-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathcalldata_El.py
358 lines (290 loc) · 22.1 KB
/
calldata_El.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
# -*- coding: utf-8 -*-
"""
Created on Tue Apr 10 13:46:01 2018
@author: A.P
"""
from __future__ import division, print_function
from collections import Counter
import copy ; import seaborn as sns
#runfile(u'C:\\Users\\A.P\\Desktop\\Arthur\\Manip_Run\\cobeye\\basic_EL.py')
runfile(u'C:\\Users\\Léo\\Desktop\\cobeye\\basic_EL.py')
%matplotlib auto
import pickle
#datpath = "C:\\Users\\A.P\\Desktop\\Arthur\\Manip_Run\\cobeye\\SecureData\\Eyelink\\"
datpath = "C:\\Users\\Léo\\Desktop\\cobeye\\SecureData\\Eyelink\\"
os.chdir(datpath)
game = pickle.load(open("GAME_.p","rb"))
dgame = pickle.load(open("DGAME_.p","rb"))
vgame = pickle.load(open("VGAME_.p","rb"))
agame = pickle.load(open("AGAME_.p","rb"))
minfos = pickle.load(open("MINFOS_.p","rb"))
datg = pd.DataFrame(game)
datdg = pd.DataFrame(dgame)
datvg = pd.DataFrame(vgame)
datag = pd.DataFrame(agame)
datinf = pd.DataFrame(minfos)
#
## Call dataframe
data1 = pd.read_pickle("data1")
# sum(len(s) for s in sl1) ## SOMME de la longueur de toutes les listes contenus dans la liste sl1
## exempel : i = 6 ; j = 1
def nbloss(meth,wind,sep):
"""
descriptif des variables à ajuster : dernier test sep = 50 points donc 100 ms / wind = 60 points dont 120 ms de chaque côté
wind : taille du fenetrage autour du signal loss detecté (à 500 Hz, 60 pts représentes 120 millisecondes)
sep : temps de séparation minmimum pour considérer deux pertes de signal différentes ou unique (relatif à la fréquence d'échantillonage : 50 == 100 ms à 500 Hz)
"""
global LOS, blk, UNIQ, un1q
n=list(minfos.keys()) ; LOS = {} ; UNIQ = {}
for j in range (0,len(n)):
blk = {} ; un1q = {}
listg = list(dgame["%s"%(n[j])].keys())
for i in range (0,len(listg)):
sl = list() ; bltr= list()
# blksax,blksbx = [],[] ; bnksax, bnksbx = [],[]
ax = dgame["%s"%(n[j])]["%s"%(listg[i])]["Y1"]
bx = dgame["%s"%(n[j])]["%s"%(listg[i])]["Y2"]
######################################################
if meth == 0 : ## get only common values into the two list need to choose between this and line 52 below
a_set = list(np.where(np.isnan(ax))[0])
b_set = list(np.where(np.isnan(bx))[0])
bldt = sorted(list(set(a_set) & set(b_set)))
unique = sorted(list(set(a_set) - set(b_set)))
elif meth == 1 : ## merge two nan detection for ordinate EY1 et EY2 in one list without duplicate
bldt = list(set(list(np.where(np.isnan(ax))[0])+ list(np.where(np.isnan(bx))[0])))
## Traitement du blink ##
blink = [k for k in bldt if (k+1 - k) == 1]
blink = set(blink)
blink = sorted(list(blink))
## Traitement des valeurs uniques (si meth == 0)
uni = [k for k in unique if (k+1 - k) == 1]
uni = set(uni)
uni = sorted(list(uni))
for ix in range(0,len(blink)-1):
if (blink[ix+1] - blink[ix] < sep): ## temps de separation minimum pour considérer deux pertes de signal différentes.
sl.append(blink[ix])
else:
bltr.append(np.arange(sl[0]-wind,sl[-1]+wind))
sl= list() ## permet de séparer les indexs dont la continuité n'est pas assurée, ex : i = 45 i+1 = 125, on slice ici en deux chunks.[....45][125....]
try: ## permet de s'affranchir de l'erreur lié au dépassement d'index si dernier point de l'array
bltr.append(np.arange(sl[0]-wind,sl[-1]+wind)) ## fenetrage +120 et -120 millisecondes autour de la perte de signal detectée (recommandation EyeLink et Nylstrom & Holmqvist, p176 5.7 paragraphe)
except IndexError:
pass
un1q["%s"%(listg[i])] = uni
# blk["%s"%(listg[i])] = bltr
# try :
# for ix in range(0,len(blink)-1):
# if (blink[ix+1] - blink[ix] < sep): ## temps de separation minimum pour considérer deux pertes de signal différentes.
# sl.append(blink[ix])
# else:
# bltr.append(np.arange(sl[0]-wind,sl[-1]+wind))
# sl= list() ## permet de séparer les indexs dont la continuité n'est pas assurée, ex : i = 45 i+1 = 125, on slice ici en deux chunks.[....45][125....]
