scientific-neuroscience-electrophysiology

name	scientific-neuroscience-electrophysiology
description	神経科学・電気生理学解析スキル。Neuropixels/マルチ電極アレイの スパイクソーティング (SpikeInterface + Kilosort4)、品質指標 (SNR/ISI 違反率)、 EEG マイクロステート・事象関連電位 (MNE-Python)、ECG HRV 解析、 EDA 皮膚コンダクタンス応答、EMG 筋活動解析 (NeuroKit2)、 脳結合性解析 (機能的/実効的) を統合した神経科学パイプライン。
tu_tools	[{"key":"biotools","name":"bio.tools","description":"電気生理学解析ツール検索"}]

Scientific Neuroscience & Electrophysiology

Neuropixels 高密度電極記録・EEG・ECG・EMG・EDA 等の神経生理信号を対象に、 スパイクソーティング→品質管理→特徴抽出→統計解析の 標準パイプラインを提供する。SpikeInterface + NeuroKit2 + MNE-Python ベース。

When to Use

• Neuropixels/MEA のスパイクソーティングパイプラインが必要なとき
• EEG マイクロステート・事象関連電位 (ERP) 解析を行うとき
• ECG からの心拍変動 (HRV) 解析・自律神経系評価が必要なとき
• EDA (皮膚電気活動) の交感神経応答解析を行うとき
• 脳結合性 (機能的/実効的) の推定が必要なとき

---

Quick Start

1. Neuropixels スパイクソーティング (SpikeInterface)

import numpy as np
import spikeinterface.full as si


def neuropixels_preprocessing(recording_path, probe_type="NP1",
                               output_dir="results/neuroscience"):
    """
    Neuropixels 記録の前処理パイプライン (SpikeInterface)。

    1. SpikeGLX/OpenEphys ファイル読み込み
    2. バンドパスフィルタ (300-6000 Hz)
    3. 位相シフト補正 (ADC multiplexing)
    4. CMR (Common Median Reference) ノイズ除去
    5. ドリフト補正 (Motion correction)
    """
    import os
    os.makedirs(output_dir, exist_ok=True)

    # 記録読み込み
    recording = si.read_spikeglx(recording_path)
    print(f"  Probe: {probe_type}")
    print(f"  Channels: {recording.get_num_channels()}")
    print(f"  Sampling rate: {recording.get_sampling_frequency()} Hz")
    print(f"  Duration: {recording.get_total_duration():.1f} sec")

    # 前処理チェーン
    rec_filt = si.bandpass_filter(recording, freq_min=300, freq_max=6000)
    rec_shift = si.phase_shift(rec_filt)  # ADC 位相補正
    rec_cmr = si.common_reference(rec_shift, reference="global",
                                   operator="median")

    # モーション補正 (非剛体)
    motion_info = si.correct_motion(
        rec_cmr, preset="nonrigid_accurate",
        output_motion_info=True
    )

    print(f"  Preprocessing complete: filter → phase_shift → CMR → motion")

    return rec_cmr


def spike_sorting_kilosort4(recording, output_dir="results/spike_sorting"):
    """
    Kilosort4 によるスパイクソーティング。

    SpikeInterface wrapper を使用。
    """
    import os
    os.makedirs(output_dir, exist_ok=True)

    sorting = si.run_sorter(
        sorter_name="kilosort4",
        recording=recording,
        output_folder=output_dir,
        verbose=True,
    )

    print(f"  Kilosort4 results:")
    print(f"    Units found: {len(sorting.get_unit_ids())}")

    return sorting


def spike_sorting_quality_metrics(sorting, recording,
                                   output_dir="results/spike_sorting"):
    """
    スパイクソーティング品質指標。

    ENCODE/Allen Institute 基準:
    - SNR ≥ 5: 高品質ユニット
    - ISI violation rate < 0.5%: 良好な分離
    - Presence ratio > 0.9: 安定した記録
    - Amplitude cutoff < 0.1
    """
    we = si.extract_waveforms(recording, sorting, folder=f"{output_dir}/waveforms")
    metrics = si.compute_quality_metrics(we)

