par Roshini Randeniya et Lucas Kleine

Opération :
Une fois exécuté dans la ligne de commande, ce script initie immédiatement un flux LSL. Chaque fois que la touche 'Entrée' est enfoncée, il envoie un déclencheur et joue un fichier audio."""

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

def wait_for_keypress():
print("Appuyez sur ENTRÉE pour commencer la lecture audio et envoyer un marqueur 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): # fonction pour jouer de l'audio et envoyer un marqueur
data, fs = sf.read(audio_file) # Charger le fichier 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": # BOUCLE PRINCIPALE
# Configurer le flux LSL pour les marqueurs
stream_name = 'AudioMarkers'
stream_type = 'Markers'
n_chans = 1
sr = 0 # Définir 0 pour la fréquence d'échantillonnage car les marqueurs sont irréguliers
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>

Ce script exemple démontre quelques fonctions de base pour importer et annoter des données EEG collectées à partir du logiciel EmotivPRO. Il utilise MNE pour charger un fichier XDF, imprimer certaines métadonnées de base, créer un objet info et tracer le spectre de puissance."""

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

Chemin vers votre fichier XDF

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

Charger le fichier XDF

streams, fileheader = pyxdf.load_xdf(data_path)
print("En-tête du fichier XDF:", fileheader)
print("Nombre de flux trouvés:", len(streams))

for i, stream in enumerate(streams):
print("\nFlux", i + 1)
print("Nom du flux:", stream['info']['name'][0])
print("Type de flux:", stream['info']['type'][0])
print("Nombre de canaux:", stream['info']['channel_count'][0])
sfreq = float(stream['info']['nominal_srate'][0])
print("Fréquence d'échantillonnage:", sfreq)
print("Nombre d'échantillons:", len(stream['time_series']))
print("Imprimer les 5 premiers points de données:", 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'

Créer un objet info MNE

info = mne.create_info(channel_names, sfreq, channel_types)
data = np.array(stream['time_series']).T # Les données doivent être transposées : canaux x échantillons
raw = mne.io.RawArray(data, info)
raw.plot_psd(fmax=50) # tracer un simple spectrogramme (densité spectrale de puissance)Ressources supplémentairesTéléchargez ce tutoriel au format notebook Jupyter depuis EMOTIV GitHubDécouvrez la documentation en ligne LSL, y compris le fichier README officiel sur GitHubVous aurez besoin d'un ou plusieurs dispositifs d'acquisition de données pris en charge pour collecter des donnéesTous les dispositifs de Neurotechnologie d'EMOTIV se connectent au logiciel EmotivPRO, qui dispose de capacités intégrées LSL pour l'envoi et la réception de flux de donnéesRessources supplémentaires :Code pour exécuter LSL en utilisant les dispositifs d'Emotiv, avec des scripts exemplesDémonstration LSL utile sur YouTubeDépôt GitHub SCCN LSL pour toutes les bibliothèques associéesDépôt GitHub pour une collection de sous-modules et d'applicationsPipeline d'analyse HyPyP pour des études de Hyperscanning