# try: ## permet de s'affranchir de l'erreur lié au dépassement d'index si dernier point de l'array
# bltr.append(np.arange(sl[0]-wind,sl[-1]+wind)) ## fenetrage +120 et -120 millisecondes autour de la perte de signal detectée (recommandation EyeLink et Nylstrom & Holmqvist, p176 5.7 paragraphe)
# except IndexError:
# pass
# except IndexError:
# bltr.append([])
un1q["%s"%(listg[i])] = uni
blk["%s"%(listg[i])] = bltr
UNIQ["%s"%(n[j])] = un1q ##valeurs signal unique (pas sur les deux yeux), vide si meth == 1
LOS["%s"%(n[j])] = blk ##
# =============================================================================
# UNBLINKED SIGNAL
# =============================================================================
## We need to replace the windowed detected blink by nan.
def blink_count(dmin):
global nbls, BLK,nbls1,listg, data1,j,i
# Check if signal loss matches on the two eyes :
n=list(minfos.keys())
BLK = {} ; intb = {} ; intb1 = []
for i in range (0,len(n)):
listg = list(LOS["%s"%(n[i])].keys()) ## parcours les sujets
for j in range (0,len(listg)) : ## parcours les menus
for k in range (0,len(LOS["%s"%(n[i])]["%s"%(listg[j])])): ## parcours le nombre de perte de signal detecter dans chaque menu
a = dgame["%s"%(n[i])]["%s"%(listg[j])]["PUP1"][LOS["%s"%(n[i])]["%s"%(listg[j])][k][0]:LOS["%s"%(n[i])]["%s"%(listg[j])][k][-1]]
b = dgame["%s"%(n[i])]["%s"%(listg[j])]["PUP2"][LOS["%s"%(n[i])]["%s"%(listg[j])][k][0]:LOS["%s"%(n[i])]["%s"%(listg[j])][k][-1]]
if len(a) and len(b) > dmin: ## seuil basé sur des algorithmes encadrant cette durée, 100
if len(np.where(np.isnan(a))[0]) and len(np.where(np.isnan(b))[0]) > 40.0 :## si le nombre de nan est supérieure à 50 points et est commun aux deux signaux alors "BLINK"
intb1.append(LOS["%s"%(n[i])]["%s"%(listg[j])][k])
intb["%s"%(listg[j])] = intb1
intb1 = []
BLK["%s"%(n[i])] = intb
intb = {}
## CHECK NOMBRE DE BLINK pour chaque sujet
nbls = pd.DataFrame() ; ## dataframe finale
lbl = [] ; nbls1 = [] ; durg = [] ; blkminute = [] ; sumblk = [] ## list intermédiaire qui permet de remplir la dataframe
for i in range (0,len(n)):
try:
listg = list(LOS["%s"%(n[i])].keys())
for j in range (0,len(listg)):
for k in range(0,len(BLK["%s"%(n[i])]["%s"%(listg[j])])):
lbl.append(len(BLK["%s"%(n[i])]["%s"%(listg[j])][k])) ## durée d'un blink
nbls1.append(len(lbl)) ## nombre de blink pour le jeu
durg.append(len(dgame["%s"%(n[i])]["%s"%(listg[j])]["X1"])*0.002) # 0.002 --> 1/500 (Hz, samplerate de l'EL) ## durée du jeu
blkminute.append(float((len(lbl)*60)/(len(dgame["%s"%(n[i])]["%s"%(listg[j])]["X1"])*0.002))) ## normalisation du nombre blink par minute pour le jeu
sumblk.append(sum(lbl)*0.002)
lbl = []
nbls["N_Blinks_%s"%(n[i])] = nbls1
nbls["Games_%s"%(n[i])] = listg
nbls["Duration_%s"%(n[i])] = durg
nbls["blk_min_%s"%(n[i])] = blkminute
nbls["Sum_Duration_Blk_%s"%(n[i])] = sumblk
nbls["Ratio_DurBlk_DurGam_%s"%(n[i])] = np.array(sumblk)/np.array(durg) ## ration entre durée totale blink pour jeu / durée du jeu
nbls1 = [] ; durg = [] ; blkminute = [] ; sumblk = []
except ValueError:
af2 = np.full([1,1,len(nbls.columns)],np.nan)[0][0] ## ajoute NAN dans la colonne ou la ligne supplémentaire dans la dataFrame, option nécessaire lorsque le nombre de jeu n'est pas le même entre les sujets.
