| name | scientific-biosignal-processing |
| description | 生体信号処理スキル。ECG（R波検出・HRV時間/周波数ドメイン・Poincaréプロット）、
EEG（マルチチャネル・バンドパワーδ/θ/α/β/γ・スペクトログラム・ERP）、
EMG（バースト検出・包絡線）、呼吸信号（RSA）の解析パイプライン。
Scientific Skills Exp-08 で確立したパターン。
|
| tu_tools | [{"key":"biotools","name":"bio.tools","description":"生体信号処理ツール検索"}] |
Scientific Biosignal Processing
心電図（ECG）、脳波（EEG）、筋電図（EMG）、呼吸信号などの生体信号を対象とした
前処理・特徴量抽出・可視化パイプライン。spectral-signal スキルが分光データ
（ラマン・IR・UV-Vis）を対象とするのに対し、本スキルは時間軸上の生理学データに特化する。
When to Use
- ECG の R 波検出・HRV 解析が必要なとき
- EEG のバンドパワー抽出・ERP 解析が必要なとき
- EMG のバースト検出・onset 解析が必要なとき
- 生体信号のマルチチャネルデータを扱うとき
Quick Start
1. ECG 解析パイプライン
1.1 PQRST 合成（テストデータ用）
import numpy as np
from scipy.signal import butter, filtfilt, find_peaks
def synthesize_ecg(duration_s=10, fs=500, heart_rate_bpm=72, noise_level=0.05):
"""テスト用合成 ECG 信号を生成する。"""
t = np.arange(0, duration_s, 1/fs)
beat_interval = 60 / heart_rate_bpm
ecg = np.zeros_like(t)
beat_times = np.arange(0, duration_s, beat_interval)
for bt in beat_times:
ecg += 0.15 * np.exp(-((t - bt + 0.16)**2) / (2 * 0.01**2))
ecg += -0.10 * np.exp(-((t - bt + 0.04)**2) / (2 * 0.005**2))
ecg += 1.00 * np.exp(-((t - bt)**2) / (2 * 0.008**2))
ecg += -0.15 * np.exp(-((t - bt - 0.04)**2) / (2 * 0.005**2))
ecg += 0.30 * np.exp(-((t - bt - 0.20)**2) / (2 * 0.03**2))
ecg += noise_level * np.random.randn(len(t))
return t, ecg
1.2 R 波検出
def detect_r_peaks(ecg, fs, min_distance_ms=300):
"""ECG からR波を検出し、RR間隔を算出する。"""
min_distance = int(min_distance_ms * fs / 1000)
height_threshold = np.mean(ecg) + 0.6 * np.std(ecg)
r_peaks, properties = find_peaks(ecg, height=height_threshold,
distance=min_distance)
rr_intervals_ms = np.diff(r_peaks) / fs * 1000
return r_peaks, rr_intervals_ms
1.3 HRV 時間ドメイン解析
def hrv_time_domain(rr_intervals_ms):
"""
HRV 時間ドメイン指標を算出する。
Returns:
dict with keys: mean_rr, sdnn, rmssd, pnn50, mean_hr
"""
rr = np.array(rr_intervals_ms)
diff_rr = np.diff(rr)
return {
"mean_rr_ms": np.mean(rr),
"sdnn_ms": np.std(rr, ddof=1),
"rmssd_ms": np.sqrt(np.mean(diff_rr**2)),
"pnn50_pct": np.sum(np.abs(diff_rr) > 50) / len(diff_rr) * 100,
"mean_hr_bpm": 60000 / np.mean(rr),
"cv_rr": np.std(rr, ddof=1) / np.mean(rr) * 100,
}
1.4 HRV 周波数ドメイン解析
from scipy.signal import welch
def hrv_frequency_domain(rr_intervals_ms, fs_interp=4):
"""
HRV 周波数ドメイン指標を算出する。
バンド定義:
VLF: 0.003 - 0.04 Hz
LF: 0.04 - 0.15 Hz
HF: 0.15 - 0.40 Hz
Returns:
dict with vlf_power, lf_power, hf_power, lf_hf_ratio, total_power
"""
from scipy.interpolate import interp1d
rr_s = np.array(rr_intervals_ms) / 1000
cum_time = np.cumsum(rr_s)
cum_time -= cum_time[0]
t_interp = np.arange(0, cum_time[-1], 1/fs_interp)
f_interp = interp1d(cum_time, rr_s, kind="cubic", fill_value="extrapolate")
