epochs_events

# Epochs 和事件相关分析 ## 概述 事件相关分析检查与特定刺激或事件时间锁定的生理反应。NeuroKit2 提供了用于所有信号类型的事件检测、分段创建、平均化和事件相关特征提取的工具。 ## 事件检测 ### events_find() 根据阈值交叉或变化自动检测信号中的事件/触发器。 python events = nk.events_find(event_channel, threshold=0.5, threshold_keep='above', duration_min=1, inter_min=0) **参数：** - `threshold`: 检测阈值 - `threshold_keep`: `'above'` 或 `'below'` 阈值 - `duration_min`: 保留的最小事件持续时间（采样点） - `inter_min`: 事件之间的最小间隔（采样点） **返回：** - 字典，包含： - `'onset'`: 事件起始索引 - `'offset'`: 事件终止索引（如果适用） - `'duration'`: 事件持续时间 - `'label'`: 事件标签（如果存在多种事件类型） **常见用例：** **实验中的 TTL 触发器：** python # 触发通道：0V 基线，事件期间为 5V 脉冲 events = nk.events_find(trigger_channel, threshold=2.5, threshold_keep='above') **按钮按下：** python # 检测按钮信号何时变高 button_events = nk.events_find(button_signal, threshold=0.5, threshold_keep='above', duration_min=10) # 去抖动 **状态变化：** python # 检测高于/低于阈值的周期 high_arousal = nk.events_find(eda_signal, threshold='auto', duration_min=100) ### events_plot() 可视化事件相对于信号的时间安排。 python nk.events_plot(events, signal) **显示：** - 信号轨迹 - 事件标记（垂直线或阴影区域） - 事件标签 **用例：** - 验证事件检测的准确性 - 检查事件的时间分布 - 分段前的质量控制 ## 分段创建 ### epochs_create() 创建事件周围的数据段（Epochs），用于事件相关分析。 python epochs = nk.epochs_create(data, events, sampling_rate=1000, epochs_start=-0.5, epochs_end=2.0, event_labels=None, event_conditions=None, baseline_correction=False) **参数：** - `data`: 包含信号的 DataFrame 或单个信号 - `events`: 事件索引或来自 `events_find()` 的字典 - `sampling_rate`: 信号采样率 (Hz) - `epochs_start`: 相对于事件的开始时间 (s