eno_love

Exploratory branch for EEG quality checks and format comparison in Neuroelectrics workflows.

Scripts

• edf_conv.py: comparación por pares y generación de CSV + JSON + MD.
• easy_edf_graph.py: comparación visual avanzada (PNG + CSV + JSON + MD) para un par específico.

Setup rápido

python -m venv eno_venv
source eno_venv/bin/activate
pip install -r requirements.txt

Flujo recomendado para futuros ensayos

1) Pre-check de "data integrity" -> que no tengamos "fuga de datos" o errores en el ensayo.

Antes de correr análisis, valida que los archivos tengan contenido:

find data/test_XXX -type f \( -name '*.easy' -o -name '*.edf' -o -name '*.info' \) | sort
wc -l data/test_XXX/*.easy

Si un archivo aparece con 0 líneas o 0B, debe excluirse -> señal para repetir el ensayo.

2) Comparación automática por carpeta

Caso ideal (.easy y .edf con mismo stem):

./eno_venv/bin/python edf_conv.py \
	--data-dir data/test_XXX \
	--output-dir comparison_reports/test_XXX_single

Fallback implementado en este repo para lotes sin .edf válido:

• Si no encuentra pares .easy/.edf, el script entra en modo .easy-only.
• En ese modo compara cada .easy contra sí mismo para generar reporte estructural del lote.

Importante: en modo .easy-only la correlación media tenderá a 1.0 y el RMSE a 0, lo cual no mide mejora real entre formatos; solo confirma consistencia interna del archivo.

3) Inspección visual de pares clave

Cuando sí exista .edf real, usa:

./eno_venv/bin/python easy_edf_graph.py \
	--easy "data/test_XXX/archivo.easy" \
	--edf "data/test_XXX/archivo.edf" \
	--info "data/test_XXX/archivo.info" \
	--output-dir comparison_reports/test_XXX_graphs

Esto genera overlays, histogramas y heatmap de métricas por canal.

Cómo interpretar resultados de forma útil

Señales de buena calidad del ensayo

• Duración y sampling_rate_hz estables entre sesiones.
• Sin canales con std o peak-to-peak anómalos extremos frente al resto.
• Tendencia consistente entre repeticiones (001 vs 002) en misma condición (EO, EC, MI).
• Menor dispersión en mean_abs_diff_uv y rmse_uv cuando compares contra .edf real.

Sobre la "correlación media mejoró"

Ese indicador es valioso solamente cuando comparas dos fuentes distintas (.easy vs .edf). Si corres en modo .easy-only, una correlación media alta no implica mejora de calidad fisiológica; para calidad del ensayo mira más los patrones por canal, estabilidad entre bloques y presencia de artefactos.

Salidas esperadas

Por cada comparación, edf_conv.py crea:

• *_channels.csv (métricas por canal)
• *.json (resumen estructurado)
• *.md (interpretación textual)

Por cada comparación, easy_edf_graph.py crea además:

• *_raw_overlay.png
• *_demeaned_overlay.png
• *_histograms.png
• *_stats_heatmap.png

Recomendaciones operativas

• Mantener nombres consistentes por sesión (timestamp + sujeto + condición + réplica).
• Guardar .info junto a cada .easy para preservar nombres de canal y metadatos.
• No usar archivos *_edfFiltered.easy vacíos; si existen con 0B, ignorarlos o regenerarlos.
• Versionar siempre el comando usado y el output-dir del análisis para reproducibilidad.