from __future__ import annotations from typing import List, Tuple, Optional, Dict, Any import io import os import tempfile import numpy as np import mne from scipy.io import loadmat try: import h5py # MAT v7.3 (HDF5) except Exception: # pragma: no cover h5py = None # ============================================================ # EEGLAB loader (.set + .fdt) # ============================================================ def pick_set_fdt(files) -> Tuple[Optional[object], Optional[object]]: """ Streamlitの accept_multiple_files=True で受け取ったfilesから .set と .fdt を拾う。 Returns: (set_file, fdt_file) """ set_file = None fdt_file = None for f in files: name = (getattr(f, "name", "") or "").lower() if name.endswith(".set"): set_file = f elif name.endswith(".fdt"): fdt_file = f return set_file, fdt_file def same_stem(a_name: str, b_name: str) -> bool: """Check if two filenames have the same stem (basename without extension).""" a_stem = os.path.splitext(os.path.basename(a_name))[0] b_stem = os.path.splitext(os.path.basename(b_name))[0] return a_stem == b_stem def extract_electrode_positions_from_hdf5(set_path: str) -> tuple: """ HDF5形式のEEGLABファイルから電極位置を抽出。 Returns: tuple: (pos_2d, pos_3d) pos_2d: (C, 2) 電極の2D座標、取得できない場合はNone pos_3d: (C, 3) 電極の3D座標、取得できない場合はNone """ if h5py is None: return None, None try: with h5py.File(set_path, "r") as f: # EEGLABのchanlocs構造を探す chanlocs_path = None for path in ["EEG/chanlocs", "chanlocs"]: if path in f: chanlocs_path = path break if chanlocs_path is None: return None, None chanlocs = f[chanlocs_path] # X, Y, Z座標を取得 xs, ys, zs = [], [], [] # パターン1: chanlocs/X, chanlocs/Y, chanlocs/Z が直接データの場合 if "X" in chanlocs and "Y" in chanlocs and "Z" in chanlocs: x_data = chanlocs["X"][()] y_data = chanlocs["Y"][()] z_data = chanlocs["Z"][()] # 参照型の場合は各参照を辿る if x_data.dtype == h5py.ref_dtype: for i in range(len(x_data)): try: x_val = f[x_data[i, 0]][()] y_val = f[y_data[i, 0]][()] z_val = f[z_data[i, 0]][()] # スカラー値を取得 x_val = float(x_val.flat[0]) if hasattr(x_val, 'flat') else float(x_val) y_val = float(y_val.flat[0]) if hasattr(y_val, 'flat') else float(y_val) z_val = float(z_val.flat[0]) if hasattr(z_val, 'flat') else float(z_val) xs.append(x_val) ys.append(y_val) zs.append(z_val) except: # 読み込めない座標は0に xs.append(0.0) ys.append(0.0) zs.append(0.0) else: # 直接数値データの場合 xs = x_data.flatten().astype(float) ys = y_data.flatten().astype(float) zs = z_data.flatten().astype(float) else: return None, None # リストをnumpy配列に変換 xs = np.array(xs, dtype=float) ys = np.array(ys, dtype=float) zs = np.array(zs, dtype=float) if len(xs) == 0: return None, None # NaN値をチェック（数値型に変換後） valid_mask = ~(np.isnan(xs) | np.isnan(ys) | np.isnan(zs)) if not np.any(valid_mask): return None, None # 無効な座標は平均値で置き換え if not np.all(valid_mask): xs[~valid_mask] = np.nanmean(xs) ys[~valid_mask] = np.nanmean(ys) zs[~valid_mask] = np.nanmean(zs) # 3D座標を構築 positions_3d = np.column_stack([xs, ys, zs]) # 正規化 dists = np.sqrt(np.sum(positions_3d**2, axis=1)) max_dist_3d = np.max(dists[dists > 0]) if np.any(dists > 0) else 1.0 if max_dist_3d > 0: positions_3d = positions_3d / max_dist_3d # 2D投影 pos_2d = positions_3d[:, :2] dists_2d = np.sqrt(np.sum(pos_2d**2, axis=1)) max_dist_2d = np.max(dists_2d[dists_2d > 0]) if np.any(dists_2d > 0) else 1.0 if max_dist_2d > 0: pos_2d = pos_2d / max_dist_2d * 0.85 print(f"HDF5から電極位置を取得: {len(xs)} channels") return pos_2d.astype(np.float32), positions_3d.astype(np.float32) except Exception as e: print(f"HDF5から電極位置の抽出に失敗: {e}") import traceback traceback.print_exc() return None, None def extract_electrode_positions_2d(set_path: str): """ EEGLABファイルから電極位置（2D, 3D）を抽出。 