MNE-Python;tfr\u-morlet时频分析;可能不恰当地使用论据;如何使tfr_morlet图正确工作?
我为这个问题的模糊性道歉。这反映了我对tfr_morlet图形输出的行为缺乏理解 指明。我正在处理64通道脑电图数据。我有一个刺激事件,这是我的时代的开始标记。我将我的历元划分为4个较小的历元,每个历元的持续时间为1秒,其中“历元1”包含刺激事件以及1秒持续时间内包含的非刺激性EEG数据 我的工作流程如下:MNE-Python;tfr\u-morlet时频分析;可能不恰当地使用论据;如何使tfr_morlet图正确工作?,python,pca,time-frequency,mne-python,eeglab,Python,Pca,Time Frequency,Mne Python,Eeglab,我为这个问题的模糊性道歉。这反映了我对tfr_morlet图形输出的行为缺乏理解 指明。我正在处理64通道脑电图数据。我有一个刺激事件,这是我的时代的开始标记。我将我的历元划分为4个较小的历元,每个历元的持续时间为1秒,其中“历元1”包含刺激事件以及1秒持续时间内包含的非刺激性EEG数据 我的工作流程如下: 加载.vhdr文件 应用过滤器 应用脑电帽蒙太奇 创建事件从刺激标记开始的纪元(Epoch0) 创建从Epoch0裁剪的另一个历元(Epoch1)(tmin=0,tmax=1,includ
- 加载.vhdr文件
- 应用过滤器
- 应用脑电帽蒙太奇
- 创建事件从刺激标记开始的纪元(Epoch0)
- 创建从Epoch0裁剪的另一个历元(Epoch1)(tmin=0,tmax=1,include_tmax=True)。这给出了我感兴趣的用于tfr_morlet函数的新纪元
- Epoch1上的ICA
- tfr_morlet在Epoch1上(ICA后)
#TF-POWER ANALYSIS
#settings for tf graph
mode = 'percent'
title = file[:-5] + " TF-Power Analysis"
name_save = file[:-5]
freqs = np.linspace(start=1, stop=100, num=100)
cycles = 4
n_cycles = freqs / cycles
vmin_max=0.075
decim = 1
base_1, base_2 = None, None
base_1, base_2 = epoch_1_ica.tmax-0.01, epoch_1_ica.tmax
base_1, base_2 = 0, None
#plot tf graph
power = tfr_morlet(inst=epoch_1_ica, freqs=freqs, n_cycles=n_cycles, use_fft=True, decim=decim, n_jobs=1, average=False, return_itc=False, zero_mean=False, output='complex')
#if tfr_morlet(average=False)
avgpower=power.average()
tf_plot=avgpower.plot(picks=None, baseline=(base_1, base_2), mode=mode, title=title, vmin=-vmin_max, vmax=vmin_max, cmap='RdBu_r')
#else:
#tf_plot = power.plot(picks=None, baseline=(base_1, base_2), mode=mode, title=title, vmin=-vmin_max, vmax=vmin_max, cmap='RdBu_r')
#save tf graph
tf_plot.savefig(fname="EEG Data\\Graphs\\tfPower\\simple_version\\" + name_save +
"_decim" + str(decim) +
"_mode" + str(mode) +
"_vmin" + str(vmin_max) +
"_base" + str(base_1) +
"-" + str(base_2) +
"_" + "tf_power.png",
facecolor="white")