rr_resampled = f_interp(t_interp)
rr_resampled -= np.mean(rr_resampled)
freqs, psd = welch(rr_resampled, fs=fs_interp, nperseg=min(256, len(rr_resampled)))
vlf_mask = (freqs >= 0.003) & (freqs < 0.04)
lf_mask = (freqs >= 0.04) & (freqs < 0.15)
hf_mask = (freqs >= 0.15) & (freqs < 0.40)
vlf = np.trapz(psd[vlf_mask], freqs[vlf_mask])
lf = np.trapz(psd[lf_mask], freqs[lf_mask])
hf = np.trapz(psd[hf_mask], freqs[hf_mask])
return {
"vlf_power_ms2": vlf * 1e6,
"lf_power_ms2": lf * 1e6,
"hf_power_ms2": hf * 1e6,
"lf_hf_ratio": lf / (hf + 1e-10),
"total_power_ms2": (vlf + lf + hf) * 1e6,
}
1.5 Poincaré プロット
import matplotlib.pyplot as plt
def poincare_plot(rr_intervals_ms, figsize=(8, 8)):
"""
Poincaré プロット (RR_n vs RR_n+1) を描画する。
SD1: 短期変動（副交感指標）
SD2: 長期変動（交感+副交感）
"""
rr = np.array(rr_intervals_ms)
rr_n = rr[:-1]
rr_n1 = rr[1:]
diff = rr_n1 - rr_n
sd1 = np.std(diff / np.sqrt(2), ddof=1)
sd2 = np.std((rr_n + rr_n1) / np.sqrt(2), ddof=1)
fig, ax = plt.subplots(figsize=figsize)
ax.scatter(rr_n, rr_n1, c="steelblue", alpha=0.5, s=15)
ax.plot([rr.min(), rr.max()], [rr.min(), rr.max()], "k--", alpha=0.3)
from matplotlib.patches import Ellipse
center = (np.mean(rr_n), np.mean(rr_n1))
ellipse = Ellipse(center, width=2*sd2, height=2*sd1, angle=45,
fill=False, color="red", linewidth=2)
ax.add_patch(ellipse)
ax.set_xlabel("RR_n (ms)")
ax.set_ylabel("RR_{n+1} (ms)")
ax.set_title(f"Poincaré Plot (SD1={sd1:.1f}, SD2={sd2:.1f})",
fontweight="bold")
ax.set_aspect("equal")
plt.tight_layout()
plt.savefig("figures/poincare_plot.png", dpi=, bbox_inches=)
plt.close()
{: sd1, : sd2, : sd1/sd2}
2. EEG 解析パイプライン
2.1 バンドパワー抽出
EEG_BANDS = {
"delta": (0.5, 4),
"theta": (4, 8),
"alpha": (8, 13),
"beta": (13, 30),
"gamma": (30, 50),
}
def extract_band_power(eeg, fs, bands=None):
"""
EEG 信号から各周波数バンドの相対パワーを抽出する。
"""
if bands is None:
bands = EEG_BANDS
freqs, psd = welch(eeg, fs=fs, nperseg=min(fs*2, len(eeg)))
total_power = np.trapz(psd, freqs)
band_powers = {}
for band_name, (low, high) in bands.items():
mask = (freqs >= low) & (freqs < high)
power = np.trapz(psd[mask], freqs[mask])
band_powers[f"{band_name}_abs"] = power
band_powers[f"{band_name}_rel"] = power / total_power * 100
return band_powers
2.2 スペクトログラム
from scipy.signal import spectrogram
def plot_spectrogram(eeg, fs, channel_name="EEG", max_freq=50, figsize=(12, 4)):
"""EEG のスペクトログラム（時間-周波数表現）を描画する。"""
nperseg = min(fs * 2, len(eeg))
f, t, Sxx = spectrogram(eeg, fs=fs, nperseg=nperseg,
noverlap=nperseg//2)
freq_mask = f <= max_freq
fig, ax = plt.subplots(figsize=figsize)
im = ax.pcolormesh(t, f[freq_mask], 10 * np.log10(Sxx[freq_mask] + 1e-10),
shading="gouraud", cmap="viridis")
