Selamat datang! Dalam tutorial ini kita akan mempelajari cara menggunakan Lab Streaming Layer (LSL) di Python untuk mengumpulkan dan menyinkronkan data EEG Emotiv dari beberapa perangkat. Ini akan membutuhkan pengetahuan kerja dasar tentang bahasa pemrograman Python.

Apa yang Akan Anda Pelajari

1. Apa itu Lab Streaming Layer (LSL) dan mengapa para peneliti menggunakannya

2. Cara mengumpulkan data yang disinkronkan dari beberapa perangkat EEG Emotiv

3. Cara mengimpor dan memeriksa data yang dikumpulkan

1.1 Apa Itu LSL dan Apa Kegunaannya?

Lab streaming layer (LSL) adalah kotak alat sumber terbuka (open-source) yang dapat digunakan untuk mengirim, menerima & menyinkronkan aliran data saraf, fisiologis, dan perilaku dari berbagai perangkat keras sensor. Perangkat keras penginderaan otak dan tubuh yang semakin mumpuni, presisi, dan seluler (seperti sistem EEG Emotiv) membawa ilmu saraf ke luar laboratorium ke dalam dunia data waktu nyata (real-time). Ketika pengukuran otak seperti EEG dan MEG dulunya terbatas pada laboratorium penelitian, perangkat seluler memungkinkan kita mengumpulkan banyak data di lingkungan yang lebih alami, dan dari banyak orang sekaligus.

Seorang peneliti mungkin tertarik pada sinkronisasi fisiologis antara dua orang yang mendengarkan musik yang sama. LSL dapat membantu kita mengumpulkan data dari dua headset EEG secara terpisah yang juga disinkronkan dengan presentasi suara.

Beberapa contoh kegunaan lain untuk LSL:

1. Menambahkan penanda peristiwa (event marker) dari eksperimen ke data EEG yang sedang berlangsung

2. Menyelaraskan waktu data dari berbagai sumber untuk satu peserta (misalnya detak jantung, EMG, EEG)

3. Menyelaraskan waktu data dari beberapa peserta (misalnya Studi Hyperscanning EEG)

1.2 Bagaimana Cara Kerja LSL?

Lab Streaming Layer adalah protokol untuk pertukaran data deret waktu (time-series) secara waktu nyata (real-time) antara beberapa perangkat. LSL dapat diimplementasikan menggunakan pustaka sumber terbuka untuk bahasa pemrograman seperti Python, MATLAB, C++, Java, dan lainnya.

Fungsionalitas inti berputar di sekitar aliran data LSL:

1. Perangkat/perangkat lunak akuisisi mengumpulkan data dan membuat aliran data - Data fisiologis dapat dialirkan ke LSL dari perangkat perekom EEG, pelacak mata (eye-tracker), sistem penangkap gerak (motion capture), pemantau detak jantung, dll., termasuk metadata (tingkat sampling, jenis data, informasi saluran, dll.) - Penanda peristiwa dari eksperimen (misalnya menggunakan PsychoPy) juga dapat dikirim sebagai aliran data menggunakan LSL

2. Aliran data diterbitkan ke jaringan - Ini adalah cara data dikirim menggunakan LSL; aliran data "disiarkan" ke jaringan - Aliran data yang diterbitkan tersedia di jaringan dan dapat ditemukan oleh perangkat lain yang mendukung LSL di jaringan yang sama - LSL menetapkan stempel waktu (timestamp) untuk setiap bongkahan data atau sampel berdasarkan jam bersama (mengikuti Network Time Protocol). - Aliran data didorong sampel-demi-sampel (atau bongkahan-demi-bongkahan) melalui "outlet"

3. Perangkat pengumpul "berlangganan" ke aliran data - Ini adalah cara data diterima menggunakan LSL - Perangkat pengumpul di jaringan yang sama menerima aliran data yang diterbitkan melalui "inlet". - Masing-masing inlet menerima sampel aliran dan metadata dari hanya satu outlet

4. Menyimpan data - Setelah berlangganan ke aliran data, Anda dapat menyimpannya ke variabel dalam bahasa pemrograman pilihan Anda, atau menggunakan perangkat lunak yang disediakan LSL, LabRecorder, untuk menyimpannya ke format standar seperti .xdf.

2.0 Gambaran Umum Tutorial

Dalam tutorial ini, kita akan mengambil contoh pengaturan eksperimental dan memandu Anda melalui langkah-langkah serta kode yang diperlukan untuk menerapkannya menggunakan LSL di Python. Kita akan menggunakan Python untuk memutar suara sambil mengumpulkan data EEG dari dua orang yang mengenakan headset Emotiv. Kita akan menggunakan dua komputer yang masing-masing menjalankan EmotivPRO untuk mengumpulkan data EEG, dan menyiarkan setiap aliran data melalui outlet LSL yang terpisah. Kita akan menggunakan pustaka Python untuk memutar file audio dan secara bersamaan mengirim pemicu (trigger) setiap kali file tersebut dimulai.

