مرحباً! في هذا البرنامج التعليمي سوف نتعلم كيفية استخدام تفاضل طبقة التدفق المخبري (Lab Streaming Layer) أو ما يعرف بـ LSL في Python لجمع ومزامنة بيانات EEG من أجهزة Emotiv المتعددة. ويتطلب ذلك معرفة عملية أساسية بلغة البرمجة Python.

ما ستتعلمه

1. ما هو الـ Lab Streaming Layer (LSL) ولماذا يستخدمه الباحثون

2. كيفية جمع البيانات المتزامنة من عدة أجهزة Emotiv EEG

3. كيفية استيراد وفحص البيانات التي تم جمعها

1.1 ما هو الـ LSL وما هي فائدته؟

تعد طبقة تدفق المختبر (LSL) عبارة عن صندوق أدوات مفتوح المصدر يمكن استخدامه لإرسال واستقبال ومزامنة تدفقات البيانات العصبية والفسيولوجية والسلوكية من أجهزة استشعار مختلفة. حيث أصبحت أجهزة استشعار الدماغ والجسم المتنقلة والدقيقة وذات القدرات المتزايدة (مثل أنظمة Emotiv EEG) تنقل علم الأعصاب خارج المختبر إلى عالم البيانات في الوقت الفعلي. وحيث كانت قياسات الدماغ مثل EEG وMEG مقتصرة في السابق على مختبرات الأبحاث، تتيح لنا الأجهزة المحمولة جمع تدفقات متعددة من البيانات في بيئات طبيعية أكثر، ومن عدة أشخاص في نفس الوقت.

قد يهتم الباحث بالتزامن الفسيولوجي بين شخصين يستمعان إلى نفس الموسيقى. حيث يمكن أن يساعدنا الـ LSL في جمع البيانات من سماعتي رأس EEG بشكل منفصل والتي تتم مزامنتها أيضاً مع عرض الصوت.

بعض الأمثلة على الاستخدامات الأخرى للـ LSL:

1. إضافة علامات الحدث من تجربة ما إلى بيانات EEG مستمرة

2. محاذاة البيانات زمنياً من مصادر متعددة لمشارك واحد (مثل معدل ضربات القلب، وتخطيط كهربية العضل EMG، وتخطيط كهربية الدماغ EEG)

3. محاذاة البيانات زمنياً من عدة مشاركين (مثل دراسات المسح المفرط لتخطيط كهربية الدماغ EEG Hyperscanning)

1.1 كيف يعمل الـ LSL؟

يعد الـ Lab Streaming Layer بروتوكولاً لتبادل البيانات ذات السلاسل الزمنية في الوقت الفعلي بين أجهزة متعددة. ويمكن تنفيذ LSL باستخدام مكتبات مفتوحة المصدر للغات البرمجة مثل Python وMATLAB وC++ وJava وغيرها.

تتمحور الوظيفة الأساسية حول تدفقات بيانات LSL:

1. يقوم جهاز/برنامج لجمع البيانات بإنشاء تدفق للبيانات - حيث يمكن دفق البيانات الفسيولوجية إلى LSL من أجهزة تسجيل EEG، وأجهزة تتبع العين، وأنظمة التقاط الحركة، وأجهزة مراقبة معدل ضربات القلب، وما إلى ذلك، بما في ذلك البيانات الوصفية (معدل أخذ العينات، ونوع البيانات، ومعلومات القناة، وما إلى ذلك) - ويمكن أيضاً إرسال علامات الحدث من التجارب (على سبيل المثال باستخدام PsychoPy) كتدفق بيانات باستخدام LSL.

2. يتم نشر تدفق البيانات على الشبكة - هذه هي طريقة إرسال البيانات باستخدام LSL؛ حيث يتم "بث" تدفق البيانات إلى الشبكة - وتكون التدفقات المنشورة متاحة على الشبكة ويمكن اكتشافها بواسطة الأجهزة الأخرى التي تدعم LSL على نفس الشبكة - كما يعين LSL لكل جزء بيانات أو عينة طابعاً زمنياً بناءً على ساعة مشتركة (باتباع بروتوكول وقت الشبكة). - ويتم دفع التدفق عينة بعينة (أو جزءاً بجزء) من خلال "منفذ مخرج".

