MNE学习笔记（七）：Evoked data的可视化

2024-01-14 18:20
文章标签 学习 笔记 可视化 data mne evoked

本文主要是介绍MNE学习笔记（七）：Evoked data的可视化，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！

MNE学习笔记（七）：Evoked data的可视化

参考文章：https://mne.tools/stable/auto_tutorials/evoked/20_visualize_evoked.html

准备工作

这里就不再解释了，具体可以查看MNE学习笔记（四）：Evoked数据结构。

代码：

import os
import numpy as np
import mne
from matplotlib import pyplot as plt# 如果没有数据则用这个自动下载
# sample_data_folder = mne.datasets.sample.data_path()
# 已有数据，则直接加载即可
sample_data_folder = "D:\Data\MNE-sample-data"
sample_data_evk_file = os.path.join(sample_data_folder, 'MEG', 'sample','sample_audvis-ave.fif')
evokeds_list = mne.read_evokeds(sample_data_evk_file, baseline=(None, 0),proj=True, verbose=False)# Show the condition names, and reassure ourselves that baseline correction has been applied.
for e in evokeds_list:print(f'Condition: {e.comment}, baseline: {e.baseline}')# convert that list of Evoked objects into a dictionary
conds = ('aud/left', 'aud/right', 'vis/left', 'vis/right')
evks = dict(zip(conds, evokeds_list))
#      ‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾ this is equivalent to:
# {'aud/left': evokeds_list[0], 'aud/right': evokeds_list[1],
#  'vis/left': evokeds_list[2], 'vis/right': evokeds_list[3]}

结果：

image-20210902185530005

绘制信号追踪图（signal traces）

Evoked对象最基本的图是每一个channel类型的蝴蝶图(butterfly plot)，这是由evoked.plot()方法生成的。默认情况下，‘bad’ channel会被排除，但是可以通过将一个空的list传递给exclude参数（默认为exclude='bads'）对它进行控制：

代码：

# signal trace
evks['aud/left'].plot(exclude=[])
plt.show()

结果：

image-20210902192547843 image-20210902192613337

evoked.plot()参数含义

  • picks参数：可以让我们通过name、index或者type来选择channel。这里展示一下只选择magnetometer channel的图。
  • spatial_colors=True：根据它们的位置用颜色编码通道轨迹。
  • gfp=True：叠加/添加对信号的均方根(RMS - Root Mean Square)的追踪(trace)。

代码：

# pick spatial_color gfp
evks['aud/left'].plot(picks='mag', spatial_colors=True, gfp=True)
plt.show()

结果：

image-20210903103323708

选择一段之后：

image-20210903103447687

绘制头皮地形图（scalp topographies）

通过plot_topmap方法可以生成特定时间的头皮地形图。

代码：

# 头皮地形图
times = np.linspace(0.05, 0.13, 5)
evks['aud/left'].plot_topomap(ch_type='mag', times=times, colorbar=True)
plt.show()

结果：

image-20210903110307139 image-20210903110439966

也可以对时间进行指定

代码：

# 指定time = 0.09
fig = evks['aud/left'].plot_topomap(ch_type='mag', times=0.09, average=0.1)
fig.text(0.5, 0.05, 'average from 40-140 ms', ha='center')
plt.show()

结果

image-20210903110621124 image-20210903110809887

绘制箭头地图（Arrow maps）

上面的头皮地形图通过mne.viz.plot_arrowmap来生成显示估计磁场的大小和方向的箭头。

代码：

# 箭头地图
mags = evks['aud/left'].copy().pick_types(meg='mag')
mne.viz.plot_arrowmap(mags.data[:, 175], mags.info, extrapolate='local')
plt.show()

结果：

image-20210903111300340

绘制联合图（Joint plots）

联合图结合了butterfly plots和scalp topographies，并提供了evoked data的一种美观的展示方式。默认中地形图会被自动基于peak finding放置。联合图也可以选取特定时间来进行绘制。

代码：

# 联合图
evks['vis/right'].plot_joint()
plt.show()

结果

image-20210903112139270 image-20210903111831216

选取一段后：

image-20210903111927043
image-20210903111937418

选取一段后：

image-20210903112001570
image-20210903112016364

选取一段后：

image-20210903112048152

对比Evoked对象

可以采用mne.viz.plot_compare_evokeds来对比不同实验环境下的Evoked对象。它有可以用来选取channnel的pick参数，默认下为每一个channel类型生成一个图。

