کار با داده‌های حوزه‌ی فرکانس در پکیج MNE پایتون

ابتدا لازم است ماژول‌های موردنیاز خود را import کنیم و دیتاست sample خود را لود کنیم.

Python

import numpy as np
import mne
sample_data_folder = mne.datasets.sample.data_path()
sample_data_raw_file = sample_data_folder / "MEG" / "sample" / "sample_audvis_raw.fif"
raw = mne.io.read_raw_fif(sample_data_raw_file, verbose=False).crop(tmax=60)

ممکن است داده‌ی ما پیوسته باشد برای این منظور از Raw استفاده می‌کنیم و اگر داده‌ی ما پیوسته نباشد از متد Epochs پکیج MNE استفاده می‌کنیم و یا برای داده‌های میانگین‌گیری شده از Evoked استفاده می‌کنیم. هر سه این توابع (Raw, Epochs, Evoked) یک متد به نام ()compute_psd با گزینه‌های مشابه دارند.

Python

raw.compute_psd()
output:
Effective window size : 3.410 (s)

به طور پیش فرض، روش برآورد طیفی برای داده‌ی پیوسته، Welch method و برای داده‌ی میانگین گیری شده یا جدا شده در سطح ترایال، multitaper method است. این مقادیر پیش فرض را می‌توان با وارد کردن method=’welch’ یا method=’multitaper’ به متد ()compute_psd مشخص کرد. همچنین گزینه‌های دیگر به عنوان ورودی این متد در نظر گرفته شده‌اند؛ برای مثال می‌توانیم طیف یک محدوده‌ی زمانی مشخص، یک محدوده‌ی فرکانسی مشخص و زیرمجموعه‌ای از کانال‌های موردنظر محاسبه کنیم:

Python

raw.compute_psd(method="multitaper", tmin=10, tmax=20, fmin=5, fmax=30, picks="eeg")
output:
Using multitaper spectrum estimation with 7 DPSS windows

می توانیم به تابع برآورد طیفی، پارامترهایی اضافه کنیم، مانند طول پنجره FFT و همپوشانی برای متد Welch، برای این منظور باید از توابع mne.time_frequency.spectrum و توابع برآورد طیفی ()psd_array_welch و ()psd_array_multitaper استفاده کرد.

برای داده‌های epoched (یا داده‌هایی که در سطح ترایال جدا شده‌اند)، کلاس برآورد طیفی mne.time_frequency.EpochsSpectrum است. هر دوی این کلاس‌ها دارای متد ()get_data هستند:

Python

with mne.use_log_level("WARNING"):  # hide some irrelevant info messages
        events = mne.find_events(raw, stim_channel="STI 014")   
        event_dict = {        
                      "auditory/left": 1,        
                      "auditory/right": 2,        
                      "visual/left": 3,        
                      "visual/right": 4,}
        epochs = mne.Epochs(raw, events, tmin=-0.3, tmax=0.7, event_id=event_dict, preload=True)
epo_spectrum = epochs.compute_psd()
psds,freqs = epo_spectrum.get_data(return_freqs=True)
print(f"\nPSDs shape: {psds.shape}, freqs shape: {freqs.shape}")
epo_spectrum

output:
Using multitaper spectrum estimation with 7 DPSS windows PSDs shape: (77, 364, 301), freqs shape: (301,)

علاوه بر این هر دو کلاس Spectrum و EpochsSpectrum دارای متد __getitem__ هستند. برای آبجکت‌های Spectrum، ایندکس‌ها مشابه به آبجکت Raw یا آرایه‌ی Numpy پایتون هستند:

Python

evoked = epochs["auditory"].average()
evk_spectrum = evoked.compute_psd()
# the first 3 frequency bins for the first 4 channels:
print(evk_spectrum[:4, :3])

output:
    Using multitaper spectrum estimation with 7 DPSS windows
    [[5.61863537e-23 1.13487136e-22 9.88010499e-23] 
     [2.89065956e-23 4.24056397e-23 3.91160668e-23] 
     [1.56762015e-25 2.65842303e-25 2.39426775e-25] 
     [5.38758770e-23 1.03771739e-22 9.98519756e-23]]

تجسم سازی آبجکت‌های طیفی با پکیج MNE پایتون

هر دو آبجکت Spectrum و EpochsSpectrum دارای متدهای نمایش ()plot (فرکانس*توان)، plot_topo() (فرکانس* توان به طور جداگانه برای هر سنسور) و ()plot_topomap (توپوگرافی توان در باندهای فرکانسی خاص) هستند. تعدادی نمودار در ادامه نشان داده شده‌اند:

Python

evk_spectrum.plot(picks="data", exclude="bads")
evk_spectrum.plot_topo(color="k", fig_facecolor="w", axis_facecolor="w")

Python

evk_spectrum.plot_topomap(ch_type="eeg", agg_fun=np.median)