neurokit2
作者 K-Dense-AIneurokit2 是一个用于生物信号处理的 Python 技能，可分析 ECG、EEG、EDA、RSP、PPG、EMG 和 EOG 数据。可用于清理信号、检测峰值和事件、提取 HRV 与复杂度特征，并支持心理生理学、临床分析和人机交互中的科学工作流。
该技能得分为 74/100，属于目录用户可用的候选条目：它确实覆盖了生物信号工作流，也提供了足够细节来减少猜测，但在执行指导和安装支持方面仍有提升空间。对于正在判断是否安装的用户，可以把它看作面向生理信号分析的 NeuroKit2 实用参考/操作型技能，而不是一个已经完整封装、可直接依赖工具支持的成品包。
- 触发范围广且明确，覆盖 ECG、EEG、EDA、RSP、PPG、EMG、EOG 以及多模态生理分析。
- SKILL.md 内容较充实，包含有效 frontmatter、较长正文和多个标题，便于浏览和理解实际操作。
- 使用了具体的工作流导向语言，涵盖 HRV、ERP、复杂度指标、自主神经评估和信号整合等常见分析。
- 没有安装命令，也没有支持文件或脚本，用户可能需要自行推断环境配置和执行细节。
- 缺少 references/resources/rules 文件，信号可信度有限，边缘情况行为或具体方法选择也不够容易查找。
neurokit2 技能概览
neurokit2 适合做什么
neurokit2 是一个用于生理信号分析的 Python biosignal processing skill，适合处理 ECG、EEG、EDA、RSP、PPG、EMG 和 EOG 等生理数据。它最适合的场景，是把原始数据或轻度清洗过的传感器数据，转换成可解释的指标，例如心率变异性、事件标记、自主神经活动或信号复杂度。
最适合的用户与任务
这个 neurokit2 skill 很适合从事 psychophysiology、clinical signal analysis 或 human-computer interaction 的研究人员、数据科学家和科学开发者。真正要做的不是单纯画图，而是清洗信号、提取特征，并在不同条件、试次或被试之间比较生理反应时，它就尤其合适。
为什么要安装它
当你想要的是一套实用的 biosignal analysis 工作流，而不是一个泛泛的 Python prompt 时，就应该安装 neurokit2。它的核心价值在于，能更快地做出正确的预处理选择、特征提取和模态相关分析步骤；这些步骤如果没有指引，很容易做错。
如何使用 neurokit2 技能
安装 neurokit2
先按目录里的技能安装流程安装，然后在请求分析帮助之前加载这个 skill。典型安装命令如下：
npx skills add K-Dense-AI/claude-scientific-skills --skill neurokit2
如果你的环境使用的是别的 skill manager，也要把该 skill 安装到你实际运行分析的同一个 workspace 里，这样 agent 才能读取 repository 上下文。
给技能提供正确的输入
当你明确说明以下信息时，neurokit2 skill 的效果最好：
- 信号类型：
ECG、EEG、EDA、PPG、EMG或EOG - 采样率
- 文件格式或列名
- 你希望得到什么：清洗、峰值、HRV、epochs、connectivity，或 summary features
- 任何约束：缺失采样、伪影、短时记录、多被试数据
弱请求是“分析这个生理数据”。更强的请求是：“用 neurokit2 清洗 1000 Hz 的 5 分钟 ECG，检测 R-peaks，计算 HRV 的时域和频域指标，并标记运动伪影段。”
先阅读这些文件
先看 scientific-skills/neurokit2/SKILL.md，了解预期工作流和支持的任务。如果你要把这个 skill 融入自己的分析流程，请在编写代码或 prompt 之前，先检查该文件周围的 repository 结构，以及 skill 正文里链接到的相关部分。
有效的提示词工作流
为了获得最佳结果，建议按阶段来提需求：
- 识别信号类型和预期预处理
- 验证采样率和数据形状
- 做伪影处理以及峰值/事件检测
- 计算所需指标
- 总结解释边界
这样可以避免 neurokit2 skill 在还不清楚输入质量时就直接跳到指标计算，这也是 biosignal 工作里很常见的失败模式。
neurokit2 技能常见问题
neurokit2 只适用于一种信号类型吗？
不是。neurokit2 skill 支持多种生理模态，但它在 ECG、EEG、EDA、呼吸及相关 biosignals 上尤其有价值，因为你往往需要一套一致的工作流。如果你的数据不是生理数据，这个 skill 大概率不合适。
我需要先掌握 neurokit2 的安装知识吗？
有基础 Python 经验会有帮助，但你不需要提前记住每个函数。只要你知道 biosignal 的类型和最终目标，而不确定具体的预处理或特征提取顺序，neurokit2 guide 就很有用。
只靠一个普通 prompt 就够吗？
有时对玩具示例够用，但对真正的科研工作通常不够。neurokit2 skill 更适合需要可重复分析步骤、模态感知默认值，以及在结果可信之前先确认输入条件的场景。
什么时候不应该使用它？
不要把 neurokit2 用在非生理数据、没有文档说明的传感器流，或者采样率和信号含义都不清楚的任务上。如果你的主要问题是在特征提取之后做统计建模，这个 skill 可以帮你做预处理，但不能替代完整的 analysis pipeline。
如何改进 neurokit2 技能
提供更干净、更聚焦的输入
最大的质量提升来自把信号类型、采样率、时长和目标输出说清楚。例如，“12 名被试的 ECG，500 Hz，想要按条件提取 R-peaks 和 HRV”就比“分析我的生理数据”好得多。更具体的输入能帮助 neurokit2 skill 选对处理路径。
在分析前说明数据质量
告诉模型是否存在缺失采样、运动伪影、基线漂移或事件时序不规则。neurokit2 的结果质量高度依赖预处理假设，因此这些信息会直接影响你是该滤波、插值、分段，还是排除数据。
要求给出解释边界
如果是科研用途，应该让 skill 把计算结果和结论分开。一个好的 neurokit2 guide 输出，应该说明这些数字代表什么、哪里不确定、以及仅凭信号本身不能推出什么。对于 neurokit2 for Scientific work 尤其如此，因为过度解读很容易发生。
用具体的第二轮问题继续迭代
拿到第一版结果后，接着提一个明确的追问：“展示具体的预处理步骤”、“比较两个条件之间的 HRV 指标”或“改造成跨被试批处理”。这样通常比要求整体重写更有用，也更容易暴露 neurokit2 skill 工作流里的边界情况。