代码：

# 对比图
def custom_func(x):return x.max(axis=1)
for combine in ('mean', 'median', 'gfp', custom_func):mne.viz.plot_compare_evokeds(evks, picks='eeg', combine=combine)
plt.show()

结果：

image-20210903113132833 image-20210903113115518 image-20210903113145419 image-20210903113157884 image-20210903113215329

可以对图进行定制，这里我们对aud和vis情况下进行颜色的选择，对left和right情况进行线条的选择。

代码：

# 定制对比图
mne.viz.plot_compare_evokeds(evks, picks='MEG 1811', colors=dict(aud=0, vis=1),linestyles=dict(left='solid', right='dashed'))
plt.show()

结果：

image-20210903114842012

如果传递的是一个Evoked对象的列表或元组，则legend键将被Evoked对象的comment属性自动生成。

代码：

# 传入元组或列表
temp_list = list()
for idx, _comment in enumerate(('foo', 'foo', '', None, 'bar'), start=1):_evk = evokeds_list[0].copy()_evk.comment = _comment_evk.data *= idx  # so we can tell the traces aparttemp_list.append(_evk)
mne.viz.plot_compare_evokeds(temp_list, picks='mag')
plt.show()

结果：

image-20210903115749820 image-20210903115846190

图像映射（Image plots）

evoked_image()显示每个row的channel

代码：

# image plot
evks['vis/right'].plot_image(picks='meg')
plt.show()

结果：

image-20210903120230721

绘制次地形图（Topographical subplots）

对于sensor级的分析，在地形布局中绘制每个sensor的响应是有用的。 如果传递axes='topo'，plot_compare_evakes函数可以进行这样的绘制，但如果传感器的数量太大，它可能会非常慢，所以这里我们只绘制脑电图通道:

代码：

# 次地形图
mne.viz.plot_compare_evokeds(evks, picks='eeg', colors=dict(aud=0, vis=1),linestyles=dict(left='solid', right='dashed'),axes='topo', styles=dict(aud=dict(linewidth=1),vis=dict(linewidth=1)))
plt.show()

结果：

image-20210903121045335

对于大量的sensors，可以使用ecoked.plot_topo()和mne.viz.plot_evoked_topo方法。

ecoked.plot_topo()仅绘制一个情况的。

mne.viz.plot_evoked_topo可以在相同坐标下绘制多个情况的，默认下绘制所有MEG sensors。

代码：

# 大量sensors
mne.viz.plot_evoked_topo(evokeds_list)
plt.show()

结果：

image-20210903121603257 image-20210903121623047

3D区域图（3D Field Maps）

为了能实现3D的效果，需要一个trans文件来对MEG设备和头表面（基于MRI）之间的坐标系进行位置转变。当然，也可以不用trans文件，但是这只能计算MEG头盔上的sensor。

代码：

# 读取trans文件
subjects_dir = os.path.join(sample_data_folder, 'subjects')
sample_data_trans_file = os.path.join(sample_data_folder, 'MEG', 'sample','sample_audvis_raw-trans.fif')

默认下，MEG传感器(sensor)用于估计头盔表面的磁场，EEG传感器(sensor)用于估计头皮上的磁场。 一旦计算出映射，就可以使用invoke .plot_field()来绘制它们:

如果报错RuntimeError: Could not load any valid 3D backend: pyvista, mayavi, notebook，则安装这三个backend。

pip install pyvista
pip install notebook
// 还有mayavi的安装，这个比较复杂

关于mayavi的安装，请查看https://blog.csdn.net/qq_45347768/article/details/120082562

如果又报错：ValueError: numpy.ndarray size changed, may indicate binary incompatibility. Expected 88 from C header, got 80 from PyObject，这是因为numpy版本问题，重装numpy即可

pip uninstall numpy
pip install numpy

之后要进行UI工具的安装，在mayavi的安装里面我也已经说明了，建议安装PyQt4。

最后是显示的问题，如果图片一闪而过，则需要在代码的最后加一个input()。

代码：

# 绘制3D图
maps = mne.make_field_map(evks['aud/left'], trans=sample_data_trans_file,subject='sample', subjects_dir=subjects_dir)
evks['aud/left'].plot_field(maps, time=0.1)
plt.show()
input()

