neurokit2
Biosignale mit NeuroKit2 verarbeiten
Auch verfügbar von: davila7
Analysieren Sie physiologische Signale einschließlich ECG, EEG, EDA und EMG für Forschungs- und klinische Anwendungen. NeuroKit2 bietet ein einheitliches Python-Toolkit zur Verarbeitung von kardiovaskulären, neuronalen und autonomen Nervensystemdaten mit umfassenden Visualisierungs- und Analysetools.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "neurokit2". Verarbeiten Sie dieses ECG-Signal, um HRV-Metriken zu extrahieren
Erwartetes Ergebnis:
- R-Peaks in konsistenten Intervallen mit einer durchschnittlichen Herzfrequenz von 68 BPM erkannt
- Zeitbereichs-HRV: SDNN=45ms, RMSSD=32ms, pNN20=18%
- Frequenzbereichs-HRV: VLF=320ms², LF=410ms², HF=280ms², LF/HF-Verhältnis=1,46
- Signalqualitätsbewertung: Gut – minimale Artefaktkontamination
Verwendung von "neurokit2". Analysieren Sie EEG-Daten für kognitive Experimente
Erwartetes Ergebnis:
- Alpha-Leistung dominant in posterioren Elektroden (8-12 Hz)
- Theta-Leistung während der Aufgabendurchführung in frontalen Regionen erhöht
- Ereigniskorreliertes Potential: N200-Komponente bei 280ms nach Stimulus sichtbar
- Mikrozustandssegmentierung: 4 dominante Mikrozustände identifiziert
Sicherheitsaudit
SicherThis skill contains documentation for the NeuroKit2 Python library including code examples and API references. All 1152 static findings are false positives triggered by markdown documentation patterns: Python code blocks flagged as shell commands, academic DOIs flagged as cryptographic algorithms, and scientific terminology flagged as C2 indicators. No actual security risks exist - this is legitimate scientific documentation.
Risikofaktoren
⚙️ Externe Befehle (1054)
🌐 Netzwerkzugriff (5)
Qualitätsbewertung
Was du bauen kannst
EEG-Kognitionsforschung
Analysieren Sie Hirnaktivitätsmuster für kognitive Studien, untersuchen Sie Frequenzbänder und ereigniskorrelierte Reaktionen.
Herzgesundheitsbewertung
Verarbeiten Sie ECG-Signale, um Herzfrequenzvariabilitätsmetriken für die Bewertung des autonomen Nervensystems zu extrahieren.
Stressreaktionsmessung
Kombinieren Sie EDA- und ECG-Analyse, um die sympathische Aktivierung während psychologischer Aufgaben zu bewerten.
Probiere diese Prompts
Verarbeiten Sie dieses ECG-Signal mit NeuroKit2. Erkennen Sie R-Peaks, berechnen Sie die Herzfrequenz und liefern Sie eine HRV-Analyse einschließlich Zeit- und Frequenzbereichsmetriken.
Verarbeiten Sie sowohl ECG- als auch EDA-Signale gemeinsam. Bereinigen Sie die Signale, extrahieren Sie relevante Merkmale und liefern Sie eine kombinierte Analyse der kardialen und elektrodermalen Aktivität.
Analysieren Sie diese EEG-Daten auf Leistung in Delta-, Theta-, Alpha-, Beta- und Gamma-Frequenzbändern. Berichten Sie die relative Leistungsverteilung über die Kanäle.
Berechnen Sie Komplexitätsmaße für dieses physiologische Signal. Fügen Sie approximative Entropie, Stichprobenentropie und Fraktaldimensionen (DFA) ein.
Bewährte Verfahren
- Geben Sie immer den korrekten sampling_rate-Parameter für genaue Zeitbereichsberechnungen an
- Verwenden Sie den ereignisbezogenen Analysemodus für Experimente unter 10 Sekunden, den intervallbezogenen für längere Aufnahmen
- Wenden Sie eine Signalqualitätsbewertung vor der Analyse an, um Artefakte zu identifizieren und zu behandeln
Vermeiden
- Analysieren Sie keine Signale ohne Kenntnis der Abtastrate – die Ergebnisse werden bedeutungslos sein
- Vermeiden Sie es, Signale mit unterschiedlichen Abtastraten in bio_process() ohne Resampling zu mischen
- Verlassen Sie sich nicht ausschließlich auf automatisierte Peak-Erkennung ohne visuelle Inspektion der Ergebnisse
Häufig gestellte Fragen
Welche Signale unterstützt NeuroKit2?
Wie installiere ich NeuroKit2?
Was ist der Unterschied zwischen ereignisbezogener und intervallbezogener Analyse?
Kann ich mehrere Signale gemeinsam verarbeiten?
Behandelt NeuroKit2 Artefaktentfernung?
Welche Visualisierungsmöglichkeiten sind verfügbar?
Entwicklerdetails
Autor
K-Dense-AILizenz
MIT license
Repository
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/neurokit2Ref
main