<p><span style="padding: 3px 10px; border-radius: 5px; color: #ffffff; font-weight: bold; display: inline-block; background-color: #ff0000;">&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;External Email - Use Caution&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</span></p><p></p><div dir="ltr">hi Christian,<div><br></div><div>FYI we did this replication effort in:</div><div><br></div><div><a href="https://link.springer.com/chapter/10.1007/978-3-319-53547-0_27" target="_blank">https://link.springer.com/chapter/10.1007/978-3-319-53547-0_27</a><br></div><div><a href="https://hal.archives-ouvertes.fr/hal-01451432" target="_blank">https://hal.archives-ouvertes.fr/hal-01451432</a> (free pdf)<br></div><div><br></div><div>contact me directly if you need some code snippets.<br></div><div><br></div><div>Alex</div><div><br></div></div><br><div class="gmail_quote"><div dir="ltr" class="gmail_attr">On Fri, Sep 27, 2019 at 5:31 PM Christian O&#39;Reilly &lt;<a href="mailto:christian.oreilly@gmail.com" target="_blank">christian.oreilly@gmail.com</a>&gt; wrote:<br></div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left:1px solid rgb(204,204,204);padding-left:1ex"><p><span style="padding:3px 10px;border-radius:5px;color:rgb(255,255,255);font-weight:bold;display:inline-block;background-color:rgb(255,0,0)">        External Email - Use Caution        </span></p><p></p><div dir="ltr">Hi all,<br><br>I am trying to reproduce in MNE some analyses published in <a href="https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0030135" target="_blank">https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0030135</a> using EEGLAB and I am slowly tracking down sources of differences between the results I obtain with these two libraries. <br><br>The EEGLAB and the MNE readers for .set files seems to give different results. I am using the file km81.set for this example, which can be downloaded here: <a href="ftp://sccn.ucsd.edu/pub/mica_release.zip" target="_blank">ftp://sccn.ucsd.edu/pub/mica_release.zip</a><br><br>Python/MNE code:<br><br>eeg = mne.io.read_epochs_eeglab(&#39;/home/christian/Documents/mica_release/datasets/km81.set&#39;)<br>n_epochs, n_chan, n_sample = eeg.get_data().shape<br>eeg_data = eeg.get_data().reshape((n_chan, n_sample*n_epochs))<br>eeg_data *= 1e6<br>print(eeg_data[:5, :5])<br>print(eeg_data.shape)<br>print(sorted(eeg_data[:, 0]))<br>print(np.min(eeg_data, axis=1)[:5])<br>print(np.max(eeg_data, axis=1)[:5])<br>print(np.min(eeg_data, axis=1).shape)<br><br>Python/MNE output:<br><br>[[ -30.3018589    -9.46370029  -32.11343384  -80.96838379 -112.64376831]<br> [  17.98744011   13.38890266    8.96499634    8.95211601   10.52659035]<br> [   1.70007288    1.08449709   -1.92835653   -1.52061117    3.14573812]<br> [  22.36253166   19.08609772   14.59503269   14.00534725   16.24861908]<br> [ -11.30813694  -12.02319813   -9.68249226   -6.36183262   -6.76167011]]<br>(71, 310450)<br>[-54.222572326660156, -49.53323745727539, -38.230918884277344, -30.919052124023434, -30.30185890197754, -28.795389175415036, -26.802810668945312, -23.46408462524414, -19.828861236572266, -19.07419776916504, -16.326366424560547, -16.310237884521484, -14.442460060119629, -14.286537170410154, -13.221666336059569, -11.308136940002441, -10.6834716796875, -10.423746109008789, -9.760689735412596, -8.87014102935791, -6.883561611175537, -6.867288589477539, -5.7860164642333975, -4.9906535148620605, -3.48313570022583, -3.4533519744873047, -3.3310370445251465, -2.4730896949768066, -0.9696072936058044, -0.8216205835342406, -0.40084442496299744, 0.22790522873401642, 0.28669825196266174, 1.3285683393478394, 1.4407401084899902, 1.7000728845596311, 1.7271562814712524, 1.8890516757965088, 