Neurokit2

NeuroKit2

Visão Geral

NeuroKit2 é um kit de ferramentas Python abrangente para processamento e análise de sinais fisiológicos (biossinais). Use esta skill para processar sinais cardiovasculares, neurais, autonômicos, respiratórios e musculares em pesquisas psicofisiológicas, aplicações clínicas e estudos de interação humano-computador.

Quando Usar Esta Skill

Aplique esta skill ao trabalhar com:

• Sinais cardíacos: ECG, PPG, variabilidade da frequência cardíaca (HRV), análise de pulso
• Sinais cerebrais: Bandas de frequência de EEG, microstados, complexidade, localização de fonte
• Sinais autonômicos: Atividade eletrodérmica (EDA/GSR), respostas de condutância de pele (SCR)
• Sinais respiratórios: Frequência respiratória, variabilidade respiratória (RRV), volume por tempo
• Sinais musculares: Amplitude EMG, detecção de ativação muscular
• Rastreamento ocular: EOG, detecção e análise de piscadas
• Integração multimodal: Processamento de múltiplos sinais fisiológicos simultaneamente
• Análise de complexidade: Medidas de entropia, dimensões fractais, dinâmica não-linear

Capacidades Principais

1. Processamento de Sinais Cardíacos (ECG/PPG)

Processe sinais de eletrocardiograma e fotopletismografia para análise cardiovascular. Consulte references/ecg_cardiac.md para workflows detalhados.

Workflows principais:

• Pipeline de processamento ECG: limpeza → detecção de onda R → delineação → avaliação de qualidade
• Análise HRV em domínios temporal, frequencial e não-linear
• Análise de pulso PPG e avaliação de qualidade
• Extração de respiração derivada de ECG

Funções principais:

import neurokit2 as nk

# Pipeline completo de processamento ECG
signals, info = nk.ecg_process(ecg_signal, sampling_rate=1000)

# Analisar dados de ECG (relacionados a eventos ou intervalos)
analysis = nk.ecg_analyze(signals, sampling_rate=1000)

# Análise abrangente de HRV
hrv = nk.hrv(peaks, sampling_rate=1000)  # Domínios temporal, frequencial e não-linear

2. Análise de Variabilidade da Frequência Cardíaca

Calcule métricas abrangentes de HRV a partir de sinais cardíacos. Consulte references/hrv.md para todos os índices e análise específica por domínio.

Domínios suportados:

• Domínio temporal: SDNN, RMSSD, pNN50, SDSD e métricas derivadas
• Domínio frequencial: Potência ULF, VLF, LF, HF, VHF e razões
• Domínio não-linear: Gráfico de Poincaré (SD1/SD2), medidas de entropia, dimensões fractais
• Especializado: Arritmia sinusal respiratória (RSA), análise de quantificação de recorrência (RQA)

Funções principais:

# Todos os índices HRV de uma vez
hrv_indices = nk.hrv(peaks, sampling_rate=1000)

# Análise específica por domínio
hrv_time = nk.hrv_time(peaks)
hrv_freq = nk.hrv_frequency(peaks, sampling_rate=1000)
hrv_nonlinear = nk.hrv_nonlinear(peaks, sampling_rate=1000)
hrv_rsa = nk.hrv_rsa(peaks, rsp_signal, sampling_rate=1000)

3. Análise de Sinais Cerebrais (EEG)

Analise sinais de eletroencefalograma para potência de frequência, complexidade e padrões de microstados. Consulte references/eeg.md para workflows detalhados e integração com MNE.

Capacidades principais:

• Análise de potência de banda de frequência (Delta, Theta, Alpha, Beta, Gamma)
• Avaliação de qualidade de canal e re-referência
• Localização de fonte (sLORETA, MNE)
• Segmentação de microstados e dinâmica de transição
• Potência de campo global e medidas de dissimilaridade

Funções principais:

# Análise de potência em bandas de frequência
power = nk.eeg_power(eeg_data, sampling_rate=250, channels=['Fz', 'Cz', 'Pz'])

# Análise de microstados
microstates = nk.microstates_segment(eeg_data, n_microstates=4, method='kmod')
static = nk.microstates_static(microstates)
dynamic = nk.microstates_dynamic(microstates)

4. Atividade Eletrodérmica (EDA)

Processe sinais de condutância de pele para avaliação do sistema nervoso autônomo. Consulte references/eda.md para workflows detalhados.

