Python科学计算包MNE——头模型和前向计算

2023-10-25 17:59

本文主要是介绍Python科学计算包MNE——头模型和前向计算,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

  • 前言
  • 一. Freesurfer安装及配置
    • 1.1 Freesurfer下载安装
    • 1.2 Freesurfer功能测试
  • 二. 计算和可视化BEM表面
    • 2.1 创建BEM的surfer
  • 三. 可视化配准
  • 四. 计算源空间
    • 4.1 源空间定义
    • 4.2 设置源空间
  • 五. 计算正向解

前言

  1. mne是一款用于处理神经信号的Python 科学计算包,其中所有的示例数据集都是来自同一个机构中来自 60 通道电极帽的 EEG 数据与 MEG 同时获取的,因此实际脑电帽采集的数据由于电极方案和通道数与示例数据集不同,需要在示例代码的基础上做适配。
  2. 其中示例数据集的采集实验为以下设置:
    在这个实验中,棋盘图案呈现给受试者的左右视野,左耳或右耳穿插着音调。刺激之间的间隔为 750 毫秒。视野中央时不时出现一张笑脸。受试者被要求在面部出现后尽快用右手食指按下一个键。
  3. 数据集主要包括两个目录: MEG/sample(MEG/EEG 数据)和subjects/sample(MRI 重建)。
    数据格式及其说明:
文件内容
sample/audvis_raw.fif原始 MEG/EEG 数据
audvis.ave离线平均的模板脚本
auvis.cov用于计算噪声协方差矩阵的模板脚本
文件内容
bem正演建模数据目录
bem/watershed使用分水岭算法计算的 BEM 表面分割数据
bem/inner_skull.surfBEM 的颅骨内表面
bem/outer_skull.surfBEM 的外颅骨表面
bem/outer_skin.surfBEM 的皮肤表面
sample-head.fif用于 mne_analyze 可视化的 fif 格式的皮肤表面
surf表面重建
mri/T1可视化中使用的 T1 加权 MRI 数据

示例数据集中已经完成了以下预处理步骤:

  1. 使用 FreeSurfer 软件计算了 MRI 表面重建。
  2. BEM 表面已使用分水岭算法创建,请参阅使用分水岭算法。
  3. fsaverage是基于 40 个真实大脑 MRI 扫描组合的模板大脑。主题fsaverage 文件夹包含正常主题重建会产生的所有文件。最常见的用途之一fsaverage是作为皮质变形/源估计转换的目标空间。换句话说,通常将每个个体受试者的大脑活动估计值变形到fsaverage大脑上,以便可以进行组级统计比较。

环境:
Ubuntu 20.04
AMD5800 8core 16Thread
NVIDIA RTX 3090 24GB
RAM 64GB

一. Freesurfer安装及配置

Freesurfer 是1999年在美国麻省总医院开发的大脑分析与可视化软件。
开发初衷是重建大脑皮层表面,主要用于结构像,功能像和弥散像等数据的分析和可视化。其只能运行在Linux和MAC os上,Windows系统中需要使用虚拟机。

1.1 Freesurfer下载安装

  1. ubuntu用户首先到Freesurfer官网下载deb安装包:
    https://surfer.nmr.mgh.harvard.edu/pub/dist/freesurfer/7.3.2/freesurfer_ubuntu20-7.3.2_amd64.deb
    执行以下命令进行安装:
sudo apt update
#首先安装所需要的依赖
sudo apt-get -f install
sudo dpkg -i freesurfer_ubuntu20-7.3.2_amd64.deb

如果产生如下图依赖错误,需要首先卸载之前安装的包,然后重新安装。

![在这里插入图片描述](https://img-blog.csdnimg.cn/063e00fb844549b5881d447cb34fc63c.png #pic_center)

sudo apt remove ./free*

安装成功后:
在这里插入图片描述
deb模式安装将默认安装在/usr/local/freesurfer 目录下。

  1. 也可以下载压缩包直接离线解压安装:
    https://surfer.nmr.mgh.harvard.edu/pub/dist/freesurfer/7.3.2/freesurfer-linux-ubuntu20_amd64-7.3.2.tar.gz
tar -zxv -f freesurfer-linux-ubuntu20_amd64-7.3.2.tar.gz
sudo apt-get install tcsh
#根据解压的路径设置文件夹权限
sudo chmod -R 777 ./freesurfer

3.通过以上两种的任意一种安装方式安装freesurfer后,需要添加环境变量,这里需要修改为自己电脑freesurfer解压的路径:

使用 gedit ~/.bashrc 打开系统环境文件,在~/.bashrc文件中添加如下两句:

export FREESURFER_HOME=/home/geek/freesurfer #freesurfer解压路径
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=/home/geek/Brain/MRI #处理结果保存路径
source ~/.bashrc #环境修改立即生效

1.2 Freesurfer功能测试

安装完毕以后要想正常使用,还需要到官网获取license证书,具体方式如下:

到官网注册邮箱:
https://surfer.nmr.mgh.harvard.edu/registration.html
注册完毕后查看邮箱下载license.txt:
在这里插入图片描述
然后将下载下来的license.txt文件复制到usr/local/freesurfer中:

sudo cp ./license.txt usr/local/freesurfer

执行一个demo查看重建结果:

my_subject=sample
my_NIfTI=/home/geek/Brain/MRI/NIfTI.nii.gz
recon-all -i $my_NIfTI -s $my_subject -all

