Python中MNE库的事件相关特定频段分析（MEG数据）

2023-10-29

最近做运动想象分类的时候遇到一个问题就是分类结果始终不准，想从原始数据分析一下脑电数据，找了下MNE提供的examples。里面还真有一个按频带分析的例子，说实话打开这个例子最主要的原因是这个图看着比较牛。。。后面的主要内容就是分析这个例子的实现以及其中几个比较有意思的知识点。文章中提到的内容都打包到了上面的资料包中，如果只需要部分内容也可以在文章中单独下载。

先上代码吧，一行一行的看下来这里有几个知识点还是比较有意思的。

1、epochs.subtract_evoked()有什么作用？

2、epochs.apply_hilbert(envelope=True)有什么用？

3、GFP是什么？

4、bootstrap_confidence_interval有什么用？

# 导入必要的包
import os.path as op

import numpy as np
import matplotlib.pyplot as plt

import mne
from mne.datasets import somato
from mne.baseline import rescale
from mne.stats import bootstrap_confidence_interval

# 设置参数
data_path = somato.data_path()
subject = '01'
task = 'somato'
raw_fname = op.join(data_path, 'sub-{}'.format(subject), 'meg',
                    'sub-{}_task-{}_meg.fif'.format(subject, task))

# 设置4种不同波段的频率范围
iter_freqs = [
    ('Theta', 4, 7),
    ('Alpha', 8, 12),
    ('Beta', 13, 25),
    ('Gamma', 30, 45)
]

###############################################################################
# 创建每一个频段的时间功率谱

# 设置epoch的相关参数，这里分析event_id为1的事件，事件时间范围[-1, 3]
event_id, tmin, tmax = 1, -1., 3.
baseline = None

# 从源文件中读取事件信息
raw = mne.io.read_raw_fif(raw_fname)
events = mne.find_events(raw, stim_channel='STI 014')
# 初始化处理结果字典，frequency_map用于保存各个频段的处理结果
frequency_map = list()

for band, fmin, fmax in iter_freqs:
    # 加载原始数据
    raw = mne.io.read_raw_fif(raw_fname, preload=True)
    # 提取MEG数据，这里使用的是MEG的梯度数据，非EEG数据
    raw.pick_types(meg='grad', eog=True)

    # 设计带通滤波，这里l/h_trans_bandwidth是滤波器的设计参数，会影响滤波器的品质
    raw.filter(fmin, fmax, n_jobs=1, l_trans_bandwidth=1, h_trans_bandwidth=1)

    # 生成epoch格式的数据
    epochs = mne.Epochs(raw, events, event_id, tmin, tmax, baseline=baseline,
                        reject=dict(grad=4000e-13, eog=350e-6),
                        preload=True)
    # 去除evoked能量，保留induced部分
    epochs.subtract_evoked()

    # 构建Hilbert解析信号 (包络)
    epochs.apply_hilbert(envelope=True)
    # 保存对应频段的处理结果，epochs的均值代表该频段的（induced）处理结果
    frequency_map.append(((band, fmin, fmax), epochs.average()))
    del epochs
del raw

###############################################################################
# 计算GFP，采用bootstrap方法计算置信区间，与基线比较追踪每一个频段的空间域中事件的出现
# 可以看出主要的反应集中在 Alpha 和 Beta 频段.


# 计算置信GFP置信区间的辅助函数
def stat_fun(x):
    """Return sum of squares."""
    return np.sum(x ** 2, axis=0)


# 构建绘图的fig，由4行1列子图构成，共享x和y轴
fig, axes = plt.subplots(4, 1, figsize=(10, 7), sharex=True, sharey=True)
# 设置绘图颜色
colors = plt.get_cmap('winter_r')(np.linspace(0, 1, 4))
# 开始绘制不同频段对应的处理结果
for ((freq_name, fmin, fmax), average), color, ax in zip(
        frequency_map, colors, axes.ravel()[::-1]):
    # 扩展时间，实际上也就是为例扩展横轴，绘图后横轴会好看些，对于计算没有什么实际意义
    times = average.times * 1e3
    # 计算gfp，这里没有进行正则化处理
    gfp = np.sum(average.data ** 2, axis=0)
    # 重新缩放gfp曲线，根据rescale的源码缩放后是减去均值的
    gfp = mne.baseline.rescale(gfp, times, baseline=(None, 0))
    # 绘制gfp曲线
    ax.plot(times, gfp, label=freq_name, color=color, linewidth=2.5)
    # 绘制0值基线
    ax.axhline(0, linestyle='--', color='grey', linewidth=2)
    # 利用bootstrap计算置信区间
    ci_low, ci_up = bootstrap_confidence_interval(average.data, random_state=0, stat_fun=stat_fun)
    # 对置信区间进行缩放，这里主要的作用是对ci_low/up减去均值
    ci_low = rescale(ci_low, average.times, baseline=(None, 0))
    ci_up = rescale(ci_up, average.times, baseline=(None, 0))
    # 绘制gfp的置信区间
    ax.fill_between(times, gfp + ci_up, gfp - ci_low, color=color, alpha=0.3)
    # 添加网格
    ax.grid(True)
    # 设置y轴名称
    ax.set_ylabel('GFP')
    # 添加图的说明
    ax.annotate('%s (%d-%dHz)' % (freq_name, fmin, fmax),
                xy=(0.95, 0.8),
                horizontalalignment='right',
                xycoords='axes fraction')
    # 设置x轴的坐标范围，这里和上面扩展后的时间保持一致
    ax.set_xlim(-1000, 3000)
# 设置x轴的名称
axes.ravel()[-1].set_xlabel('Time [ms]')
# 绘图显示
plt.show()

1、epochs.subtract_evoked()有什么作用？

subtract是减法的意思，直译过来就是减去evoked，一脸懵逼，黑人问号？？？为什么要减去evoked啊。。。

查看一下说明文档更懵了：去除evoked，进行induced分析，可是这两单词都是引起的意思啊，好在有参考文献啊，大概看了下，涨知识了。原来脑电活动是有相位锁定和非相位锁定之分的。evoked为相位锁定的信号，induced为非相位锁定的信号，所以这里分析的是非相位锁定部分的脑电信号。

对应的参考文献《Mechanisms of evoked and induced responses in MEG/EEG》下载地址：

https://download.csdn.net/download/zhoudapeng01/12334169

对应文章摘要的截图，大概意思说的就是evoked，induced和on-going oscillations反映了不同的神经元处理过程和机制。详细的内容可以下载文章查看。

2、epochs.apply_hilbert(envelope=True)有什么用？

Hilbert变换有什么用？从物理意义的角度来说，就是获取信号的包络信息，得到整体的信息。推荐几个链接：

https://blog.csdn.net/weixin_41608328/article/details/89322214

https://www.zhihu.com/question/30372795

http://bigsec.net/b52/scipydoc/frequency_process.html

3、GFP是什么？

GFP是global field power的简称，这又是什么鬼呢?参考文献《Automated model selection in covariance estimation and spatial whitening of MEG and EEG signals》的332页中给出了解释：

对应的资源链接：https://download.csdn.net/download/zhoudapeng01/12334442

公式中分母有个P，是为了做正则化处理的，而在实际代码中并没有，在方法介绍中有说明，这里没有正则化处理。

4、bootstrap_confidence_interval有什么用？

这个函数的作用就是为了准确地计算置信区间，详细的介绍在参考文献《Computer age statistical inference: Algorithms, evidence, and data science》中，CSDN上已经有了叫casi，传不上去了，可以去官网下载，就是有点慢。

参考文献链接： https://web.stanford.edu/~hastie/CASI_files/PDF/casi.pdf

配套的资料包中有搜集的相关资料，有些在博客中没有提到，但是也很不错的。

https://download.csdn.net/download/zhoudapeng01/12334513

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)