Python-mne库使用教程

一.读取数据

mne库支持多种数据格式的读取，这里我来写一点我的样例。

一个是从csv读取数据，一个是读取EDF（信息较为多）里的数据。

1.从csv读取数据

csv读取的话只有电压值很多信息是没有的。

#因为数据为22导，将取出的数据放入列表，因为mne的raw需要这个格式
for j in range(1,23):
        data = pd.read_csv(data_path, usecols=[str(j)])
        list1 = data.values.tolist()
        final_list = list(chain.from_iterable(list1))
        data1.append(final_list)

#需要与电极名相匹配的名字，我这里使用的是与 standard_1020相匹配的名字
ch_names = ['Fz', 'FC3', 'FC1', 'FCz', 'FC2', 'FC4', 'C5', 'C3', 'C1', 'Cz', 'C2', 'C4', 'C6', 'CP3', 'CP1', 'CPz','CP2', 'CP4', 'P1', 'Pz', 'P2', 'POz']

#电极类型源代码可找支持的数据（这个不填写也有默认值，因为我们是只读数据所以需要根据电极信息 自行设置）
ch_types = ['eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg','eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg', 'eeg']

#采样频率
sfreq = 100  # Hz

#组成info
info = mne.create_info(ch_names, sfreq, ch_types)

#组成原始数据
raw = mne.io.RawArray(data1, info)

#电极信息
montage = mne.channels.make_standard_montage("standard_1020")
raw.set_montage(montage)

2.从EDF读取数据

EDF里保存的信息较多

#直接读取EDF文件
raw = mne.io.read_raw_edf(r"C:\Users\Administrator\PycharmProjects\EEG#用来修改电极类型（对于已经存在的类型我们需要这么修改）
chan_types_dict = {'P8':"eog",'O1':"eog"}
raw.set_channel_types(chan_types_dict)00249.EDF")

#需要一个电极名
ch_names=['Fp1' 'Fp2' 'F7' 'F3' 'Fz' 'F4' 'F8' 'T7' 'C3' 'Cz' 'C4' 'T8' 'P7' 'P3''Pz' 'P4' 'P8' 'O1' 'O2']

#电极信息，有俩种用法一个是导入自己的电极图，一个是引用官方的图
locs_info_path = "Standard-10-20-Cap19.locs"
montage = mne.channels.read_custom_montage(locs_info_path)

#这里根据读取的电极名字要和edf读取的电极名一致，否则需要修改（而且因为给的edf只有18导因此，生成的也就18导的电极了）
montage = mne.channels.read_custom_montage(locs_info_path)
new_chan_names = np.loadtxt(locs_info_path,dtype=str,usecols=3)
old_chan_names = raw.info["ch_names"]
chan_names_dict = {old_chan_names[i]:new_chan_names[i] for i in range(18)}

#更新数据的电极名字（不是标准名无法运行）
raw.rename_channels(chan_names_dict)
#输入电极位置信息
raw.set_montage(montage)

 这个可以用来修改你的电极类型

Python 脑电数据

当然mne库也可以使用更多的读取方式，这是在# MNE-Python中对多种格式的脑电数据都进⾏了⽀持： # *** 如数据后缀为.set (来⾃EEGLAB的数据) # 使⽤mne.io.read_raw_eeglab() # *** 如数据后缀为.vhdr (BrainVision系统) # 使⽤mne.io.read_raw_brainvision() # *** 如数据后缀为.edf # 使⽤mne.io.read_raw_edf() # *** 如数据后缀为.bdf (BioSemi放⼤器) # 使⽤mne.io.read_raw_bdf() # *** 如数据后缀为.gdf # 使⽤mne.io.read_raw_gdf() # *** 如数据后缀为.cnt (Neuroscan系统) # 使⽤mne.io.read_raw_cnt() # *** 如数据后缀为.egi或.mff # 使⽤mne.io.read_raw_egi() # *** 如数据后缀为.data # 使⽤mne.io.read_raw_nicolet() # *** 如数据后缀为.nxe (Nexstim eXimia系统) # 使⽤mne.io.read_raw_eximia() # *** 如数据后缀为.lay或.dat (Persyst系统) # 使⽤mne.io.read_raw_persyst() # *** 如数据后缀为.eeg (Nihon Kohden系统) # 使⽤mne.io.read_raw_nihon()处理中文手册所写的其他读取方式。