如果运行完毕后没有任何报错,正常输出重建信息,则表明重建成功:
在这里插入图片描述
ps: 解剖重建可能需要几个小时,即使在快速计算机上也是如此。重建成功后的终端信息如下:
在这里插入图片描述

二. 计算和可视化BEM表面

BEM全称是Boundary Element Model。BEM由定义头部组织隔室的表面组成,如内颅骨,外颅骨和外头皮。

2.1 创建BEM的surfer

安装mne后,可以直接使用mne自带的分水岭算法创建BEM表面:

mne watershed_bem -s sample

创建结束后的输出如下:
在这里插入图片描述
接下来对创建后的BEM表面进行测试:

import mne
subject = 'sample'
plot_bem_kwargs = dict(subject=subject, subjects_dir="/home/geek/Brain/MRI",brain_surfaces='white', orientation='coronal',slices=[50, 100, 150, 200])
mne.viz.plot_bem(**plot_bem_kwargs)

三. 可视化配准

配准是允许将头部和传感器定位在公共坐标系中的操作。在 MNE 软件中,对齐头部和传感器的转换存储在所谓的trans 文件中。

  1. 首先使用mne中的coregister的GUI工具进行手工配准,先选择MRI的subject目录,然后进行选择信息源文件进行加载,我这里以sample_audvis_filt-0-40_raw.fif 文件为例,进行加载,得到头模型。然后在右侧工具栏进行FIt fiducialsFit ICP 的拟合。最后点击save 选择保存的trans.fif文件路径即可。
    在这里插入图片描述
  2. 然后加载生成的trans.fif文件,绘制配准后的结果,绘制代码为
trans = '/home/geek/Brain/MRI/trans.fif'
info = mne.io.read_info(raw_fname)
# Here we look at the dense head, which isn't used for BEM computations but
# is useful for coregistration.
mne.viz.plot_alignment(info, trans, subject=subject, dig=True,meg=['helmet', 'sensors'], subjects_dir=subjects_dir,surfaces='head-dense')

绘制结果为:
在这里插入图片描述
输出信息为:

Read a total of 3 projection items:PCA-v1 (1 x 102)  idlePCA-v2 (1 x 102)  idlePCA-v3 (1 x 102)  idle
Using lh.seghead for head surface.
Getting helmet for system 306m
Channel types::	grad: 203, mag: 102, eeg: 59
<mne.viz.backends._pyvista.PyVistaFigure at 0x1460e0333670

四. 计算源空间

4.1 源空间定义

源空间定义候选源位置的位置和方向。有两种类型的源空间:

  1. 当候选者被限制在一个表面时,基于表面的源空间。
  2. 体积或离散源空间,当候选者是离散的、任意位于表面边界的源点时。

基于表面的源空间src包含两部分,一部分用于左半球(258 个位置),另一部分用于右半球(258 个位置)。源可以在紫色的 BEM 表面上可视化。
在这里插入图片描述
计算以 (0.0, 0.0, 40.0) mm 为中心的半径为 90mm 的球体内的候选偶极子网格定义的基于体积的源空间:

sphere = (0.0, 0.0, 0.04, 0.09)
vol_src = mne.setup_volume_source_space(subject, subjects_dir=subjects_dir, sphere=sphere, sphere_units='m',add_interpolator=False)  # just for speed!
print(vol_src)mne.viz.plot_bem(src=vol_src, **plot_bem_kwargs)

在这里插入图片描述

4.2 设置源空间

这个阶段包括以下内容:

  1. 在白质表面创建合适的抽取偶极子网格。
  2. 创建 fif 格式的源空间文件。

计算基于大脑内部候选偶极子网格定义的基于体积的源空间(需要BEM表面):

surface = "/home/geek/Brain/MRI/sample/bem/inner_skull.surf"
vol_src = mne.setup_volume_source_space(subject, subjects_dir=subjects_dir, surface=surface,add_interpolator=False)  # Just for speed!
print(vol_src)
mne.viz.plot_bem(src=vol_src, **plot_bem_kwargs)

在这里插入图片描述
3D 方式查看所有源:
在这里插入图片描述
请注意,BEM不涉及对 trans 文件的任何使用。BEM 仅取决于头部几何形状和电导率。因此它独立于 MEG 数据和头部位置。

五. 计算正向解

现在让我们计算正向运算符,通常称为增益或前场矩阵。
在设置 MRI-MEG/EEG 对齐后,正向解,即由于位于皮层上的偶极源,测量传感器和电极处的磁场和电势,可以通过以下方式计算

fwd = mne.make_forward_solution(raw_fname, trans=trans, src=src, bem=bem,meg=True, eeg=False, mindist=5.0, n_jobs=None,verbose=True)
mne.write_forward_solution("/home/geek/Brain/MRI/fwd.fif",fwd)
print(fwd)

这篇关于Python科学计算包MNE——头模型和前向计算的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/284254

相关文章

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

Python中你不知道的gzip高级用法分享

《Python中你不知道的gzip高级用法分享》在当今大数据时代,数据存储和传输成本已成为每个开发者必须考虑的问题,Python内置的gzip模块提供了一种简单高效的解决方案,下面小编就来和大家详细讲... 目录前言:为什么数据压缩如此重要1. gzip 模块基础介绍2. 基本压缩与解压缩操作2.1 压缩文