NeuroKit2 表面肌电EMG处理完整指南0.2.13 稳定 API 下的采集契约、信号清洗、激活检测与事件特征分析【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本篇技术指南以scientific-agent-skills仓库中 EMG 参考文档 为核心主体围绕 NeuroKit2 0.2.13 稳定版本2026-07-23 对照源码与官方 API 校验展开。你将掌握表面肌电surface EMG从采集契约到emg_process处理管线、emg_clean/emg_amplitude清洗振幅、emg_activation激活检测、事件/区间特征提取以及 MVC 归一化的完整可复现研究流程并学会用仓库自带的受限 CLI 工具验证数据质量与参数语义从而构建符合科学规范的 EMG 分析工作流。版本基线为什么固定 0.2.13本仓库的 NeuroKit2 技能模块将运行环境锁定在0.2.13。在 SKILL.md 的元数据中声明了兼容性为 Python 3.10 与 uv核心处理依赖 NumPy、SciPy、pandas、scikit-learn、matplotlib、PyWavelets、requests 与 setuptools可选的 EEG、cvxEDA、绘图、文件格式与 RQA 功能需要单独锁定的可选包。共享脚本 _common.py 中同样固定了NEUROKIT2_VERSION 0.2.13与安装命令uv pip install neurokit20.2.13锁定的原因在于NeuroKit2 的返回列、函数签名与默认行为会随版本变化官方在线文档校验时自报0.2.13.dev214可能领先于稳定 wheel。为保证结果可复现应以固定版本的稳定运行时为准并在论文或报告中同时注明包版本与所用方法参数。安装后的验证同样有据可依。仓库测试 tests/neurokit2/test_scripts.py 中的PinnedNeuroKitSmokeTests直接断言已安装版本等于 0.2.13version(neurokit2) _common.NEUROKIT2_VERSION并通过合成信号冒烟测试确认ECG_Quality、EDA_Phasic等真实输出列存在——这种把 schema 当作运行时观测的思路正是 EMG 分析中应当坚持的不要假设列名在所有方法、所有输入下都成立而是每次处理后将实际观测到的列与 info 键持久化存档。采集契约Acquisition contract处理前的第一道工序EMG 分析的第一原则是没有可靠的采集元数据后续任何处理都无法补救。处理前必须记录肌肉与任务muscle and task电极类型、尺寸、朝向、电极间距inter-electrode distance, IED参考电极reference配置皮肤准备skin preparation方式放大器增益与量程amplifier gain/range硬件滤波器设置物理单位unit与采样率sampling rate同步信息synchronization姿势与收缩状态posture/contraction伪迹标注artifact annotations。当适用时应按肌肉特异的贴片方案执行例如SENIAM建议Hermens et al., 2000。需要特别强调的物理事实EMG 振幅取决于几何因素、皮下组织、串扰cross-talk、电极接触质量、硬件以及收缩历史。它并不是一个直接、普适的力量标尺。因此原始振幅在不同受试者、不同 session 之间通常不具备可比性——这正是后文归一化一节存在的原因。从仓库的数据契约角度看SKILL.md 要求处理前记录 8 项内容信号身份与传感器/通道配置、原生采样率Hz与物理单位或显式声明arbitrary_unit、时钟与时间戳原点/漂移校正/同步证据、极性/朝向与采集端滤波/增益、缺失样本/不连续/饱和/平线/运动与标注、事件 onset 是零基样本索引还是秒、预设的预处理顺序与方法参数与排除规则、以及统计建模所需的参与者分组。绝不能仅凭列名推断单位也不要把样本数当成毫秒、伏特、微西门子或任意单位。稳定处理管线emg_process在记录好采集契约之后最直接的一步是通过统一入口处理原始 EMGimport neurokit2 as nk signals, info nk.emg_process(emg, sampling_rate1000)以 0.2.13 稳定版本实测默认输出列pinned default columns为EMG_Raw, EMG_Clean, EMG_Amplitude, EMG_Activity, EMG_Onsets, EMG_Offsetsinfo中包含事件级别的EMG_Activity、EMG_Onsets、EMG_Offsets以及sampling_rate。需要明确的是这是针对默认配置的观测结果不是普适 schema。返回列会随 NeuroKit2 版本、函数、方法、输入信号可用性以及分析模式而变化——SKILL 的Treat schemas as runtime observations一节正是为此设计的建议在处理后把观测到的列名清单与 info 键持久化连同包版本、方法参数、采样率与质量/排除摘要一起存档。