Kit de démarrage — Cours M/EEG et oscillations 🚀

Bienvenue !

Ce kit vous accompagne pour la partie programmation du cours consacré aux données M/EEG (MEG/EEG) et aux oscillations neuronales.

Contenu du kit

🛠️ Module 0 : Outils essentiels

• Terminal et environnements Python
• VS Code et Jupyter
• Démarrage rapide sur Google Colab
• Paquets utiles pour M/EEG (NumPy, SciPy, MNE, Matplotlib, scikit-learn)

🔄 Module 1 : Contrôle de version et collaboration (Optionel)

• Git et GitHub
• Dépôts, branches et pull requests
• Bonnes pratiques pour projets d’analyse M/EEG

🐍 Module 2 : Python pour les neurosciences

• Bases Python (types, boucles, fonctions)
• Manipulation de données et notebooks
• Signaux 1D : génération, filtrage, DSP (PSD)

🧰 Module 3 : Boîte à outils M/EEG

• Bibliothèques clés : NumPy, SciPy, MNE, Matplotlib, scikit-learn
• Prétraitement et caractéristiques (bandes de fréquences)
• Démo ML simple sur des caractéristiques oscillatoires
• Exemples pratiques (scripts prêts à exécuter)

Par où commencer

1. Commencez par le Module 0 pour préparer l’environnement.
2. Parcourez les modules dans l’ordre.
3. Testez les scripts d’exemples et modifiez-les pour expérimenter.

Séance 1 — Notebook Colab

• Lien du notebook
• Couvre le Module 2 (bases Python, , bibliotheques, notebooks).
• Conseil: ouvrez-le dans Colab, faites une copie dans votre Drive, puis exécutez cellule par cellule en lisant les explications.

Séance 2 — Fichier Notebook

• Lien du notebook
• Couvre le Module 4 et 5 (Base de MNE et netoyage de données).

Notebooks 01–08

Ces notebooks livrés dans la racine présentent la progression détaillée de l’analyse. Voici ce que chacun couvre :

• 01_preprocessing_notebook.ipynb : exploration des données au format BIDS, nettoyage complet et factorisation des étapes de prétraitement en fonctions réutilisables.
• 02_analysis1_gonogo.ipynb : analyse des potentiels évoqués (ERP) pour le paradigme Go/NoGo avec la version 2 du notebook.
• 03_analysis1_textsemantic.ipynb : ERP pour la lecture de phrases congruentes vs incongruentes, version 2, avec interprétation des effets sémantiques.
• 04_analysis1_fivepoint.ipynb : prolongement du pipeline de prétraitement pour explorer les potentiels moteurs (MRCP) du paradigme Five-Point.
• 05_analysis2_gonogo.ipynb : analyse en fréquence des données Go/NoGo et extraction d’attributs issus des bandes d’intérêt.
• 06_analysis2_textsemantic.ipynb : même démarche en fréquence pour les données Congruent vs Incongruent, avec repérage systématique des bandes.
• 07_analysis2_fivepoint.ipynb : deuxième notebook de fréquence (actuellement orienté Go/NoGo) qui sert de base pour déployer la même approche sur les données Five-Point.
• 08_apprentisage_machine.ipynb : construction de pipelines de machine learning à partir des CSV dérivés des notebooks précédents pour classer les essais EEG selon les paradigmes.

Installer localement (clone ou fork) et utiliser avec Colab

Option A — Fork puis clone (si vous comptez contribuer)

1. Forkez le dépôt sur GitHub (depuis l’interface du dépôt d’origine).
2. Clonez votre fork en local:

   git clone https://github.com/<votre-compte>/<nom-du-repo>.git
   cd <nom-du-repo>

3. Créez un environnement et installez les dépendances:

   python -m venv env_meeg
   # macOS/Linux
   source env_meeg/bin/activate
   # Windows
   # env_meeg\Scripts\activate
   
   pip install -r "module 3 - python for m_eeg/requirements.txt"

4. (Optionnel) Installez Jupyter et lancez-le:

   pip install jupyter
   jupyter notebook

Option B — Clone direct (lecture seule)

git clone https://github.com/BabaSanfour/PSY2007D2025-Cours-UdeM.git
cd PSY2007D2025-Cours-UdeM
python -m venv env_meeg
source env_meeg/bin/activate  # ou env_meeg\Scripts\activate (Windows)
pip install -r "module 3 - python for m_eeg/requirements.txt"

Utiliser ce dépôt dans Google Colab

• Ouvrez un nouveau notebook Colab, puis clonez le dépôt:

  !git clone https://github.com/BabaSanfour/PSY2007D2025-Cours-UdeM.git
  %cd PSY2007D2025-Cours-UdeM
  !pip install -r "module 3 - python for m_eeg/requirements.txt"

• Exécutez les scripts d’exemple directement dans Colab:

  !python "module 3 - python for m_eeg/meeg_synthetic_psd.py"

• (Optionnel) Montez votre Google Drive pour sauvegarder/charger des fichiers:

  from google.colab import drive
  drive.mount('/content/drive')

Prérequis

• Un ordinateur avec accès à Internet
• Envie d’apprendre et d’explorer les données M/EEG ✨

Besoin d’aide ?

• Chaque module contient des instructions et des exemples détaillés.
• Demandez conseil à l’équipe enseignante si besoin.

Diapositives

• Mini-ensemble de diapositives : « Introduction à la programmation en Python ».
• Contenu : C’est quoi la programmation ? Pourquoi Python ? Configuration de l’environnement (VS Code, Colab).
• Conseil d’usage : survoler avant le Module 0, garder ouvert pendant la mise en place, réviser ensuite.

Bon apprentissage ! 🌟

Rappel : la pratique régulière est la clé. Concentrez-vous sur les concepts M/EEG (prétraitement, oscillations, analyse temps-fréquence) tout en consolidant vos bases Python.