif'))
# 创建events对象
# 构造事件数组
events = mne.find_events(raw, stim_channel='STI 014')
# 显示事件数
print('Number of events:', len(events))
# 显示所有唯一的事件编号(第3列)
print('Unique event codes:', np.unique(events[:, 2]))
"""
使用描述性标签指定感兴趣的事件代码。
给不同的events一个描述性名称。
"""
event_id = {'Auditory/Left': 1, 'Auditory/Right': 2}
# 创建epoch对象
# 取每个event的前0.1秒和后1秒共1.1秒的时间长度作为一个epoch
epochs = mne.Epochs(raw, events, event_id, tmin=-0.1, tmax=1,
baseline=(None, 0), preload=True)
print(epochs)
# 查看epoch对象
# 查看event属性，下面是各种不同的查看方式
print(epochs.events[:3])
print(epochs.event_id)
print(epochs[1:5])
print(epochs['Auditory/Right'])
print(epochs['Right'])
print(epochs['Right', 'Left'])
# 可视化1 : c.epoch平均叠加
# 通过调用mne.Epochs.average()方法可返回Evoked对象，average()方法可以通过参数指定需要的信道。
ev_left = epochs['Auditory/Left'].average()
ev_right = epochs['Auditory/Right'].average()
f, axs = plt.subplots(3, 2, figsize=(10, 5))
_ = f.suptitle('Left / Right auditory', fontsize=20)
_ = ev_left.plot(axes=axs[:, 0], show=False, time_unit='s')
_ = ev_right.plot(axes=axs[:, 1], show=False, time_unit='s')
plt.tight_layout()
# 可视化2 : 按时间序列(time series)进行epochs的绘制
catch_trials_and_buttonpresses = mne.pick_events(events, include=[5, 32])
epochs.plot(events=catch_trials_and_buttonpresses, event_id={'Auditory/Left': 1, 'Auditory/Right': 2}, group_by='selection', butterfly=True)
plt.show()
结果:
查看：
可视化1：
可视化2：
