Python专栏 | MNE脑电数据(EEG/MEG)可视化

系列文章目录

Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法之载入数据

---

---

正文

MNE包的核心结构之一——Raw的对象里有几种内置的可视化EEG/MEG数据的方法。
​
代码示例：

raw.plot_psd(fmax=50)

Note：
我们用plot_psd显示每种传感器类型的功率谱密度（Power Spectral Density，PSD）。

fmax=50表示仅绘制50 Hz以下的频率（因为我们的数据以40 Hz进行低通滤波）。
​

功率谱密度：

在物理学中，信号通常是波的形式表示，例如电磁波、随机振动或者声波。当波的功率频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率，这被称为信号的功率谱密度（power spectral density, PSD）。

PSD不要和Spectral Power Distribution（SPD）混淆。

功率谱密度（PSD）的单位通常用每赫兹的瓦特数（W/Hz）
表示，而后者（SPD）使用的是波长而不是频率，即用每纳米的瓦特数（W/nm）来表示。

尽管随机信号的总能量是无限的，但其平均功率却是有限的，因此，要对随机信号的频域进行分析，应从功率谱密度出发进行研究才有意义。正因如此，在研究中经常使用功率谱密度（Power spectral density, PSD）来分析脑电信号的频域特性。

功率谱密度可以理解为“单位频带内的信号功率”。

输出结果：

Effective window size : 13.639 (s)
Effective window size : 13.639 (s)
Effective window size : 13.639 (s)

​

代码示例：

raw.plot(duration=5, n_channels=20)

Note：
这是用plot输出原始传感器的轨迹线。
duration：持续时间；
n_channels：通道的数量。

输出结果：

总结

​

本例中用到的Python代码总结：

raw.plot_psd(fmax=50) #输出50Hz以下的传感器的功率谱密度

#输出原始传感器的轨迹线，持续时间为5s、20个通道的轨迹线
raw.plot(duration=5, n_channels=20)

参考链接

https://mne.tools/stable/auto_tutorials/intro/plot_10_overview.html#sphx-glr-auto-tutorials-intro-plot-10-overview-py

https://baike.baidu.com/item/%E5%8A%9F%E7%8E%87%E8%B0%B1%E5%AF%86%E5%BA%A6/8836146?fr=aladdin

---