neurokit2
Processar biossinais com NeuroKit2
Também disponível em: davila7
Analisar sinais fisiológicos incluindo ECG, EEG, EDA e EMG para aplicações de pesquisa e clínicas. NeuroKit2 oferece um toolkit Python unificado para processar dados do sistema cardiovascular, neural e nervoso autônomo com ferramentas abrangentes de visualização e análise.
Baixar o ZIP da skill
Upload no Claude
Vá em Configurações → Capacidades → Skills → Upload skill
Ative e comece a usar
Testar
A utilizar "neurokit2". Processar este sinal ECG para extrair métricas de VFC
Resultado esperado:
- Picos R detectados em intervalos consistentes com frequência cardíaca média de 68 BPM
- VFC no domínio temporal: SDNN=45ms, RMSSD=32ms, pNN20=18%
- VFC no domínio de frequência: VLF=320ms², LF=410ms², HF=280ms², razão LF/HF=1,46
- Avaliação de qualidade do sinal: Boa - contaminação mínima por artefatos
A utilizar "neurokit2". Analisar dados EEG para experimento cognitivo
Resultado esperado:
- Potência alfa dominante em eletrodos posteriores (8-12 Hz)
- Potência teta aumentada em regiões frontais durante execução da tarefa
- Potencial relacionado a evento: componente N200 visível em 280ms pós-estimulação
- Segmentação de microestados: 4 microestados dominantes identificados
Auditoria de Segurança
SeguroThis 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.
Fatores de risco
⚙️ Comandos externos (1054)
🌐 Acesso à rede (5)
Pontuação de qualidade
O Que Você Pode Construir
Pesquisa cognitiva com EEG
Analisar padrões de atividade cerebral para estudos cognitivos, examinando bandas de frequência e respostas relacionadas a eventos.
Avaliação de saúde cardíaca
Processar sinais ECG para extrair métricas de variabilidade da frequência cardíaca para avaliação do sistema nervoso autônomo.
Medição de resposta ao estresse
Combinar análise de EDA e ECG para avaliar a ativação simpática durante tarefas psicológicas.
Tente Estes Prompts
Use NeuroKit2 para processar este sinal ECG. Detectar picos R, calcular frequência cardíaca e fornecer análise de VFC incluindo métricas de domínio temporal e frequência.
Processar sinais ECG e EDA juntos. Limpar os sinais, extrair recursos relevantes e fornecer uma análise combinada de atividade cardíaca e eletrodérmica.
Analisar este dado EEG para potência nas bandas de frequência delta, teta, alfa, beta e gama. Relatar distribuição de potência relativa entre os canais.
Computar medidas de complexidade para este sinal fisiológico. Incluir entropia aproximada, entropia de amostra e análise de dimensão fractal (DFA).
Melhores Práticas
- Sempre especificar o parâmetro correto sampling_rate para cálculos precisos no domínio temporal
- Usar modo de análise relacionada a eventos para experimentos inferiores a 10 segundos, relacionada a intervalos para gravações mais longas
- Aplicar avaliação de qualidade do sinal antes da análise para identificar e manipular artefatos
Evitar
- Não analisar sinais sem conhecer a taxa de amostragem - os resultados serão sem sentido
- Evitar misturar sinais com diferentes taxas de amostragem em bio_process() sem reamostragem
- Não confiar apenas na detecção automatizada de picos sem inspeção visual dos resultados
Perguntas Frequentes
Quais sinais o NeuroKit2 suporta?
Como instalo o NeuroKit2?
Qual é a diferença entre análise relacionada a eventos e relacionada a intervalos?
Posso processar múltiplos sinais juntos?
O NeuroKit2 manipula remoção de artefatos?
Quais capacidades de visualização estão disponíveis?
Detalhes do Desenvolvedor
Autor
K-Dense-AILicença
MIT license
Repositório
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/neurokit2Referência
main