.

مرحله 5: مشاهده طیف فرکانسی EEG (FFT / PSD)

# Power Spectral Density (frequency domain)
raw.plot_psd(fmax=80, picks='eeg')


این نمودار توان سیگنال را در فرکانس‌های مختلف (0–80 Hz) نشان می‌دهد.

برای مشاهده باندهای فرکانسی مانند Alpha (8–13 Hz)، Beta (13–30 Hz) و Gamma (>30 Hz) مناسب است.


.

.

مرحله 6: فیلتر کردن سیگنال

مثلاً حذف نویز برق ۵۰ هرتز

raw_filtered = raw.copy().notch_filter(freqs=50)
raw_filtered.plot(duration=5, n_channels=20)

بعلاوه بسته به اینکه تمرکز ما روی چه بازه‎‌های فرکانسی است از Low-pass filter هم می‌توانیم استفاده کنیم.

مقدار آن بستگی به هدف ما از آنالیز دارد.

مثلاً اگر نیاز داریم روی باند گاما کار کنیم نباید این فرکانس‌ها فیلتر شوند.

در ERP (event-related potential) تمرکز بر پاسخ‌های کند مغز است مانند 0.1-30 Hz


.

.

مثالی دیگر

raw_lp = raw.copy().filter(l_freq=None, h_freq=40) # Low-pass filter at 40 Hz
raw_lp.plot(duration=5, n_channels=20)

بخش l_freq=None یعنی فیلتر بالاگذر اعمال نمی‌شود.

بخش h_freq=40 یعنی فقط فرکانس‌های زیر ۴۰ هرتز باقی می‌مانند.

.

.

مرحله 7: شناسایی باندهای فرکانسی مرسوم

معمولاً از این تعاریف استفاده می‌شود (مقادیر قابل تغییر هستند):

Delta: 1–4 Hz

Theta: 4–8 Hz

Alpha: 8–12 Hz

Beta: 13–30 Hz

Gamma: 30–80 Hz (or 30–100 Hz)

.

.

Delta: 1–4 Hz

import mne
import numpy as np
import matplotlib.pyplot as plt
from mne.datasets import sample
from mne.filter import filter_data

# Load sample EEG data
data_path = sample.data_path()
raw_file = data_path / 'MEG' / 'sample' / 'sample_audvis_raw.fif'
raw = mne.io.read_raw_fif(raw_file, preload=True)
raw.pick_types(meg=False, eeg=True)

fs = raw.info['sfreq']
channel_name = raw.ch_names[0]

# Get first channel, first 1000 samples
eeg_data = raw.get_data(picks='eeg')[:1, :1000]
time = np.arange(eeg_data.shape[1]) / fs

# Filter Delta band (1–4 Hz)
delta_data = filter_data(eeg_data, sfreq=fs, l_freq=1, h_freq=4, method='fir', verbose=False)

# Plot time domain
plt.figure(figsize=(10,4))
plt.plot(time, delta_data[0] * 1e6, color='navy')
plt.title(f"Delta Band (1–4 Hz) — Time Domain ({channel_name})", fontsize=13)
plt.xlabel("Time (seconds)")
plt.ylabel("Amplitude (µV)")
plt.grid(True)
plt.tight_layout()
plt.show()

.

.

Theta (4–8 Hz)

# Filter Theta band (4–8 Hz)
theta_data = filter_data(eeg_data, sfreq=fs, l_freq=4, h_freq=8, method='fir', verbose=False)

plt.figure(figsize=(10,4))
plt.plot(time, theta_data[0] * 1e6, color='darkorange')
plt.title(f"Theta Band (4–8 Hz) — Time Domain ({channel_name})", fontsize=13)
plt.xlabel("Time (seconds)")
plt.ylabel("Amplitude (µV)")
plt.grid(True)
plt.tight_layout()
plt.show()

.

.