Returns: tuple: (pos_2d, pos_3d) pos_2d: (C, 2) 電極の2D座標、取得できない場合はNone pos_3d: (C, 3) 電極の3D座標、取得できない場合はNone """ try: # MNEで読み込み raw = mne.io.read_raw_eeglab(set_path, preload=False, verbose=False) montage = raw.get_montage() if montage is None: return None, None # 3D座標を取得 pos_3d_dict = montage.get_positions()['ch_pos'] if not pos_3d_dict: return None, None # チャンネル名順に並べ替え ch_names = raw.ch_names positions_3d = [] for ch_name in ch_names: if ch_name in pos_3d_dict: positions_3d.append(pos_3d_dict[ch_name]) else: # 座標がないチャンネルは原点に配置 positions_3d.append([0, 0, 0]) positions_3d = np.array(positions_3d) # 3D座標を正規化 max_dist_3d = np.max(np.sqrt(np.sum(positions_3d**2, axis=1))) if max_dist_3d > 0: positions_3d = positions_3d / max_dist_3d # 3D -> 2D 投影（上から見た図） pos_2d = positions_3d[:, :2] # 2D座標を正規化: 最大距離が0.85になるようにスケーリング max_dist_2d = np.max(np.sqrt(np.sum(pos_2d**2, axis=1))) if max_dist_2d > 0: pos_2d = pos_2d / max_dist_2d * 0.85 return pos_2d.astype(np.float32), positions_3d.astype(np.float32) except Exception as e: print(f"電極位置の抽出に失敗: {e}") return None, None def _load_eeglab_hdf5(set_path: str, fdt_path: Optional[str] = None, debug: bool = False): """ Load EEGLAB .set file saved in MATLAB v7.3 (HDF5) format using h5py. Returns: (x_tc, fs) where x_tc is (T, C) """ if h5py is None: raise RuntimeError("EEGLAB .set ファイルが MATLAB v7.3 (HDF5) 形式ですが、h5py がインストールされていません。pip install h5py を実行してください。") with h5py.File(set_path, "r") as f: # デバッグ: ファイル構造を表示 if debug: print("=== HDF5 file structure ===") def print_structure(name, obj): if isinstance(obj, h5py.Dataset): print(f"Dataset: {name}, shape: {obj.shape}, dtype: {obj.dtype}") elif isinstance(obj, h5py.Group): print(f"Group: {name}") f.visititems(print_structure) print("===========================") # サンプリングレートを取得 fs = None for path in ["EEG/srate", "srate"]: if path in f: srate_data = f[path] if isinstance(srate_data, h5py.Dataset): val = srate_data[()] # 配列の場合は最初の要素を取得 fs = float(val.flat[0]) if hasattr(val, 'flat') else float(val) break if fs is None: raise ValueError("サンプリングレート (srate) が見つかりません") # チャンネル数を取得 nbchan = None for path in ["EEG/nbchan", "nbchan"]: if path in f: nbchan_data = f[path] if isinstance(nbchan_data, h5py.Dataset): val = nbchan_data[()] nbchan = int(val.flat[0]) if hasattr(val, 'flat') else int(val) break # サンプル数を取得 pnts = None for path in ["EEG/pnts", "pnts"]: if path in f: pnts_data = f[path] if isinstance(pnts_data, h5py.Dataset): val = pnts_data[()] pnts = int(val.flat[0]) if hasattr(val, 'flat') else int(val) break if debug: print(f"nbchan: {nbchan}, pnts: {pnts}, fs: {fs}") # データを取得 - まず .set 内を確認 data = None data_shape = None if debug: print(f"Checking for data, fdt_path provided: {fdt_path is not None}") if fdt_path: print(f"fdt_path exists: {os.path.exists(fdt_path)}") # パターン1: EEG/data が参照配列の場合、各参照を辿る if "EEG" in f and "data" in f["EEG"]: data_ref = f["EEG"]["data"] if isinstance(data_ref, h5py.Dataset): if debug: print(f"EEG/data dtype: {data_ref.dtype}, shape: {data_ref.shape}, size: {data_ref.size}") if data_ref.dtype == h5py.ref_dtype: # 参照の場合 - 通常は .fdt ファイルを指す if debug: print("EEG/data is reference type - data should be in .fdt file") # .fdt ファイルが必要 if fdt_path is not None and os.path.exists(fdt_path): data = _load_fdt_file(fdt_path, nbchan, pnts, debug=debug) else: raise ValueError(".fdt ファイルが必要ですが見つかりません。.set と .fdt の両方をアップロードしてください。") elif data_ref.size > 100: # 参照配列ではなく実データ data = data_ref[()] data_shape = data.shape if debug: print(f"EEG/data contains actual data, shape: {data_shape}") else: # 小さい配列 = 参照リスト、.fdtファイルが必要 if debug: print(f"EEG/data is small array (size={data_ref.size}), assuming reference to .fdt") if fdt_path is not None and os.path.exists(fdt_path): data = _load_fdt_file(fdt_path, nbchan, pnts, debug=debug) else: raise ValueError(".fdt ファイルが必要ですが見つかりません。.set と .fdt の両方をアップロードしてください。") # パターン2: 直接 data if data is None and "data" in f: data_obj = f["data"] if isinstance(data_obj, h5py.Dataset): data = data_obj[()] data_shape = data.shape if data is None: raise ValueError("EEGデータが見つかりません。.fdt ファイルが必要な可能性があります。") if debug: print(f"Data shape: {data.shape if hasattr(data, 'shape') else 'loaded from fdt'}") # データの形状を調整 if data.ndim != 2: raise ValueError(f"予期しないデータ次元: {data.ndim}") dim0, dim1 = data.shape # nbchan情報があればそれを使う if nbchan is not None: if dim0 == nbchan: # (C, T) 形式 x_tc = data.T.astype(np.float32) elif dim1 == nbchan: # (T, C) 形式 x_tc = data.astype(np.float32) else: # nbchanと一致しない場合は小さい方をチャンネル数と仮定 if dim0 < dim1: x_tc = data.T.astype(np.float32) else: x_tc = data.astype(np.float32) else: # 一般的な判定: 小さい方がチャンネル数 if dim0 < dim1: x_tc = data.T.astype(np.float32) else: x_tc = data.astype(np.float32) if debug: print(f"Final shape (T, C): {x_tc.shape}") return x_tc, fs """ EEGLABファイルから電極位置（2D）を抽出。 Returns: pos: (C, 2) 電極の2D座標、取得できない場合はNone """ try: # MNEで読み込み raw = mne.io.read_raw_eeglab(set_path, preload=False, verbose=False) montage = raw.get_montage() if montage is None: return None # 3D座標を取得 pos_3d = montage.get_positions()['ch_pos'] if not pos_3d: return None # チャンネル名順に並べ替え ch_names = raw.ch_names positions = [] for ch_name in ch_names: if ch_name in pos_3d: positions.append(pos_3d[ch_name]) else: # 座標がないチャンネルは原点に配置 positions.append([0, 0, 0]) positions = np.array(positions) # 3D -> 2D 投影（上から見た図） # x, y座標を使用し、正規化 pos_2d = positions[:, :2] # 正規化: 最大距離が1になるようにスケーリング max_dist = np.max(np.sqrt(np.sum(pos_2d**2, axis=1))) if max_dist > 0: pos_2d = pos_2d / max_dist * 0.85 # 0.85倍で頭の輪郭内に収める return pos_2d.astype(np.float32) except Exception as e: print(f"電極位置の抽出に失敗: {e}") return None """ Load EEGLAB .set file saved in MATLAB v7.3 (HDF5) format using h5py. Returns: (x_tc, fs) where x_tc is (T, C) """ if h5py is None: raise RuntimeError("EEGLAB .set ファイルが MATLAB v7.3 (HDF5) 形式ですが、h5py がインストールされていません。