LANGKAH-LANGKAH:

1. Gunakan EmotivPRO untuk mengalirkan data melalui outlet LSL yang mencakup data EEG (dan/atau gerakan, kualitas kontak, kualitas sinyal, dll.) 2. Putar trek audio menggunakan skrip Python, dan secara bersamaan kirim pemicu melalui LSL lainnya. Gunakan LabRecorder untuk menangkap dan menyimpan ketiga aliran data tersebut melalui sebuah inlet LSL.

2.1 LANGKAH 1 - Pengaturan dan instalasi

1. Anda memerlukan perangkat akuisisi data yang didukung untuk mengumpulkan data
   • Semua perangkat brainware Emotiv terhubung ke LSL melalui perangkat lunak EmotivPRO

2. Instal EmotivPRO pada perangkat Anda. Anda akan memerlukan lisensi EmotivPRO yang valid untuk menggunakan LSL.

3. Instal pustaka LSL Python dengan perintah berikut:
   pip install pylsl

4. Unduh perangkat lunak LabRecorder. Ini adalah aplikasi sederhana dan gratis yang dapat dijalankan dari
   baris perintah atau menggunakan unduhan mandiri

5. Untuk eksperimen kita: Instal paket yang diperlukan untuk memutar audio menggunakan Python
   pip install sounddevice soundfile

2.2 LANGKAH 3 - Kirim data dari EmotivPRO melalui aliran LSL

1. Temukan ikon "..." di sudut kanan atas aplikasi, navigasikan ke Pengaturan (Settings)

2. Temukan bagian 'Lab Streaming Layer' dan sub-bagian 'Outlet'

3. Pilih semua tipe data yang ingin Anda siarkan

4. Pilih format data (float 32-bit atau double 64-bit)

5. Pilih apakah ingin mengirim data sampel-demi-sampel atau dalam bongkahan (chunks) sampel

6. Klik 'Mulai' (Start) untuk menyiarkan aliran data LSL

2.3 LANGKAH 4 - Gunakan skrip Python untuk memutar audio dan mengirim pemicu

1. Salin dan tempel blok kode berikut ke dalam file Python dan simpan ke komputer Anda.

2. Temukan file audio (idealnya file .wav) yang ingin Anda putar dan edit skripnya dengan mengubah
   variabel audio_filepath ke jalur file (filepath) audio Anda di komputer Anda

3. Buka command prompt untuk berinteraksi dengan baris perintah (command line) dan navigasikan ke folder tempat
   file Python Anda disimpan

4. Masukkan: python3 namafile.py
   • Tergantung pada instalasi Python Anda, Anda mungkin menggunakan python dan bukan python3
   
   Catatan: Ganti /path/to/audio.wav dengan lokasi file audio yang ingin Anda putar selama eksperimen Anda.

"""
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 LANGKAH 5 - Gunakan LabRecorder untuk melihat dan menyimpan semua aliran LSL

1. Buka LabRecorder

2. Tekan Update. Aliran LSL yang tersedia akan terlihat dalam daftar aliran
   • Anda seharusnya dapat melihat aliran dari kedua EmotivPRO (biasanya disebut "Emotiv-
   DataStream") dan aliran penanda (disebut "AudioMarkers")

3. Klik Browse untuk memilih lokasi penyimpanan data (dan atur parameter lainnya)

4. Pilih semua aliran dan tekan Record untuk mulai merekam

3.0 Bekerja dengan data

LabRecorder menghasilkan file XDF (Extensible Data Format) yang berisi data dari semua aliran. File XDF disusun menjadi aliran-aliran, masing-masing dengan header berbeda yang menjelaskan isinya (nama perangkat, tipe data, tingkat sampling, saluran, dan banyak lagi). Anda dapat menggunakan blok kode di bawah ini untuk membuka file XDF Anda dan menampilkan beberapa informasi dasar.

Catatan: Ganti /path/to/your/file.xdf dengan jalur file untuk file output XDF LabRecorder Anda.

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 Sumber Daya Tambahan

Dokumentasi Resmi

1. Lihat dokumentasi online, termasuk file README resmi di GitHub

2. Sumber daya tambahan:
   • Kode untuk menjalankan LSL menggunakan perangkat Emotiv, dengan contoh skrip
   • Demo LSL yang berguna di YouTube
   • Repositori GitHub SCCN LSL untuk semua pustaka terkait
   • Repositori GitHub LSL untuk kumpulan submodul dan aplikasi

3. Alur analisis HyPyP untuk studi Hyperscanning