点击上面"脑机接口社区"关注我们
更多技术干货第一时间送达
Raw对象主要用来存储连续型数据，核心数据为n_channels和times,也包含Info对象。
下面可以通过几个案例来说明Raw对象和相关用法。
Raw结构查看：
# 引入python库 import mne from mne.datasets import sample import matplotlib.pyplot as plt # sample的存放地址 data_path = sample.data_path() # 该fif文件存放地址 fname = data_path + '/MEG/sample/sample_audvis_raw.fif' """ 如果上述给定的地址中存在该文件，则直接加载本地文件， 如果不存在则在网上下载改数据 """ raw = mne.io.read_raw_fif(fname)通过打印raw：
print(raw)
<Raw | sample_audvis_raw.fif, n_channels x n_times : 376 x 166800 (277.7 sec), ~3.6 MB, data not loaded>
可以看出核心数据为n_channels和n_times
raw.info <Info | 24 non-empty fields acq_pars : str | 13886 items bads : list | MEG 2443, EEG 053 ch_names : list | MEG 0113, MEG 0112, MEG 0111, MEG 0122, MEG 0123, ... chs : list | 376 items (GRAD: 204, MAG: 102, STIM: 9, EEG: 60, EOG: 1) comps : list | 0 items custom_ref_applied : bool | False description : str | 49 items dev_head_t : Transform | 3 items dig : Digitization | 146 items (3 Cardinal, 4 HPI, 61 EEG, 78 Extra) events : list | 1 items experimenter : str | 3 items file_id : dict | 4 items highpass : float | 0.10000000149011612 Hz hpi_meas : list | 1 items hpi_results : list | 1 items lowpass : float | 172.17630004882812 Hz meas_date : tuple | 2002-12-03 19:01:10 GMT meas_id : dict | 4 items nchan : int | 376 proc_history : list | 0 items proj_id : ndarray | 1 items proj_name : str | 4 items projs : list | PCA-v1: off, PCA-v2: off, PCA-v3: off sfreq : float | 600.614990234375 Hz acq_stim : NoneType ctf_head_t : NoneType dev_ctf_t : NoneType device_info : NoneType gantry_angle : NoneType helium_info : NoneType hpi_subsystem : NoneType kit_system_id : NoneType line_freq : NoneType subject_info : NoneType utc_offset : NoneType xplotter_layout : NoneType >上面为row中info的信息，从中可以看出info记录了raw中有哪些是不良通道(bads),通道名称:ch_names,sfreq:采样频率等。
通常raw的数据访问方式如下：
data, times = raw[picks, time_slice]
picks:是根据条件挑选出来的索引；
time_slice:时间切片
想要获取raw中所有数据，以下两种方式均可：
data,times=raw[:]
data,times=raw[:,:]
""" 案例： 获取10-20秒内的良好的MEG数据 # 根据type来选择 那些良好的MEG信号(良好的MEG信号，通过设置exclude="bads") channel, 结果为 channels所对应的的索引 """ picks = mne.pick_types(raw.info, meg=True, exclude='bads') t_idx = raw.time_as_index([10., 20.]) data, times = raw[picks, t_idx[0]:t_idx[1]] plt.plot(times,data.T) plt.title("Sample channels") """ sfreq：采样频率 raw返回所选信道以及时间段内的数据和时间点， 分别赋值给data以及times（即raw对象返回的是两个array） """ sfreq=raw.info['sfreq'] data,times=raw[:5,int(sfreq*1):int(sfreq*3)] plt.plot(times,data.T) plt.title("Sample channels") """ 绘制各通道的功率谱密度 """ raw.plot_psd() plt.show() """ 绘制SSP矢量图 """ raw.plot_projs_topomap() plt.show() """ 绘制通道频谱图作为topography """ raw.plot_psd_topo() plt.show() """ 绘制电极位置 """ raw.plot_sensors() plt.show()在实际过程中，有时需要从头构建数据来创建Raw对象。方式：通过mne.io.RawArray类来手动创建Raw
注：使用mne.io.RawArray创建Raw对象时，其构造函数只接受矩阵和info对象。
数据对应的单位：V: eeg, eog, seeg, emg, ecg, bio, ecog
T: mag
T/m: grad
M: hbo, hbr
Am: dipole
AU: misc
构建一个Raw对象时，需要准备两种数据，一种是data数据，一种是Info数据，
data数据是一个二维数据，形状为(n_channels,n_times)
从上面打印的信息可以看出raw对象中n_channels=5, n_times=1000
""" 对图形进行缩放 对于实际的EEG / MEG数据，应使用不同的比例因子。 对通道eeg、grad，eog的数据进行2倍缩放 """ scalings = {'eeg': 2, 'grad': 2,'eog':2} custom_raw.plot(n_channels=5, scalings=scalings, title='Data from arrays', show=True, block=True) plt.show()构建正余弦数据模拟mag,grad信号
其中采样频率为1000Hz,时间为0到10s.
# 创建任意数据 sfreq = 1000 # 采样频率 times = np.arange(0, 10, 0.001) # Use 10000 samples (10s) sin = np.sin(times * 10) # 乘以 10 缩短周期 cos = np.cos(times * 10) sinX2 = sin * 2 cosX2 = cos * 2 # 数组大小为 4 X 10000. data = np.array([sin, cos, sinX2, cosX2]) # 定义 channel types and names. ch_types = ['mag', 'mag', 'grad', 'grad'] ch_names = ['sin', 'cos', 'sinX2', 'cosX2']创建info对象
""" 创建info对象 """ info = mne.create_info(ch_names=ch_names, sfreq=sfreq, ch_types=ch_types)利用mne.io.RawArray创建raw对象
""" 利用mne.io.RawArray创建raw对象 """ raw = mne.io.RawArray(data, info) """ 对图形进行缩放 对于实际的EEG / MEG数据，应使用不同的比例因子。 对通道mag的数据进行2倍缩小，对grad的数据进行1.7倍缩小 """ scalings = {'mag': 2, 'grad':1.7} raw.plot(n_channels=4, scalings=scalings, title='Data from arrays', show=True, block=True) """ 可以采用自动缩放比例 只要设置scalings='auto'即可 """ scalings = 'auto' raw.plot(n_channels=4, scalings=scalings, title='Auto-scaled Data from arrays', show=True, block=True) plt.show()文章来源于网络，不用于商业行为，若有侵权及疑问，请后台留言！
更多阅读
MNE-Python专辑 | MNE-Python详细安装与使用(更新)
脑机接口让脊髓损伤患者重新获得手部触觉
信号处理之频谱原理与python实现
EMD算法之Hilbert-Huang Transform原理详解和案例分析
EEGLAB 使用教程 3 -参考电极和重采样
第2期 | 国内脑机接口领域专家教授汇总
精彩长文 | 脑机接口技术的现状与未来！
ICA处理脑电资料汇总
收藏 | 脑电EEG基础与处理汇总
脑机接口BCI学习交流QQ群：903290195
微信群请扫码添加，Rose拉你进群
(请务必填写备注，eg. 姓名+单位+专业/领域/行业)
长按加群
欢迎点个在看鼓励一下
