⚡

神经信号处理工具包Skill neurokit2

NeuroKit2 是一个 Python 工具包，用于处理和分析生理信号如 ECG、EEG、EDA、RSP、PPG、EMG 和 EOG。它支持心变异性分析、事件相关电位、复杂度测量和自主神经系统评估，适用于心理生理学研究、临床应用和人机交互研究。关键词：生理信号处理、ECG分析、EEG分析、HRV、皮肤电反应、Python工具包、生物医学数据分析。

数据分析 0 次安装 0 次浏览 更新于 3/16/2026

名称: neurokit2 描述: 全面的生物信号处理工具包，用于分析生理数据，包括心电信号(ECG)、脑电信号(EEG)、皮肤电反应(EDA)、呼吸信号(RSP)、光电容积脉搏波(PPG)、肌电信号(EMG)和眼电信号(EOG)。使用此技能处理心血管信号、脑活动、皮肤电反应、呼吸模式、肌肉活动或眼动。适用于心变异性分析、事件相关电位、复杂度测量、自主神经系统评估、心理生理学研究和多模态生理信号集成。

NeuroKit2

概述

NeuroKit2 是一个全面的 Python 工具包，用于处理和分析生理信号（生物信号）。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

适用于处理：

  • 心脏信号：ECG、PPG、心变异性(HRV)、脉搏分析
  • 脑信号：EEG 频率带、微状态、复杂度、源定位
  • 自主神经信号：皮肤电活动(EDA/GSR)、皮肤电导反应(SCR)
  • 呼吸信号：呼吸率、呼吸变异性(RRV)、每时间体积
  • 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
  • 复杂度分析：熵测量、分形维度、非线性动力学

核心能力

1. 心脏信号处理 (ECG/PPG)

处理心电图和光电容积脉搏波信号，用于心血管分析。详见 references/ecg_cardiac.md 获取详细工作流程。

主要工作流程：

  • ECG 处理流程：清洁 → R 峰检测 → 描绘 → 质量评估
  • HRV 分析，涵盖时域、频域和非线性域
  • PPG 脉搏分析和质量评估
  • ECG 衍生的呼吸提取

关键函数：

import neurokit2 as nk

# 完整的 ECG 处理流程
signals, info = nk.ecg_process(ecg_signal, sampling_rate=1000)

# 分析 ECG 数据（事件相关或间隔相关）
analysis = nk.ecg_analyze(signals, sampling_rate=1000)

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

2. 心变异性分析

从心脏信号计算全面的 HRV 指标。详见 references/hrv.md 获取所有指数和域特定分析。

支持域：

  • 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、分形维度
  • 专项：呼吸性窦性心律失常(RSA)、递归量化分析(RQA)

关键函数：

# 一次性获取所有 HRV 指数
hrv_indices = nk.hrv(peaks, sampling_rate=1000)

# 域特定分析
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，用于频率功率、复杂度和微状态模式。详见 references/eeg.md 获取详细工作流程和 MNE 集成。

主要能力：

  • 频率带功率分析（Delta、Theta、Alpha、Beta、Gamma）
  • 通道质量评估和重参考
  • 源定位（sLORETA、MNE）
  • 微状态分割和过渡动力学
  • 全局场功率和差异测量

关键函数：

# 跨频率带的功率分析
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. 皮肤电活动 (EDA)

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

主要工作流程：

  • 信号分解为张力性和相性组件
  • 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：

# 完整的 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。

主要能力：

  • 呼吸率计算和变异性分析
  • 呼吸振幅和对称性评估
  • 每时间呼吸体积（fMRI 应用）
  • 呼吸振幅变异性(RAV)

关键函数：

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

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

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

6. 肌电图 (EMG)

处理肌肉活动信号，用于激活检测和振幅分析。详见 references/emg.md 获取工作流程。

关键函数：

# 完整的 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)

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

关键函数：

# 完整的 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 获取全面工具。

关键操作：

  • 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
  • 自相关和同步性分析

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. 复杂度和熵分析

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

可用测量：

  • 熵：香农熵、近似熵、样本熵、排列熵、谱熵、模糊熵、多尺度熵
  • 分形维度：Katz、Higuchi、Petrosian、Sevcik、相关维度
  • 非线性动力学：Lyapunov 指数、Lempel-Ziv 复杂度、递归量化
  • DFA：去趋势波动分析、多重分形 DFA
  • 信息理论：Fisher 信息、互信息

关键函数：

# 一次性获取多个复杂度指标
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

围绕刺激事件创建时期，并分析生理反应。详见 references/epochs_events.md 获取工作流程。

主要能力：

  • 从事件标记创建时期
  • 事件相关平均和可视化
  • 基线校正选项
  • 带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)

# 围绕事件创建时期
epochs = nk.epochs_create(signals, events, sampling_rate=1000,
                          epochs_start=-0.5, epochs_end=2.0)

# 跨时期平均
grand_average = nk.epochs_average(epochs)

11. 多信号集成

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

关键函数：

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

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

分析模式

NeuroKit2 自动根据数据时长选择两种分析模式：

事件相关分析（< 10 秒）：

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

间隔相关分析（≥ 10 秒）：

  • 表征扩展时期的生理模式
  • 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

pip install neurokit2

开发版本：

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)

# 创建时期
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)

参考文献

此技能包括按信号类型和分析方法组织的全面参考文档：

  • ecg_cardiac.md：ECG/PPG 处理、R 峰检测、描绘、质量评估
  • hrv.md：所有域的心变异性指数
  • eeg.md：EEG 分析、频率带、微状态、源定位
  • eda.md：皮肤电活动处理和 SCR 分析
  • rsp.md：呼吸信号处理和变异性
  • ppg.md：光电容积脉搏波信号分析
  • 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：通用信号工具和变换
  • complexity.md：熵、分形和非线性测量
  • epochs_events.md：事件相关分析和时期创建
  • bio_module.md：多信号集成工作流程

使用 Read 工具按需加载特定参考文件，以访问详细函数文档和参数。

额外资源