该管线的内部次序遵循仓库 signal_processing.md 中约定的安全预处理顺序先保留原始样本与时间轴检查时间戳顺序、采样率、削波、平线、非有限值与缺口在长缺口处分段、只按既定策略插值短缺口再按模态与方法滤波裁掉或标记滤波瞬态然后检测/校正峰值或派生特征最后仅在需要对准时重采样。这条顺序同样适用于 EMG先检查、再清洗、后检测而不是上来就滤波。清洗与振幅emg_clean与emg_amplitude若希望精细控制清洗与振幅提取可以拆开emg_processclean nk.emg_clean(emg, sampling_rate1000, methodbiosppy) amplitude nk.emg_amplitude(clean)关于这两个函数0.2.13 有几个必须知道的稳定细节emg_clean()目前只提供biosppy和none两种方法BioSPPy 路径使用四阶 100 Hz 高通 Butterworth 滤波器随后做恒定去趋势constant detrendingemg_amplitude()只接受已清洗的向量在 0.2.13 中没有sampling_rate参数——不要试图向它传入采样率否则会报错。100 Hz 高通是默认不是标准100 Hz 高通对某些表面 EMG 研究终点可能不合适在低采样率下甚至根本无法实现高通截止频率必须低于奈奎斯特频率见 signal_processing.md 对滤波器的通用约定。不要把包默认值当作通用采集标准。设置采样率时应保证高于所保留最高频率的两倍并留有过渡带余量表面 EMG 通常以 1000–2000 Hz 采集但最终要求由研究设计、硬件、肌肉与终点共同决定。激活检测emg_activation激活onset/offset检测的稳定签名如下emg_activation( emg_amplitudeNone, emg_cleanedNone, sampling_rate1000, methodthreshold, thresholddefault, duration_mindefault, sizeNone, threshold_sizeNone, **kwargs )方法决定了输入这是最容易踩的坑threshold或mixture传入emg_amplitudepelt、biosppy或silva传入emg_cleaned。典型用法activity_signals, activity_info nk.emg_activation( emg_amplitudeamplitude, sampling_rate1000, methodthreshold, thresholddefault, duration_min0.05, )需要注意的语义返回顺序是(activity_signals, info)DataFrame 包含等长的EMG_Activity、EMG_Onsets、EMG_Offsets字典info中包含事件索引duration_min的单位是秒size参数的语义随方法不同而不同使用前务必核对对应方法的文档。pelt方法对应 signal_processing.md 中记录的signal_changepoints()实现 PELT 并返回变点样本索引可见激活检测与通用信号分割共享底层能力。自动阈值是假设不是真值自动阈值只是算法假设不是激活的 ground truth。应当在独立的、有标签的收缩数据或预先指定的基线上进行调参与验证。报告时至少应说明阈值、窗宽、平滑方式、最小持续时间以及假阳性/漏检false/missed activation性能。不要在待检验的同一批效应上反复调阈值——这会污染统计推断。缺失数据与伪迹处理边界EMG 最常见的伪迹与数据问题包括削波/饱和clipping/saturation与断线/平线通道disconnected/flat channels运动/线缆伪迹与低频瞬态motion/cable artifacts, low-frequency transients工频干扰powerline interferenceECG 污染尤其躯干/近端位点ECG contamination, trunk/proximal sites邻近肌肉串扰cross-talk from adjacent muscles接触/出汗导致的基线漂移baseline changes from contact/sweat。处理策略上的红线是不要跨过一个 burst 或激活 onset 进行插值。应把长缺口分段、保留有效性掩码validity mask并按预设规则拒绝受影响的 trial/窗口。仓库的 signal_processing.md 进一步补充前后向填充可能制造人为的常量段通用插值可能制造平滑但虚构的形态与峰值必须记录缺失样本数量与最长连续缺失、缺口时长、每个缺口是分段/排除/填充/插值、插值方法与最大允许缺口以及下游质量与不确定性是否包含插值掩码。尤其要记住滤波并不能证明某个偏转来自目标肌肉。信号形态只是证据链的一环结论必须结合采集契约与实验设计。