首页 > 编程语言 >Python-MNE全套教程(官网翻译)-入门05:关于传感器位置

Python-MNE全套教程(官网翻译)-入门05:关于传感器位置

时间:2024-08-05 21:53:24浏览次数:16  
标签:raw plot layout 05 Python locations montage 官网 mne

本教程描述了如何读取和绘制传感器位置,以及MNE-Python如何处理传感器的物理位置。像往常一样,我们将从导入我们需要的模块开始:

from pathlib import Path

import matplotlib.pyplot as plt
import numpy as np

import mne

关于montage和layout(蒙太奇和传感器布局)

montage包含3D传感器位置(x, y, z以米为单位),可以分配给现有的EEG/MEG数据。通过指定传感器相对于大脑的位置,蒙太奇在计算正向解和逆估计中起着重要作用。

相反,layout是传感器位置的理想化二维表示。它们主要用于在拓扑图中排列单个传感器子图,或用于显示上面观的传感器的近似相对排列。

注意,如果专门处理eeg数据,使用montage更好。理想化的montage,例如由制造商提供的那些,通常被称为template montage(模板)。

使用内置的montage

MEG传感器的三维坐标包含在MEG系统的原始记录中。它们在加载时自动存储在Raw对象的info属性中。而由于头部形状的不同,eeg电极的位置变化很大。许多EEG系统的模板montage都包含在MNE-Python中,可以通过使用mne.channels. get_builtin_montage()来获取:

builtin_montages = mne.channels.get_builtin_montages(descriptions=True)
for montage_name, montage_description in builtin_montages:
    print(f"{montage_name}: {montage_description}")

standard_1005: Electrodes are named and positioned according to the international 10-05 system (343+3 locations)
standard_1020: Electrodes are named and positioned according to the international 10-20 system (94+3 locations)
standard_alphabetic: Electrodes are named with LETTER-NUMBER combinations (A1, B2, F4, …) (65+3 locations)
standard_postfixed: Electrodes are named according to the international 10-20 system using postfixes for intermediate positions (100+3 locations)
standard_prefixed: Electrodes are named according to the international 10-20 system using prefixes for intermediate positions (74+3 locations)
standard_primed: Electrodes are named according to the international 10-20 system using prime marks (’ and ‘’) for intermediate positions (100+3 locations)
biosemi16: BioSemi cap with 16 electrodes (16+3 locations)
biosemi32: BioSemi cap with 32 electrodes (32+3 locations)
biosemi64: BioSemi cap with 64 electrodes (64+3 locations)
biosemi128: BioSemi cap with 128 electrodes (128+3 locations)
biosemi160: BioSemi cap with 160 electrodes (160+3 locations)
biosemi256: BioSemi cap with 256 electrodes (256+3 locations)
easycap-M1: EasyCap with 10-05 electrode names (74 locations)
easycap-M10: EasyCap with numbered electrodes (61 locations)
easycap-M43: EasyCap with numbered electrodes (64 locations)
EGI_256: Geodesic Sensor Net (256 locations)
GSN-HydroCel-32: HydroCel Geodesic Sensor Net and Cz (33+3 locations)
GSN-HydroCel-64_1.0: HydroCel Geodesic Sensor Net (64+3 locations)
GSN-HydroCel-65_1.0: HydroCel Geodesic Sensor Net and Cz (65+3 locations)
GSN-HydroCel-128: HydroCel Geodesic Sensor Net (128+3 locations)
GSN-HydroCel-129: HydroCel Geodesic Sensor Net and Cz (129+3 locations)
GSN-HydroCel-256: HydroCel Geodesic Sensor Net (256+3 locations)
GSN-HydroCel-257: HydroCel Geodesic Sensor Net and Cz (257+3 locations)
mgh60: The (older) 60-channel cap used at MGH (60+3 locations)
mgh70: The (newer) 70-channel BrainVision cap used at MGH (70+3 locations)
artinis-octamon: Artinis OctaMon fNIRS (8 sources, 2 detectors)
artinis-brite23: Artinis Brite23 fNIRS (11 sources, 7 detectors)
brainproducts-RNP-BA-128: Brain Products with 10-10 electrode names (128 channels)

