القائمة
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。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
実験の監査レポート・データ来歴（プロベナンス）生成スキル。 データ変換履歴・使用ツールのバージョン・データ整合性チェックを 含むトレーサビリティレポートを自動生成する。 「監査レポート作成」「データ来歴を記録」「トレーサビリティ」で発火。
派生実験設計スキル。既存の実験をベースに条件を変更した派生実験を 設計する。実験計画法（DOE）に基づくパラメータ探索を支援。 「派生実験を設計して」「条件を変えて実験」「パラメータ探索」で発火。
実験テンプレート生成スキル。研究目的・仮説・手法・実験条件・評価基準・ スケジュールを構造化した実験計画書を自動作成する。 「実験テンプレート作成して」「実験計画を立てて」「実験プロトコルを作成」で発火。
実験結果を論文形式（LaTeX / IMRaD）にエクスポートするスキル。 Introduction・Materials & Methods・Results・Discussion の構造で 出版準備用の原稿を自動生成する。 「論文にして」「LaTeX出力」「出版準備」で発火。
実験結果の査読・レビュースキル。再現性・統計的妥当性・方法論の 健全性を体系的に評価し、構造化されたレビューレポートを生成する。 「レビューして」「査読して」「実験結果を評価して」で発火。
科学技術・学術論文の執筆スキル。IMRaD 標準、Nature/Science 系、ACS 系、IEEE 系、 Elsevier 系のジャーナル形式に対応した論文構成・セクション設計・文章パターンを提供。 「論文を書いて」「Abstract を作成して」「Methods セクションを書いて」で発火。 assets/ に主要ジャーナル形式の Markdown テンプレートを同梱。
| 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"}] |
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。
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:
# P波
ecg += 0.15 * np.exp(-((t - bt + 0.16)**2) / (2 * 0.01**2))
# QRS群
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))
# T波
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
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 # ms
return r_peaks, rr_intervals_ms
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,
}
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]
# 等間隔リサンプリング
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)
# Welch PSD
freqs, psd = welch(rr_resampled, fs=fs_interp, nperseg=min(256, len(rr_resampled)))
# バンドごとのパワー
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,
}
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:]
# SD1, SD2
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)
# 楕円
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=300, bbox_inches="tight")
plt.close()
return {"sd1_ms": sd1, "sd2_ms": sd2, "sd1_sd2_ratio": sd1/sd2}
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
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()
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]) # baseline correction
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": {"window": (0.15, 0.25), "polarity": "positive"},
"P300": {"window": (0.25, 0.50), "polarity": "positive"},
}
results = {}
for name, spec in components.items():
mask = (t_axis >= spec["window"][0]) & (t_axis <= spec["window"][1])
segment = erp[mask]
t_seg = t_axis[mask]
if spec["polarity"] == "negative":
idx = np.argmin(segment)
else:
idx = np.argmax(segment)
results[name] = {
"latency_ms": t_seg[idx] * 1000,
"amplitude_uV": segment[idx],
}
return results
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
| TU Key | ツール名 | 連携内容 |
|---|---|---|
biotools | bio.tools | 生体信号処理ツール検索 |