【初学者向け】GoodBrainアプリから出力した波形データ解析（Python） | 脳波デバイス・ニューロフィードバックのGoodBrain

GBアプリをインストールした！脳波計測に興味がある！実際に FocusCalm™ で測ってみてファイルを出力してみた！

…でも、“.csv” ってどうやって開くの…？中身を見れたのはいいけど、数字ばっかで訳わかんない…

そんなあなたへ！「分からない」で諦めて欲しくないから、Python というプログラミング言語を用いた解析方法をお教えします！

まだ脳波計測したことないよって方も、この機会に是非、一度触れてみてください！

脳波デバイス FocusCalm™ の紹介ページはこちら

本日の目標
今回利用するツール
- 本日の主役
- Pythonをサポートする、イカしたメンバー（ライブラリ）を紹介するぜ！！！
初めての方におすすめのPython実行環境はコレ！
- Google Colaboratory
- Google Colaboratoryの開き方
Google Colaboratoryの使い方
終わりに

本日の目標

GoodBrainアプリから出力したCSVファイルを、自分で描画してみよう！

上手くいくとこんな感じの画像が出力できます！

今回利用するツール

本日の主役

Python

　現在最もメジャーで最も簡単な言語。なにより使いやすいのが特徴。また、いろんな人が使いやすくするための拡張機能（ライブラリ）を制作してるから、初心者でも超扱いやすい！

Pythonをサポートする、イカしたメンバー（ライブラリ）を紹介するぜ！！！

Numpy

　Pythonが数学につよつよになるライブラリ。今回は数列を作成するのに用いる。

Pandas

　表データを扱いやすくなるライブラリ。今回はCSVファイルの読み込みと、データの整形に用いる。

Matplotlib

　データの描画を行なうライブラリ。今回は折れ線グラフを画像ファイル形式で出力するのに用いる。

補足：japanize_matplotlib

　Matplotlibで図を出力する際、ラベル名に日本語を用いると文字化けしてしまう。これを解消するためのライブラリ。プログラミングって基本的に英語だからね…日本語対応してる方が珍しいんだよね…仕方ないね…

初めての方におすすめのPython実行環境はコレ！

Google Colaboratory

　ブラウザ上でコードを作成することで、Googleのサーバで計算することのできるアプリケーション。お手軽で、Google側のマシンを用いるため比較的高速に動作する。上で述べたライブラリのうち、Numpy、Pandas、Matplotlibは初期環境の時点でインストールされている。まあ、簡単に言えば、Googleにコンピュータを貸してもらって、それを遠隔操作するって感じ。

そんなわけで、今回はGoogle Colaboratoryで実装していきます。
多分これが一番お手軽だと思います。

Google Colaboratoryの開き方

Googleアカウントを用意する。
新規アカウントを作成しても、既存アカウントを利用してもどっちでもOK。お好きな方で。
Googleドライブを開く。
https://www.google.co.jp/ にアクセスし、下図の矢印の先のマークから、“ドライブ” を選択。
Google Colaboratoryを開く。
Googleドライブの “新規” から “Google Colabolatory” を選択。
もし、“その他” の中にも見つからない場合は、 “その他” > “アプリを追加” を選択。
検索ボックスに “google colab” と入力して、“Colabolatory”をインストール。
ドライブの “新規” から “Google Colabolatory”を選択すると、以下のような画面が表示される。ここにコードを記述することで、Google Colaboratoryを利用できる。

あとは灰色の「セル」ってやつに、コードを書き込んだりテキストで説明を入れたりすればOK。

Google Colaboratoryの使い方

文が書いてあったり、コードが書かれたりする場所は「セル」って名前。
セルは、セルの間や上下にマウスポインタを合わせたときに出てくる「＋コード」や「＋テキスト」をクリックしたり、上のホットバーにある「挿入」をクリックしてから、「コードセル」や「テキストセル」をクリックすることで追加できる。

