Pythonを用いて脳波を解析する

データのロード

まず、サンプルデータをロードする。

from mne.datasets import sample
data_path = sample.data_path()
subjects_dir = data_path / "subjects"
fname_inv = data_path / "MEG/sample/sample_audvis-meg-oct-6-meg-inv.fif"
fname_raw = data_path / "MEG/sample/sample_audvis_filt-0-40_raw.fif"
fname_event = data_path / "MEG/sample/sample_audvis_filt-0-40_raw-eve.fif"# データをロード
inverse_operator = read_inverse_operator(fname_inv)
raw = mne.io.read_raw_fif(fname_raw)
events = mne.read_events(fname_event)

この部分では、逆オペレータ、未処理の生データ、およびイベントデータを読み込む。

チャネルの選択とエポックの定義

次に、MEGチャネルを選択し、エポックを定義する。

# 不良チャネルを追加
raw.info["bads"] += ["MEG 2443"]
# MEGチャネルを選択
picks = mne.pick_types(raw.info, meg=True, eeg=False, stim=False, eog=True, exclude="bads")
# 左聴覚条件のエポックを定義
event_id, tmin, tmax = 1, -0.2, 0.5
epochs = mne.Epochs(
    raw, events, event_id, tmin, tmax, picks=picks,
    baseline=(None, 0), reject=dict(mag=4e-12, grad=4000e-13, eog=150e-6)
)

この部分では、不良チャネルを除外し、特定のイベントに基づいてエポックを定義する。

逆解と接続性の計算

逆解を計算し、その接続性を評価する。

# 逆解の計算
snr = 1.0
lambda2 = 1.0 / snr**2
method = "dSPM"
stcs = apply_inverse_epochs(
    epochs, inverse_operator, lambda2, method, pick_ori="normal", return_generator=True
)
# ラベルの読み込みとタイムコースの抽出
labels = mne.read_labels_from_annot("sample", parc="aparc", subjects_dir=subjects_dir)
src = inverse_operator["src"]
label_ts = mne.extract_label_time_course(
    stcs, labels, src, mode="mean_flip", return_generator=True
)
# 接続性の計算
fmin, fmax = 8.0, 13.0
sfreq = raw.info["sfreq"]
con_methods = ["pli", "wpli2_debiased", "ciplv"]
con = spectral_connectivity_epochs(
    label_ts, method=con_methods, mode="multitaper", sfreq=sfreq,
    fmin=fmin, fmax=fmax, faverage=True, mt_adaptive=True, n_jobs=1
)
# 結果の整理
con_res = {method: c.get_data(output="dense")[:, :, 0] for method, c inzip(con_methods, con)}

この部分では、逆解を計算し、各ラベル内のタイムコースを抽出し、接続性を評価する。

接続性の視覚化

最後に、接続性を円グラフレイアウトで視覚化する。

# ラベルの再配置
label_names = [label.name for label in labels]
lh_labels = [name for name in label_names if name.endswith("lh")]
rh_labels = [name for name in label_names if name.endswith("rh")]
# y位置に基づくラベルの並べ替え
label_ypos = [np.mean(labels[label_names.index(name)].pos[:, 1]) for name in lh_labels]
lh_labels = [lh_labels[i] for i in np.argsort(label_ypos)]
label_ypos = [np.mean(labels[label_names.index(name)].pos[:, 1]) for name in rh_labels]
rh_labels = [rh_labels[i] for i in np.argsort(label_ypos)]
node_order = lh_labels + rh_labels
node_colors = [label_colors[label_names.index(name)] for name in node_order]
# 円グラフレイアウトの作成
fig, axes = plt.subplots(1, len(con_methods), figsize=(15, 5), subplot_kw=dict(polar=True))
for ax, method inzip(axes, con_methods):
    plot_connectivity_circle(
        con_res[method], node_names=node_order, n_lines=300,
        node_colors=node_colors, title=method, ax=ax,
        colormap='hot', vmin=0.0, vmax=0.5, colorbar=True
    )
plt.show()

すると、以下のような画像が表示される。（左の画像は中央と右が表示されていない。私の環境ではなぜか表示されないが普通には表示されるはずである）

これらの結果からどの部位がコネクティビティが強いのかということがわかる。