Workflows principais:

• Decomposição de sinais em componentes tônico e fásico
• Detecção e análise de resposta de condutância de pele (SCR)
• Cálculo de índice do sistema nervoso simpático
• Detecção de autocorrelação e ponto de mudança

Funções principais:

# Processamento completo de EDA
signals, info = nk.eda_process(eda_signal, sampling_rate=100)

# Analisar dados de EDA
analysis = nk.eda_analyze(signals, sampling_rate=100)

# Atividade do sistema nervoso simpático
sympathetic = nk.eda_sympathetic(signals, sampling_rate=100)

5. Processamento de Sinais Respiratórios (RSP)

Analise padrões de respiração e variabilidade respiratória. Consulte references/rsp.md para workflows detalhados.

Capacidades principais:

• Cálculo de frequência respiratória e análise de variabilidade
• Avaliação de amplitude e simetria da respiração
• Volume respiratório por tempo (aplicações em fMRI)
• Variabilidade de amplitude respiratória (RAV)

Funções principais:

# Processamento completo de RSP
signals, info = nk.rsp_process(rsp_signal, sampling_rate=100)

# Variabilidade da frequência respiratória
rrv = nk.rsp_rrv(signals, sampling_rate=100)

# Volume respiratório por tempo
rvt = nk.rsp_rvt(signals, sampling_rate=100)

6. Eletromiografia (EMG)

Processe sinais de atividade muscular para detecção de ativação e análise de amplitude. Consulte references/emg.md para workflows.

Funções principais:

# Processamento completo de EMG
signals, info = nk.emg_process(emg_signal, sampling_rate=1000)

# Detecção de ativação muscular
activation = nk.emg_activation(signals, sampling_rate=1000, method='threshold')

7. Eletro-oculografia (EOG)

Analise padrões de movimento ocular e piscadas. Consulte references/eog.md para workflows.

Funções principais:

# Processamento completo de EOG
signals, info = nk.eog_process(eog_signal, sampling_rate=500)

# Extrair características de piscadas
features = nk.eog_features(signals, sampling_rate=500)

8. Processamento Geral de Sinais

Aplique operações de filtragem, decomposição e transformação a qualquer sinal. Consulte references/signal_processing.md para utilitários abrangentes.

Operações principais:

• Filtragem (passa-baixas, passa-altas, passa-banda, rejeita-banda)
• Decomposição (EMD, SSA, wavelet)
• Detecção e correção de picos
• Estimativa de densidade espectral de potência
• Interpolação e reamostragem de sinais
• Análise de autocorrelação e sincronização

Funções principais:

# Filtragem
filtered = nk.signal_filter(signal, sampling_rate=1000, lowcut=0.5, highcut=40)

# Detecção de picos
peaks = nk.signal_findpeaks(signal)

# Densidade espectral de potência
psd = nk.signal_psd(signal, sampling_rate=1000)

9. Análise de Complexidade e Entropia

Calcule dinâmica não-linear, dimensões fractais e medidas de teoria da informação. Consulte references/complexity.md para todas as métricas disponíveis.

Medidas disponíveis:

• Entropia: Shannon, aproximada, amostra, permutação, espectral, fuzzy, multiscala
• Dimensões fractais: Katz, Higuchi, Petrosian, Sevcik, dimensão de correlação
• Dinâmica não-linear: Expoentes de Lyapunov, complexidade de Lempel-Ziv, quantificação de recorrência
• DFA: Análise de flutuação destendenciada, DFA multifractal
• Teoria da informação: Informação de Fisher, informação mútua

Funções principais:

# Múltiplas métricas de complexidade de uma vez
complexity_indices = nk.complexity(signal, sampling_rate=1000)

# Medidas específicas
apen = nk.entropy_approximate(signal)
dfa = nk.fractal_dfa(signal)
lyap = nk.complexity_lyapunov(signal, sampling_rate=1000)

10. Análise Relacionada a Eventos

Crie épocas em torno de eventos de estímulo e analise respostas fisiológicas. Consulte references/epochs_events.md para workflows.

