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

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...
Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya（不是本人，claude AI）在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容： 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用
阅读更多...
【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【课程链接】 AntV G6：深入图形与图形分组、自定义节点、节点动画（下）_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中，应该怎样去计算和绘制图形，如何给一个图形制作不间断的动画，以及在鼠标事件之后产生动画。（有点难，需要好好理解） <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06
阅读更多...
学习hash总结

学习hash总结

2014/1/29/   最近刚开始学hash，名字很陌生，但是hash的思想却很熟悉，以前早就做过此类的题，但是不知道这就是hash思想而已，说白了hash就是一个映射，往往灵活利用数组的下标来实现算法，hash的作用：1、判重；2、统计次数；
阅读更多...
零基础学习Redis(10) -- zset类型命令使用

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合，内部除了存储元素外，还会存储一个score，存储在zset中的元素会按照score的大小升序排列，不同元素的score可以重复，score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]
阅读更多...
【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss
阅读更多...
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

系列文章目录 监督学习：参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归（SAheart.csv） 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学
阅读更多...
系统架构师考试学习笔记第三篇——架构设计高级知识（20）通信系统架构设计理论与实践

系统架构师考试学习笔记第三篇——架构设计高级知识（20）通信系统架构设计理论与实践

本章知识考点：         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识
阅读更多...
线性代数|机器学习-P36在图中找聚类

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大，需要补充太多的知识点，教授讲得内容跨越较大，一般一节课的内容是书本上的一章节内容，所以看视频比较吃力，需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构： Adjacency Matrix:行和列表示的是节点的位置，A[i,j]表示的第 i 个节点和第 j 个
阅读更多...
Node.js学习记录（二）

Node.js学习记录（二）

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2