df2 = pd.DataFrame([list(af2)], columns=list(nbls.columns))
nbls = nbls.append(df2, ignore_index=True)
nbls["N_Blinks_%s"%(n[i])] = nbls1
nbls["Games_%s"%(n[i])] = listg
nbls["Duration_%s"%(n[i])] = durg
nbls["blk_min_%s"%(n[i])] = blkminute
nbls["Sum_Duration_Blk_%s"%(n[i])] = sumblk
nbls["Ratio_DurBlk_DurGam_%s"%(n[i])] = np.array(sumblk)/np.array(durg) ## ration entre durée totale blink pour jeu / durée du jeu
nbls1 = [] ; durg = [] ; blkminute = [] ; sumblk = []
## procédure de normalisation des blinks --> blinks rate par (bl/minute)
#
# #EXEMPLE :
# for i in range (0,len(n)):
# plt.figure(figsize = (24,10),dpi=100)
# ax = sns.barplot(x = nbls["Games_%s"%(n[i])],y = nbls["N_Blinks_%s"%(n[i])],data = nbls)
# ax.set_ylim(0,100)
# ax.set_xticklabels(ax.get_xticklabels(),rotation = 45)
# plt.title("Blinks number by game - %s"%(n[i]))
# plt.savefig("Graphs\\N_Blinks\\N_Blinks_%s"%(n[i]), dpi=100, facecolor='w', edgecolor='w',orientation='landscape')
# plt.close()
# text_file = open("Graphs\\N_Blinks\\N_Blinks_%s.txt"%(n[i]), "w")
# for h in range(len(nbls["Games_%s"%(n[i])])):
# text_file.write("{} \t {} \t {} \t {}\n".format(nbls["Games_%s"%(n[i])][h],nbls["N_Blinks_%s"%(n[i])][h],nbls["blk_min_%s"%(n[i])][h],nbls["Duration_%s"%(n[i])][h]))
# text_file.close()
# plt.show()
# nbls.to_pickle("blink_count")
## pour call la data frame --> df = pd.read_pickle('blink_count')
## Try creation dataframe full of data with 4 columns : Nblinks, Duration , Games, Sujets
data1 = pd.DataFrame(columns=["N_Blinks","blink_minute","Duration_Total_Blk - Seconde","Duration - Seconde","Ratio_DurBlk_DurJeu","Game","Sujet","Lab"])
for i in range (0,len(n)):
listg = list(LOS["%s"%(n[i])].keys())
for j in range (0,len(listg)):
data1 = data1.append({'N_Blinks' : nbls["N_Blinks_%s"%(n[i])][j],'blink_minute':nbls["blk_min_%s"%(n[i])][j],'Duration_Total_Blk - Seconde':nbls["Sum_Duration_Blk_%s"%(n[i])][j],'Duration - Seconde': nbls["Duration_%s"%(n[i])][j], "Ratio_DurBlk_DurJeu":nbls["Ratio_DurBlk_DurGam_%s"%(n[i])][j],'Game': nbls["Games_%s"%(n[i])][j],'Sujet' : "%s"%(n[i]),'Lab' : "%s"%(minfos["%s"%(n[i])]["INFLAB"])},ignore_index=True)
data1.to_pickle("data1")
## remplace les chunks déterminer par la fonction nbloss() par des NaN dans les tables de données brutes et converties en degrés.