pip install h5py を実行してください。") with h5py.File(set_path, "r") as f: # デバッグ: ファイル構造を表示 if debug: print("=== HDF5 file structure ===") def print_structure(name, obj): if isinstance(obj, h5py.Dataset): print(f"Dataset: {name}, shape: {obj.shape}, dtype: {obj.dtype}") elif isinstance(obj, h5py.Group): print(f"Group: {name}") f.visititems(print_structure) print("===========================") # サンプリングレートを取得 fs = None for path in ["EEG/srate", "srate"]: if path in f: srate_data = f[path] if isinstance(srate_data, h5py.Dataset): val = srate_data[()] # 配列の場合は最初の要素を取得 fs = float(val.flat[0]) if hasattr(val, 'flat') else float(val) break if fs is None: raise ValueError("サンプリングレート (srate) が見つかりません") # チャンネル数を取得 nbchan = None for path in ["EEG/nbchan", "nbchan"]: if path in f: nbchan_data = f[path] if isinstance(nbchan_data, h5py.Dataset): val = nbchan_data[()] nbchan = int(val.flat[0]) if hasattr(val, 'flat') else int(val) break # サンプル数を取得 pnts = None for path in ["EEG/pnts", "pnts"]: if path in f: pnts_data = f[path] if isinstance(pnts_data, h5py.Dataset): val = pnts_data[()] pnts = int(val.flat[0]) if hasattr(val, 'flat') else int(val) break if debug: print(f"nbchan: {nbchan}, pnts: {pnts}, fs: {fs}") # データを取得 - まず .set 内を確認 data = None data_shape = None if debug: print(f"Checking for data, fdt_path provided: {fdt_path is not None}") if fdt_path: print(f"fdt_path exists: {os.path.exists(fdt_path)}") # パターン1: EEG/data が参照配列の場合、各参照を辿る if "EEG" in f and "data" in f["EEG"]: data_ref = f["EEG"]["data"] if isinstance(data_ref, h5py.Dataset): if debug: print(f"EEG/data dtype: {data_ref.dtype}, shape: {data_ref.shape}, size: {data_ref.size}") if data_ref.dtype == h5py.ref_dtype: # 参照の場合 - 通常は .fdt ファイルを指す if debug: print("EEG/data is reference type - data should be in .fdt file") # .fdt ファイルが必要 if fdt_path is not None and os.path.exists(fdt_path): data = _load_fdt_file(fdt_path, nbchan, pnts, debug=debug) else: raise ValueError(".fdt ファイルが必要ですが見つかりません。.set と .fdt の両方をアップロードしてください。") elif data_ref.size > 100: # 参照配列ではなく実データ data = data_ref[()] data_shape = data.shape if debug: print(f"EEG/data contains actual data, shape: {data_shape}") else: # 小さい配列 = 参照リスト、.fdtファイルが必要 if debug: print(f"EEG/data is small array (size={data_ref.size}), assuming reference to .fdt") if fdt_path is not None and os.path.exists(fdt_path): data = _load_fdt_file(fdt_path, nbchan, pnts, debug=debug) else: raise ValueError(".fdt ファイルが必要ですが見つかりません。.set と .fdt の両方をアップロードしてください。") # パターン2: 直接 data if data is None and "data" in f: data_obj = f["data"] if isinstance(data_obj, h5py.Dataset): data = data_obj[()] data_shape = data.shape if data is None: raise ValueError("EEGデータが見つかりません。.fdt ファイルが必要な可能性があります。") if debug: print(f"Data shape: {data.shape if hasattr(data, 'shape') else 'loaded from fdt'}") # データの形状を調整 if data.ndim != 2: raise ValueError(f"予期しないデータ次元: {data.ndim}") dim0, dim1 = data.shape # nbchan情報があればそれを使う if nbchan is not None: if dim0 == nbchan: # (C, T) 形式 x_tc = data.T.astype(np.float32) elif dim1 == nbchan: # (T, C) 形式 x_tc = data.astype(np.float32) else: # nbchanと一致しない場合は小さい方をチャンネル数と仮定 if dim0 < dim1: x_tc = data.T.astype(np.float32) else: x_tc = data.astype(np.float32) else: # 一般的な判定: 小さい方がチャンネル数 if dim0 < dim1: x_tc = data.T.astype(np.float32) else: x_tc = data.astype(np.float32) if debug: print(f"Final shape (T, C): {x_tc.shape}") return x_tc, fs def _load_fdt_file(fdt_path: str, nbchan: Optional[int], pnts: Optional[int], debug: bool = False) -> np.ndarray: """ Load .fdt file (raw binary float32 data). EEGLAB .fdt files are stored as float32 in (C, T) order. """ if debug: print(f"Loading .fdt file: {fdt_path}") # .fdt ファイルは float32 のバイナリデータ data = np.fromfile(fdt_path, dtype=np.float32) if debug: print(f"Loaded {data.size} float32 values from .fdt") # チャンネル数とサンプル数がわかっている場合はリシェイプ if nbchan is not None and pnts is not None: expected_size = nbchan * pnts if data.size == expected_size: # EEGLAB は (C, T) 順で保存 data = data.reshape(nbchan, pnts) if debug: print(f"Reshaped to ({nbchan}, {pnts})") else: if debug: print(f"Warning: expected {expected_size} values but got {data.size}") # 可能な限りリシェイプを試みる if data.size % nbchan == 0: data = data.reshape(nbchan, -1) elif data.size % pnts == 0: data = data.reshape(-1, pnts) else: raise ValueError(f"Cannot reshape data of size {data.size} with nbchan={nbchan}, pnts={pnts}") else: raise ValueError("nbchan と pnts の情報が必要です") return data def load_eeglab_tc_from_bytes( set_bytes: bytes, set_name: str, fdt_bytes: Optional[bytes] = None, fdt_name: Optional[str] = None, ): """ Load EEGLAB .set (and optional .fdt) from bytes using MNE or h5py. Returns: tuple: (x_tc, fs, electrode_pos_2d, electrode_pos_3d) x_tc: (T, C) float32 fs: sampling rate (Hz) electrode_pos_2d: (C, 2) float32 or None - 電極の2D座標 electrode_pos_3d: (C, 3) float32 or None - 電極の3D座標 Notes: - 多くのEEGLABは .set が .fdt を参照するため、同じディレクトリに同名で置く必要があります。 - .set単体で完結している場合は fdt_* を省略可能にしています。 - MATLAB v7.3 (HDF5) 形式の .set にも対応しています。 """ if fdt_bytes is not None or fdt_name is not None: if fdt_bytes is None or fdt_name is None: raise ValueError("fdt_bytes と fdt_name は両方指定してください。") if not same_stem(set_name, fdt_name): raise ValueError(f".set と .fdt のファイル名（拡張子除く）が一致していません: {set_name} vs {fdt_name}") with tempfile.TemporaryDirectory() as tmpdir: set_path = os.path.join(tmpdir, os.path.basename(set_name)) with open(set_path, "wb") as f: f.write(set_bytes) fdt_path = None # 初期化 if fdt_bytes is not None and fdt_name is not None: fdt_path = os.path.join(tmpdir, os.path.basename(fdt_name)) with open(fdt_path, "wb") as f: f.write(fdt_bytes) # 1) Rawとして読む（通常のEEGLAB形式） try: raw = mne.io.read_raw_eeglab(set_path, preload=True, verbose=False) fs = float(raw.info["sfreq"]) x_tc = raw.get_data().T # (T,C) # 電極位置を取得 result = extract_electrode_positions_2d(set_path) if result is not None: electrode_pos_2d, electrode_pos_3d = result else: electrode_pos_2d, electrode_pos_3d = None, None return x_tc.astype(np.float32), fs, electrode_pos_2d, electrode_pos_3d except Exception as e_raw: # 2) Epochsとして読む（エポックデータ用） try: epochs = mne.io.read_epochs_eeglab(set_path, verbose=False, montage_units="cm") fs = float(epochs.info["sfreq"]) x = epochs.get_data(copy=True) # (n_epochs, n_channels, n_times) # ここは方針を選ぶ：平均 or 連結 x_mean = x.mean(axis=0) # (C,T) x_tc = x_mean.T # (T,C) # 電極位置を取得（epochsからも取得可能） result = extract_electrode_positions_2d(set_path) if result is not None: electrode_pos_2d, electrode_pos_3d = result else: electrode_pos_2d, electrode_pos_3d = None, None return x_tc.astype(np.float32), fs, electrode_pos_2d, electrode_pos_3d except Exception as e_ep: # 3) HDF5形式として読む（MATLAB v7.3） try: # デバッグモードを有効化（環境変数で制御可能） debug = os.environ.get("EEGLAB_DEBUG", "0") == "1" # Streamlit環境では常にデバッグ情報を表示 