#观察数据信息
print(raw.info)

二.可视化数据

这里我介绍几个常用的函数

1.查看信息

#生成的原始数据波形图
raw.plot(duration=5, n_channels=32, clipping=None)
plt.show()

 

 2.原始数据波形图

#原始数据功率谱图（如果有多种类型的channel_type有个图）
raw.plot_psd(average=True)
plt.show()

 3.原始数据功率谱图

#电极位置图
raw.plot_sensors(ch_type='eeg', show_names=True)
plt.show()

 

 4.电极位置图

#原始数据拓扑图
raw.plot_psd_topo()
plt.show()

 

 5.原始数据拓扑图

#陷波滤波
raw = raw.notch_filter(freqs=(60))

Setting up band-stop filter from 59 - 61 Hz
FIR filter parameters
---------------------
Designing a one-pass, zero-phase, non-causal bandstop filter:
- Windowed time-domain design (firwin) method
- Hamming window with 0.0194 passband ripple and 53 dB stopband attenuation
- Lower passband edge: 59.35
- Lower transition bandwidth: 0.50 Hz (-6 dB cutoff frequency: 59.10 Hz)
- Upper passband edge: 60.65 Hz
- Upper transition bandwidth: 0.50 Hz (-6 dB cutoff frequency: 60.90 Hz)
- Filter length: 845 samples (6.602 sec)

 三.滤波 1.环境滤波

预处理步骤中，通常需要对数据进⾏⾼通滤波 *** 作 

2.高低通滤波 此处采⽤最常规的滤波 *** 作，进⾏30Hz的低通滤波及0.1Hz的⾼通滤波 ⾼通滤波为了消除电压漂移，低通滤波为了消除⾼频噪⾳ raw = raw.filter(l_freq=0.1, h_freq=30) Filtering raw data in 1 contiguous segment Setting up band-pass filter from 0.1 - 30 Hz FIR filter parameters --------------------- Designing a one-pass, zero-phase, non-causal bandpass filter: - Windowed time-domain design (firwin) method - Hamming window with 0.0194 passband ripple and 53 dB stopband attenuation - Lower passband edge: 0.10 - Lower transition bandwidth: 0.10 Hz (-6 dB cutoff frequency: 0.05 Hz) - Upper passband edge: 30.00 Hz - Upper transition bandwidth: 7.50 Hz (-6 dB cutoff frequency: 33.75 Hz) - Filter length: 4225 samples (33.008 sec)

fig = raw.plot(duration=5, n_channels=22, clipping=None) 
fig.canvas.key_press_event('a')
plt.show()

#若无法打开添加下列代码
#import matplotlib 
#matplotlib.use('TkAgg')

四.去伪迹 1.去坏段

# 坏道标记
raw.info['bads'].append('FC5')
# 打印出当前的坏道
print(raw.info['bads'])

 2.去坏道

raw = raw.interpolate_bads()

Interpolating bad channels
 Automatic origin fit: head of radius 95.0 mm
Computing interpolation matrix from 29 sensor positions
Interpolating 1 sensors
进⾏信号重建后会默认把坏掉的'bads'标记去掉

3.坏道值重建

#绘制ICA成分地形图
ica = mne.preprocessing.ICA(n_components=12, random_state=97, max_iter=800)
ica.fit(inst=raw)
ica.plot_components()
plt.show()

4.独立成分分析（ICA）

#ICA分析,这个是单独拿成分出来
ica = mne.preprocessing.ICA(n_components=12, random_state=97, max_iter=800)
ica.fit(inst=raw)
ica.plot_properties(raw,picks=[1,5])

 

 

 五.结束语

mne库这只是开始和基础的用法，其中参考了mne官方文档和Python脑电数据处理中文手册，后面的 *** 作较难暂时先不展示了如果看的人多我就继续更新。