在这里,我们通过plot_psd这个函数展示了来自不同传感器数据的功率谱密度图,并且采用plot函数画出了脑电数据的轨迹。在PSD图中,我们只画了50HZ以下的频率(因为我们的数据时已经经过了40HZ的低通滤波)。在交互式Python绘画中(就是能弹出绘图窗口的),绘图是交互式的,并且允许滚动,缩放,标记不良的通道,以及注释等等。
在这里,我们通过plot_psd这个函数展示了来自不同传感器数据的功率谱密度图,并且采用plot函数画出了脑电数据的轨迹。在PSD图中,我们只画了50HZ以下的频率(因为我们的数据时已经经过了40HZ的低通滤波)。在交互式Python绘画中(就是能弹出绘图窗口的),绘图是交互式的,并且允许滚动,缩放,标记不良的通道,以及注释等等。
在这里,我们通过plot_psd这个函数展示了来自不同传感器数据的功率谱密度图,并且采用plot函数画出了脑电数据的轨迹。在PSD图中,我们只画了50HZ以下的频率(因为我们的数据时已经经过了40HZ的低通滤波)。在交互式Python绘画中(就是能弹出绘图窗口的),绘图是交互式的,并且允许滚动,缩放,标记不良的通道,以及注释等等。
Raw结构查看: # 引入python库 import mne from mne.datasets import sample import matplotlib.pyplot as plt # sample...sfreq*3)] plt.plot(times,data.T) plt.title("Sample c...
raw.plot_psd(average=True) plt.show() 4.电极位置图 #电极位置图 raw.plot_sensors(ch_type='eeg', show_names=True) plt.show() 5.原始数据拓扑图 #原始数据拓扑图 raw.plot_psd_topo() plt.show() 三.滤波 1.环境滤波 #陷波滤波 raw = raw.notch_filter(freqs=(60)) ...
Raw对象也自带有绘图方法,我们使用plot_psd()和plot()实现一些可视化功能。并且在交互式Python会话中,plot()是交互式的,允许一些编辑操作。 独立成分分析ICA 我们在MNE中实例化一个ICA对象,调用其fit()方法传入数据即可。同时ICA对象的exclude属性提供了去除成分的传参方案,plot_properties()提供了可视化的功能。 MNE...
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() """ 绘制通道频谱图作为topography """ raw.plot_psd_topo() plt.show() """ 绘制电极位置 """ raw.plot_sensors()
raw.filter(1.,None,fir_design='firwin')raw.plot_psd(area_mode='range',tmax=10.0,picks=picks,average=False) 如果想要一步完成低通和高通滤波,可以做一个所谓的带通滤波器,如下所示: 代码语言:javascript 代码运行次数:0 运行 AI代码解释 #1Hz-50Hz范围内的带通滤波 ...
raw.plot()# 绘制EEG时域波形 1. 绘制脑电电极位置 raw.plot_sensors()# 绘制脑电电极位置 1. 绘制功率谱密度图 raw.plot_psd()# 绘制功率谱密度图 1. 时频分析 MNE-Python提供了一些功能强大的时频分析方法,可以帮助我们研究脑电数据的时频特征。以下是一些常用的时频分析操作的示例代码: ...
Describe the bug plot_psd does not work when ch_types is not indicated in info Steps to reproduce import numpy as np import mne data = np.arange(1000).reshape(2, -1) info = mne.create_info(ch_names=['a', 'b'], sfreq=1000) raw = mne.io.Ra...