4 deap dataset的不同分类模型的实现-MNE基础概念学习

MNE的基础知识在讲下一段代码前，先理解一下MNE库。它是一个库，帮你做好了一些工作，就像一个黑箱，但你需要知道输入是什么，怎么输入。
raw ， epoch ， evoked ， events都是MNE库定义的，所以想知道他们是什么，需要去看官方文档。
Epochs MNE-epochs
是什么 Epochs objects are a data structure for representing and analyzing equal-duration chunks of the EEG/MEG signal. Epochs are most often used to represent data that is time-locked to repeated experimental events (such as stimulus onsets or subject button presses), but can also be used for storing sequential or overlapping frames of a continuous signal (e.g., for analysis of resting-state activity; see Making equally-spaced Events arrays). Inside an Epochs object, the data are stored in an array of shape (n_epochs, n_channels, n_times).

Epochs对象是一种数据结构，用于表示和分析EEG/MEG信号的等长时间块。
Epochs对象存储形状数据(n_epochs, n_channels, n_times)
epoch最常用于表示重复实验事件的时间锁定数据(如刺激触发或被试按键)

epochs /?ep?k/ （也称为， trials /?tra??l/ ）
其它理解：
从连续的脑电图信号中提取一些特定时间窗口的信号，这些时间窗口可以称作为epochs.
假设我们有一个长度为60s的信号x ，采样频率为1 Hz.脑电信号的矩阵表示为1x60矩阵，如果将信号划分成一些2s的信号，则将有30个epeoch(信号中每2s就是一个epoch)
怎么做创建Epochs对象方式有三种：
(1)通过Raw对象和事件事件点(event times)
(2)通过读取.fif文件数据生成Epoch对象
(3)通过mne.EpochsArray从头创建Epoch对象

2、读取fif文件创建Epoch对象

步骤：
1）读取fif文件，构建raw对象;
2）创建event对象；
3）创建epoch对象；
4）对epoch进行叠加平均得到evoked对象；
5）绘制evoked 。

3、原生数据创建

import numpy as npimport neoimport mneimport matplotlib.pyplot as plt"""设置event id,用来识别events."""event_id = 1# 第一列表示样本编号events = np.array([[200, 0, event_id],[1200, 0, event_id],[2000, 0, event_id]])# List of three arbitrary eventssfreq = 1000# 采样频率times = np.arange(0, 10, 0.001)# Use 10000 samples (10s)sin = np.sin(times * 10)# 乘以 10 缩短周期cos = np.cos(times * 10)"""利用sin和cos创建一个2个通道的700 ms epochs的数据集只要是(n_epochs, n_channels, n_times)形状的数据 ， 都可以被用来创建"""epochs_data = https://tazarkount.com/read/np.array([[sin[:700], cos[:700]],[sin[1000:1700], cos[1000:1700]],[sin[1800:2500], cos[1800:2500]]])ch_names = ['sin', 'cos']ch_types = ['mag', 'mag']info = mne.create_info(ch_names=ch_names, sfreq=sfreq, ch_types=ch_types)epochs = mne.EpochsArray(epochs_data, info=info, events=events,event_id={'arbitrary': 1})epochs.plot(scalings='auto' )plt.show()

Evoked MNE-Evoked
是什么官方原文

Evoked objects typically store an EEG or MEG signal that has been averaged over multiple epochs, which is a common technique for estimating stimulus-evoked activity.
The data in an Evoked object are stored in an array of shape (n_channels, n_times) (in contrast to an Epochs object, which stores data of shape (n_epochs, n_channels, n_times)).
Thus to create an Evoked object, we’ll start by epoching some raw data, and then averaging together all the epochs from one condition
Evoked储存一组多个epochs平均后的信号。
因此Evoked创建需要epochs
Evoked储存的结构为（通道，时间点）

其它理解：
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。
Evoked对象通常存储一个已经被多个epochs平均(averaged)后的EEG或者MEG信号，它是用来评估被刺激诱发的活动（stimulus-evoked activity）的一个常用技术。
怎么做 Evoked数据结构的创建主要有两种方式
1、从Epochs对象中创建Evoked对象
2、从头创建Evoked对象
events 是什么 Events correspond to specific time points in raw data, such as triggers, experimental condition events 。

是对一段连续的原始数据的划分方法，由特定的时间划分.
结构为一个N*3的数组，第一列是采样时间数，第二列通常忽略，第三列是触发事件的整数id

从纵轴看，以通道来区分信号
从横轴看，以events划分信号
4个events重复，为一个epoch 。
再从epoch里面截取一段片段为evoke
怎么做每个events的时间记录，已采样点记录在events类中，
创建方法
1、从已有的数据集获取
2、自己创建
1、直接获取

events = mne.find_events(raw, stim_channel='STI 014') 采样点数忽略 events ID [ 699402] [ 708603] [ 719201] [ 730404] [ 741302] [ 750603]

