更多技术干货第一时间送达
在前面我们介绍过Evoked的数据结构以及如何创建Evoked对象《Python-EEG工具库MNE中文教程(4)-MNE中数据结构Evoked及其对象创建》以及上文介绍了Evoked的数据可视化《Python-可视化Evoked数据》。
今天接着介绍Evoked数据的地形图可视化。
首先还是先介绍一下Evoked结构:
Evoked potential(EP)诱发电位或诱发反应是指在出现诸如闪光或纯音之类的刺激后,从人类或其他动物的神经系统,特别是大脑的特定部分记录的特定模式的电位。不同形式和类型的刺激会产生不同类型的电位。
诱发电位振幅往往较低,从小于1微伏到数微伏不等,而脑电图为数十微伏,肌电图为毫伏,心电图通常接近20毫伏。为了在EEG、ECG、EMG等生物信号和环境噪声的背景下解决这些低幅度电位,通常需要对信号进行平均。信号被时间锁定在刺激上,大部分噪声是随机产生的,这样就可以通过对重复响应来平均掉噪声。
诱发电位(Evoked)结构主要用于存储实验期间的平均数据,在MNE中,创建Evoked对象通常使用mne.Epochs.average()来平均epochs数据来实现。
本示例中,我们着重于mne.Evoked的地形图可视化绘图功能。
案例介绍
# 导入工具包
import os.path as op
import numpy as np
import matplotlib.pyplot as plt
import mne
'''
第一步:
从文件中读取诱发对象
'''
# 获取数据文件默认春芳地址
data_path = mne.datasets.sample.data_path()
# 构建文件存放的具体路径
fname = op.join(data_path, 'MEG', 'sample', 'sample_audvis-ave.fif')
# 根据文件存放的具体路径
evoked = mne.read_evokeds(fname, baseline=(None, 0), proj=True)
注意,诱发事件是一系列诱发事件的实例。
通过将参数条件传递给mne.read_evokeds(),您只能读取其中一个类别。 为了使本教程更简单,我们将每个实例读取到一个变量。
evoked_l_aud = evoked[0]
evoked_r_aud = evoked[1]
evoked_l_vis = evoked[2]
evoked_r_vis = evoked[3]
我们可以使用Evoked对象的mne.Evoked.plot_joint()方法在一张图中组合两种图形。按原样调用(evoked.plot_joint()),此函数应提供时空动态的信息显示。 可以使用topomap_args和ts_args参数直接设置图的时间序列部分和topomap部分的样式。也可以将键值对作为Python字典传递。
然后将它们作为参数传递给联合绘图的mne.Evoked.plot_topomap()和时间序列(mne.Evoked.plot())。
对于使用这些topomap_args和ts_args参数的特定样式的示例,此处显示了特定时间点(90和200 ms)的topomaps,未绘制传感器(通过转发到plot_topomap的参数),并且显示了Global Field Power:
ts_args = dict(gfp=True, time_unit='s')
topomap_args = dict(sensors=False, time_unit='s')
evoked_r_aud.plot_joint(title='right auditory', times=[.09, .20],
ts_args=ts_args, topomap_args=topomap_args)
如果想要比较两个或多个传感器的选择条件,或例如,为全局场功率。为此,可以使用函数mne.viz.plot_compare_evokeds()。最简单的方法是创建一个Python字典,其中键是条件名,值是mne诱发对象。
如果你提供了多个诱发对象的列表,比如那些多被试的对象,总平均值连同一个置信区间带被绘制出来——这可以用来对比整个实验的条件。
首先,我们将诱发对象加载到字典中,将键设置为‘/’分隔的标记(就像我们可以对epochs中的event_id所做的那样)。
然后,我们使用mne.viz.plot_compare_evokeds()进行绘图。该图表使用dict参数进行样式化,同样使用“/”分隔的标记。我们绘制了一个具有强烈听觉反应的脑磁图MEG通道。
conditions = ['Left Auditory', 'Right Auditory', 'Left visual', 'Right visual']
evoked_dict = dict()
for condition in conditions:
evoked_dict[condition.replace(' ', '/')] = mne.read_evokeds(
fname, baseline=(None, 0), proj=True, condition=condition)
print(evoked_dict)
对于移动高级绘图使用mne.viz.plot_compare_evokeds()。
'''
设置 evoked 类别颜色,
左听觉和左视觉的线条颜色为:Crimson
右听觉和右视觉的线条颜色为:CornFlowerBlue
'''
colors = dict(Left='Crimson', Right='CornFlowerBlue')
'''
设置 evoked 绘制 线型,
听觉的线型为:-
视觉的线型为:--
'''
linestyles = dict(Auditory='-', visual='--')
#
pick = evoked_dict['Left/Auditory'].ch_names.index('MEG 1811')
mne.viz.plot_compare_evokeds(evoked_dict, picks=pick, colors=colors,
linestyles=linestyles, split_legend=True)
也可以用图像来描绘这些活动。时间沿着x轴,通道沿着y轴。振幅是彩色编码的,所以振幅从负到正转换成从蓝色到红色。白色表示零振幅。您可以使用cmap参数自己定义颜色映射。接受的值包括所有matplotlib颜色映射。
evoked_r_aud.plot_image(picks='meg')
最后将传感器数据绘制成地形图。在简单的情况下,我们只绘制左听觉反应,然后我们把它们都绘制在同一个图中进行比较。单击各个图,将它们放大。
title = 'MNE sample data\n(condition : %s)'
evoked_l_aud.plot_topo(title=title % evoked_l_aud.comment,
background_color='k', color=['white'])
mne.viz.plot_evoked_topo(evoked, title=title % 'Left/Right Auditory/Visual',
background_color='w')
对于少量传感器,也可以创建更精细的弹出窗口。 同样,单击传感器可打开一个单传感器图。
mne.viz.plot_compare_evokeds(evoked_dict, picks='eeg', colors=colors,
linestyles=linestyles, split_legend=True,
axes='topo')
联系客服