Capa de Streaming de Laboratorio (LSL) para sincronizar múltiples flujos de datos

por Roshini Randeniya y Lucas Kleine

Operación:
Una vez ejecutado en la línea de comando, este script inicia inmediatamente un flujo LSL. Siempre que se presione la tecla 'Enter', envía un disparador y reproduce un archivo de audio."""

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

def wait_for_keypress():
print("Presiona ENTER para comenzar la reproducción de audio y enviar un marcador LSL.")

while True: # This loop waits for a keyboard input
    input_str = input()  # Wait for input from the terminal
    if input_str == "":  # If the enter key is pressed, proceed
        break

def AudioMarker(audio_file, outlet): # función para reproducir audio y enviar marcador
data, fs = sf.read(audio_file) # Cargar el archivo de audio

print("Playing audio and sending LSL marker...")
marker_val = [1]
outlet.push_sample(marker_val) # Send marker indicating the start of audio playback
sd.play(data, fs) # play the audio
sd.wait()  # Wait until audio is done playing
print("Audio playback finished.")

if name == "main": # BUCLE PRINCIPAL
# Configurar flujo LSL para marcadores
stream_name = 'MarcadoresDeAudio'
stream_type = 'Marcadores'
n_chans = 1
sr = 0 # Establecer la frecuencia de muestreo en 0 porque los marcadores son irregulares
chan_format = 'int32'
marker_id = 'uniqueMarkerID12345'

info = StreamInfo(stream_name, stream_type, n_chans, sr, chan_format, marker_id)
outlet = StreamOutlet(info) # create LSL outlet

# Keep the script running and wait for ENTER key to play audio and send marker
while True:
    wait_for_keypress()
    audio_filepath = "/path/to/your/audio_file.wav"  # replace with correct path to your audio file
    AudioMarker(audio_filepath, outlet)
    # After playing audio and sending a marker, the script goes back to waiting for the next keypress</code></pre><p><em><strong>**By running this file (even before playing the audio), you've initiated an LSL stream through an outlet</strong></em><strong>. Now we'll view that stream in LabRecorder</strong></p><p><strong>STEP 5 - Use LabRecorder to view and save all LSL streams</strong></p><ol><li data-preset-tag="p"><p>Open LabRecorder</p></li><li data-preset-tag="p"><p>Press <em><strong>Update</strong></em>. The available LSL streams should be visible in the stream list<br> • You should be able to see streams from both EmotivPROs (usually called "EmotivDataStream") and the marker stream (called "AudioMarkers")</p></li><li data-preset-tag="p"><p>Click <em><strong>Browse</strong></em> to select a location to store data (and set other parameters)</p></li><li data-preset-tag="p"><p>Select all streams and press <em><strong>Record</strong></em> to start recording</p></li><li data-preset-tag="p"><p>Click Stop when you want to end the recording</p></li></ol><p><br></p><img alt="" src="https://framerusercontent.com/images/HFGuJF9ErVu2Jxrgtqt11tl0No.jpg"><h2><strong>Working with the data</strong></h2><p><strong>LabRecorder outputs an XDF file (Extensible Data Format) that contains data from all the streams. XDF files are structured into, </strong><em><strong>streams</strong></em><strong>, each with a different </strong><em><strong>header</strong></em><strong> that describes what it contains (device name, data type, sampling rate, channels, and more). You can use the below codeblock to open your XDF file and display some basic information.</strong></p><pre data-language="JSX"><code>

Este script de ejemplo demuestra algunas funciones básicas para importar y anotar datos EEG recopilados del software EmotivPRO. Usa MNE para cargar un archivo XDF, imprimir algunos metadatos básicos, crear un info objeto y trazar el espectro de potencia."""

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

Ruta a tu archivo XDF

data_path = '/path/to/your/xdf_file.xdf'

Cargar el archivo XDF

streams, fileheader = pyxdf.load_xdf(data_path)
print("Encabezado del archivo XDF:", fileheader)
print("Número de flujos encontrados:", len(streams))

for i, stream in enumerate(streams):
print("\nFlujo", i + 1)
print("Nombre del Flujo:", stream['info']['name'][0])
print("Tipo de Flujo:", stream['info']['type'][0])
print("Número de Canales:", stream['info']['channel_count'][0])
sfreq = float(stream['info']['nominal_srate'][0])
print("Frecuencia de Muestreo:", sfreq)
print("Número de Muestras:", len(stream['time_series']))
print("Imprimir los primeros 5 puntos de datos:", 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'

Crear objeto info de MNE

info = mne.create_info(channel_names, sfreq, channel_types)
data = np.array(stream['time_series']).T # Los datos necesitan ser transpuestos: canales x muestras
raw = mne.io.RawArray(data, info)
raw.plot_psd(fmax=50) # trazar un espectrograma simple (densidad espectral de potencia)Recursos adicionalesDescarga este tutorial como un cuaderno Jupyter desde EMOTIV GitHubConsulta la documentación en línea de LSL, incluido el archivo README oficial en GitHubNecesitarás uno o más dispositivos de adquisición de datos compatibles para recopilar datosTodos los dispositivos de brainware de EMOTIV se conectan al software EmotivPRO, que tiene capacidades LSL integradas para enviar y recibir flujos de datosRecursos adicionales:Código para ejecutar LSL usando los dispositivos de Emotiv, con scripts de ejemploDemo útil de LSL en YouTubeRepositorio de GitHub de SCCN LSL para todas las bibliotecas asociadasRepositorio de GitHub para una colección de submódulos y aplicacionesProceso de análisis HyPyP para estudios de Hiperscaneo