NeuroKit2

NeuroKit2

概述

NeuroKit2是一个用于处理和分析生理信号(生物信号)的综合Python工具包。使用此技能处理心血管、神经、自主神经、呼吸和肌肉信号,用于心理生理学研究、临床应用和人机交互研究。

何时使用此技能

在处理以下内容时应用此技能:

• 心脏信号: ECG、PPG、心率变异性(HRV)、脉搏分析
• 大脑信号: EEG频带、微状态、复杂性、源定位
• 自主神经信号: 电皮层活动(EDA/GSR)、皮肤电导反应(SCR)
• 呼吸信号: 呼吸频率、呼吸变异性(RRV)、单位时间体积
• 肌肉信号: EMG振幅、肌肉激活检测
• 眼动追踪: EOG、眨眼检测和分析
• 多模态集成: 同时处理多个生理信号
• 复杂性分析: 熵测量、分形维数、非线性动力学

核心功能

1. 心脏信号处理(ECG/PPG)

处理心电图和光电容积描记信号以进行心血管分析。详见references/ecg_cardiac.md获取详细工作流程。

主要工作流程:

• ECG处理管道: 清理 → R峰检测 → 描记 → 质量评估
• 跨时域、频域和非线性域的HRV分析
• PPG脉搏分析和质量评估
• ECG衍生呼吸提取

关键函数:

import neurokit2 as nk

# 完整ECG处理管道
signals, info = nk.ecg_process(ecg_signal, sampling_rate=1000)

# 分析ECG数据(事件相关或区间相关)
analysis = nk.ecg_analyze(signals, sampling_rate=1000)

# 综合HRV分析
hrv = nk.hrv(peaks, sampling_rate=1000)  # 时域、频域、非线性域

2. 心率变异性分析

从心脏信号计算综合HRV指标。详见references/hrv.md获取所有指标和特定领域分析。

支持的域:

• 时域: SDNN、RMSSD、pNN50、SDSD和衍生指标
• 频域: ULF、VLF、LF、HF、VHF功率和比率
• 非线性域: Poincaré图(SD1/SD2)、熵测量、分形维数
• 专用: 呼吸性窦性心律不齐(RSA)、递归量化分析(RQA)

关键函数:

# 一次获取所有HRV指标
hrv_indices = nk.hrv(peaks, sampling_rate=1000)

# 特定域分析
hrv_time = nk.hrv_time(peaks)
hrv_freq = nk.hrv_frequency(peaks, sampling_rate=1000)
hrv_nonlinear = nk.hrv_nonlinear(peaks, sampling_rate=1000)
hrv_rsa = nk.hrv_rsa(peaks, rsp_signal, sampling_rate=1000)

3. 脑信号分析(EEG)

分析脑电图信号以进行频率功率、复杂性和微状态模式分析。详见references/eeg.md获取详细工作流程和MNE集成。

主要功能:

• 频带功率分析(Delta、Theta、Alpha、Beta、Gamma)
• 通道质量评估和重参考
• 源定位(sLORETA、MNE)
• 微状态分割和转换动力学
• 全局场功率和相异性测量

关键函数:

# 跨频带功率分析
power = nk.eeg_power(eeg_data, sampling_rate=250, channels=['Fz', 'Cz', 'Pz'])

# 微状态分析
microstates = nk.microstates_segment(eeg_data, n_microstates=4, method='kmod')
static = nk.microstates_static(microstates)
dynamic = nk.microstates_dynamic(microstates)

4. 电皮层活动(EDA)

处理皮肤电导信号以进行自主神经系统评估。详见references/eda.md获取详细工作流程。

主要工作流程:

• 信号分解为紧张性和时相性成分
• 皮肤电导反应(SCR)检测和分析
• 交感神经系统指数计算
• 自相关和变点检测

关键函数:

# 完整EDA处理
signals, info = nk.eda_process(eda_signal, sampling_rate=100)

# 分析EDA数据
analysis = nk.eda_analyze(signals, sampling_rate=100)

# 交感神经系统活动
sympathetic = nk.eda_sympathetic(signals, sampling_rate=100)

5. 呼吸信号处理(RSP)

分析呼吸模式和呼吸变异性。详见references/rsp.md获取详细工作流程。

主要功能:

• 呼吸频率计算和变异性分析
• 呼吸幅度和对称性评估
• 单位时间呼吸体积(fMRI应用)
• 呼吸幅度变异性(RAV)

关键函数:

# 完整RSP处理
signals, info = nk.rsp_process(rsp_signal, sampling_rate=100)

# 呼吸频率变异性
rrv = nk.rsp_rrv(signals, sampling_rate=100)

# 单位时间呼吸体积
rvt = nk.rsp_rvt(signals, sampling_rate=100)

6. 肌电图(EMG)

处理肌肉活动信号以进行激活检测和振幅分析。详见references/emg.md获取工作流程。

关键函数:

# 完整EMG处理
signals, info = nk.emg_process(emg_signal, sampling_rate=1000)

# 肌肉激活检测
activation = nk.emg_activation(signals, sampling_rate=1000, method='threshold')

7. 眼电图(EOG)

分析眼球运动和眨眼模式。详见references/eog.md获取工作流程。

关键函数:

# 完整EOG处理
signals, info = nk.eog_process(eog_signal, sampling_rate=500)

# 提取眨眼特征
features = nk.eog_features(signals, sampling_rate=500)

8. 通用信号处理

对任何信号应用滤波、分解和变换操作。详见references/signal_processing.md获取综合实用程序。

主要操作:

• 滤波(低通、高通、带通、带阻)
• 分解(EMD、SSA、小波)
• 峰值检测和校正
• 功率谱密度估计
• 信号插值和重采样
• 自相关和同步分析

关键函数:

# 滤波
filtered = nk.signal_filter(signal, sampling_rate=1000, lowcut=0.5, highcut=40)

# 峰值检测
peaks = nk.signal_findpeaks(signal)

# 功率谱密度
psd = nk.signal_psd(signal, sampling_rate=1000)

9. 复杂性和熵分析

计算非线性动力学、分形维数和信息论测量。详见references/complexity.md获取所有可用指标。

可用测量:

• 熵: Shannon、近似、样本、排列、谱、模糊、多尺度
• 分形维数: Katz、Higuchi、Petrosian、Sevcik、相关维数
• 非线性动力学: Lyapunov指数、Lempel-Ziv复杂性、递归量化
• DFA: 去趋势波动分析、多重分形DFA
• 信息论: Fisher信息、互信息

关键函数:

# 一次获取多个复杂性指标
complexity_indices = nk.complexity(signal, sampling_rate=1000)

# 特定测量
apen = nk.entropy_approximate(signal)
dfa = nk.fractal_dfa(signal)
lyap = nk.complexity_lyapunov(signal, sampling_rate=1000)

10. 事件相关分析

在刺激事件周围创建epoch并分析生理反应。详见references/epochs_events.md获取工作流程。

主要功能:

• 从事件标记创建epoch
• 事件相关平均和可视化
• 基线校正选项
• 具有置信区间的总平均计算

关键函数:

# 在信号中查找事件
events = nk.events_find(trigger_signal, threshold=0.5)

# 在事件周围创建epoch
epochs = nk.epochs_create(signals, events, sampling_rate=1000,
                          epochs_start=-0.5, epochs_end=2.0)

# 跨epoch平均
grand_average = nk.epochs_average(epochs)

11. 多信号集成

以统一输出同时处理多个生理信号。详见references/bio_module.md获取集成工作流程。

关键函数:

# 一次处理多个信号
bio_signals, bio_info = nk.bio_process(
    ecg=ecg_signal,
    rsp=rsp_signal,
    eda=eda_signal,
    emg=emg_signal,
    sampling_rate=1000
)

# 分析所有处理后的信号
bio_analysis = nk.bio_analyze(bio_signals, sampling_rate=1000)

分析模式

NeuroKit2根据数据持续时间自动在两种分析模式之间选择:

事件相关分析(< 10秒):

• 分析刺激锁定的反应
• 基于epoch的分割
• 适用于具有离散试验的实验范式

区间相关分析(≥ 10秒):

• 表征长期生理模式
• 静息状态或连续活动
• 适用于基线测量和长期监测

大多数*_analyze()函数自动选择适当的模式。

安装

uv pip install neurokit2

对于开发版本:

uv pip install https://github.com/neuropsychology/NeuroKit/zipball/dev

常见工作流程

快速开始: ECG分析

import neurokit2 as nk

# 加载示例数据
ecg = nk.ecg_simulate(duration=60, sampling_rate=1000)

# 处理ECG
signals, info = nk.ecg_process(ecg, sampling_rate=1000)

# 分析HRV
hrv = nk.hrv(info['ECG_R_Peaks'], sampling_rate=1000)

# 可视化
nk.ecg_plot(signals, info)

多模态分析

# 处理多个信号
bio_signals, bio_info = nk.bio_process(
    ecg=ecg_signal,
    rsp=rsp_signal,
    eda=eda_signal,
    sampling_rate=1000
)

# 分析所有信号
results = nk.bio_analyze(bio_signals, sampling_rate=1000)

事件相关电位

# 查找事件
events = nk.events_find(trigger_channel, threshold=0.5)

# 创建epoch
epochs = nk.epochs_create(processed_signals, events,
                          sampling_rate=1000,
                          epochs_start=-0.5, epochs_end=2.0)

# 每种信号类型的事件相关分析
ecg_epochs = nk.ecg_eventrelated(epochs)
eda_epochs = nk.eda_eventrelated(epochs)

参考

此技能包括按信号类型和分析方法组织的综合参考文档:

• ecg_cardiac.md: ECG/PPG处理、R峰检测、描记、质量评估
• hrv.md: 所有域的心率变异性指标
• eeg.md: EEG分析、频带、微状态、源定位
• eda.md: 电皮层活动处理和SCR分析
• rsp.md: 呼吸信号处理和变异性
• ppg.md: 光电容积描记信号分析
• emg.md: 肌电图处理和激活检测
• eog.md: 眼电图和眨眼分析
• signal_processing.md: 通用信号实用程序和变换
• complexity.md: 熵、分形和非线性测量
• epochs_events.md: 事件相关分析和epoch创建
• bio_module.md: 多信号集成工作流程

根据需要使用Read工具加载特定的参考文件,以访问详细的函数文档和参数。

其他资源

• 官方文档: https://neuropsychology.github.io/NeuroKit/
• GitHub仓库: https://github.com/neuropsychology/NeuroKit
• 发表论文: Makowski et al. (2021). NeuroKit2: A Python toolbox for neurophysiological signal processing. Behavior Research Methods. https://doi.org/10.3758/s13428-020-01516-y