事件与区间特征emg_eventrelated与emg_intervalrelated在完成激活检测后可以按事件切分 epoch 并提取特征epochs nk.epochs_create( signals, events, sampling_rate1000, epochs_start-0.1, epochs_end1.0, baseline_correctionFalse, ) event_features nk.emg_eventrelated(epochs) interval_features nk.emg_intervalrelated(signals)已记录的事件相关特征包括特征含义EMG_Activation该 epoch 内是否发生激活EMG_Amplitude_Mean振幅均值EMG_Amplitude_Max振幅最大值EMG_Amplitude_SD振幅标准差EMG_Amplitude_Max_Time最大振幅出现时间EMG_Bursts爆发burst次数区间分析emg_intervalrelated在固定的官方示例中返回EMG_Activation_N与EMG_Amplitude_Mean。列是条件性的先 inspect 输出再写下游代码——这一点与 epochs_events.md 的警告一致ecg_eventrelated()、eda_eventrelated()、emg_eventrelated()等函数会检查可用的处理列当质量、相位、振幅、条件或趋势列缺失时输出会变化。epoch 语义细节0.2.13结合 epochs_events.md 的 0.2.13 实测语义epochs_start与epochs_end是相对每个事件以秒计的窗口数据切片是[start_sample, end_sample)结尾不含但重建的浮点时间索引用numpy.linspace(..., endpointTrue)因此显示的最后索引等于epochs_end——不要用浮点索引推算样本数应以Index列、已知采样率与显式半开边界为准边界附近的事件会被内部缓冲区填充浮点列得到 NaN整数列可能因 dtype 保留而得到 0必须在分析前决定边界策略drop删除不完整 trial 并报告条件计数、pad保留并加显式有效性掩码或error停止并修复窗口定义绝不能让 NaN 填充或整数 0 填充悄然变成生理基线。仓库提供了无依赖的 epoch 规划器plan_epochs.py可预先按样本精确计算边界与基线样本数python skills/neurokit2/scripts/plan_epochs.py \ --events 1000,2500,4000 --event-unit samples \ --sampling-rate 100 --recording-samples 5000 \ --epoch-start -0.2 --epoch-end 0.8 \ --baseline-start -0.2 --baseline-end 0起始潜伏期startle/rapid onset研究的注意事项对于惊吓反应startle eyeblink或快速 onset 类研究硬件延迟、同步、滤波组延迟filter group delay、整流/平滑以及 onset 定义误差可能主导最终结果。这类研究对时间精度极其敏感应在方法学中显式评估这些误差源参见 Blumenthal et al., 2005 的惊吓眨眼 EMG 指南。归一化让振幅可比原始/包络振幅在不同受试者或 session 之间通常不可比。可能的归一化分母包括MVC最大自主收缩maximal voluntary contraction参考收缩reference contraction受试者内标准化within-participant standardization。但要注意每一种归一化方式都会改变估计目标estimand必须与你的科学问题匹配后再选择。若使用 MVC必须用经过验证、安全的标准方案采集 MVC检查疲劳、疼痛、用力程度、削波以及目标肌肉/串扰情况明确定义哪个统计量与哪个窗口代表 MVC报告重复次数与可靠性绝不要除以接近零或无效的参考值。同时要清醒地认识到归一化并不会让电极位置、位点差异消失。报告时应始终说明归一化协议否则读者无法评估跨研究的可比性。解释边界NeuroKit2 EMG 能做什么、不能做什么NeuroKit2 的 EMG 模块可以支持振幅与检测活动的研究。但它不提供经过验证的运动单位分解motor-unit decomposition神经肌肉诊断neuromuscular diagnosis疲劳监测fatigue monitoring假肢控制安全性prosthetic control safety康复决策rehabilitation decisions睡眠评分sleep scoring。这些应用需要针对终点的采集方案、专用算法、行业标准以及独立验证。这与 SKILL.md 的整体边界一致NeuroKit2 是研究与教育工具箱其输出不得被呈现为诊断、治疗建议、患者监护决策或报警也不得作为医疗设备的验证/认证/监管证据更不能证明某个生理构念在新的传感器、方案、环境、人群或疾病组中被有效测量。用仓库工具落实可复现的 EMG 流程把上述方法落到工程层面仓库的 NeuroKit2 技能模块提供了若干受限、确定性的 CLI 助手全部遵循拒绝 URL、路径穿越与符号链接限制字节/行/通道数除非--force否则拒绝覆盖惰性导入科学依赖--help无需安装 NeuroKit2不使用 pickle输出确定性 JSON/CSV的安全约定见 SKILL.md 的Bundled command-line helpers一节tests/neurokit2/test_scripts.py 对禁止eval/exec、禁止网络导入、帮助命令免依赖等性质做了 AST 级与运行时测试。