import sys if 'streamlit' in sys.modules: debug = True try: x_tc, fs = _load_eeglab_hdf5(set_path, fdt_path=fdt_path, debug=debug) except Exception as e_hdf5_inner: import traceback print("HDF5読み込みの詳細エラー:") print(traceback.format_exc()) raise e_hdf5_inner # HDF5の場合、電極位置をHDF5から直接取得を試みる electrode_pos_2d, electrode_pos_3d = extract_electrode_positions_from_hdf5(set_path) if debug and electrode_pos_2d is not None: print(f"HDF5から電極位置を取得しました: {electrode_pos_2d.shape}") return x_tc, fs, electrode_pos_2d, electrode_pos_3d except Exception as e_hdf5: import traceback # すべて失敗した場合 msg = ( "EEGLABの読み込みに失敗しました。\n" f"- read_raw_eeglab error: {e_raw}\n" f"- read_epochs_eeglab error: {e_ep}\n" f"- HDF5読み込み error: {e_hdf5}\n" f"\n詳細トレースバック:\n{traceback.format_exc()}" ) raise RuntimeError(msg) from e_hdf5 # ============================================================ # MAT loader (.mat) # ============================================================ def _mat_keys_loadmat(mat_dict: Dict[str, Any]) -> List[str]: return sorted([k for k in mat_dict.keys() if not k.startswith("__")]) def _try_get_numeric_arrays_loadmat(mat_dict: Dict[str, Any]) -> Dict[str, np.ndarray]: """ loadmatで読んだdictから、1D/2Dの数値ndarrayだけ抽出して返す。 3次元配列も含める（エポックデータの可能性）。 """ out: Dict[str, np.ndarray] = {} for k in _mat_keys_loadmat(mat_dict): v = mat_dict[k] if isinstance(v, np.ndarray) and v.size > 0: # 数値型かどうかチェック if np.issubdtype(v.dtype, np.number): if v.ndim in (1, 2): out[k] = v elif v.ndim == 3: # 3次元配列の場合は (epochs, channels, time) の可能性 # 平均を取って2次元にする、または連結する out[k + "_mean"] = v.mean(axis=0) # (C, T) out[k + "_concat"] = v.reshape(-1, v.shape[-1]) # (epochs*C, T) return out def _load_mat_v72(bytes_data: bytes) -> Dict[str, Any]: # v7.2以前のMAT（一般的なMAT） return loadmat(io.BytesIO(bytes_data), squeeze_me=False, struct_as_record=False) def _load_mat_v73_candidates(bytes_data: bytes) -> Dict[str, np.ndarray]: """ v7.3(HDF5)のMATから、数値1D/2D/3D dataset を拾って返す。 keyは HDF5内のパスになります（例: 'group/data'）。 修正: h5pyの新しいバージョンに対応。BytesIOではなく一時ファイルを使用。 """ if h5py is None: raise RuntimeError("MAT v7.3(HDF5) 形式の可能性がありますが、h5py が入っていません。pip install h5py を実行してください。") out: Dict[str, np.ndarray] = {} # h5pyの新しいバージョンではBytesIOから直接開けない場合があるため、一時ファイルを使用 with tempfile.NamedTemporaryFile(suffix='.mat', delete=False) as tmp: tmp.write(bytes_data) tmp_path = tmp.name try: with h5py.File(tmp_path, "r") as f: def visitor(name, obj): if not isinstance(obj, h5py.Dataset): return try: arr = obj[()] except Exception: return # MATLABの文字列/参照等は除外して、数値だけ if isinstance(arr, np.ndarray) and arr.size > 0 and np.issubdtype(arr.dtype, np.number): if arr.ndim in (1, 2): out[name] = arr elif arr.ndim == 3: # 3次元配列も含める out[name + "_mean"] = arr.mean(axis=0) out[name + "_concat"] = arr.reshape(-1, arr.shape[-1]) f.visititems(lambda name, obj: visitor(name, obj)) finally: # 一時ファイルを削除 try: os.unlink(tmp_path) except Exception: pass return out def load_mat_candidates(bytes_data: bytes) -> Dict[str, np.ndarray]: """ Return dict: variable_name -> ndarray(1D/2D numeric) Tries v7.2 (scipy.io.loadmat). If it fails, tries v7.3 (h5py). """ try: md = _load_mat_v72(bytes_data) cands = _try_get_numeric_arrays_loadmat(md) return cands except Exception: return _load_mat_v73_candidates(bytes_data)