结果：

image-20210903170410752 image-20210903170435457

同时也可以通过传入meg_surf='head'使用MEG sensors来估计头皮区域。

代码：

for ch_type in ('mag', 'grad', 'eeg'):evk = evks['aud/right'].copy().pick(ch_type)_map = mne.make_field_map(evk, trans=sample_data_trans_file,subject='sample', subjects_dir=subjects_dir,meg_surf='head')fig = evk.plot_field(_map, time=0.1)mne.viz.set_3d_title(fig, ch_type, size=20)
plt.show()
input()

结果：

image-20210903170751634 image-20210903170808066 image-20210903170817177

完整代码

import os
import numpy as np
import mne
from matplotlib import pyplot as plt# 如果没有数据则用这个自动下载
# sample_data_folder = mne.datasets.sample.data_path()
# 已有数据，则直接加载即可
sample_data_folder = "D:\Data\MNE-sample-data"
sample_data_evk_file = os.path.join(sample_data_folder, 'MEG', 'sample','sample_audvis-ave.fif')
evokeds_list = mne.read_evokeds(sample_data_evk_file, baseline=(None, 0),proj=True, verbose=False)# Show the condition names, and reassure ourselves that baseline correction has been applied.
for e in evokeds_list:print(f'Condition: {e.comment}, baseline: {e.baseline}')# convert that list of Evoked objects into a dictionary
conds = ('aud/left', 'aud/right', 'vis/left', 'vis/right')
evks = dict(zip(conds, evokeds_list))
#      ‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾ this is equivalent to:
# {'aud/left': evokeds_list[0], 'aud/right': evokeds_list[1],
#  'vis/left': evokeds_list[2], 'vis/right': evokeds_list[3]}# signal trace
evks['aud/left'].plot(exclude=[])
plt.show()# pick spatial_color gfp
evks['aud/left'].plot(picks='mag', spatial_colors=True, gfp=True)
plt.show()# 头皮地形图
times = np.linspace(0.05, 0.13, 5)
evks['aud/left'].plot_topomap(ch_type='mag', times=times, colorbar=True)
plt.show()# 指定time = 0.09
fig = evks['aud/left'].plot_topomap(ch_type='mag', times=0.09, average=0.1)
fig.text(0.5, 0.05, 'average from 40-140 ms', ha='center')
plt.show()# 箭头地图
mags = evks['aud/left'].copy().pick_types(meg='mag')
mne.viz.plot_arrowmap(mags.data[:, 175], mags.info, extrapolate='local')
plt.show()# 联合图
evks['vis/right'].plot_joint()
plt.show()# 对比图
def custom_func(x):return x.max(axis=1)
for combine in ('mean', 'median', 'gfp', custom_func):mne.viz.plot_compare_evokeds(evks, picks='eeg', combine=combine)
plt.show()# 定制对比图
mne.viz.plot_compare_evokeds(evks, picks='MEG 1811', colors=dict(aud=0, vis=1),linestyles=dict(left='solid', right='dashed'))
plt.show()# 传入元组或列表
temp_list = list()
for idx, _comment in enumerate(('foo', 'foo', '', None, 'bar'), start=1):_evk = evokeds_list[0].copy()_evk.comment = _comment_evk.data *= idx  # so we can tell the traces aparttemp_list.append(_evk)
mne.viz.plot_compare_evokeds(temp_list, picks='mag')
plt.show()# image plot
evks['vis/right'].plot_image(picks='meg')
plt.show()# 次地形图
mne.viz.plot_compare_evokeds(evks, picks='eeg', colors=dict(aud=0, vis=1),linestyles=dict(left='solid', right='dashed'),axes='topo', styles=dict(aud=dict(linewidth=1),vis=dict(linewidth=1)))
plt.show()# 大量sensors
mne.viz.plot_evoked_topo(evokeds_list)
plt.show()# 3D
# 读取trans文件
subjects_dir = os.path.join(sample_data_folder, 'subjects')
sample_data_trans_file = os.path.join(sample_data_folder, 'MEG', 'sample','sample_audvis_raw-trans.fif')# 绘制3D图
maps = mne.make_field_map(evks['aud/left'], trans=sample_data_trans_file,subject='sample', subjects_dir=subjects_dir)
evks['aud/left'].plot_field(maps, time=0.1)
plt.show()
input()for ch_type in ('mag', 'grad', 'eeg'):evk = evks['aud/right'].copy().pick(ch_type)_map = mne.make_field_map(evk, trans=sample_data_trans_file,subject='sample', subjects_dir=subjects_dir,meg_surf='head')fig = evk.plot_field(_map, time=0.1)mne.viz.set_3d_title(fig, ch_type, size=20)
plt.show()
input()