针对 EMG 研究推荐的落地顺序是第 1 步处理前用受限检查器审计原始 CSV。inspect_signal.py 只输出统计量、绝不输出行值或路径可检测缺失、非有限、非数值样本、平线比例、时间戳重复/倒退、观测采样率与声明采样率的偏差1% 报警以及时间戳抖动1% 报警python skills/neurokit2/scripts/inspect_signal.py \ --input recording.csv --root . --deidentified \ --columns EMG --time-column time_s --units EMGmV真实参与者数据必须显式传入--deidentified这是仓库的强制安全约束。第 2 步按本文第 4 节的顺序执行emg_clean→emg_amplitude→emg_activation。第 3 步用plan_epochs.py预先规划样本精确的 epoch 窗口再执行epochs_create与emg_eventrelated。第 4 步持久化观测 schema。记录实际返回的列、info键、包版本0.2.13、方法参数、采样率与质量/排除摘要作为分析产物存档——这正是 SKILL.md 推荐的Treat schemas as runtime observations做法。参考来源本文事实基线核验于 2026-07-23对应 NeuroKit2 0.2.13 稳定运行时与官方 EMG API以及以下领域指南完整列表见 emg.md 的Sources checked 2026-07-23一节Fridlund Cacioppo (1986)人类 EMG 测量指南Hermens et al. (2000)SENIAM 传感器与贴片位置建议Blumenthal et al. (2005)惊吓眨眼 EMG 指南NeuroKit2 官方 EMG API 与 v0.2.13 源码标签。仓库内可继续深入阅读的资料包括信号处理通用指南、事件与 epoch 语义、技能总览与数据契约 以及 共享工具实现。这些文档与脚本共同构成了采集契约 → 审计 → 清洗 → 检测 → 特征 → 归一化 → 边界声明的完整可复现 EMG 研究闭环。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 NeuroKit2 表面肌电（EMG）处理完整指南：0.2.13 稳定 API 下的采集契约、信号清洗、激活检测与事件特征分析
NeuroKit2 表面肌电EMG处理完整指南0.2.13 稳定 API 下的采集契约、信号清洗、激活检测与事件特征分析【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本篇技术指南以scientific-agent-skills仓库中 EMG 参考文档 为核心主体围绕 NeuroKit2 0.2.13 稳定版本2026-07-23 对照源码与官方 API 校验展开。你将掌握表面肌电surface EMG从采集契约到emg_process处理管线、emg_clean/emg_amplitude清洗振幅、emg_activation激活检测、事件/区间特征提取以及 MVC 归一化的完整可复现研究流程并学会用仓库自带的受限 CLI 工具验证数据质量与参数语义从而构建符合科学规范的 EMG 分析工作流。版本基线为什么固定 0.2.13本仓库的 NeuroKit2 技能模块将运行环境锁定在0.2.13。在 SKILL.md 的元数据中声明了兼容性为 Python 3.10 与 uv核心处理依赖 NumPy、SciPy、pandas、scikit-learn、matplotlib、PyWavelets、requests 与 setuptools可选的 EEG、cvxEDA、绘图、文件格式与 RQA 功能需要单独锁定的可选包。共享脚本 _common.py 中同样固定了NEUROKIT2_VERSION 0.2.13与安装命令uv pip install neurokit20.2.13锁定的原因在于NeuroKit2 的返回列、函数签名与默认行为会随版本变化官方在线文档校验时自报0.2.13.dev214可能领先于稳定 wheel。为保证结果可复现应以固定版本的稳定运行时为准并在论文或报告中同时注明包版本与所用方法参数。安装后的验证同样有据可依。仓库测试 tests/neurokit2/test_scripts.py 中的PinnedNeuroKitSmokeTests直接断言已安装版本等于 0.2.13version(neurokit2) _common.NEUROKIT2_VERSION并通过合成信号冒烟测试确认ECG_Quality、EDA_Phasic等真实输出列存在——这种把 schema 当作运行时观测的思路正是 EMG 分析中应当坚持的不要假设列名在所有方法、所有输入下都成立而是每次处理后将实际观测到的列与 info 键持久化存档。采集契约Acquisition contract处理前的第一道工序EMG 分析的第一原则是没有可靠的采集元数据后续任何处理都无法补救。