这些内置的EEG montage可以通过mne.channels. make_standard_montage加载:

easycap_montage = mne.channels.make_standard_montage("easycap-M1")
print(easycap_montage)

<DigMontage | 0 extras (headshape), 0 HPIs, 3 fiducials, 74 channels>

montage对象有一个在2D或3D中可视化传感器位置的绘图方法:

easycap_montage.plot()  # 2D
fig = easycap_montage.plot(kind="3d", show=False)  # 3D
fig = fig.gca().view_init(azim=70, elev=15)  # set view angle for tutorial

在这里插入图片描述
加载后,可以使用set_montage方法将蒙太奇应用于数据,例如raw. set_montage()epochs. set_montage()这只适用于eeg通道名称对应于montage中的那些数据
可以通过plot_sensors()方法可视化传感器位置。通过将montage名称直接传递给set_montage()方法,可以跳过手动蒙太奇加载步骤。

这里我们加载了一些非常规的sample数据,以展示手动用已有的文件设置montage,适用于eeg通道名称和内置montage不对应的情况。

ssvep_folder = mne.datasets.ssvep.data_path()
ssvep_data_raw_path = (
    ssvep_folder / "sub-02" / "ses-01" / "eeg" / "sub-02_ses-01_task-ssvep_eeg.vhdr"
)
ssvep_raw = mne.io.read_raw_brainvision(ssvep_data_raw_path, verbose=False)

# Use the preloaded montage
ssvep_raw.set_montage(easycap_montage)
fig = ssvep_raw.plot_sensors(show_names=True)

# Apply a template montage directly, without preloading
ssvep_raw.set_montage("easycap-M1")
fig = ssvep_raw.plot_sensors(show_names=True)

在这里插入图片描述
注意,通过plot_sensors()创建的图形可能比easycap_montage.plot()的结果包含更少的传感器。这是因为montage包含了为EEG系统定义的所有通道;但并不是所有的记录都必须使用所有可能的通道。因此,将montage应用于实际的EEG数据集时,有关数据中实际不存在的传感器的信息被删除。

像EEGLAB一样绘制2D传感器位置

如果你喜欢使用10-20个conventions来绘制头部圆圈,可以传递sphere=’ EEGLAB ',注意,因为我们在这里使用的数据不包含Fpz频道,所以它的假定位置是自动近似的。:

fig = ssvep_raw.plot_sensors(show_names=True, sphere="eeglab")

手动控制2D通道投影

通道在2D空间中的位置是通过将其实际的3D位置投影到球体上,然后将球体投影到平面上来获得的。默认情况下,使用原点为(0,0,0),半径为0.095米(9.5厘米)的球体。你可以通过在任何绘制2D通道的函数中传递单个值作为sphere参数来使用不同的球体半径:

fig1 = easycap_montage.plot()  # default radius of 0.095
fig2 = easycap_montage.plot(sphere=0.07)

在这里插入图片描述
为了不仅改变半径,还改变球体原点,传递一个(x, y, z, radius)元组作为球体参数

fig = easycap_montage.plot(sphere=(0.03, 0.02, 0.01, 0.075))

在这里插入图片描述

读取传感器数字文件

在示例数据中,传感器位置已经在Raw对象的info属性中可用。因此,我们可以使用plot_sensors()直接从Raw对象绘制传感器位置,它提供了与montage.plot()相似的功能。