コードセルは、実行することができる。
実行しなければ、コンピュータ側はプログラムの内容を反映してくれない。
Google Colaboratoryではセルを分けて記述することで、コードを段階的に記述し、独立に実行することができる。こまめに実行することで、コードに不備がないか確認しよう。

コードセルの実行方法だが、
セルの1番左にある “[ ]” にカーソルを合わせると、右向きの三角形になるので、これをクリックする。

または、ショートカットで実行することもできる。
Windowsの人は、セルをクリックして「Ctrl」+「Enter」
Macの人は、セルをクリックして「Cmd」+「Enter」
である。

セルを実行しながら次のセルに移るには、
Windows / Mac 共通で「Shift」+「Enter」
である。

ライブラリの準備

先述の通り、Google ColaboratoryにはNumpy、Pandas、Matplotlibがすでにインストールされているため、japanize_matplotlibのインストール方法を説明する。

セル内に

! pip install japanize_matplotlib

と記述する。

もしくは、
Google Colaboratoryのターミナルに

pip install japanize_matplotlib

と打ち込む。

何をしてるかというと、「pip 君、install してくれ japanize_matplotlib を」って感じ。そのまんまだね。

※ちなみに pip っていうのは、Python関連に対して、ライブラリをインストールしたり、バージョン指定したりする管理者ってイメージ。

pipさん

「このライブラリ、
インストールして使えるようにしとくね」

「今どんなライブラリがインストールされてるかって？
はい、これ一覧ね
それぞれのバージョンもつけといたよ」

「pandas ってどんなのかって？
データ統計のためのパワフルなデータ構造を
追加するやつだよ」

「お、ライブラリのアップデートする？
インストールまでやっとくね」

「Pythonのアップデート？
了解、Python公式ページにアクセスして、
インストールまでやっとくね」

先のコードを実行すると長い文字列が表示される。

Successfully installed japanize_matplotlib-“バージョン（ ‘1.1.3’ など）”
と表示されればインストール完了！

ただし、インストールされているだけでは、その機能を使うことはできない。
次は、numpy, pandas, matplotlib, japanize_matplotlibを、実際に使えるようにする必要がある。”import” を用いて、利用できるようにしよう。

インストールは、その機械にライブラリを覚えさせるイメージ、
“import” は、コード中でそのライブラリを使うことを許可するイメージ。

# 必要なライブラリのインポート
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import japanize_matplotlib

データの読み込み（ファイルのアップロード方法から）

　ランタイムに接続後、ドラッグアンドドロップで簡単にファイルをアップロードできる。ランタイムに接続する方法としては、ホットバーの “ランタイム” から接続するか、コードを記述したセルを実行。

ドラッグアンドドロップして、ファイルのアップロードが完了したら、アップロードしたCSVファイルをコード内に読み込ませよう。

プログラミングにおいては、使うデータを「変数」と呼ばれる格納庫に記憶させておく必要がある。今回は “df” （ ‘DataFrame’ という構造型の略）という変数にしまっておくことにする。
pandas（以下 pd ）の read_csv() という関数を用いることで、CSVファイルの読み込みができる。read_csv() の () の中には、先ほどドラッグアンドドロップしたファイル名を入れよう。

# GoodBrainアプリから出力したCSVファイルを、DataFrame型というデータ構造に入れる。
df = pd.read_csv("「実際にアップロードしたファイル名」")
df

セルの最後の行に変数名を入力すると実行結果が表示される。
それがCSVファイルの中身。

‘TimeStamp’ は計測した際の実際の時間、
‘Elapsed Time’ は計測開始からの時刻、
‘alpha’ から ‘gamma’ は各特定周波数の指標、
‘eeg’ は生波形と呼ばれる電位の実測値、
‘attention’ は集中度の指標、
‘meditation’ はリラックス度の指標、
をそれぞれ表している。

