🧠

neurokit2

Name: neurokit2
Author: K-Dense-AI

Sûr ⚙️ Commandes externes🌐 Accès réseau

Traiter les biosignaux avec NeuroKit2

Également disponible depuis: davila7

Analyser les signaux physiologiques y compris l'ECG, l'EEG, l'EDA et l'EMG pour la recherche et les applications cliniques. NeuroKit2 fournit un toolkit Python unifié pour traiter les données cardiovasculaires, neurales et du système nerveux autonome, avec des outils complets de visualisation et d'analyse.

Prend en charge: Claude Codex Code(CC)

📊 71 Adéquat

Télécharger le ZIP du skill

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

Activez et commencez à utiliser

Tester

Utilisation de "neurokit2". Process this ECG signal to extract HRV metrics

Résultat attendu:

R-peaks detected at consistent intervals with average heart rate of 68 BPM
Time-domain HRV: SDNN=45ms, RMSSD=32ms, pNN20=18%
Frequency-domain HRV: VLF=320ms², LF=410ms², HF=280ms², LF/HF ratio=1.46
Signal quality assessment: Good - minimal artifact contamination

Utilisation de "neurokit2". Analyze EEG data for cognitive experiment

Résultat attendu:

Alpha power dominant in posterior electrodes (8-12 Hz)
Theta power increased in frontal regions during task performance
Event-related potential: N200 component visible at 280ms post-stimulus
Microstate segmentation: 4 dominant microstates identified

Audit de sécurité

Sûr

v4 • 1/17/2026

This 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.

Fichiers analysés

11,744

Lignes analysées

résultats

Total des audits

Facteurs de risque

⚙️ Commandes externes (1054)

🌐 Accès réseau (5)

skill-report.json:6 SKILL.md:279 SKILL.md:351 SKILL.md:352 SKILL.md:353

Audité par: claude Voir l’historique des audits →

Score de qualité

Architecture

100

Maintenabilité

Contenu

Communauté

100

Sécurité

Conformité aux spécifications

Ce que vous pouvez construire

Recherche cognitive EEG

Analyser les patterns d'activité cérébrale pour les études cognitives, examiner les bandes de fréquence et les réponses évoquées.

Évaluation de la santé cardiaque

Traiter les signaux ECG pour extraire les métriques de variabilité de la fréquence cardiaque pour l'évaluation du système nerveux autonome.

Mesure de la réponse au stress

Combiner l'analyse EDA et ECG pour évaluer l'activation sympathique pendant les tâches psychologiques.

Essayez ces prompts

Analyse ECG de base

Use NeuroKit2 to process this ECG signal. Detect R-peaks, calculate heart rate, and provide HRV analysis including time and frequency domain metrics.

Biosignal multimodal

Process both ECG and EDA signals together. Clean the signals, extract relevant features, and provide a combined analysis of cardiac and electrodermal activity.

Analyse spectrale EEG

Analyze this EEG data for power in delta, theta, alpha, beta, and gamma frequency bands. Report relative power distribution across channels.

Évaluation de la complexité

Compute complexity measures for this physiological signal. Include approximate entropy, sample entropy, and fractal dimension (DFA) analysis.

Bonnes pratiques

Toujours spécifier le paramètre sampling_rate correct pour des calculs précis dans le domaine temporel
Utiliser le mode d'analyse liée aux événements pour les expériences de moins de 10 secondes, liée à l'intervalle pour les enregistrements plus longs
Appliquer l'évaluation de la qualité du signal avant l'analyse pour identifier et gérer les artefacts

Éviter

Ne pas analyser les signaux sans connaître le taux d'échantillonnage - les résultats seront dénués de sens
Éviter de mélanger des signaux avec des taux d'échantillonnage différents dans bio_process() sans ré-échantillonnage
Ne pas se fier uniquement à la détection automatisée des pics sans inspection visuelle des résultats

Foire aux questions

Quels signaux NeuroKit2 prend-il en charge ?

NeuroKit2 prend en charge les signaux ECG, EEG, EDA, EMG, EOG, PPG et respiratoires pour une analyse physiologique complète.

Comment installer NeuroKit2 ?

Utilisez uv pip install neurokit2 ou pip install neurokit2. La bibliothèque est disponible sur PyPI.

Quelle est la différence entre l'analyse liée aux événements et celle liée à l'intervalle ?

L'analyse liée aux événements traite les courts enregistrements (<10s) autour des stimuli. L'analyse liée à l'intervalle gère les enregistrements continus plus longs pour la caractérisation des patterns.

Puis-je traiter plusieurs signaux ensemble ?

Oui, bio_process() gère simultanément l'ECG, RSP, EDA, EMG, PPG et EOG pour une analyse intégrée multimodale.

NeuroKit2 gère-t-il la suppression des artefacts ?

Le nettoyage de base du signal est inclus pour l'amélioration de la qualité. Les artefacts sévères peuvent nécessiser des outils de pré-traitement spécialisés.

Quelles capacités de visualisation sont disponibles ?

Les fonctions de visualisation intégrées pour l'ECG, l'EEG, l'EDA et autres signaux incluent la visualisation du signal, les résultats de détection de pics et les affichages de moyenne d'époques.