3. تقوم أجهزة الجمع "بالاشتراك" في تدفق (تدفقات) البيانات - هذه هي كيفية تلقي البيانات باستخدام LSL - وتتلقى أجهزة الجمع الموجودة على الشبكة نفسها تدفقات البيانات المنشورة عبر "منافذ المداخل". - يتلقى كل مدخل عينات التدفق والبيانات الوصفية من منفذ مخرج واحد فقط.

4. حفظ البيانات - عند الاشتراك في تدفق البيانات، يمكنك حفظه في متغير بلغة البرمجة المفضلة لديك، أو استخدام برنامج LabRecorder المتوفر من LSL لحفظه بصيغة قياسية مثل .xdf.

2.0 نظرة عامة على البرنامج التعليمي

سنأخذ في هذا البرنامج التعليمي مثالاً لإعداد تجريبي ونرشدك عبر الخطوات والرموز البرمجية اللازمة لتنفيذه باستخدام LSL في Python. حيث سنستخدم لغة Python لتشغيل صوت أثناء جمع بيانات EEG من شخصين يرتديان سماعات رأس Emotiv. وسنستخدم جهازي كمبيوتر يعمل كل منهما بنظام EmotivPRO لجمع بيانات EEG وبث كل تيار تدفق من خلال مخرج LSL منفصل. وسنستخدم مكتبة Python لتشغيل ملف صوتي وإرسال محفز في نفس الوقت في كل مرة يبدأ فيها الملف.

الخطوات:

1. استخدام EmotivPRO لدفق البيانات عبر مخارج LSL التي تتضمن بيانات EEG (و/أو الحركة، وجودة الاتصال، وجودة الإشارة، وما إلى ذلك) 2. تشغيل مسار صوتي باستخدام برنامج Python النصي، وإرسال محفز في نفس الوقت عبر LSL آخر واستخدام LabRecorder لالتقاط وحفظ جميع تدفقات البيانات الثلاثة من خلال مدخل LSL.

2.1 الخطوة 1 - الإعداد والتثبيت

1. ستحتاج إلى أجهزة معتمدة لجمع البيانات لجمع البيانات
   • تتصل جميع أجهزة Emotiv الدماغية بـ LSL عبر برنامج EmotivPRO

2. قم بتثبيت EmotivPRO على جهازك (أجهزتك). ستحتاج إلى ترخيص EmotivPRO صالح لاستخدام LSL.

3. قم بتثبيت مكتبة Python LSL باستخدام الأمر التالي:
   pip install pylsl

4. قم بتنزيل برنامج LabRecorder. وهو تطبيق بسيط ومجاني يمكن تشغيله من
   خلال سطر الأوامر أو باستخدام تنزيل مستقل

5. بالنسبة لتجربتنا: قم بتثبيت الحزم اللازمة لتشغيل الصوت باستخدام Python
   pip install sounddevice soundfile

2.2 الخطوة 3 - إرسال البيانات من EmotivPRO عبر تدفق LSL

1. حدد موقع الرمز “...” في الزاوية العلوية اليمنى من التطبيق، وانتقل إلى الإعدادات

2. ابحث عن قسم 'Lab Streaming Layer' والقسم الفرعي 'Outlet'

3. حدد جميع أنواع البيانات التي ترغب في بثها

4. حدد تنسيق البيانات (32-bit float او 64-bit double)

5. حدد ما إذا كنت تريد إرسال البيانات عينة بعينة أو في أجزاء من العينات

6. انقر فوق 'Start' لبث تدفق بيانات LSL

2.3 الخطوة 4 - استخدام برنامج Python النصي لتشغيل الصوت وإرسال المحفزات

1. انسخ كتل الأكواد البرمجية التالية وانشرها في ملف python واحفظها على جهاز الكمبيوتر الخاص بك.

2. حدد موقع ملف صوتي (يفضل أن يكون ملف بتنسيق .wav) تريد تشغيله وقم بتحرير البرنامج النصي عن طريق تغيير
   المتغير audio_filepath إلى مسار الملف لملفك الصوتي على جهاز الكمبيوتر الخاص بك

3. افتح موجه الأوامر للتفاعل مع سطر الأوامر وانتقل إلى المجلد الموجود فيه
   ملف Python الخاص بك

4. أدخل: python3 filename.py
   • اعتماداً على تثبيت Python الخاص بك، قد تستخدم python بدلاً من python3
   
   ملاحظة: استبدل /path/to/audio.wav بموقع الملف الصوتي الذي ترغب في تشغيله أثناء التجربة.