Alpha (8–13 Hz)

# Filter Alpha band (8–13 Hz)
alpha_data = filter_data(eeg_data, sfreq=fs, l_freq=8, h_freq=13, method='fir', verbose=False)

plt.figure(figsize=(10,4))
plt.plot(time, alpha_data[0] * 1e6, color='green')
plt.title(f"Alpha Band (8–13 Hz) — Time Domain ({channel_name})", fontsize=13)
plt.xlabel("Time (seconds)")
plt.ylabel("Amplitude (µV)")
plt.grid(True)
plt.tight_layout()
plt.show()

.

.

Beta (13–30 Hz)

# Filter Beta band (13–30 Hz)
beta_data = filter_data(eeg_data, sfreq=fs, l_freq=13, h_freq=30, method='fir', verbose=False)

plt.figure(figsize=(10,4))
plt.plot(time, beta_data[0] * 1e6, color='red')
plt.title(f"Beta Band (13–30 Hz) — Time Domain ({channel_name})", fontsize=13)
plt.xlabel("Time (seconds)")
plt.ylabel("Amplitude (µV)")
plt.grid(True)
plt.tight_layout()
plt.show()

.

.

Gamma (30–80 Hz)

# Filter Gamma band (30–80 Hz)
gamma_data = filter_data(eeg_data, sfreq=fs, l_freq=30, h_freq=80, method='fir', verbose=False)

plt.figure(figsize=(10,4))
plt.plot(time, gamma_data[0] * 1e6, color='purple')
plt.title(f"Gamma Band (30–80 Hz) — Time Domain ({channel_name})", fontsize=13)
plt.xlabel("Time (seconds)")
plt.ylabel("Amplitude (µV)")
plt.grid(True)
plt.tight_layout()
plt.show()

.

.

در ادامه یک نسخه‌ی یکجا می‌سازیم که تمام 5 باند EEG را در یک شکل با 5 تا subplot نمایش دهد.
فقط برای کانال اول و 2000 سمپل اول، نمودار Time domain 👇

.

import mne
import numpy as np
import matplotlib.pyplot as plt
from mne.datasets import sample
from mne.filter import filter_data

# -------------------------------
# 1. Load sample EEG data
# -------------------------------
data_path = sample.data_path()
raw_file = data_path / 'MEG' / 'sample' / 'sample_audvis_raw.fif'
raw = mne.io.read_raw_fif(raw_file, preload=True)
raw.pick_types(meg=False, eeg=True) # Keep EEG only

fs = raw.info['sfreq']
channel_name = raw.ch_names[0]

# First channel, first 2000 samples
eeg_data = raw.get_data(picks='eeg')[:1, :2000]
time = np.arange(eeg_data.shape[1]) / fs

# -------------------------------
# 2. Define EEG frequency bands
# -------------------------------
bands = {'Delta (1–4 Hz)': (1, 4),
'Theta (4–8 Hz)': (4, 8),
'Alpha (8–13 Hz)': (8, 13),
'Beta (13–30 Hz)': (13, 30),
'Gamma (30–80 Hz)': (30, 80)}

colors = {'Delta (1–4 Hz)': 'navy',
'Theta (4–8 Hz)': 'darkorange',
'Alpha (8–13 Hz)': 'green',
'Beta (13–30 Hz)': 'red',
'Gamma (30–80 Hz)': 'purple'}

# -------------------------------
# 3. Create subplots
# -------------------------------
fig, axes = plt.subplots(len(bands), 1, figsize=(12, 10), sharex=True)

for ax, (band_name, band_range) in zip(axes, bands.items()):
# Filter band
filtered_data = filter_data(eeg_data, sfreq=fs,
l_freq=band_range[0],
h_freq=band_range[1],
method='fir', verbose=False)
# Plot
ax.plot(time, filtered_data[0] * 1e6, color=colors[band_name])
ax.set_ylabel("µV", fontsize=10)
ax.set_title(f"{band_name} — {channel_name}", fontsize=11)
ax.grid(True)

axes[-1].set_xlabel("Time (seconds)", fontsize=12)
plt.tight_layout()
plt.show()