Skip to main content
scientific-spectral-signal 分光スペクトルおよび生体信号の前処理・解析スキル。ベースライン補正、フィルタリング、
ピーク検出、帯域パワー解析を行う際に使用。
Scientific Skills Exp-08（ECG/EEG）、Exp-11（ラマン分光）で確立したパターン。
Jump to install Skills Marketplace Discover and explore AI skills built by the community.
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Show prompt details A direct command skips the review prompt. Inspect the source before running it.
npx skills add https://github.com/nahisaho/satori --skill scientific-spectral-signalThe command stays on one line. Scroll horizontally to inspect it before copying.
Prefer a local copy? Download the files currently available to SkillsMP.
Download Zip Downloading... More from this repository Related occupations SOC
Based on SOC occupation classification
name scientific-spectral-signal description 分光スペクトルおよび生体信号の前処理・解析スキル。ベースライン補正、フィルタリング、
ピーク検出、帯域パワー解析を行う際に使用。
Scientific Skills Exp-08（ECG/EEG）、Exp-11（ラマン分光）で確立したパターン。
tu_tools [{"key":"biotools","name":"bio.tools","description":"スペクトル信号処理ツール検索"}]
Scientific Spectral & Signal Processing
分光スペクトル（ラマン、IR、UV-Vis など）および生体信号（ECG, EEG）の
前処理・解析パイプラインスキル。ノイズ除去、ベースライン補正、ピーク検出、
周波数解析の標準ワークフローを提供する。
When to Use
スペクトルデータの前処理（ベースライン補正、平滑化、正規化）
時系列信号のフィルタリング（バンドパス、ノッチ）
ピーク検出と定量化
周波数帯域パワー解析（EEG δ/θ/α/β/γ）
スペクトル類似度解析と分類
Quick Start
スペクトル前処理パイプライン
1. ALS ベースライン補正（Exp-11）
import numpy as np
from scipy import sparse
from scipy.sparse.linalg import spsolve
def baseline_correction_als (y, lam=1e5 , p=0.01 , niter=10 ):
"""
Asymmetric Least Squares (ALS) によるベースライン推定。
蛍光バックグラウンドの除去に使用。
lam: 平滑化パラメータ（大きいほど滑らか）
p: 非対称性パラメータ（小さいほどベースライン追従が強い）
"""
L = len (y)
D = sparse.diags([1 , -2 , 1 ], [0 , -1
2
2
for
in
range
1
return
def
remove_baseline
spectrum, wavenumbers, lam=1e5 , p=0.01
"""ベースライン補正済みスペクトルを返す。"""
return
2. Savitzky-Golay 平滑化 from scipy.signal import savgol_filter
def smooth_spectrum (spectrum, window_length=11 , polyorder=3 ):
"""Savitzky-Golay フィルタでスペクトルを平滑化する。"""
return savgol_filter(spectrum, window_length=window_length, polyorder=polyorder)
3. 正規化 def normalize_spectrum (spectrum, method="minmax" ):
"""
スペクトルを正規化する。
method: 'minmax', 'snv' (Standard Normal Variate), 'area'
"""
if method == "minmax" :
return (spectrum - spectrum.min ()) / (spectrum.max () - spectrum.min () + 1e-10 )
elif method == "snv" :
return (spectrum - spectrum.mean()) / (spectrum.std() + 1e-10 )
elif method == "area" :
return spectrum / (np.trapz(np.abs (spectrum)) + 1e-10 )
else :
raise ValueError(f"Unknown method: {method} " )
4. ピーク検出 from scipy.signal import find_peaks
def detect_peaks (spectrum, wavenumbers=None , height=None ,
prominence=0.05 , distance=10 , width=None ):
"""
スペクトル中のピークを検出する。
返値: ピーク位置インデックス、ピーク属性辞書
"""
peaks, properties = find_peaks(
spectrum, height=height, prominence=prominence,
distance=distance, width=width
)
if wavenumbers is not None :
peak_positions = wavenumbers[peaks]
else :
peak_positions = peaks
return peaks, peak_positions, properties
生体信号処理パイプライン