今回は「各特定周波数の指標」と「集中度・リラックス度の指標」を解析していく。

ただ、問題として、NaN と表記される、数値の入っていないところがある。
このままでは解析することができないので、解析の前にデータの整形を行なう。

特定周波数データの解析

まずは、アルファ波、ベータ波といった、特定周波数の割合のデータを整形してみよう。
特定周波数の1つ、アルファ波の割合は ‘df’ 内の ‘alpha’ 行のデータである。

下のコードでやっていることを順番に説明する。

変数を用意し（今回は “a” ）、そこにloc[ ]を用いて元のデータ（’df’）のうちの欲しい部分（今回は計測時刻 ‘Elapsed Time’ と、アルファ波 ‘alpha’ の行）を持ってくる。
NaN が含まれる列を、dropna() で削除する。
dropna() を使うと表の一番左の行にある index が連番じゃなくなるので、reset_index(drop=True) をすることで、index をリセットして連番にする。

# アルファ波の抽出
a = df.loc[:, ['Elapsed Time', 'alpha']]
a = a.dropna()
a = a.reset_index(drop=True)
a

これでこのまま解析できるデータになった。
他のベータ波やデルタ波も同じようにやってみよう。

変数を用意して、loc[ ] で欲しいデータを取り出す
dropna() で NaN を削除
reset_index() で連番に直す

# ベータ波の抽出
b = df.loc[:, ['Elapsed Time', 'beta']]
b = b.dropna()
b = b.reset_index(drop=True)
# b

# デルタ波の抽出
d = df.loc[:, ['Elapsed Time', 'delta']]
d = d.dropna()
d = d.reset_index(drop=True)
# d

# シータ波の抽出
th = df.loc[:, ['Elapsed Time', 'theta']]
th = th.dropna()
th = th.reset_index(drop=True)
# th

# ガンマ波の抽出
g = df.loc[:, ['Elapsed Time', 'gamma']]
g = g.dropna()
g = g.reset_index(drop=True)
# g

ベータ波、デルタ波、シータ波、ガンマ波までできたら、特定周波数のデータの整形は完了。お楽しみの解析タイムいってみよう！

解析、といっても初めてなので、直感的に分かりやすい方法でやってみようと思う。
というわけで、今回はデータを折れ線グラフで描画してみよう。

ここからは matplotlib（以下 plt）をつかって描画していくよ。

fig, ax = plt.subplots()
として、描画スペースを ‘fig’ と ‘ax’ に確保する。
‘fig’ は描画スペース全体で、’ax’ はその中でも実際にグラフを書く場所っていうイメージ。

ax.set_xlabel("「具体的な x 軸の名前」")
で x 軸の名前を設定。
ax.set_ylabel("「具体的な y 軸の名前」")
で y 軸の名前を設定。
ax.set_xticks(np.linspace(0, len(「用いるデータの変数名」)-1, 10))
で x 軸の目盛を設定。
plt.xticks(rotation=15)
で x 軸の目盛を 15°回転させて、時刻の表記が被らないように回転させて調節。

ax.plot(「x 軸に用いるデータ」, 「y 軸に用いるデータ」, color='「色の名前」')
で、折れ線グラフを描画。

fig.tight_layout()
で、図のレイアウト（余白の大きさなど）を設定。

plt.show()
で、図を出力。

今回は「y 軸に用いるデータ」を、先に変数 ‘y1’ から ‘y5’ に代入しておいた。
「色の名前」は ‘c1’ から ‘c5’ に代入した。
また、今回は、複数のグラフを同じ ‘ax’ で出力するので、凡例（legend）を出力する。
凡例での名前を ‘l1’ から ‘l5′ に代入し、’ax.plot()’ の際に、’label=’ に入力、
透明度を調節する ‘alpha=’ に 0 から 1 までの任意の数を入力し、
‘ax.legend(loc=0)’ で凡例を出力した。