这篇关于MNE学习笔记（七）：Evoked data的可视化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/606086。

相关文章

利用Python快速搭建Markdown笔记发布系统

利用Python快速搭建Markdown笔记发布系统

《利用Python快速搭建Markdown笔记发布系统》这篇文章主要为大家详细介绍了使用Python生态的成熟工具,在30分钟内搭建一个支持Markdown渲染、分类标签、全文搜索的私有化知识发布系统... 目录引言：为什么要自建知识博客一、技术选型：极简主义开发栈二、系统架构设计三、核心代码实现（分步解析
阅读更多...
基于Python打造一个可视化FTP服务器

基于Python打造一个可视化FTP服务器

《基于Python打造一个可视化FTP服务器》在日常办公和团队协作中,文件共享是一个不可或缺的需求,所以本文将使用Python+Tkinter+pyftpdlib开发一款可视化FTP服务器,有需要的小... 目录1. 概述2. 功能介绍3. 如何使用4. 代码解析5. 运行效果6.相关源码7. 总结与展望1
阅读更多...
Python Dash框架在数据可视化仪表板中的应用与实践记录

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash？1.1
阅读更多...
使用Folium在Python中进行地图可视化的操作指南

使用Folium在Python中进行地图可视化的操作指南

《使用Folium在Python中进行地图可视化的操作指南》在数据分析和可视化领域,地图可视化是一项非常重要的技能,它能够帮助我们更直观地理解和展示地理空间数据,Folium是一个基于Python的地... 目录引言一、Folium简介与安装1. Folium简介2. 安装Folium二、基础使用1. 创建
阅读更多...
Java进阶学习之如何开启远程调式

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,：本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx
阅读更多...
基于Python开发PDF转PNG的可视化工具

基于Python开发PDF转PNG的可视化工具

《基于Python开发PDF转PNG的可视化工具》在数字文档处理领域,PDF到图像格式的转换是常见需求,本文介绍如何利用Python的PyMuPDF库和Tkinter框架开发一个带图形界面的PDF转P... 目录一、引言二、功能特性三、技术架构1. 技术栈组成2. 系统架构javascript设计3.效果图
阅读更多...
HTML5 data-*自定义数据属性的示例代码

HTML5 data-*自定义数据属性的示例代码

《HTML5data-*自定义数据属性的示例代码》HTML5的自定义数据属性（data-*）提供了一种标准化的方法在HTML元素上存储额外信息,可以通过JavaScript访问、修改和在CSS中使用... 目录引言基本概念使用自定义数据属性1. 在 html 中定义2. 通过 JavaScript 访问3.
阅读更多...
Java深度学习库DJL实现Python的NumPy方式

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操
阅读更多...
Python中的可视化设计与UI界面实现

Python中的可视化设计与UI界面实现

《Python中的可视化设计与UI界面实现》本文介绍了如何使用Python创建用户界面（UI）,包括使用Tkinter、PyQt、Kivy等库进行基本窗口、动态图表和动画效果的实现,通过示例代码,展示... 目录从像素到界面：python带你玩转UI设计示例：使用Tkinter创建一个简单的窗口绘图魔法：用
阅读更多...
HarmonyOS学习(七)——UI（五）常用布局总结

HarmonyOS学习(七)——UI（五）常用布局总结

自适应布局 1.1、线性布局（LinearLayout） 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列，Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距，达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式，且在各类尺寸屏幕上表现一致，其中交叉轴为垂直时，取值为Vert
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2