Projet 4A : Casque d'interaction neuronale (2021/2022)

Outils pour utilisateurs

Outils du site

Piste:
documentation_mne

Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Prochaine révision Les deux révisions suivantes
documentation_mne [20/01/2022 09:59]
dylan.jacquot Construction globale de la page avec les parties les plus importantes 		documentation_mne [20/01/2022 10:15]
dylan.jacquot Ajout de la partie CSP
Ligne 44: Ligne 44:
  
 Les Epochs de l'objet Raw peuvent être extraits via la fonction mne.Epochs(raw, events[0], event_id, tmin, tmax, picks=picks,baseline=(0, 0), preload=True). events[0] est le dictionnaire des événements récupéré précédemment. event_id décrit l'identifiant de l'événement servant à distinguer les Epochs (ici l'événément 768). tmin et tmax sont les bornes inférieures et supérieures de temps de chaque Epoch. Enfin, preload = True est important car il permettra de réaliser des traitements sur les données (par exemple copie ou réalisation d'un sous-ensemble du dataset) mais il nécessite le chargement complet des données en mémoire et consomme dont d'importantes ressources. Les Epochs de l'objet Raw peuvent être extraits via la fonction mne.Epochs(raw, events[0], event_id, tmin, tmax, picks=picks,baseline=(0, 0), preload=True). events[0] est le dictionnaire des événements récupéré précédemment. event_id décrit l'identifiant de l'événement servant à distinguer les Epochs (ici l'événément 768). tmin et tmax sont les bornes inférieures et supérieures de temps de chaque Epoch. Enfin, preload = True est important car il permettra de réaliser des traitements sur les données (par exemple copie ou réalisation d'un sous-ensemble du dataset) mais il nécessite le chargement complet des données en mémoire et consomme dont d'importantes ressources.
 +
 +Les données EEG d'un objet Epochs peuvent être récupérées en utilisant la fonction epochs.get_data().
  
 Affichage graphique de l'activité cérébrale Affichage graphique de l'activité cérébrale
Ligne 61: Ligne 63:
  
  
 +Mise en place d'un filtre CSP
 +
 +Le filtre CSP (pour Common Spatial Patterns) est un filtre dit adaptatif, c'est à dire qu'il va chercher à personnaliser le filtrage spatial pour chaque personne en sélectionnant les électrodes qui semblent les plus adaptées pour une personne données. En effet, bien que les activités cérébrales soient souvent concentrées dans certaines zones (par exemple le cortex moteur pour un mouvement), les électrodes pertinentes peuvent varier fortement selon les individus : il peut alors être très intéressant de sélectionner les canaux pertinents pour chaque personne.
 +
 +Ce type de filtre nécessite un entraînement basé sur des données. MNE permet la mise en place d'un tel filtre grâce aux Epochs.
 +
 +L'initialisation d'un filtre CSP se fait grâce à la fonction CSP(n_components=4, reg=None, log=True, norm_trace=False) retournant une instance de la classe CSP. Il est alors possible d'entraîner le CSP avec la fonction csp.fit_transform(epochs_data, labels) où epochs_data est la matrice de données issues d'un objet de la classe Epochs et labels et la matrice contenant les labels pour chaque essai.
 +
 +Il peut alors être intéressant d'afficher les patternes CSP calculés après cet entraînement grâce à la fonction csp.plot_patterns(epochs.info, ch_type='eeg', units='Patterns (AU)', size=1.5).
 +
 +Les graphiques ci-dessous montrent les patternes CSP calculés respectivement pour les sujets A01 et A02.
 +
 +{{:patternes_csp_bci.png?400|}}
  
 +{{:patterne_csp_sujet2.png?400|}}
  
documentation_mne.txt · Dernière modification: 13/06/2022 13:33 de aristide.bourry

Outils de la page

Sauf mention contraire, le contenu de ce wiki est placé sous les termes de la licence suivante : CC Attribution-Share Alike 4.0 International
CC Attribution-Share Alike 4.0 International Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki