neurokit2

NeuroKit2 - Python 生理信号处理工具包

技能概述

NeuroKit2 是一个功能强大的 Python 工具包，专门用于处理和分析各种生理信号（生物信号），包括心电 ECG、脑电 EEG、皮电 EDA、呼吸 RSP、肌电 EMG、眼电 EOG 等多种信号类型。它适用于心理生理学研究、临床应用和人机交互研究。

适用场景

1. 心血管信号分析

处理心电图（ECG）和光电容积脉搏波（PPG）信号，进行 R 峰检测、心率变异性（HRV）分析。支持时域、频域和非线性域的 HRV 指标计算，适用于心脏健康评估、压力研究和自主神经系统功能分析。

2. 脑电信号处理

分析脑电图（EEG）信号的频段功率（Delta、Theta、Alpha、Beta、Gamma）、微状态分割和源定位。支持与 MNE-Python 集成，适用于认知神经科学、睡眠研究和事件相关电位分析。

3. 多模态生理信号整合

同时处理多种生理信号（ECG + EEG + EDA + RSP + EMG），进行统一的信号分析。适用于复杂心理生理实验、情绪识别研究和人机交互中的多通道生理监测。

核心功能

1. 心率变异性（HRV）全面分析

提供时域（SDNN、RMSSD、pNN50）、频域（LF、HF、VLF 功率谱）和非线性（Poincaré 图、熵、分形维数）指标计算。支持呼吸性窦性心律不齐（RSA）分析，是评估自主神经平衡和心血管健康的权威工具。

2. 信号处理与分析管道

为每种信号类型提供完整的处理管道：信号清洗 → 特征检测（如 R 峰、SCR） → 信号 delineation → 质量评估。支持滤波、峰值检测、信号分解（EMD、小波）等通用信号处理操作。

3. 事件相关分析与复杂度计算

创建刺激锁定的 epoch 进行事件相关平均分析，支持基线校正。提供丰富的复杂度指标，包括多种熵度量、分形维数、李雅普诺夫指数和去趋势波动分析（DFA），适用于非线性动力学研究。

常见问题

NeuroKit2 支持哪些生理信号类型？

NeuroKit2 支持心电（ECG）、脑电（EEG）、皮电（EDA/GSR）、呼吸（RSP）、肌电（EMG）、眼电（EOG）和光电容积脉搏波（PPG）等 7 种主要生理信号。每种信号都有完整的处理管道（*_process）和分析函数（*_analyze），还支持多信号同步处理（bio_process）。

如何用 NeuroKit2 计算 HRV？

使用 nk.hrv() 函数可以从 ECG R 峰位置计算全面的 HRV 指标：hrv = nk.hrv(peaks, sampling_rate=1000)。该函数会自动计算时域（SDNN、RMSSD）、频域（LF/HF 比值）和非线性（SD1/SD2）指标。如需特定域的分析，可使用 nk.hrv_time()、nk.hrv_frequency() 或 nk.hrv_nonlinear()。

NeuroKit2 适合什么编程水平？

NeuroKit2 设计友好，既适合初学者快速上手（使用 *_process 高级函数），也适合高级研究者自定义分析流程。基础的生理信号处理只需要几行代码，例如 signals, info = nk.ecg_process(ecg_signal, sampling_rate=1000) 即可完成完整的 ECG 分析。Python 基础知识（NumPy、Pandas）即可开始使用。