5. バンドパス/ノッチフィルタ（Exp-08） from scipy.signal import butter, sosfilt, iirnotch
def bandpass_filter (signal, fs, lowcut, highcut, order=4 ):
"""Butterworth バンドパスフィルタ。"""
nyq = 0.5 * fs
sos = butter(order, [lowcut / nyq, highcut / nyq], btype="band" , output="sos" )
return sosfilt(sos, signal)
def notch_filter (signal, fs, freq=50.0 , Q=30.0 ):
"""商用電源ノイズ除去用ノッチフィルタ（50/60 Hz）。"""
b, a = iirnotch(freq, Q, fs)
from scipy.signal import filtfilt
return filtfilt(b, a, signal)
6. 周波数帯域パワー解析（EEG） from scipy.signal import welch
EEG_BANDS = {
"delta" : (0.5 , 4 ),
"theta" : (4 , 8 ),
"alpha" : (8 , 13 ),
"beta" : (13 , 30 ),
"gamma" : (30 , 100 ),
}
def band_power (signal, fs, band, method="welch" ):
"""指定周波数帯域のパワーを算出する。"""
freqs, psd = welch(signal, fs=fs, nperseg=min (len (signal), 256 ))
low, high = band
idx = np.logical_and(freqs >= low, freqs <= high)
return np.trapz(psd[idx], freqs[idx])
def eeg_band_powers (signal, fs, bands=None ):
"""EEG の全帯域パワーを一括計算する。"""
if bands is None :
bands = EEG_BANDS
powers = {}
for name, (low, high) in bands.items():
powers[name] = band_power(signal, fs, (low, high))
total = sum (powers.values())
relative = {k: v / total for k, v in powers.items()}
return powers, relative
7. R 波検出 & HRV 解析（ECG） def detect_r_peaks (ecg_signal, fs, height_factor=0.5 , distance_ms=300 ):
"""ECG 信号から R 波を検出する。"""
min_distance = int (distance_ms * fs / 1000 )
threshold = height_factor * np.max (ecg_signal)
peaks, _ = find_peaks(ecg_signal, height=threshold, distance=min_distance)
return peaks
def hrv_analysis (r_peaks, fs ):
"""R-R 間隔から HRV 指標を算出する。"""
rr_intervals = np.diff(r_peaks) / fs * 1000
return {
"mean_RR" : np.mean(rr_intervals),
"SDNN" : np.std(rr_intervals, ddof=1 ),
"RMSSD" : np.sqrt(np.mean(np.diff(rr_intervals) ** 2 )),
"pNN50" : np.sum (np.abs (np.diff(rr_intervals)) > 50 ) / len (rr_intervals) * 100 ,
"mean_HR" : 60000 / np.mean(rr_intervals),
}
8. スペクトル類似度解析（Exp-11） from scipy.spatial.distance import cosine
from scipy.cluster.hierarchy import linkage, dendrogram
from scipy.spatial.distance import squareform
def spectral_similarity_matrix (spectra_dict, method="cosine" ):
"""
スペクトル間の類似度行列を算出する。
spectra_dict: {name: spectrum_array}
"""
names = list (spectra_dict.keys())
n = len (names)
sim_matrix = np.zeros((n, n))
for i in range (n):
for j in range (n):
if method == "cosine" :
sim_matrix[i, j] = 1 - cosine(spectra_dict[names[i]],
spectra_dict[names[j]])
elif method == "pearson" :
sim_matrix[i, j] = np.corrcoef(spectra_dict[names[i]],
spectra_dict[names[j]])[0 , 1 ]
return pd.DataFrame(sim_matrix, index=names, columns=names)
ToolUniverse 連携 TU Key ツール名 連携内容 biotoolsbio.tools スペクトル信号処理ツール検索
References
Output Files ファイル 形式 results/peak_detection_results.csvCSV results/hrv_metrics.csvCSV results/spectral_similarity.csvCSV figures/spectrum_processed.pngPNG figures/peak_detection.pngPNG figures/eeg_band_powers.pngPNG
参照実験
Exp-08 : ECG/EEG 生体信号処理（フィルタ、R 波検出、HRV、帯域パワー）Exp-11 : ラマン分光（ALS ベースライン、ピーク検出、類似度行列、クラスタリング） 