2、自建创建

#创建events events = np.column_stack((np.arange(0,200*840,840),np.zeros(200,dtype=int),labels))event_dict = dict(condition_A=0, condition_B=1)print(events)

实践看一些代码实例吧，理解一下。
参考这篇文章
完整代码

import mne #版本0 。23import scipyimport numpy as npimport scipy.ioimport matplotlib.pyplot as pltfrom mne.time_frequency import tfr_morlet, psd_multitaper, psd_welchsamplesfile = scipy.io.loadmat('/Users/thrive/Library/Mobile Documents/com~apple~CloudDocs/发文章/code/dataset/classify/S1.mat') #文件读入字典subjectdata = https://tazarkount.com/read/samplesfile['eeg'] #提取字典中的numpy数组#加载数据完成 ， （16840200 ， 16通道每个通道840个采样点 ， 一共200个trial）和二维labels（200*2 ， 这里只用一维标签里的0和1）#作者没有打印具体数据结构#先理解为 ， data结构为[200,16,840] ， label结构为[200,2] ， 其实后面讲了 ， 一样的#开始创建epochs#epochs包括信息描述和数据#信息描述sampling_freq=1200 #采样率1200Hzch_names = ['C1', 'C2', 'C3', 'C4', 'Cz', 'FCz', 'FC1', 'FC2', 'Fz', 'F2', 'F1', 'CPz', 'FC3', 'FC4', 'CP1', 'CP2'] #16个通道名称ch_types = ['eeg']*16 #16个通道的属性都是eeginfo=mne.create_info(ch_names,ch_types=ch_types,sfreq=sampling_freq) #创建infoinfo.set_montage('standard_1020') #使用已有的电极国际10-20位置信息info['description'] = 'My custom dataset' #自定义信息的描述print(info)#数据data=https://tazarkount.com/read/subjectdata['samples'][0][0].transpose((2,0,1))print(data.shape)labels=subjectdata['labels'][0][0][:,1]#取了一列print(labels.shape)#数据结构确实一样 ， data结构为[200,16,840] ， label结构为[200,1]#创建events events = np.column_stack((np.arange(0,200*840,840),np.zeros(200,dtype=int),labels))event_dict = dict(condition_A=0, condition_B=1)print(events)#创建epoch ， 这里加入了eventssimulated_epochs = mne.EpochsArray(data,info,tmin=-0.2,events=events,event_id=event_dict)simulated_epochs.plot(picks='eeg',show_scrollbars=True,n_epochs=3,scalings=dict(eeg=20), events=events,event_id=0)plt.show()#通过events画图#创建evokedevocked=simulated_epochs['condition_B'].average()evocked.plot(picks='C3')evocked.plot()plt.show()simulated_epochs['condition_A'].plot_image(picks='Cz', combine='mean')simulated_epochs['condition_B'].plot_image(picks='Cz', combine='mean')evokeds = dict(A=list(simulated_epochs['condition_A'].iter_evoked()),B=list(simulated_epochs['condition_B'].iter_evoked()))mne.viz.plot_compare_evokeds(evokeds, combine='mean', picks='Cz')simulated_epochs.plot_sensors(ch_type='eeg',show_names='True')plt.show()simulated_epochs['condition_A'].plot_psd(fmin=2., fmax=30., average=True, spatial_colors=False)plt.show()simulated_epochs['condition_B'].plot_psd(fmin=2., fmax=30., average=True, spatial_colors=False)plt.show()

几个画图函数学习一下

simulated_epochs['condition_A'].plot_image(picks='Cz', combine='mean')simulated_epochs['condition_B'].plot_image(picks='Cz', combine='mean')

mne.viz.plot_compare_evokeds(evokeds, combine='mean', picks='Cz')
simulated_epochs.plot_sensors(ch_type='eeg',show_names='True')
这几句不怎么理解，是torch的用法，先不管吧
【4 deap dataset的不同分类模型的实现-MNE基础概念学习】

def __len__(self):return self.data.shape[0]def __getitem__(self, idx):single_data= https://tazarkount.com/read/self.data[idx]single_label = (self.label[idx]> 5).astype(float)#convert the scale to either 0 or 1 (to classification problem)batch = {'data': torch.Tensor(single_data),'label': torch.Tensor(single_label)