neurokit2

neurokit2 skill の概要

neurokit2 は何に使うか

neurokit2 は、ECG、EEG、EDA、RSP、PPG、EMG、EOG などの生体信号を解析するための Python ベースの biosignal processing skill です。生のセンサーデータ、または軽く整えたデータから、心拍変動、イベントマーカー、自律神経活動、信号複雑性のような解釈可能な指標へ落とし込みたいときに特に役立ちます。

向いているユーザーとタスク

この neurokit2 skill は、心理生理学、臨床信号解析、ヒューマン・コンピュータ・インタラクションに取り組む研究者、データサイエンティスト、科学系開発者に特に向いています。単に波形を描くだけでなく、信号をクリーンにし、特徴量を抽出し、条件間・試行間・参加者間で生理指標を比較する必要があるなら、この skill が合っています。

インストールする理由

一般的な Python プロンプトではなく、生体信号解析の実務的なワークフローが欲しいなら neurokit2 をインストールする価値があります。主なメリットは、前処理の判断、特徴量抽出、モダリティごとの解析手順を素早く正しく進められることです。ガイドなしだと間違えやすいところを、短い導線で支えてくれます。

neurokit2 skill の使い方

neurokit2 をインストールする

まずディレクトリ側の skill インストールフローを使い、その後で解析の相談をする前に skill を読み込みます。典型的なインストールコマンドは次のとおりです。

npx skills add K-Dense-AI/claude-scientific-skills --skill neurokit2

環境で別の skill manager を使っている場合も、解析を実行するのと同じ workspace に skill を入れてください。そうすることで、agent が repository のコンテキストを読めるようになります。

skill に適切な入力を渡す

neurokit2 skill は、次の情報を明示すると最もよく機能します。

• signal type: ECG, EEG, EDA, PPG, EMG, EOG
• sampling rate
• file format または column 名
• 何を出したいか: cleaning, peaks, HRV, epochs, connectivity, summary features
• 制約条件: missing samples, artifacts, short recordings, multi-subject data

弱い依頼は「この生理データを解析して」です。より強い依頼は「1000 Hz の 5 分 ECG を neurokit2 でクリーンにして、R-peak を検出し、HRV の time と frequency の指標を算出し、motion artifact のある区間をフラグ付けして」です。

先に読むべきファイル

まず scientific-skills/neurokit2/SKILL.md を開き、想定ワークフローと対応タスクを確認してください。skill を自分の解析プロセスに組み込む場合は、そのファイル周辺の repository tree と、skill 本文内で参照されている section も確認してから、コードやプロンプトを書き始めるのがよいです。

うまくいくプロンプトの進め方

最も安定するのは、段階的な出力を依頼する方法です。

1. signal type と想定される前処理を特定する
2. sampling rate と data shape を検証する
3. artifact handling と peak/event detection を行う
4. 要求された metrics を算出する
5. 解釈上の制限を要約する

こうすると、入力品質が分からないうちに metrics へ飛びつく失敗を避けやすくなります。生体信号では、そこがよくあるつまずきです。

neurokit2 skill FAQ

neurokit2 は 1 種類の信号専用ですか？

いいえ。neurokit2 skill は複数の生理モダリティをサポートしていますが、ECG、EEG、EDA、呼吸、関連する biosignal を一貫した手順で扱いたいときに特に価値があります。生理データではないなら、この skill はたぶん適していません。

neurokit2 の事前知識は必要ですか？

基本的な Python の知識があると助かりますが、事前にすべての関数を知っている必要はありません。neurokit2 のガイドは、生体信号と最終ゴールは分かっているものの、前処理や特徴量抽出の具体的な順番がまだ決まっていないときに役立ちます。

ふつうのプロンプトだけで足りますか？

おもちゃのような簡単な例なら足りることもありますが、実際の科学研究では十分ではありません。再現性のある解析手順、モダリティに応じたデフォルト、結果を信頼する前に必要な入力条件の案内が必要なら、neurokit2 skill のほうが適しています。

使わないほうがいいのはどんなときですか？

非生理データ、仕様が明記されていないセンサーストリーム、sampling rate や信号の意味が不明なタスクには neurokit2 を使わないでください。主な課題が特徴量抽出後の統計モデリングなら、この skill は前処理の助けにはなりますが、解析パイプライン全体の代わりにはなりません。

neurokit2 skill を改善するには

入力をよりクリーンかつ狭くする

品質改善への一番の近道は、signal、sampling rate、duration、出力したいものをはっきり書くことです。たとえば「12名分の ECG、500 Hz、条件ごとの R-peak と HRV が欲しい」は、「生理データを解析して」よりずっと良い指定です。この具体性があると、neurokit2 skill は適切な処理経路を選びやすくなります。

解析前にデータ品質を伝える

missing samples、motion artifacts、baseline drift、event timing の不規則さがあれば、必ず伝えてください。neurokit2 の結果は前処理の前提に強く依存するため、これらの情報で、filter すべきか、interpolate すべきか、segment すべきか、除外すべきかが変わります。

解釈の境界を求める

科学用途では、計算された metrics と主張を切り分けるよう skill に求めるのが重要です。よい neurokit2 の出力は、その数値が何を意味し、どこが不確かで、signal だけでは何が言えないのかを明確に示すべきです。これは、特に neurokit2 for Scientific work のように過度な解釈が起きやすい場面で重要です。

具体的な第2ラウンドで詰める

最初の結果を受けたら、1つだけ具体的な追加依頼をしてください。「exact preprocessing steps を示して」「2つの条件で HRV metrics を比較して」「被験者をまたぐ batch processing に合わせて調整して」などです。広く書き直させるより、こちらのほうが実用的な出力が得られますし、neurokit2 skill の workflow にある境界条件も見えやすくなります。