El fichero bcg_auxiliary.py contiene la implementación de los siguientes métodos:
load_data (path): Carga las señales del LFP de una sesión.load_ripples_tags (path, fs): carga las etiquetas (principio y fin) de los ripples de una sesión.get_ripples_tags_as_signal (data, ripples, fs): genera una señal cuadrada que representa donde hay o no hay ripples a lo largo de una sesión.get_score (true_ripples, pred_ripples, threshold=0.1): calcula las métrical de precision, recall y F1 para unas detecciones respecto a las etiquetas de los ripples de una sesión.write_results (save_path, session_name, group_number, predictions): guarda las detecciones realizadas en una sesión en un fichero de texto.
Entrenamiento:
- Amigo2: https://figshare.com/articles/dataset/Amigo2_2019-07-11_11-57-07/16847521
- Som_2: https://figshare.com/articles/dataset/Som2_2019-07-24_12-01-49/16856137
Validación:
- Thy7: https://figshare.com/articles/dataset/Thy7_2020-11-11_16-05-00/14960085
- Dlx1: https://figshare.com/articles/dataset/Dlx1_2021-02-12_12-46-54/14959449
from bcg_auxiliary import *
import matplotlib.pyplot as plt
import numpy as np
datapath = "data/Som_2"
data, fs, session_name = load_data(datapath)
ripples_tags = load_ripples_tags(datapath, fs)
signal = get_ripples_tags_as_signal(data, ripples_tags, fs)
ini = int((ripples_tags[10][0] * fs) - fs/3 )
end = int((ripples_tags[10][1] * fs) + fs/3)
pos_mat = list(range(data.shape[1]-1, -1, -1)) * np.ones((end-ini, data.shape[1]))
fig, axs = plt.subplots(2, figsize=(20,12))
axs[0].plot(signal[ini:end])
axs[1].plot(data[ini:end, :]*1/np.max(data[ini:end, :], axis=0) + pos_mat, color='k')
plt.show()