    # Allen Institute 基準フィルタ
    good_units = metrics[
        (metrics["snr"] >= 5) &
        (metrics["isi_violations_ratio"] < 0.005) &
        (metrics["presence_ratio"] > 0.9) &
        (metrics["amplitude_cutoff"] < 0.1)
    ]

    print(f"  Quality metrics computed for {len(metrics)} units")
    print(f"  Good units (Allen criteria): {len(good_units)} / {len(metrics)}")
    print(f"  Mean SNR: {metrics['snr'].mean():.1f}")
    print(f"  Mean ISI violation rate: {metrics['isi_violations_ratio'].mean():.4f}")
    print(f"  Mean firing rate: {metrics['firing_rate'].mean():.1f} Hz")

    return metrics, good_units

2. EEG 解析 (MNE-Python)

import numpy as np
import mne


def eeg_preprocessing(raw_file, montage="standard_1020",
                       l_freq=1.0, h_freq=40.0):
    """
    EEG 前処理パイプライン (MNE-Python)。

    1. ファイル読み込み (BDF/EDF/FIF/BrainVision)
    2. モンタージュ設定
    3. バンドパスフィルタ (1-40 Hz)
    4. ICA によるアーティファクト除去 (眼球運動, 心拍)
    5. 再参照 (平均参照)
    """
    raw = mne.io.read_raw(raw_file, preload=True)
    raw.set_montage(montage)

    print(f"  Channels: {len(raw.ch_names)}")
    print(f"  Sampling rate: {raw.info['sfreq']} Hz")
    print(f"  Duration: {raw.times[-1]:.1f} sec")

    # バンドパスフィルタ
    raw.filter(l_freq=l_freq, h_freq=h_freq, fir_design="firwin")

    # ICA アーティファクト除去
    ica = mne.preprocessing.ICA(n_components=20, random_state=42)
    ica.fit(raw)

    # EOG/ECG コンポーネント自動検出
    eog_indices, eog_scores = ica.find_bads_eog(raw)
    ica.exclude = eog_indices
    raw_clean = ica.apply(raw.copy())

    print(f"  ICA components excluded: {len(eog_indices)} (EOG artifacts)")

    # 平均参照
    raw_clean.set_eeg_reference("average")

    return raw_clean


def eeg_erp_analysis(raw, events, event_id, tmin=-0.2, tmax=0.8,
                      baseline=()):
    
    epochs = mne.Epochs(raw, events, event_id,
                        tmin=tmin, tmax=tmax,
                        baseline=baseline,
                        reject=(eeg=),
                        preload=)

    ()

    evokeds = {}
     condition  event_id:
        evoked = epochs[condition].average()
        evokeds[condition] = evoked

        
        ch_name, latency, amplitude = evoked.get_peak(
            ch_type=, tmin=, tmax=
        )
        (
              )

     epochs, evokeds


 ():
    
     sklearn.cluster  KMeans

    
    data = raw.get_data(picks=)
    gfp = np.std(data, axis=)

    
     scipy.signal  find_peaks
    peaks, _ = find_peaks(gfp, height=np.percentile(gfp, ))

    
    peak_maps = data[:, peaks].T
    kmeans = KMeans(n_clusters=n_states, random_state=, n_init=)
    labels = kmeans.fit_predict(peak_maps)

    
    ()
     i  (n_states):
        ms_label = ( + i)  
        count = np.(labels == i)
        pct = count / (labels)
        ()

     kmeans, labels

3. ECG 心拍変動解析 (NeuroKit2)

import numpy as np
import pandas as pd
import neurokit2 as nk


def ecg_hrv_analysis(ecg_signal, sampling_rate=1000):
    """
    ECG からの心拍変動 (HRV) 解析パイプライン。

    1. R ピーク検出
    2. RR 間隔算出
    3. 時間領域 HRV (SDNN, RMSSD, pNN50)
    4. 周波数領域 HRV (VLF, LF, HF, LF/HF 比)
    5. 非線形 HRV (SD1, SD2, ApEn, SampEn)
    """
    # ECG 前処理 + R ピーク検出
    ecg_cleaned = nk.ecg_clean(ecg_signal, sampling_rate=sampling_rate)
    signals, info = nk.ecg_process(ecg_cleaned, sampling_rate=sampling_rate)

    r_peaks = info["ECG_R_Peaks"]
    print(f"  R-peaks detected: {len(r_peaks)}")
    print(f"  Mean HR: {signals['ECG_Rate'].mean():.1f} bpm")