处理前必须记录肌肉与任务muscle and task电极类型、尺寸、朝向、电极间距inter-electrode distance, IED参考电极reference配置皮肤准备skin preparation方式放大器增益与量程amplifier gain/range硬件滤波器设置物理单位unit与采样率sampling rate同步信息synchronization姿势与收缩状态posture/contraction伪迹标注artifact annotations。当适用时应按肌肉特异的贴片方案执行例如SENIAM建议Hermens et al., 2000。需要特别强调的物理事实EMG 振幅取决于几何因素、皮下组织、串扰cross-talk、电极接触质量、硬件以及收缩历史。它并不是一个直接、普适的力量标尺。因此原始振幅在不同受试者、不同 session 之间通常不具备可比性——这正是后文归一化一节存在的原因。从仓库的数据契约角度看SKILL.md 要求处理前记录 8 项内容信号身份与传感器/通道配置、原生采样率Hz与物理单位或显式声明arbitrary_unit、时钟与时间戳原点/漂移校正/同步证据、极性/朝向与采集端滤波/增益、缺失样本/不连续/饱和/平线/运动与标注、事件 onset 是零基样本索引还是秒、预设的预处理顺序与方法参数与排除规则、以及统计建模所需的参与者分组。绝不能仅凭列名推断单位也不要把样本数当成毫秒、伏特、微西门子或任意单位。稳定处理管线emg_process在记录好采集契约之后最直接的一步是通过统一入口处理原始 EMGimport neurokit2 as nk signals, info nk.emg_process(emg, sampling_rate1000)以 0.2.13 稳定版本实测默认输出列pinned default columns为EMG_Raw, EMG_Clean, EMG_Amplitude, EMG_Activity, EMG_Onsets, EMG_Offsetsinfo中包含事件级别的EMG_Activity、EMG_Onsets、EMG_Offsets以及sampling_rate。需要明确的是这是针对默认配置的观测结果不是普适 schema。返回列会随 NeuroKit2 版本、函数、方法、输入信号可用性以及分析模式而变化——SKILL 的Treat schemas as runtime observations一节正是为此设计的建议在处理后把观测到的列名清单与 info 键持久化连同包版本、方法参数、采样率与质量/排除摘要一起存档。该管线的内部次序遵循仓库 signal_processing.md 中约定的安全预处理顺序先保留原始样本与时间轴检查时间戳顺序、采样率、削波、平线、非有限值与缺口在长缺口处分段、只按既定策略插值短缺口再按模态与方法滤波裁掉或标记滤波瞬态然后检测/校正峰值或派生特征最后仅在需要对准时重采样。这条顺序同样适用于 EMG先检查、再清洗、后检测而不是上来就滤波。清洗与振幅emg_clean与emg_amplitude若希望精细控制清洗与振幅提取可以拆开emg_processclean nk.emg_clean(emg, sampling_rate1000, methodbiosppy) amplitude nk.emg_amplitude(clean)关于这两个函数0.2.13 有几个必须知道的稳定细节emg_clean()目前只提供biosppy和none两种方法BioSPPy 路径使用四阶 100 Hz 高通 Butterworth 滤波器随后做恒定去趋势constant detrendingemg_amplitude()只接受已清洗的向量在 0.2.13 中没有sampling_rate参数——不要试图向它传入采样率否则会报错。100 Hz 高通是默认不是标准100 Hz 高通对某些表面 EMG 研究终点可能不合适在低采样率下甚至根本无法实现高通截止频率必须低于奈奎斯特频率见 signal_processing.md 对滤波器的通用约定。不要把包默认值当作通用采集标准。设置采样率时应保证高于所保留最高频率的两倍并留有过渡带余量表面 EMG 通常以 1000–2000 Hz 采集但最终要求由研究设计、硬件、肌肉与终点共同决定。激活检测emg_activation激活onset/offset检测的稳定签名如下emg_activation( emg_amplitudeNone, emg_cleanedNone, sampling_rate1000, methodthreshold, thresholddefault, duration_mindefault, sizeNone, threshold_sizeNone, **kwargs )方法决定了输入这是最容易踩的坑threshold或mixture传入emg_amplitudepelt、biosppy或silva传入emg_cleaned。