ax.set_ylabel("Frequency (Hz)")
ax.set_xlabel("Time (s)")
ax.set_title(f"Spectrogram — {channel_name}", fontweight="bold")
plt.colorbar(im, ax=ax, label="Power (dB)")
plt.tight_layout()
plt.savefig(f"figures/spectrogram_{channel_name}.png", dpi=300,
bbox_inches="tight")
plt.close()
2.3 ERP (Event-Related Potential)
def compute_erp(eeg, fs, event_times_s, window_s=(-0.2, 0.8)):
"""
イベント関連電位（ERP）を計算する。
Parameters:
eeg: 1D EEG signal
fs: サンプリング周波数
event_times_s: イベント時刻のリスト (秒)
window_s: (pre, post) 窓 (秒)
Returns:
erp_mean: 平均 ERP, erp_sem: 標準誤差, t_axis: 時間軸
"""
pre_samples = int(abs(window_s[0]) * fs)
post_samples = int(window_s[1] * fs)
total = pre_samples + post_samples
epochs = []
for evt in event_times_s:
idx = int(evt * fs)
start = idx - pre_samples
end = idx + post_samples
if start >= 0 and end <= len(eeg):
epoch = eeg[start:end]
epoch = epoch - np.mean(epoch[:pre_samples])
epochs.append(epoch)
epochs = np.array(epochs)
t_axis = np.linspace(window_s[0], window_s[1], total)
erp_mean = np.mean(epochs, axis=0)
erp_sem = np.std(epochs, axis=0) / np.sqrt(len(epochs))
return erp_mean, erp_sem, t_axis
def detect_erp_components(erp, t_axis, components=None):
"""ERP コンポーネント（N100, P300 など）のピークを検出する。"""
if components is None:
components = {
"N100": {"window": (0.08, 0.15), "polarity": "negative"},
"P200": {: (, ), : },
: {: (, ), : },
}
results = {}
name, spec components.items():
mask = (t_axis >= spec[][]) & (t_axis <= spec[][])
segment = erp[mask]
t_seg = t_axis[mask]
spec[] == :
idx = np.argmin(segment)
:
idx = np.argmax(segment)
results[name] = {
: t_seg[idx] * ,
: segment[idx],
}
results
3. EMG 解析
def emg_envelope(emg, fs, cutoff=10):
"""EMG の包絡線（Hilbert 変換 + ローパスフィルタ）を算出する。"""
from scipy.signal import hilbert
analytic = hilbert(emg)
envelope = np.abs(analytic)
b, a = butter(4, cutoff / (fs / 2), btype="low")
envelope_smooth = filtfilt(b, a, envelope)
return envelope_smooth
def detect_muscle_bursts(envelope, fs, threshold_factor=2.0,
min_duration_ms=50):
"""EMG バースト（筋活動開始）を検出する。"""
threshold = np.mean(envelope) + threshold_factor * np.std(envelope)
active = envelope > threshold
min_samples = int(min_duration_ms * fs / 1000)
bursts = []
in_burst = False
start = 0
for i, val in enumerate(active):
if val and not in_burst:
start = i
in_burst = True
elif not val and in_burst:
duration = i - start
if duration >= min_samples:
bursts.append({
"onset_s": start / fs,
"offset_s": i / fs,
"duration_ms": duration / fs * 1000,
"peak_amplitude": np.max(envelope[start:i]),
})
in_burst = False
return bursts
ToolUniverse 連携
| TU Key | ツール名 | 連携内容 |
|---|
biotools | bio.tools | 生体信号処理ツール検索 |
References
- Exp-08: ECG R波検出・HRV・Poincaré、EEG バンドパワー・スペクトログラム・ERP、EMG バースト