def recode():
global game1, dgame1
game1 = copy.deepcopy(game) ; dgame1 = copy.deepcopy(dgame) ; vgame1 = copy.deepcopy(vgame) ; agame1 = copy.deepcopy(agame)
n=list(minfos.keys()) ;
for j in range (0,len(n)):
listg1 = list(LOS["%s"%(n[j])].keys())
blknan = {};
for i in range (0,len(listg1)):
for k in range(0,len(LOS["%s"%(n[j])]["%s"%(listg1[i])])):
try:
game1["%s"%(n[j])]["%s"%(listg1[i])]["X1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]] = np.NaN
game1["%s"%(n[j])]["%s"%(listg1[i])]["Y1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
game1["%s"%(n[j])]["%s"%(listg1[i])]["X2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
game1["%s"%(n[j])]["%s"%(listg1[i])]["Y2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
game1["%s"%(n[j])]["%s"%(listg1[i])]["PUP1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
game1["%s"%(n[j])]["%s"%(listg1[i])]["PUP2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
dgame1["%s"%(n[j])]["%s"%(listg1[i])]["X1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]] = np.NaN
dgame1["%s"%(n[j])]["%s"%(listg1[i])]["Y1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
dgame1["%s"%(n[j])]["%s"%(listg1[i])]["X2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
dgame1["%s"%(n[j])]["%s"%(listg1[i])]["Y2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
dgame1["%s"%(n[j])]["%s"%(listg1[i])]["PUP1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
dgame1["%s"%(n[j])]["%s"%(listg1[i])]["PUP2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
vgame1["%s"%(n[j])]["%s"%(listg1[i])]["X1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]] = np.NaN
vgame1["%s"%(n[j])]["%s"%(listg1[i])]["Y1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
vgame1["%s"%(n[j])]["%s"%(listg1[i])]["X2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
vgame1["%s"%(n[j])]["%s"%(listg1[i])]["Y2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
vgame1["%s"%(n[j])]["%s"%(listg1[i])]["PUP1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
vgame1["%s"%(n[j])]["%s"%(listg1[i])]["PUP2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
agame1["%s"%(n[j])]["%s"%(listg1[i])]["X1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]] = np.NaN
agame1["%s"%(n[j])]["%s"%(listg1[i])]["Y1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
agame1["%s"%(n[j])]["%s"%(listg1[i])]["X2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
agame1["%s"%(n[j])]["%s"%(listg1[i])]["Y2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
agame1["%s"%(n[j])]["%s"%(listg1[i])]["PUP1"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
agame1["%s"%(n[j])]["%s"%(listg1[i])]["PUP2"][LOS["%s"%(n[j])]["%s"%(listg1[i])][k]]= np.NaN
except IndexError:
continue
pickle.dump(game1,open(datpath +"GAME1_.p","wb"))
pickle.dump(dgame1,open(datpath +"DGAME1_.p","wb"))
pickle.dump(vgame1,open(datpath +"VGAME1_.p","wb"))
pickle.dump(agame1,open(datpath +"AGAME1_.p","wb"))*
## Procédure de conversion pour les table pickle to *.mat pour les ouvrir en matlab
import numpy, scipy.io
scipy.io.savemat(datpath + 'Raw_pxl.mat', mdict={'Position_pxl': game1})
scipy.io.savemat(datpath + 'Raw_deg.mat', mdict={'Position_deg': dgame1})
scipy.io.savemat(datpath + 'Raw_vel.mat', mdict={'Velocity': vgame1})
scipy.io.savemat(datpath + 'Raw_acc.mat', mdict={'Acceleration': agame1})
scipy.io.savemat(datpath + 'InfosSub.mat', mdict={'Infos_Sub': minfos})
game1 = pickle.load(open("GAME1_.p","rb")) ## data deblinké
dgame1 = pickle.load(open("DGAME1_.p","rb")) ## data deblinké
vgame1 = pickle.load(open("VGAME1_.p","rb")) ## data deblinké
agame1 = pickle.load(open("AGAME1_.p","rb")) ## data deblinké
### Analyse de saccade nécessite une adaptation selon les jeux, pour les jeux poursuite les seuils de vitesse et d'accélération devront être adaptés.