3.3240826129913326, 3.567858934402466, 4.892752170562744, 4.926086902618408, 5.629435539245605, 5.7694478034973145, 6.5682663917541495, 7.257050514221191, 7.54573392868042, 7.608102798461913, 7.769186019897461, 7.779174804687499, 8.121392250061033, 9.502474784851074, 9.762967109680174, 9.94691467285156, 10.304577827453613, 10.690375328063965, 11.20960521697998, 13.293575286865234, 14.423436164855955, 15.029093742370604, 16.452854156494137, 17.035533905029297, 17.987440109252926, 18.829505920410156, 22.084123611450195, 22.362531661987305, 24.502143859863278, 26.561006546020504, 36.645851135253906, 48.55062484741211, 121.60424041748047]<br>[-162.69863892 -201.91339111 -130.68704224 -348.22705078 -198.54916382]<br>[291.74282837 204.80189514 195.11305237 277.12097168 262.78338623]<br>(71,)<br><br><br>MATLAB/EEGLAB code:<br><br>EEG = pop_loadset(&#39;/home/christian/Documents/mica_release/datasets/km81.set&#39;);<br>data = reshape(EEG.data,nchans,EEG.pnts*EEG.trials);<br>size(data)<br>data(1:5, 1:5)<br>sort(data(:, 1))&#39;<br>min(data(1:5, :)&#39;)<br>max(data(1:5, :)&#39;)<br>size(min(data(:, :)&#39;))<br><br><div>MATLAB/EEGLAB output:</div><div><br></div>ans =<br>          71      310450<br>ans =<br><br>  5×5 single matrix<br><br>  -30.3019   -9.4637  -32.1134  -80.9684 -112.6438<br>  -10.2374   -5.0511   -1.8697   -1.6044   -1.1974<br>  -20.4854   -9.7555   -1.0124    4.8327    9.6969<br>  -25.3829  -13.1146   -3.3851    2.5596    7.3826<br>   -3.8909    2.9585    6.2366    3.6442    0.2817<br><br><br>ans =<br><br>  -30.3019  -26.0869  -25.9951  -25.8994  -25.3829  -24.8852  -24.4983  -23.8505  -23.5649  -23.0836<br>  -22.0849  -22.0227  -21.2673  -20.4854  -20.4535  -19.2276  -18.0331  -17.7991  -17.4316  -17.3945<br>  -17.2824  -16.0406  -15.9822  -15.1589  -15.0862  -14.9993  -14.7288  -14.5398  -13.8370  -13.3654<br>  -13.3466  -13.1214  -12.9615  -11.1150  -10.2374   -9.3882   -8.3259   -8.2251   -7.8012   -7.5449<br>   -6.9841   -6.8029   -6.7175   -6.5904   -6.5436   -6.0545   -5.6778   -5.5130   -5.0071   -4.9592<br>   -4.3509   -4.3206   -4.0873   -3.8909   -3.4353   -3.3442   -3.1263   -3.0407   -2.7963   -2.7472<br>   -2.0239   -1.5894   -1.4584   -1.2007   -1.1818   -0.6294   -0.5136   -0.1163    1.2653    2.0582<br>    2.5924<br><br>ans =<br> -441.1615 -282.5767  -82.9421  -99.8472 -145.7018<br><br>ans =<br><div>  449.5460  152.6343   77.8951   76.6568  343.0334</div><br>ans =<br>     1    71<br><br>As can be seen, the first samples of the first channel have same values for the two readers but then it gets different (as seen by the max/min values of this channel being different between the two code). The other channels also don&#39;t have the same values (even for their first samples). It is not due to swapped channels, as shown by the fact that the sorted values of the first sample of the 71 channels are not the same. <br><br>At this point, I am not sure if these differences are due to:<br>- me not using the library correctly (although this code seems pretty minimal and I made a diligent effort in looking for errors in my code)<br>- some under-the-hood assumptions that are different between the two readers (e.g., some preprocessing done automatically like re-referencing or filtering)<br>- a bug in one of the two readers<br><br>Any ideas?<br><br>Best,<br><br>Christian<br></div>
_______________________________________________<br>
Mne_analysis mailing list<br>
<a href="mailto:Mne_analysis@nmr.mgh.harvard.edu" target="_blank">Mne_analysis@nmr.mgh.harvard.edu</a><br>
<a href="https://mail.nmr.mgh.harvard.edu/mailman/listinfo/mne_analysis" rel="noreferrer" target="_blank">https://mail.nmr.mgh.harvard.edu/mailman/listinfo/mne_analysis</a></blockquote></div>