"""
LSL Example: Play audio and send a trigger marker

This script creates an LSL marker stream, waits for the user to
press ENTER, then plays an audio file and sends a marker that
can be synchronized with EEG data collected through LabRecorder.
"""

import sounddevice as sd
import soundfile as sf
from pylsl import StreamInfo, StreamOutlet


def wait_for_keypress():
    print("Press ENTER to start audio playback and send an LSL marker.")
    while True:
        if input() == "":
            break


def play_audio_and_send_marker(audio_file, outlet):
    data, fs = sf.read(audio_file)

    print("Playing audio and sending LSL marker...")

    marker_val = [1]
    outlet.push_sample(marker_val)

    sd.play(data, fs)
    sd.wait()

    print("Audio playback finished.")


if __name__ == "__main__":

    info = StreamInfo(
        name="AudioMarkers",
        type="Markers",
        channel_count=1,
        nominal_srate=0,
        channel_format="int32",
        source_id="uniqueMarkerID12345"
    )

    outlet = StreamOutlet(info)

    while True:
        wait_for_keypress()

        audio_filepath = "/path/to/audio.wav"

        play_audio_and_send_marker(
            audio_filepath,
            outlet
        )

"""
LSL Example: Play audio and send a trigger marker

This script creates an LSL marker stream, waits for the user to
press ENTER, then plays an audio file and sends a marker that
can be synchronized with EEG data collected through LabRecorder.
"""

import sounddevice as sd
import soundfile as sf
from pylsl import StreamInfo, StreamOutlet


def wait_for_keypress():
    print("Press ENTER to start audio playback and send an LSL marker.")
    while True:
        if input() == "":
            break


def play_audio_and_send_marker(audio_file, outlet):
    data, fs = sf.read(audio_file)

    print("Playing audio and sending LSL marker...")

    marker_val = [1]
    outlet.push_sample(marker_val)

    sd.play(data, fs)
    sd.wait()

    print("Audio playback finished.")


if __name__ == "__main__":

    info = StreamInfo(
        name="AudioMarkers",
        type="Markers",
        channel_count=1,
        nominal_srate=0,
        channel_format="int32",
        source_id="uniqueMarkerID12345"
    )

    outlet = StreamOutlet(info)

    while True:
        wait_for_keypress()

        audio_filepath = "/path/to/audio.wav"

        play_audio_and_send_marker(
            audio_filepath,
            outlet
        )

"""
LSL Example: Play audio and send a trigger marker

This script creates an LSL marker stream, waits for the user to
press ENTER, then plays an audio file and sends a marker that
can be synchronized with EEG data collected through LabRecorder.
"""

import sounddevice as sd
import soundfile as sf
from pylsl import StreamInfo, StreamOutlet


def wait_for_keypress():
    print("Press ENTER to start audio playback and send an LSL marker.")
    while True:
        if input() == "":
            break


def play_audio_and_send_marker(audio_file, outlet):
    data, fs = sf.read(audio_file)

    print("Playing audio and sending LSL marker...")

    marker_val = [1]
    outlet.push_sample(marker_val)

    sd.play(data, fs)
    sd.wait()

    print("Audio playback finished.")


if __name__ == "__main__":

    info = StreamInfo(
        name="AudioMarkers",
        type="Markers",
        channel_count=1,
        nominal_srate=0,
        channel_format="int32",
        source_id="uniqueMarkerID12345"
    )

    outlet = StreamOutlet(info)

    while True:
        wait_for_keypress()

        audio_filepath = "/path/to/audio.wav"

        play_audio_and_send_marker(
            audio_filepath,
            outlet
        )

2.4 الخطوة 5 - استخدام LabRecorder لعرض وحفظ جميع تدفقات LSL

1. افتح LabRecorder

2. اضغط على Update. يجب أن تكون تدفقات LSL المتاحة مرئية في قائمة التدفقات
   • يجب أن تكون قادراً على رؤية التدفقات من كلا جهازي EmotivPRO (التي عادة ما تسمى "Emotiv-
   DataStream") وتدفق العلامات (يسمى "AudioMarkers")

3. انقر فوق Browse لتحديد موقع لتخزين البيانات (وتعيين معلمات أخرى)

4. حدد جميع التدفقات واضغط على Record لبدء التسجيل

3.0 العمل مع البيانات

يُخرج LabRecorder ملف XDF (Extensible Data Format) يحتوي على بيانات من جميع تدفقات البيانات. وتتكون ملفات XDF من تدفقات بيانات بملفات ترويسة (Header) مختلفة تصف ما تحتويه (اسم الجهاز، ونوع البيانات، ومعدل أخذ العينات، والقنوات، والمزيد). ويمكنك استخدام الكود البرمجي أدناه لفتح ملف XDF الخاص بك وعرض بعض المعلومات الأساسية.