Capacidades principais:

• Criação de épocas a partir de marcadores de evento
• Média relacionada a evento e visualização
• Opções de correção de linha de base
• Computação de grande média com intervalos de confiança

Funções principais:

# Encontrar eventos no sinal
events = nk.events_find(trigger_signal, threshold=0.5)

# Criar épocas em torno de eventos
epochs = nk.epochs_create(signals, events, sampling_rate=1000,
                          epochs_start=-0.5, epochs_end=2.0)

# Média em épocas
grand_average = nk.epochs_average(epochs)

11. Integração de Múltiplos Sinais

Processe múltiplos sinais fisiológicos simultaneamente com saída unificada. Consulte references/bio_module.md para workflows de integração.

Funções principais:

# Processar múltiplos sinais de uma vez
bio_signals, bio_info = nk.bio_process(
    ecg=ecg_signal,
    rsp=rsp_signal,
    eda=eda_signal,
    emg=emg_signal,
    sampling_rate=1000
)

# Analisar todos os sinais processados
bio_analysis = nk.bio_analyze(bio_signals, sampling_rate=1000)

Modos de Análise

NeuroKit2 seleciona automaticamente entre dois modos de análise baseado na duração dos dados:

Análise relacionada a eventos (< 10 segundos):

• Analisa respostas fixadas a estímulos
• Segmentação baseada em épocas
• Adequado para paradigmas experimentais com tentativas discretas

Análise relacionada a intervalos (≥ 10 segundos):

• Caracteriza padrões fisiológicos ao longo de períodos estendidos
• Estado de repouso ou atividades contínuas
• Adequado para medições de linha de base e monitoramento de longo prazo

A maioria das funções *_analyze() escolhe automaticamente o modo apropriado.

Instalação

uv pip install neurokit2

Para versão de desenvolvimento:

uv pip install https://github.com/neuropsychology/NeuroKit/zipball/dev

Workflows Comuns

Início Rápido: Análise de ECG

import neurokit2 as nk

# Carregar dados de exemplo
ecg = nk.ecg_simulate(duration=60, sampling_rate=1000)

# Processar ECG
signals, info = nk.ecg_process(ecg, sampling_rate=1000)

# Analisar HRV
hrv = nk.hrv(info['ECG_R_Peaks'], sampling_rate=1000)

# Visualizar
nk.ecg_plot(signals, info)

Análise Multimodal

# Processar múltiplos sinais
bio_signals, bio_info = nk.bio_process(
    ecg=ecg_signal,
    rsp=rsp_signal,
    eda=eda_signal,
    sampling_rate=1000
)

# Analisar todos os sinais
results = nk.bio_analyze(bio_signals, sampling_rate=1000)

Potencial Relacionado a Evento

# Encontrar eventos
events = nk.events_find(trigger_channel, threshold=0.5)

# Criar épocas
epochs = nk.epochs_create(processed_signals, events,
                          sampling_rate=1000,
                          epochs_start=-0.5, epochs_end=2.0)

# Análise relacionada a evento para cada tipo de sinal
ecg_epochs = nk.ecg_eventrelated(epochs)
eda_epochs = nk.eda_eventrelated(epochs)

Referências

Esta skill inclui documentação abrangente de referência organizada por tipo de sinal e método de análise:

• ecg_cardiac.md: Processamento ECG/PPG, detecção de onda R, delineação, avaliação de qualidade
• hrv.md: Índices de variabilidade da frequência cardíaca em todos os domínios
• eeg.md: Análise de EEG, bandas de frequência, microstados, localização de fonte
• eda.md: Processamento de atividade eletrodérmica e análise de SCR
• rsp.md: Processamento de sinais respiratórios e variabilidade
• ppg.md: Análise de sinais de fotopletismografia
• emg.md: Processamento de eletromiografia e detecção de ativação
• eog.md: Eletro-oculografia e análise de piscadas
• signal_processing.md: Utilitários gerais de sinal e transformações
• complexity.md: Medidas de entropia, fractal e não-linear
• epochs_events.md: Análise relacionada a evento e criação de épocas
• bio_module.md: Workflows de integração multimodal de sinais

Carregue arquivos de referência específicos conforme necessário usando a ferramenta de leitura para acessar documentação detalhada de funções e parâmetros.

Recursos Adicionais

• Documentação Oficial: https://neuropsychology.github.io/NeuroKit/
• Repositório GitHub: https://github.com/neuropsychology/NeuroKit
• Publicação: Makowski et al. (2021). NeuroKit2: A Python toolbox for neurophysiological signal processing. Behavior Research Methods. https://doi.org/10.3758/s13428-020-01516-y