    # HRV 解析 (時間 + 周波数 + 非線形)
    hrv_time = nk.hrv_time(signals, sampling_rate=sampling_rate)
    hrv_freq = nk.hrv_frequency(signals, sampling_rate=sampling_rate)
    hrv_nonlinear = nk.hrv_nonlinear(signals, sampling_rate=sampling_rate)

    hrv_results = pd.concat([hrv_time, hrv_freq, hrv_nonlinear], axis=1)

    print(f"  Time-domain HRV:")
    print(f"    SDNN: {hrv_results['HRV_SDNN'].values[0]:.1f} ms")
    print(f"    RMSSD: {hrv_results['HRV_RMSSD'].values[0]:.1f} ms")
    print(f"    pNN50: {hrv_results['HRV_pNN50'].values[0]:f}%")
    ()
    ()

     hrv_results, signals


 ():
    
    eda_cleaned = nk.eda_clean(eda_signal, sampling_rate=sampling_rate)
    signals, info = nk.eda_process(eda_cleaned, sampling_rate=sampling_rate)

    scr_peaks = info[]
    ()
    ()
     (scr_peaks) > :
        ()

     signals, info

4. 脳機能結合性解析

import numpy as np
import pandas as pd


def functional_connectivity(epochs, method="wpli2_debiased",
                              fmin=8, fmax=13):
    """
    EEG/MEG 脳機能的結合性の推定。

    Methods:
    - coh: Coherence
    - imcoh: Imaginary Coherence
    - plv: Phase Locking Value
    - wpli: Weighted Phase Lag Index
    - wpli2_debiased: Debiased Squared WPLI (推奨)
    """
    from mne_connectivity import spectral_connectivity_epochs

    con = spectral_connectivity_epochs(
        epochs, method=method,
        fmin=fmin, fmax=fmax,
        faverage=True, n_jobs=-1
    )

    conn_matrix = con.get_data(output="dense")[:, :, 0]

    print(f"  Connectivity method: {method}")
    print(f"  Frequency band: {fmin}-{fmax} Hz")
    print(f"  Matrix shape: {conn_matrix.shape}")
    print(f"  Mean connectivity: {np.mean(conn_matrix[np.triu_indices_from(conn_matrix, k=1)]):.3f}")

    return conn_matrix, con


def graph_theory_brain_network(conn_matrix, ch_names, threshold=0.3):
    """
    脳ネットワークのグラフ理論的解析。

    - Global efficiency
    - Clustering coefficient
    - Small-world index
    - Hub 同定 (degree centrality)
    """
    import networkx as nx

    n = conn_matrix.shape[0]
    G = nx.Graph()
    for i  (n):
        G.add_node(ch_names[i])
         j  (i + , n):
             conn_matrix[i, j] > threshold:
                G.add_edge(ch_names[i], ch_names[j],
                           weight=conn_matrix[i, j])

    
    eff = nx.global_efficiency(G)
    cc = nx.average_clustering(G, weight=)
    degree = (G.degree(weight=))
    top_hubs = (degree.items(), key= x: x[], reverse=)[:]

    ()
    ()
    ()
    ()

     G

ToolUniverse 連携

TU Key	ツール名	連携内容
biotools	bio.tools	電気生理学解析ツール検索

References

Output Files

ファイル	形式
results/spike_sorting/sorting_results.npz	NPZ
results/spike_sorting/quality_metrics.csv	CSV
results/eeg/erp_evokeds.fif	FIF
results/eeg/microstates.csv	CSV
results/ecg/hrv_results.csv	CSV
results/eda/scr_peaks.csv	CSV
results/connectivity/conn_matrix.csv	CSV
figures/spike_rasters.png	PNG
figures/erp_waveforms.png	PNG
figures/hrv_poincare.png	PNG

参照スキル

スキル	関連
scientific-biosignal-processing	汎用生体信号処理
scientific-spectral-signal	スペクトル・周波数解析
scientific-time-series	時系列分解・予測
scientific-network-analysis	グラフ理論・ネットワーク指標
scientific-deep-learning	DL ベーススパイク分類

依存パッケージ

spikeinterface, mne, mne-connectivity, neurokit2, numpy, pandas, scipy, scikit-learn, networkx