典型用法activity_signals, activity_info nk.emg_activation( emg_amplitudeamplitude, sampling_rate1000, methodthreshold, thresholddefault, duration_min0.05, )需要注意的语义返回顺序是(activity_signals, info)DataFrame 包含等长的EMG_Activity、EMG_Onsets、EMG_Offsets字典info中包含事件索引duration_min的单位是秒size参数的语义随方法不同而不同使用前务必核对对应方法的文档。pelt方法对应 signal_processing.md 中记录的signal_changepoints()实现 PELT 并返回变点样本索引可见激活检测与通用信号分割共享底层能力。自动阈值是假设不是真值自动阈值只是算法假设不是激活的 ground truth。应当在独立的、有标签的收缩数据或预先指定的基线上进行调参与验证。报告时至少应说明阈值、窗宽、平滑方式、最小持续时间以及假阳性/漏检false/missed activation性能。不要在待检验的同一批效应上反复调阈值——这会污染统计推断。缺失数据与伪迹处理边界EMG 最常见的伪迹与数据问题包括削波/饱和clipping/saturation与断线/平线通道disconnected/flat channels运动/线缆伪迹与低频瞬态motion/cable artifacts, low-frequency transients工频干扰powerline interferenceECG 污染尤其躯干/近端位点ECG contamination, trunk/proximal sites邻近肌肉串扰cross-talk from adjacent muscles接触/出汗导致的基线漂移baseline changes from contact/sweat。处理策略上的红线是不要跨过一个 burst 或激活 onset 进行插值。应把长缺口分段、保留有效性掩码validity mask并按预设规则拒绝受影响的 trial/窗口。仓库的 signal_processing.md 进一步补充前后向填充可能制造人为的常量段通用插值可能制造平滑但虚构的形态与峰值必须记录缺失样本数量与最长连续缺失、缺口时长、每个缺口是分段/排除/填充/插值、插值方法与最大允许缺口以及下游质量与不确定性是否包含插值掩码。尤其要记住滤波并不能证明某个偏转来自目标肌肉。信号形态只是证据链的一环结论必须结合采集契约与实验设计。事件与区间特征emg_eventrelated与emg_intervalrelated在完成激活检测后可以按事件切分 epoch 并提取特征epochs nk.epochs_create( signals, events, sampling_rate1000, epochs_start-0.1, epochs_end1.0, baseline_correctionFalse, ) event_features nk.emg_eventrelated(epochs) interval_features nk.emg_intervalrelated(signals)已记录的事件相关特征包括特征含义EMG_Activation该 epoch 内是否发生激活EMG_Amplitude_Mean振幅均值EMG_Amplitude_Max振幅最大值EMG_Amplitude_SD振幅标准差EMG_Amplitude_Max_Time最大振幅出现时间EMG_Bursts爆发burst次数区间分析emg_intervalrelated在固定的官方示例中返回EMG_Activation_N与EMG_Amplitude_Mean。列是条件性的先 inspect 输出再写下游代码——这一点与 epochs_events.md 的警告一致ecg_eventrelated()、eda_eventrelated()、emg_eventrelated()等函数会检查可用的处理列当质量、相位、振幅、条件或趋势列缺失时输出会变化。epoch 语义细节0.2.13结合 epochs_events.md 的 0.2.13 实测语义epochs_start与epochs_end是相对每个事件以秒计的窗口数据切片是[start_sample, end_sample)结尾不含但重建的浮点时间索引用numpy.linspace(..., endpointTrue)因此显示的最后索引等于epochs_end——不要用浮点索引推算样本数应以Index列、已知采样率与显式半开边界为准边界附近的事件会被内部缓冲区填充浮点列得到 NaN整数列可能因 dtype 保留而得到 0必须在分析前决定边界策略drop删除不完整 trial 并报告条件计数、pad保留并加显式有效性掩码或error停止并修复窗口定义绝不能让 NaN 填充或整数 0 填充悄然变成生理基线。仓库提供了无依赖的 epoch 规划器plan_epochs.py可预先按样本精确计算边界与基线样本数python skills/neurokit2/scripts/plan_epochs.py \ --events 1000,2500,4000 --event-unit samples \ --sampling-rate 100 --recording-samples 5000 \ --epoch-start -0.2 --epoch-end 0.8 \ --baseline-start -0.2 --baseline-end 0起始潜伏期startle/rapid onset研究的注意事项对于惊吓反应startle eyeblink或快速 onset 类研究硬件延迟、同步、滤波组延迟filter group delay、整流/平滑以及 onset 定义误差可能主导最终结果。