此外,plot_sensors()支持按类型选择通道,默认情况下,raw.info[‘bads’]中列出的通道将被绘制为红色,并在现有的Matplotlib Axes对象中绘制,因此通道位置可以很容易地作为多面板图中的子图添加:

sample_data_folder = mne.datasets.sample.data_path()
sample_data_raw_path = sample_data_folder / "MEG" / "sample" / "sample_audvis_raw.fif"
sample_raw = mne.io.read_raw_fif(sample_data_raw_path, preload=False, verbose=False)

fig = plt.figure()
ax2d = fig.add_subplot(121)
ax3d = fig.add_subplot(122, projection="3d")
sample_raw.plot_sensors(ch_type="eeg", axes=ax2d)
sample_raw.plot_sensors(ch_type="eeg", axes=ax3d, kind="3d")
ax3d.view_init(azim=70, elev=15)

在这里插入图片描述
注意,当使用set_montage()设置montage时,测量信息在两个地方更新(chs和dig条目都被更新)除了电极位置外,dig还可能包含HPI、基准点或头部形状点信息。

传感器3D表面渲染的可视化

用一个新函数,如下所示:

fig = mne.viz.plot_alignment(
    sample_raw.info,
    dig=False,
    eeg=False,
    surfaces=[],
    meg=["helmet", "sensors"],
    coord_frame="meg",
)
mne.viz.set_3d_view(fig, azimuth=50, elevation=90, distance=0.5)

在这里插入图片描述
注意,plot_alignment()需要一个Info对象,并且还可以渲染头皮,头骨和大脑的MRI表面(通过将带有’head’, 'outer_skull’或’brain’键名的字典传递给surfaces参数)。这使得该函数对于评估坐标坐标系转换很有用。

关于layout文件的使用

与montage类似,许多layout文件都包含在MNE-Python中,它们存储在mne/channels/data/layouts文件夹中:

layout_dir = Path(mne.__file__).parent / "channels" / "data" / "layouts"
layouts = sorted(path.name for path in layout_dir.iterdir())
print("\n" "BUILT-IN LAYOUTS\n" "================")
print("\n".join(layouts))

BUILT-IN LAYOUTS
================
CTF-275.lout
CTF151.lay
CTF275.lay
EEG1005.lay
EGI256.lout
GeodesicHeadWeb-130.lout
GeodesicHeadWeb-280.lout
KIT-125.lout
KIT-157.lout
KIT-160.lay
KIT-AD.lout
KIT-AS-2008.lout
KIT-UMD-3.lout
Neuromag_122.lout
Vectorview-all.lout
Vectorview-grad.lout
Vectorview-grad_norm.lout
Vectorview-mag.lout
biosemi.lay
magnesWH3600.lout

要加载布局文件,可以使用mne.channels.read_layout函数。然后可以使用它的plot方法可视化布局:

与用于从Raw对象中选择通道的picks参数类似,Layout对象的plot()方法也有一个picks参数。然而,由于布局只包含有关传感器名称和位置信息,没有类型信息,所以只支持按索引选择通道,而不是按名称或类型。在下面的示例中,我们使用numpy.where()找到所需的索引;使用mne.pick_channels()mne.pick_types()按名称或类型进行选择。

biosemi_layout = mne.channels.read_layout("biosemi")
midline = np.where([name.endswith("z") for name in biosemi_layout.names])[0]
biosemi_layout.plot(picks=midline)

在这里插入图片描述

如果你有一个包含传感器位置的Raw对象,你可以用mne.channels.make_eeg_layout()mne.channels.find_layout()创建一个Layout对象。

layout_from_raw = mne.channels.make_eeg_layout(sample_raw.info)
# same result as mne.channels.find_layout(raw.info, ch_type='eeg')
layout_from_raw.plot()

在这里插入图片描述

注意,没有相应的make_meg_layout()函数,因为传感器位置在MEG系统中是固定的,不像在EEG中,传感器帽会变形以紧贴特定的头部。因此,对于给定的系统,MEG布局是permanent的,所以可以简单地使用mne.channels.read_layout()加载它们,或者使用带有ch_type参数的mne.channels.find_layout()如前面为EEG演示的那样)。

标签:raw,plot,layout,05,Python,locations,montage,官网,mne
From: https://blog.csdn.net/weixin_58312922/article/details/140832655