ملاحظة: استبدل /path/to/your/file.xdf بمسار ملف مخرجات LabRecorder XDF الخاص بك.

import pyxdf
import mne
import matplotlib.pyplot as plt
import numpy as np

# Give the path to your LSL output file here.
data_path = "/path/to/your/file.xdf"

# Load the XDF file.
streams, fileheader = pyxdf.load_xdf(data_path)

print("XDF File Header:", fileheader)
print("Number of streams found:", len(streams))

for i, stream in enumerate(streams):
    print("\nStream", i + 1)
    print("Stream Name:", stream["info"]["name"][0])
    print("Stream Type:", stream["info"]["type"][0])
    print("Number of Channels:", stream["info"]["channel_count"][0])

    sfreq = float(stream["info"]["nominal_srate"][0])
    print("Sampling Rate:", sfreq)

    print("Number of Samples:", len(stream["time_series"]))
    print("First 5 data points:", stream["time_series"][:5])

    channel_names = [
        chan["label"][0]
        for chan in stream["info"]["desc"][0]["channels"][0]["channel"]
    ]

    print("Channel Names:", channel_names)

    channel_types = "eeg"

import pyxdf
import mne
import matplotlib.pyplot as plt
import numpy as np

# Give the path to your LSL output file here.
data_path = "/path/to/your/file.xdf"

# Load the XDF file.
streams, fileheader = pyxdf.load_xdf(data_path)

print("XDF File Header:", fileheader)
print("Number of streams found:", len(streams))

for i, stream in enumerate(streams):
    print("\nStream", i + 1)
    print("Stream Name:", stream["info"]["name"][0])
    print("Stream Type:", stream["info"]["type"][0])
    print("Number of Channels:", stream["info"]["channel_count"][0])

    sfreq = float(stream["info"]["nominal_srate"][0])
    print("Sampling Rate:", sfreq)

    print("Number of Samples:", len(stream["time_series"]))
    print("First 5 data points:", stream["time_series"][:5])

    channel_names = [
        chan["label"][0]
        for chan in stream["info"]["desc"][0]["channels"][0]["channel"]
    ]

    print("Channel Names:", channel_names)

    channel_types = "eeg"

import pyxdf
import mne
import matplotlib.pyplot as plt
import numpy as np

# Give the path to your LSL output file here.
data_path = "/path/to/your/file.xdf"

# Load the XDF file.
streams, fileheader = pyxdf.load_xdf(data_path)

print("XDF File Header:", fileheader)
print("Number of streams found:", len(streams))

for i, stream in enumerate(streams):
    print("\nStream", i + 1)
    print("Stream Name:", stream["info"]["name"][0])
    print("Stream Type:", stream["info"]["type"][0])
    print("Number of Channels:", stream["info"]["channel_count"][0])

    sfreq = float(stream["info"]["nominal_srate"][0])
    print("Sampling Rate:", sfreq)

    print("Number of Samples:", len(stream["time_series"]))
    print("First 5 data points:", stream["time_series"][:5])

    channel_names = [
        chan["label"][0]
        for chan in stream["info"]["desc"][0]["channels"][0]["channel"]
    ]

    print("Channel Names:", channel_names)

    channel_types = "eeg"

4.0 مصادر إضافية

الوثائق الرسمية

1. تحقق من الوثائق عبر الإنترنت، بما في ذلك ملف README الرسمي على GitHub

2. مصادر إضافية:
   • كود لتشغيل LSL باستخدام أجهزة Emotiv، مع سيناريوهات أمثلة برمجة نصية
   • عرض LSL مفيد على YouTube
   • مستودع SCCN LSL على GitHub لجميع المكتبات المرتبطة
   • مستودع LSL على GitHub لمجموعة من الوحدات الفرعية والتطبيقات

3. مسار تحليل HyPyP لدراسات المسح المفرط Hyperscanning