这类研究对时间精度极其敏感应在方法学中显式评估这些误差源参见 Blumenthal et al., 2005 的惊吓眨眼 EMG 指南。归一化让振幅可比原始/包络振幅在不同受试者或 session 之间通常不可比。可能的归一化分母包括MVC最大自主收缩maximal voluntary contraction参考收缩reference contraction受试者内标准化within-participant standardization。但要注意每一种归一化方式都会改变估计目标estimand必须与你的科学问题匹配后再选择。若使用 MVC必须用经过验证、安全的标准方案采集 MVC检查疲劳、疼痛、用力程度、削波以及目标肌肉/串扰情况明确定义哪个统计量与哪个窗口代表 MVC报告重复次数与可靠性绝不要除以接近零或无效的参考值。同时要清醒地认识到归一化并不会让电极位置、位点差异消失。报告时应始终说明归一化协议否则读者无法评估跨研究的可比性。解释边界NeuroKit2 EMG 能做什么、不能做什么NeuroKit2 的 EMG 模块可以支持振幅与检测活动的研究。但它不提供经过验证的运动单位分解motor-unit decomposition神经肌肉诊断neuromuscular diagnosis疲劳监测fatigue monitoring假肢控制安全性prosthetic control safety康复决策rehabilitation decisions睡眠评分sleep scoring。这些应用需要针对终点的采集方案、专用算法、行业标准以及独立验证。这与 SKILL.md 的整体边界一致NeuroKit2 是研究与教育工具箱其输出不得被呈现为诊断、治疗建议、患者监护决策或报警也不得作为医疗设备的验证/认证/监管证据更不能证明某个生理构念在新的传感器、方案、环境、人群或疾病组中被有效测量。用仓库工具落实可复现的 EMG 流程把上述方法落到工程层面仓库的 NeuroKit2 技能模块提供了若干受限、确定性的 CLI 助手全部遵循拒绝 URL、路径穿越与符号链接限制字节/行/通道数除非--force否则拒绝覆盖惰性导入科学依赖--help无需安装 NeuroKit2不使用 pickle输出确定性 JSON/CSV的安全约定见 SKILL.md 的Bundled command-line helpers一节tests/neurokit2/test_scripts.py 对禁止eval/exec、禁止网络导入、帮助命令免依赖等性质做了 AST 级与运行时测试。针对 EMG 研究推荐的落地顺序是第 1 步处理前用受限检查器审计原始 CSV。inspect_signal.py 只输出统计量、绝不输出行值或路径可检测缺失、非有限、非数值样本、平线比例、时间戳重复/倒退、观测采样率与声明采样率的偏差1% 报警以及时间戳抖动1% 报警python skills/neurokit2/scripts/inspect_signal.py \ --input recording.csv --root . --deidentified \ --columns EMG --time-column time_s --units EMGmV真实参与者数据必须显式传入--deidentified这是仓库的强制安全约束。第 2 步按本文第 4 节的顺序执行emg_clean→emg_amplitude→emg_activation。第 3 步用plan_epochs.py预先规划样本精确的 epoch 窗口再执行epochs_create与emg_eventrelated。第 4 步持久化观测 schema。记录实际返回的列、info键、包版本0.2.13、方法参数、采样率与质量/排除摘要作为分析产物存档——这正是 SKILL.md 推荐的Treat schemas as runtime observations做法。参考来源本文事实基线核验于 2026-07-23对应 NeuroKit2 0.2.13 稳定运行时与官方 EMG API以及以下领域指南完整列表见 emg.md 的Sources checked 2026-07-23一节Fridlund Cacioppo (1986)人类 EMG 测量指南Hermens et al. (2000)SENIAM 传感器与贴片位置建议Blumenthal et al. (2005)惊吓眨眼 EMG 指南NeuroKit2 官方 EMG API 与 v0.2.13 源码标签。仓库内可继续深入阅读的资料包括信号处理通用指南、事件与 epoch 语义、技能总览与数据契约 以及 共享工具实现。这些文档与脚本共同构成了采集契约 → 审计 → 清洗 → 检测 → 特征 → 归一化 → 边界声明的完整可复现 EMG 研究闭环。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考