[MNE-Python] MEG 장치에서 데이터 가져오기

MEGIN / Elekta Neuromag VectorView and TRIUX (.fif)

 

Neuromag Raw FIF 파일은 mne.io.read_raw_fif()이다. 데이터가 MaxShield를 켠 상태로 기록되었고 MaxFilter로 처리되지 않은 경우로 로드해야 할 수 있다.

 

Artemis123 (.bin)

 

Artemis123 시스템의 MEG 데이터는 로 읽을 수 있다 (mne.io.read_raw_artemis123()).

 

4-D Neuroimaging / BTI data (dir)

 

MNE-Python은 mne.io.read_raw_bti() 4D / BTI 데이터를 읽고 변환하는 기능을 제공한다. 이 리더 기능은 기본적으로 일반적으로 문자 A와 채널 번호로 구성된 원래 채널 이름을 Neuromag로 대체한다. 데이터를 가져오려면 다음 입력 파일이 필수이다.

 

기록된 MEG 시계열을 포함하는 데이터 파일 (일반적으로 c, rfDC) 디지타이저 데이터를 포함하는 hs_file 획득 정보 및 메타데이터가 포함된 구성 파일

 

CTF data (dir)

 

이 기능 mne.io.read_raw_ctf()을 사용하여 CTF 데이터를 읽을 수 있다.

 

CTF Polhemus data

 

이 기능 mne.channels.read_dig_polhemus_isotrak()을 사용하여 Polhemus 데이터를 읽을 수 있다.

 

Applying software gradient compensation

 

CTF 시스템에서 사용되는 소프트웨어 기울기 보상은 가역적인 연산이므로 데이터 파일에 있는 CTF 데이터의 보상 상태를 원하는 대로 변경할 수 있다. 보상 절차의 기술적 세부 사항에 대한 정보에 대한 설명이 포함되어 mne.io.Raw.apply_gradient_compensation() 있다.

 

반환된 원시 인스턴스 mne.io.read_raw_ctf()에는 참조 채널 데이터의 도움으로 외부 방해를 억제하는 데 사용되는 여러 보상 매트릭스가 포함되어 있다. 기준 센서는 헬멧 센서보다 뇌에서 더 멀리 떨어져 있어 뇌에서 발생하는 자기장보다는 주로 외부의 교란을 측정한다. 대부분의 경우 3차 기울기 보상 이라는 이름의 방식에 해당하는 보상 행렬이 사용된다.

 

Ricoh / KIT MEG system data (.con/.sqd)

 

MNE-Python에는 Ricoh/KIT MEG 데이터를 읽고 변환 하는 mne.io.read_raw_kit()및 포함되어 있다.

 

연속 데이터를 가져오려면 입력 .sqd 또는 .con 파일만 필요하다. Epoch의 경우 세 번째 열에 이벤트 번호 / 해당 트리거 값을 포함하는 Nx3 행렬이 필요하다.

 

MEG 장치 좌표계에서 HPI 코일의 위치를 ​​포함하는 KIT 마커 파일 (mrk 파일) 또는 배열과 유사하다. 이 데이터는 elp 파일과 함께 사용되어 헤드와 장치 좌표계 간의 좌표 변환을 설정한다. Polhemus 포인트 파일 (elp 파일) 또는 기점 및 머리 위치 표시기 (HPI) 코일의 위치를 ​​포함하는 배열과 유사하다. 이러한 데이터는 일반적으로 Polhemus 머리 좌표계에서 제공된다. Polhemus 머리 모양 데이터 파일 (hsp 파일) 또는 머리 표면에서 추가 점의 위치를 ​​포함하는 배열과 유사하다. 이러한 점은 elp 파일에 사용된 것과 동일한 좌표계에서 제공되어야 한다.

 

기본적으로 KIT-157 시스템은 처음 157개 채널이 MEG 채널이고 다음 3개 채널이 기준 보정 채널이며 160개 이상의 채널이 기타 입력 채널 (MISC 001, MISC 002 등)로 지정되어 있다고 가정한다. 기본적으로 KIT-208 시스템은 처음 208개 채널이 MEG 채널이고 다음 16개 채널이 기준 보정 채널이며 224개 이상의 채널이 기타 입력 채널 (MISC 001, MISC 002 등)로 지정된 것으로 가정한다.

 

매개변수를 지정하여 사용 가능한 아날로그 트리거 채널 데이터에서 디지털 트리거 채널 (STI 014)을 합성할 수 있다.

 

순서가 있는 트리거 채널 (stim) 또는 기본 트리거 목록 : '<' | '>' KIT 트리거 채널을 Neuromag 스타일의 자극 채널로 변환할 때의 채널 값 대응. 기본적으로 처음 8개의 기타 채널이 트리거 채널이라고 가정한다. '<'의 경우 가장 큰 값이 첫 번째 채널에 할당된다 (리틀 엔디안, 기본값). '>'의 경우 마지막 채널 (빅 엔디안)에 가장 큰 값이 할당된다. 트리거 채널 인덱스 목록으로 지정할 수도 있다. 트리거 채널 슬로프(슬로프) : '+' | '-' Neuromag 스타일의 자극 채널을 합성할 때 KIT 트리거 채널의 값을 해석하는 방법. '+'를 사용하면 양의 기울기 (낮음-높음)가 이벤트로 해석된다. '-'를 사용하면 음의 기울기 (높음에서 낮음)가 이벤트로 해석된다. 자극 임계값 (stimthresh) : float KIT 트리거 채널의 전압 변화를 트리거 이벤트로 받아들이기 위한 임계값 레벨이다.

 

FieldTrip MEG / EEG data (.mat)

 

MNE-Python에는 mne.io.read_raw_fieldtrip(), mne.read_epochs_fieldtrip()및 mne.read_evoked_fieldtrip()FieldTrip에서 오는 데이터를 읽을 수 있다. 데이터는 .mat파일에서 직접 가져온다.

 

매개변수는 info 명시적으로 로 설정할 수 있다. 가져오기 기능은 계속 작동하지만 다음을 수행한다.

 

모든 채널 위치는 머리 좌표에 있다. 채널 방향은 정확하다고 보장할 수 없다. 모든 채널 유형은 일반 유형으로 설정된다.

 

이는 해당 정보가 필요하지 않은 모든 경우에 적합할 수 있지만 누락된 채널의 보간, 소스 분석 또는 평면 경사계의 RMS 쌍을 보는 것과 같은 작업을 수행하려는 경우 문제가 발생할 가능성이 가장 높다.

 

original_data = mne.io.read_raw_fiff('original_data.fif', preload=False)
original_info = original_data.info
data_from_ft = mne.read_evoked_fieldtrip('evoked_data.mat', original_info)

 

Creating MNE data structures from arbitrary data (from memory)

 

임의의 (ex. 시뮬레이션되거나 수동으로 읽기) 원시 데이터는 를 사용하거나 와 함께 사용하여 메모리에서 구성 (mne.io.RawArray)할 수 있다 mne.create_info().

 

이 기능은 처음부터 MNE-Python 데이터 구조 만들기에 설명되어 있다. NEO 와 같은 타사 라이브러리를 이러한 기능과 함께 사용하면 풍부한 전기 생리학적 파일 형식을 MNE에 쉽게 로드할 수 있다.

 

https://mne.tools/stable/auto_tutorials/io/10_reading_meg_data.html#sphx-glr-auto-tutorials-io-10-reading-meg-data-py

Importing data from MEG devices — MNE 1.0.0 documentation