حاشیه‌نویسی سیگنال پیوسته با استفاده از پکیج MNE پایتون

برای ایجاد Annotations، ابتدا با ایمپورت کردن ماژول‌های موردنیاز خود شروع می‌کنیم و دیتاهای خود را آپلود می‌کنیم و 60 ثانیه از دیتای پیوسته را برش می‌زنیم و آن را در RAM بارگذاری می‌کنیم تا در حافظه ذخیره کنیم.

Python

import mne
%matplotlib inline
import numpy as np
# Mention the file path to the dataset
filename = "A01T.gdf"
raw = mne.io.read_raw_gdf(filename)
print(raw.info)
#print(raw.ch_names)

raw.crop(tmax=60).load_data()

برای این منظور باید از تابع mne.Annotations استفاده کنیم.  Annotations در MNE-Python راهی برای ذخیره‌سازی رشته‌های اطلاعاتی کوتاه در بازه‌های زمانی سیگنال خام اولیه است. Annotationها آبجکت‌های لیست مانند هستند که در آنها هر المان از سه تکه اطلاعاتی تشکیل شده است.

• Onset  (زمان شروع به ثانیه)
• Duration (مدت زمان به ثانیه)
• Description (یک رشته متنی)

به این ترتیب می‌توانیم حاشیه‌ها را برای سیگنال پیوسته ایجاد کرده و آن را نمایش دهیم:

Python

my_annot = mne.Annotations(
  onset=[3, 5, 7],  # in seconds
  duration=[1, 0.5, 0.25],  # in seconds, too
  description=["AAA", "BBB", "CCC"]
)
print(my_annot)

و برای نمایش آن از raw.plot استفاده می‌کنیم:

Python

fig = raw.plot(start=2, duration=6)

آبجکت‌های Annotation را می‌توان به سادگی با هم ترکیب کرد؛ کافی است که آنها را با عملگر + با هم جمع کنیم تا زمانیکه orig_time مشابهی داشته باشند.

Python

new_annot = mne.Annotations(onset=3.75, duration=0.75, description="AAA")
raw.set_annotations(my_annot + new_annot) 
raw.plot(start=2, duration=6)

همچنین می‌توان Annotationها را پرینت کرد:

Python

print(raw.annotations[0])  # just the first annotation
print(raw.annotations[:2])  # the first two annotations
print(raw.annotations[(3, 2)])  # the fourth and third annotations

تمامی موارد فوق و نحوه‌ی کار با پکیج MNE پایتون در دوره‌ی جامع و پروژه محور پردازش سیگنال EEG با استفاده از پکیج MNE پایتون آموزش داده می‌شود.