相关文章

  • Codeforces Round 963 (Div. 2) A - C 详细题解(思路加代码,C++,Python) -- 来自灰名
    比赛链接:Dashboard-CodeforcesRound963(Div.2)-Codeforces之后有实力了再试试后面的题目,现在要做那些题,起码要理解一个多小时题目A:链接:Problem-A-Codeforces题目大意理解:        极少数不考翻译能读懂的cf题目(bushi)每个测试用例第一行一个n,......
  • 【Playwright+Python】系列教程(七)使用Playwright进行API接口测试
    playwright也是可以做接口测试的,但个人觉得还是没有requests库强大,但和selenium相比的话,略胜一筹,毕竟支持API登录,也就是说可以不用交互直接调用接口操作了。怎么用既然是API的测试了,那肯定就别搞UI自动化那套,搞什么浏览器交互,那叫啥API测试,纯属扯淡。也不像有些博主更懒,直接贴......
  • Mojo中集成Python详解及问题说明
    官方的长期目标是让Mojo成为Python的超集(即让Mojo与现有的Python程序兼容)。Python程序员应该能够立即使用Mojo,并能够访问当今庞大的Python包生态系统。然而,Mojo仍处于早期开发阶段,许多Python功能尚未实现。目前,您无法在Mojo中编写所有可以用Python编写的......
  • 【RISC-V设计-05】- RISC-V处理器设计K0A之GPR
    【RISC-V设计-05】-RISC-V处理器设计K0A之GPR1.简介通用寄存器(GeneralPurposeRegister)是处理器设计中的重要组成部分,在数据处理和指令执行过程中发挥着关键作用,对于计算机系统的整体性能和效率有着至关重要的影响。通用寄存器用于传送和暂存数据,也可参与算术逻辑运算,并......
  • stm32入门-----硬件I2C读写MPU6050
     目录前言 一、stm32中I2C库函数介绍(stm32f10x_i2c.h)1.初始化2.使能操作3.生成起始位和结束位标志4.发送I2C从机地址5.发送数据和接收数据6.发送应答位7.状态检测二、硬件I2C读取MPU60501.电路连线图2.主要工程文件 3.MPU6050.c代码剖析(1)检测步骤超时操作(2)指......
  • python图表没有正确显示中文,这通常是因为matplotlib的默认设置不支持中文字符,或者相应
    如果图表没有正确显示中文,这通常是因为matplotlib的默认设置不支持中文字符,或者相应的字体没有正确加载。你可以通过指定支持中文的字体来解决这个问题。下面是如何设置matplotlib以确保能够在图表中显示中文的步骤:方法1:全局设置字体你可以修改matplotlib的全局配置,使......
  • 在python jupyter下运行cuda c++程序
    Installrunthisonjupyter(*.ipynb)files!pip3installnvcc4jupyterUsageloadtheextensiontoenablethemagiccommands:%load_extnvcc4jupyterRuncudatest%%cuda#include<stdio.h>__global__voidhello(){printf("Hellofromblock......
  • 在python jupyter下运行cuda c++程序
    Installrunthisonjupyter(*.ipynb)files!pip3installnvcc4jupyterUsageloadtheextensiontoenablethemagiccommands:%load_extnvcc4jupyterRuncudatest%%cuda#include<stdio.h>__global__voidhello(){printf("Hellofromblock......
  • SciTech-Mathmatics-ImageProcessing-Remove the Background from an image using Pyt
    https://www.geeksforgeeks.org/how-to-remove-the-background-from-an-image-using-python/pipinstallPillowpipinstallrembg#ImportingRequiredModulesfromrembgimportremovefromPILimportImage#Storepathoftheimageinthevariableinput_......
  • python 发送buffer类型数据, 发送octet-stream类型数据, 发送Uint8Array类型数据
       #-*-coding:utf-8-*-#@Time:2024/7/3120:20#@Author:Dragonjs_code=r"""commonjsGlobal={};varprotobuf_min={exports:{}};(function(module){!function(g){varr2,e2,i2;r2={1......