実際のコードがこんな感じ。

fig, ax = plt.subplots()

y1 = a['alpha']
y2 = b['beta']
y3 = d['delta']
y4 = th['theta']
y5 = g['gamma']

c1, c2, c3, c4, c5 = "blue", "red", "green", "yellow", "purple"
l1, l2, l3, l4, l5 = "α波", "β波", "δ波", "θ波", "γ波"

ax.set_xlabel("時間（秒）")
ax.set_ylabel("特定周波数の指標（％）")
ax.set_xticks(np.linspace(0, len(a)-1, 10))
plt.xticks(rotation=15)

ax.plot(a['Elapsed Time'], y1, color=c1, label=l1, alpha=0.6)
ax.plot(b['Elapsed Time'], y2, color=c2, label=l2, alpha=0.6)
ax.plot(d['Elapsed Time'], y3, color=c3, label=l3, alpha=0.6)
ax.plot(th['Elapsed Time'], y4, color=c4, label=l4, alpha=0.8)
ax.plot(g['Elapsed Time'], y5, color=c5, label=l5, alpha=0.4)
ax.legend(loc=0)
fig.tight_layout()

plt.show()

これでグラフが描画できた！
集中度とリラックス度についても同じようにやってみよう。

集中度とリラックス度の解析

　集中度とリラックス度の指標もデータの整形からやってみよう。

まずは集中度から。
特定周波数のときと同様に、

変数を用意して、loc[ ] で欲しいデータを取り出す
dropna() で NaN を削除
reset_index() で連番に直す

をやってみよう。

# 集中度の抽出
att = df.loc[:, ['Elapsed Time', 'attention']]
att = att.dropna()
att = att.reset_index(drop=True)
att

リラックス度も同様、

変数を用意して、loc[ ] で欲しいデータを取り出す
dropna() で NaN を削除
reset_index() で連番に直す

をやってみよう。

# リラックス度の抽出
med = df.loc[:, ['Elapsed Time', 'meditation']]
med = med.dropna()
med = med.reset_index(drop=True)
med

列の数がそろっているので、そのまま結合してみよう。
今回はどちらのデータにも同じ指標である「計測時刻（Elapsed Time）」が含まれているので、それを基準に結合してみる。

‘pd.marge()’ という関数を使ってみよう。
下に書くコードの、
” on=’Elapsed Time’ ” は計測時刻を基準に結合することを示す。
” how=’outer’ ” は基準の指標に共通していないデータがあっても、全てのデータを残し、穴あきには NaN を入れておく事を示す。
‘pd.marge()’ の場合は、左に乗せたいデータから順に、変数をカンマ（ , ）で分けて入力すればOK。

” how=’outer’ ” の説明で述べたように、基準の指標に共通していないデータがある場合、そのデータを残して結合する。その場合、どのように結合されるかというと、右に入力されたデータ中に、基準の指標で共通していないデータが見つかった場合に、最も下の列に追加されていく。
つまりは、「計測時刻順に並んでいることを保証できない」ということになる。そのため、’sort_values()’ 関数を用いて、計測時刻（Elapsed Time）順に並べ替えよう。

# 集中度とリラックス度の結合
attmed = pd.merge(att, med, on='Elapsed Time', how='outer').sort_values('Elapsed Time')
attmed

列数が増えてしまった事にお気づきだろうか。計測の際にどこかで保存時刻がズレてしまい、” how=’outer’ ” によって NaN が入れられているということである。
NaN をなくすために、もっともらしい数値で置き換えよう。

幸いなことに、1 列目に NaN が入っていないため、今回は NaN を同じ行の 1 つ上の列の値で置き換える事にする。’ffill()’ 関数を使えば一発だ。

attmed = attmed.ffill()
attmed

やっとデータを整理することができた。
それじゃ、お待ちかねの「描画」タイム、いってみよう！

描画の仕方をもう一度説明していくね。