python - 在 Python 中有效地计算事件/刺激触发的平均值

Question

我想计算事件/刺激触发的平均计算效率。假设我有一个 signal，例如

signal = [random.random() for i in xrange(0, 1000)]

带有 n_signal 个数据点

n_signal = len(signal) 

我知道这个信号的采样率为

Fs = 25000 # Hz

在这种情况下我知道信号的总时间

T_sec = n_signal / float(Fs)  

在特定时间，某些事件发生，例如

t_events = [0.01, 0.017, 0.018, 0.022, 0.034, 0.0345, 0.03456]

现在我想在这些事件之前的某个时间找到信号，例如

t_bef = 0.001

直到这些事件之后的某个时间，例如

t_aft = 0.002

一旦我获得了所有这些信号 block ，我想对它们进行平均。在过去我会创建信号的时间向量

t_signal = numpy.linspace(0, T_sec, n_signal)

并在 t_signal 中查找 t_events 的所有索引，例如使用 numpy.serachsorted( Link )

因为我知道信号的采样率，所以这些可以更快地完成，比如

indices = [int(i * Fs) for i in t_events]

这为我节省了 t_signal 的内存，而且我不必遍历整个信号来找到我的索引。

接下来，我会确定有多少数据样本t_bef和t_aft对应

nsamples_t_bef = int(t_bef * Fs)
nsamples_t_aft = int(t_aft * Fs)

我会将信号 block 保存在列表

中

signal_chunks = list()
for i in xrange(0, len(t_events)):
    signal_chunks.append(signal[indices[i] - nsamples_t_bef : indices[i] + nsamples_t_aft])

最后我对这些进行平均

event_triggered_average = numpy.mean(signal_chunks, axis = 0)

如果我对时间向量感兴趣，我正在计算它

t_event_triggered_average = numpy.linspace(-t_signal[nsamples_t_bef], t_signal[nsamples_t_aft], nsamples_t_bef + nsamples_t_aft)

现在我的问题是:是否有更有效的计算方法来做到这一点？如果我得到一个包含很多数据点和很多事件的信号，这个计算可能需要一段时间。 list 是保存这些 block 的最佳数据结构吗？您知道如何更快地获取数据 block 吗？也许使用缓冲区？预先感谢您的意见和建议。

最小工作示例

import numpy
import random

random.seed(0)
signal = [random.random() for i in xrange(0, 1000)]

# sampling rate
Fs = 25000 # Hz

# total time of the signal
n_signal = len(signal) 
T_sec = n_signal / float(Fs)  

# time of events of interest
t_events = [0.01, 0.017, 0.018, 0.022, 0.034, 0.0345, 0.03456]

# and their corresponding indices
indices = [int(i * Fs) for i in t_events]

# define the time window of interest around each event
t_bef = 0.001
t_aft = 0.002

# and the corresponding index offset
nsamples_t_bef = int(t_bef * Fs)
nsamples_t_aft = int(t_aft * Fs)

# vector of signal times
t_signal = numpy.linspace(0, T_sec, n_signal)

signal_chunks = list()
for i in xrange(0, len(t_events)):
    signal_chunks.append(signal[indices[i] - nsamples_t_bef : indices[i] + nsamples_t_aft])

# average signal value across chunks
event_triggered_average = numpy.mean(signal_chunks, axis = 0)

# not sure what's going on here
t_event_triggered_average = numpy.linspace(-t_signal[nsamples_t_bef],
                                            t_signal[nsamples_t_aft],
                                            nsamples_t_bef + nsamples_t_aft)

Answer 1

由于您的信号是在规则网格上定义的，因此您可以进行一些算术运算来找到所需所有样本的索引。然后，您可以使用单个索引操作构造包含 block 的数组。

import numpy as np

# Making some test data
n_signal = 1000
signal = np.random.rand(n_signal)
Fs = 25000 # Hz
t_events = np.array([0.01, 0.017, 0.018, 0.022, 0.034, 0.0345, 0.03456])

# Preferences
t_bef = 0.001
t_aft = 0.002

# The number of samples in a chunk
nsamples = int((t_bef+t_aft) * Fs)

# Create a vector from 0 up to nsamples
sample_idx = np.arange(nsamples)

# Calculate the index of the first sample for each chunk
# Require integers, because it will be used for indexing
start_idx = ((t_events - t_bef) * Fs).astype(int)

# Use broadcasting to create an array with indices
# Each row contains consecutive indices for each chunk
idx = start_idx[:, None] + sample_idx[None, :]

# Get all the chunks using fancy indexing
signal_chunks = signal[idx]

# Calculate the average like you did earlier
event_triggered_average = signal_chunks.mean(axis=0)

请注意，带有 .astype(int) 的行不会四舍五入到最接近的整数，而是四舍五入到零。