Python生理信号分析库neurokit2-CSDN博客

本文链接：https://blog.csdn.net/qq_37864626/article/details/125689801

前言

NeuroKit2是一个开源的、社区驱动的、以用户为中心的Python库，可用于多种生理信号的分析处理（例如ECG、PPG、EDA、EMG、RSP），还包括用于特定处理步骤（如频率）的工具提取和过滤方法，并在易用性和参数微调之间进行权衡。其目标是提高神经生理学研究的透明度和再现性，并促进探索和创新，它的设计理念以用户体验和对新手和高级用户的可用性为中心。

1 安装

从PyPI安装NeuroKit2代码如下：

pip install neurokit2

或conda-forge

conda install -c conda-forge neurokit2

2 读入数据

import neurokit2 as nk
# 下载样例
data = nk.data("bio_eventrelated_100hz")
# 数据预处理 (滤波, 查找峰值,等.)
processed_data, info = nk.bio_process(ecg=data["ECG"], rsp=data["RSP"], eda=data["EDA"],sampling_rate=100)
# 计算相关特征
results = nk.bio_analyze(processed_data, sampling_rate=100)

3 设计原理

NeuroKit2的目标是让初学者能够快速访问的同时，也为有经验的用户提供最大水平的自主设计控制。这是通过允许初始用户使用一些函数实现复杂的处理管道来实现的，同时仍然为有经验的用户提供对参数的微调控制。具体来说，这种权衡是由一个由三层组织的API结构来实现的。

3.1 基础层：基础信号预处理的函数

基础信号处理的函数包括滤波、重采样、插值、峰值检测等。这些函数是与具体的生理信号数据类型无关，并且包括可调参数（例如，可以通过设置参数来改变滤波方法）。这些函数大多是基于scipy实现的算法(Virtanen等人，2020)，包括signal_filter(), signal_interpolate(), signal_resample(), signal_detrend()和 signal_findpeaks().

3.2 中间层：生理信号的预处理

中间层的函数基于基础信号处理函数对不同生理模态的生理信号进行分析(如ECG、RSP、EDA、EMG、PPG)。这些函数执行特定模态的生理信号的处理步骤，如清洗、峰值检测、分类或频率计算。重要的是，对于每种类型的信号，同一处理目的都使用统一的函数名（以生理信号类型_函数名()的形式），使不同模态生理信号处理分析的实现更加直观和一致。例如， * clean(), * findpeaks(), process(), * plot()。

例如，rsp_clean()函数使用signal_filter()和signal_detrend()，它们具有不同的默认参数，可以通过一个“method”参数进行切换。例如，设置method=“khodadad2018”将使用khododadad等人（2018）中使用的数据清理流程。但是，如果用户想要构建自己的自定义清理管道，他们可以使用清理函数作为模板，并在基础信号处理操作中根据自己的需求调整参数。

3.3 高级层：用于处理和分析的顶层函数

中间层的函数被组装在顶层的函数中，这是为新手用户提供快速使用的函数。例如，ecg process()函数内部组装了中层函数，Ecg_clean(), ecg_peaks(), ecg_quality(), ecg_delineate(),和ecg_phase()，如图1所示。可以使用method参数选择不同的处理管道/方法。在处理管道之间的轻松切换允许对不同方法进行比较，并简化了可重复研究中的一些关键步骤，如数据准备和质量控制的验证(Quintanaetal.，2016)。最后，该包提供一个简便的函数（例如bio_process），能够同时组合处理多种类型的信号（例如bio_process（ecg=心电数据，eda=皮电数据））。

NeuroKit2软件包架构的说明(以心电信号处理为例）

4 数据分析

在本节中，我们将展示两类范式的数据分析示例来说明最常见的用例。第一个例子是一个与时间间隔相关的范式，其中在一定时间间隔内的生理活动特征（不一定与一个特定的和突发的事件有关）被提取出来。第二个例子展示了一个与事件相关的范式，其中人们的兴趣在于与特定事件相关的短期生理变化。

4.1 时间间隔相关的范式（Interval-related paradigm）

使用的数据集是参与者在休息（闭着眼睛坐着）5分钟的生理活动，三个通道(ECG、PPG和RSP)的采样频率为100Hz。

import neurokit2 as nk
# 数据加载
data = nk.data("bio_resting_5min_100hz")
# 数据处理
df,info = nk.bio_process(ecg=data["ECG"],rsp=data["RSP"], sampling_rate=100)
# 特征提取
results = nk.bio_analyze(df,sampling_rate=100)
# 结果显示
results[["ECG_Rate_Mean","HRV_RMSSD","RSP_Rate_Mean","RSA_P2T_Mean"]]

分析结果：

4.2 事件相关的范式（Event-related Paradigm）

这个示例数据集包含了一个参与者的ECG、RSP和EDA信号，他得到了四种情绪图像(来自NAPS数据库；Marchewka等人，2014)，这些信号时长为2.5分钟（150秒），记录的频率为100Hz，有4个通道，包括3个生理信号信号和1个对应于标记事件（photosensor）通道（当刺激出现在屏幕上时，信号强度下降）。

import neurokit2 as nk
# 数据加载
data = nk.data("bio_eventrelated_100hz")
# 数据预处理
df,info= nk.bio_process(ecg=data["ECG"],rsp=data["RSP"], eda=data["EDA"], sampling_rate=100)

# 查找事件
conditions =["Negative","Neutral","Neutral","Negative"]
events = nk.events_find(event_channel=data["Photosensor"],threshold_keep='below',event_conditions=conditions)
# 数据分段
epochs = nk.epochs_create(data=df,events=events,sampling_rate=100, epochs_start=-0.1, epochs_end=4)
# 抽取事件相关的特征
results = nk.bio_analyze(epochs,sampling_rate=100)
# 结果显示
results[["Condition","ECG_Rate_Mean","RSP_Rate_Mean","EDA_Peak_Amplitude"]]

分析结果：