本案例演示使用Epochs元数据。关于Epochs数据结构:可以查看文章
脑电分析系列[MNE-Python-2]| MNE中数据结构Epoch及其创建方法
有时候使用mne的metadata属性来存储相关数据特别有用,metadata使用pandas.DataFrame来封装数据。其中每一行对应一个epoch,每一列对应一个epoch的元数据属性。列必须包含字符串、整数或浮点数。
在该数据集中,受试者在屏幕上看到单个单词,并记录每个单词对应的脑电图活动。我们知道每个epoch显示哪个单词,以及关于这个单词的额外信息(例如,单词频率)。
#导入工具
import mne
import numpy as np
import matplotlib.pyplot as plt
#加载数据
path = mne.datasets.kiloword.data_path() + '/kword_metadata-epo.fif'
epochs = mne.read_epochs(path)
从上面打印的信息可以知道该数据集中有960个样本数据。
epochs.metadata[:10]
# 元数据以panda.DataFrame的形式存储数据
# 获取前10条记录
print(epochs.metadata.head(10))
我们可以使用该元数据属性来选择epoch的子集。这使用了Pandas中的pandas.DataFrame.query()方法。任何有效的查询字符串都将起作用。下面,我们将绘制两个图进行比较:
av1 = epochs['Concreteness < 5 and WordFrequency < 2'].average()
av2 = epochs['Concreteness > 5 and WordFrequency > 2'].average()
joint_kwargs = dict(ts_args=dict(time_unit='s'),
topomap_args=dict(time_unit='s'))
av1.plot_joint(show=False, **joint_kwargs)
av2.plot_joint(show=False, **joint_kwargs)
plt.show()
words = ['film', 'cent', 'shot', 'cold', 'main']
epochs['WORD in {}'.format(words)].plot_image(show=False)
plt.show()
"""
注意,传统的epoch子选择仍然有效。
传统的选择epoch的MNE方法将取代丰富的元数据查询。
"""
epochs['cent'].average().plot(show=False, time_unit='s')
plt.show()
下面将展示一个更复杂的示例,该示例利用每个epoch的元数据。我们将在元数据对象中创建一个新列,并使用它生成许多试验子集的平均值。
metadata = epochs.metadata
is_concrete = metadata["Concreteness"] > metadata["Concreteness"].median()
metadata["is_concrete"] = np.where(is_concrete, 'Concrete', 'Abstract')
is_long = metadata["NumberOfLetters"] > 5
metadata["is_long"] = np.where(is_long, 'Long', 'Short')
epochs.metadata = metadata
"""
现在我们可以快速提取(并绘制)数据的子集。例如,看按单词长度和具体程度划分的单词:
"""
query = "is_long == '{0}' & is_concrete == '{1}'"
evokeds = dict()
for concreteness in ("Concrete", "Abstract"):
for length in ("Long", "Short"):
subset = epochs[query.format(length, concreteness)]
evokeds["/".join((concreteness, length))] = list(subset.iter_evoked())
# 为了进行实际的可视化,下面存储了许多共享参数。
style_plot = dict(
colors={"Long": "Crimson", "Short": "Cornflowerblue"},
linestyles={"Concrete": "-", "Abstract": ":"},
split_legend=True,
ci=.68,
show_sensors='lower right',
legend='lower left',
truncate_yaxis="auto",
picks=epochs.ch_names.index("Pz"),
)
fig, ax = plt.subplots(figsize=(6, 4))
#绘制诱发响应
mne.viz.plot_compare_evokeds(evokeds, axes=ax, **style_plot)
plt.show()
下面比较不同字母长度(字母个数)单词所得到的诱发响应。比较长度为4、5、6、7或8个字母的单词:
letters = epochs.metadata["NumberOfLetters"].unique().astype(int).astype(str)
evokeds = dict()
for n_letters in letters:
evokeds[n_letters] = epochs["NumberOfLetters == " + n_letters].average()
style_plot["colors"] = {n_letters: int(n_letters)
for n_letters in letters}
style_plot["cmap"] = ("# of Letters", "viridis_r")
del style_plot['linestyles']
fig, ax = plt.subplots(figsize=(6, 4))
mne.viz.plot_compare_evokeds(evokeds, axes=ax, **style_plot)
plt.show()
最后,对于字母的具体性与连续长度之间的相互作用:
evokeds = dict()
query = "is_concrete == '{0}' & NumberOfLetters == {1}"
for concreteness in ("Concrete", "Abstract"):
for n_letters in letters:
subset = epochs[query.format(concreteness, n_letters)]
evokeds["/".join((concreteness, n_letters))] = subset.average()
style_plot["linestyles"] = {"Concrete": "-", "Abstract": ":"}
fig, ax = plt.subplots(figsize=(6, 4))
mne.viz.plot_compare_evokeds(evokeds, axes=ax, **style_plot)
plt.show()