### 3 Variables à determiner pour les saccades : Fréquences, Amplitude, Orientation.
def nsacc():
global sc, sac,ss, lg
"""
["%s"%(list(vgame["L%s_S%s"%(m,n[j])].keys())[i]))] --> Cette expression me permet de récupérer le nom des jeux que l'on peut appeler
pour le sujet en question. list(vgame["L0_S5"].keys())[0] permet d'appeler le jeu "1_intro"
ths : threshold saccade, fixé à 5 °/s
"""
# ns = list(vgame1["%s"%(n)].keys())
als = {} ; ths = 5
sc = {} ; ss = list(minfos.keys())
for j in range (0,len(ss)):
lg = list(vgame1["%s"%(ss[j])].keys())
for i in range (0,len(lg)):
# lg = list(vgame1["%s"%(ns[j])].keys())
sac = {}; slx1 = list() ; blsx1= list()
if lg[i] != 'PursG1' or lg[i] != 'PursD1' or lg[i] != 'PursH1' or lg[i] != 'PursB1': ## nécessité de traité les jeux "poursuite" différemments
sax = vgame1["%s"%(ss[j])]["%s"%(lg[i])]["X1"] ## voir explication fonction
say = vgame1["%s"%(ss[j])]["%s"%(lg[i])]["Y1"]
sbx = vgame1["%s"%(ss[j])]["%s"%(lg[i])]["X2"]
sby = vgame1["%s"%(ss[j])]["%s"%(lg[i])]["Y2"]
sac["X1"] = sorted(list(set(np.where(sax > ths)[0])))
sac["Y1"] = sorted(list(set(np.where(say > ths)[0])))
sac["X2"] = sorted(list(set(np.where(sbx > ths)[0])))
sac["Y2"] = sorted(list(set(np.where(sby > ths)[0])))
sx1 = [k for k in sac["X1"] if (k+1 - k) == 1]
sx2 = [k for k in sac["X2"] if (k+1 - k) == 1]
sy1 = [k for k in sac["Y1"] if (k+1 - k) == 1]
sy2 = [k for k in sac["Y2"] if (k+1 - k) == 1]
for ix in range(0,len(sx1)-1):
if (sx1[ix+1] - sx1[ix] < sep): ## temps de separation minimum pour considérer deux pertes de signal différentes.
slx1.append(sx1[ix])
else:
blsx1.append(np.arange(slx1[0]-wind,slx1[-1]+wind))
sl= list() ## permet de séparer les indexs dont la continuité n'est pas assurée, ex : i = 45 i+1 = 125, on slice ici en deux chunks.[....45][125....]
try: ## permet de s'affranchir de l'erreur lié au dépassement d'index si dernier point de l'array
blsx1.append(np.arange(slx1[0]-wind,slx1[-1]+wind)) ## fenetrage +120 et -120 millisecondes autour de la perte de signal detectée (recommandation EyeLink et Nylstrom & Holmqvist, p176 5.7 paragraphe)
except IndexError:
pass
sc["%s"%(lg[i])] = sac
als["%s"%(ss[j])] = sc
sc={}
######################################################
a_set = list(np.where(np.isnan(ax))[0])
b_set = list(np.where(np.isnan(bx))[0])
bldt = sorted(list(set(a_set) & set(b_set)))
unique = sorted(list(set(a_set) - set(b_set)))
elif meth == 1 : ## merge two nan detection for ordinate EY1 et EY2 in one list without duplicate
bldt = list(set(list(np.where(np.isnan(ax))[0])+ list(np.where(np.isnan(bx))[0])))
## Traitement du blink ##
blink = [k for k in bldt if (k+1 - k) == 1]
blink = set(blink)
blink = sorted(list(blink))
## Traitement des valeurs uniques (si meth == 0)
uni = [k for k in unique if (k+1 - k) == 1]
uni = set(uni)
uni = sorted(list(uni))
for ix in range(0,len(blink)-1):
if (blink[ix+1] - blink[ix] < sep): ## temps de separation minimum pour considérer deux pertes de signal différentes.
sl.append(blink[ix])
else:
bltr.append(np.arange(sl[0]-wind,sl[-1]+wind))
sl= list() ## permet de séparer les indexs dont la continuité n'est pas assurée, ex : i = 45 i+1 = 125, on slice ici en deux chunks.[....45][125....]
try: ## permet de s'affranchir de l'erreur lié au dépassement d'index si dernier point de l'array
bltr.append(np.arange(sl[0]-wind,sl[-1]+wind)) ## fenetrage +120 et -120 millisecondes autour de la perte de signal detectée (recommandation EyeLink et Nylstrom & Holmqvist, p176 5.7 paragraphe)
except IndexError:
pass