.

2. کد HEX یا هگزادسیمال برای تعریف دقیق رنگ

مانند

color="#FF5733"

.

.

3. کد RGB یا RGBA با مقدار بین صفر و یک

مانند

color=(0.2, 0.4, 0.6) # RGB

color=(0.2, 0.4, 0.6, 0.8) # RGBA (با شفافیت)

.

.
4. حروف تک‌حرفی (سریع ولی محدود)

.

.

در کد زیر رنگ‌های مختلف بالا را امتحان و نتیجه را ببینید.

import matplotlib.pyplot as plt
x = [1,2,3,4,5]
y = [2,4,6,8,10]
plt.plot(x, y, color="#FF5733", linewidth=5)
plt.title("Example with Named Color")
plt.show()

.

.

5. استفاده ازColormapها (پالت رنگ آماده) برای داده‌های پیوسته

معروف‌ترین‌ها:

"viridis", "plasma", "inferno", "magma", "cividis", "coolwarm", "rainbow", "jet", "spring", "summer", "autumn", "winter"

.

.

تمرین استفاده ازColormapها

import matplotlib.pyplot as plt
import numpy as np
cmap = plt.cm.viridis # 'plasma', 'coolwarm', 'tab10', ...
x = np.linspace(0, 10, 100)
y = np.sin(x)
colors = cmap(np.linspace(0, 1, len(x)))
plt.figure(figsize=(8, 4))
plt.scatter(x, y, c=colors, s=50)
plt.title("Matplotlib Colormap - Viridis")
plt.show()

.

.
پالت‌های معروف Seaborn

@Python_Education_Azizi

.

.

نمایش همه این پالت‌ها با کد
لطفا اجرا کنید.

import seaborn as sns
import matplotlib.pyplot as plt
palettes = ["deep", "muted", "pastel", "bright", "dark", "colorblind",
"Set1", "Set2", "Set3", "Paired", "Accent", "Pastel1", "Pastel2", "Dark2",
"coolwarm", "RdBu_r", "Spectral"]
plt.figure(figsize=(10, 8))
for i, palette in enumerate(palettes):
colors = sns.color_palette(palette, 8)
plt.subplot(len(palettes)//3+1, 3, i+1)
sns.palplot(colors)
plt.title(palette, fontsize=8)
plt.tight_layout()
plt.show()

.

.
پالت‌های معروف Seaborn

.

.
پالت‌های معروف Matplotlib

@Python_Education_Azizi
.

.

نمایش همه این پالت‌ها با کد
لطفا اجرا کنید.

import matplotlib.pyplot as plt
import numpy as np

cmaps = plt.colormaps()
gradient = np.linspace(0, 1, 256).reshape(1, -1)

fig, axs = plt.subplots(len(cmaps)//5, 5, figsize=(15, 40))
for ax, cmap_name in zip(axs.flat, cmaps):
ax.imshow(gradient, aspect='auto', cmap=plt.get_cmap(cmap_name))
ax.set_title(cmap_name, fontsize=8)
ax.axis('off')
plt.tight_layout()
plt.savefig("colormaps.jpeg", format="jpeg", dpi=300)
plt.show()

.

.
پالت‌های معروف Matplotlib

.

.

.

.

.
جلسه هجدهم ..............................................
.

پردازش سیگنال‌های مغزی EEG, LFP

.

.

اصول پردازش سیگنال EEG و LFP با پایتون

به طور کلی اصول تحلیل برای هر دو سیگنال EEG و LFP یکسان است.

تفاوت در ماهیت سیگنال‌ها است که باعث می‌شود نوع پیش‌پردازش و تحلیل کمی متفاوت باشد.

در پایتون، ابزارها یکسان‌اند ولی تنظیمات فیلتر، انتخاب باند فرکانسی و نوع پیش‌پردازش فرق می‌کند.

.

.

برخی شباهت‌های سیگنال EEG و LFP

هر دو سیگنال زمان–وابسته هستند (Time series).

هر دو معمولاً نیاز به فیلتر کردن نویز دارند.

مثلاً Notch filter برای برق شهر و یا فیلتر Band-pass برای محدوده فرکانسی مورد نظر

تحلیل‌هایی مثل FFT (طیف فرکانسی)، Wavelet، توان باند فرکانسی (Delta, Theta, Alpha, Beta, Gamma) برای هر دو انجام می‌شود.

ابزارهای رایج در پایتون مثل scipy.signal، mne یا neurodsp قابل استفاده برای هر دو هستند.

.

.
مقایسه بین بین EEG و LFP

.

آشنایی با سیگنال

.