2026/9/10 19:54:34
FEATURED · 精选文章 
NeuroKit2 EEG 与微状态分析实战指南基于 scientific-agent-skills 的可复现科研流程【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本指南围绕 skills/neurokit2/references/eeg.md 展开系统讲解在 scientific-agent-skills 仓库的 neurokit2 技能skill中如何正确使用 NeuroKit2 0.2.13 的 EEG 辅助函数完成功率分析、坏通道筛查、重参考、源重建与微状态microstate分割并给出与之配套的可复现安装、数据契约与结果报告规范。读完本文你将掌握 NeuroKit2 EEG 函数族的精确签名与返回结构、Microstate 输出的字段语义以及如何与 MNE 分工构建端到端且可审计的 EEG 研究流程。一、范围界定NeuroKit2 在 EEG 工作流中的位置NeuroKit2 并没有提供类似 ECG/EDA 的eeg_process()端到端管线。从 skills/neurokit2/references/eeg.md 的核对结论看它只提供一组精选的 EEG 辅助能力频段功率计算eeg_power坏通道统计筛查eeg_badchannels重参考、全局场势GFP与相异性eeg_rereference、eeg_gfp、eeg_diss需要 MNE 的对象辅助与源重建eeg_source、eeg_source_extract微状态分割与指标microstates_*系列因此完整的数据采集与预处理工作流滤波、坏段标记、ICA 等应由MNE 或其他经过验证的 EEG 框架承担NeuroKit2 负责特征、质检与微状态层面。原文档特别强调进行任何变换和坏段决策时都要逐条记录every transform and bad-segment decision这与该 skill 整体的可复现、可审计设计一脉相承——skills/neurokit2/SKILL.md 中同样要求保存原始数据和可审计的排除日志。1.1 输入数据形状契约最易踩坑对于 NumPy 数组输入NeuroKit2 的 EEG 函数期望的形状是(channels, time_samples)即第一维是通道、第二维是时间样本。不要静默地传入(time, channels)——这会直接导致按通道计算功率、GFP、微状态聚类时语义完全错位。同时必须保留并记录通道名称与顺序电极布局montage参考电极方案reference传感器位置物理单位MNE 中通常为伏特采样率坏通道/坏段标注。从 skills/neurokit2/references/signal_processing.md 可以推断该 skill 对其他生理信号同样强调先建立信号契约再变换EEG 通道元数据正是这种契约在脑电场景下的具体化。二、频段功率分析eeg_power()频段功率是最常用的 EEG 特征。稳定版本的正确调用方式如下power nk.eeg_power( eeg_channels_by_time, sampling_rate250, frequency_band[Gamma, Beta, Alpha, Theta, Delta], )两个值得注意的细节参数名是单数frequency_band不是frequency_bands。传错参数名在 0.2.13 中会报TypeError。锁定在 0.2.13 的运行环境探测结果显示返回的 DataFrame每通道一行列结构为Channel, Gamma, Beta, Alpha, Theta, Delta即首列是通道标识随后每列对应一个请求频带的功率值。官方文档中列出的标准命名频带及其边界为频带边界HzDelta1–4Theta4–8Alpha8–13Beta13–30Gamma30–80此外还提供额外的子频带划分。关键认知频带边界是约定conventions不是普适生理学事实——不同文献、不同分析管线对边界定义并不统一。因此在任何研究报告或论文中都必须明确写出使用的精确频带边界PSD功率谱密度估计参数估计器、窗函数、分段长度等参考方案伪迹处理方式是绝对功率还是相对归一化功率可用的有效数据时长。这与 skills/neurokit2/references/signal_processing.md 中对signal_psd()的建议一致normalizeTrue只是按 PSD 最大值缩放并非物理标定需要绝对频谱单位时应保持normalizeFalse并从采集与估计器推导单位。三、坏通道统计筛查eeg_badchannels()坏通道的初步筛选可以借助统计指标bads, channel_info nk.eeg_badchannels( eeg_channels_by_time, bad_threshold0.5, distance_threshold0.99, showFalse, )返回约定返回顺序是一个列表加一个 DataFramebads为坏通道列表channel_info为逐通道统计信息表解包顺序不能颠倒。0.2.13 锁定环境下观测到的信息表字段包含SD, Mean, MAD, Median, Skewness, Kurtosis, Amplitude, 区间边界interval bounds, n_ZeroCrossings, Bad即标准差、均值、中位数绝对偏差、中位数、偏度、峰度、振幅、区间边界、过零次数以及最终的Bad标记列。必须强调这是一个统计筛查器不是普适的拒绝规则。被标记为 bad 的通道是否真正剔除还需要结合原始波形目检电极布局与桥接bridging情况工频噪声line noise与漂移通道所在位置及其与研究任务、实验条件的相关性。同时在拟合阈值时不能泄漏组别/条件的结果fit thresholds without leaking group/condition outcomes——即阈值选取不能使用后续要检验的分组信息这与仓库测试中强调的避免阈值调参作用于被检验的效应见 skills/neurokit2/references/epochs_events.md 的 Trial QC 一节是同一原则。四、重参考、全局场势与相异性微状态分析和拓扑特征分析通常需要先重参考、再计算全局场势rereferenced nk.eeg_rereference(eeg_channels_by_time, referenceaverage) gfp nk.eeg_gfp(rereferenced, methodl1) diss nk.eeg_diss(rereferenced, gfpgfp)各函数的行为要点eeg_rereference()数组输入时返回数组MNE 对象输入时返回 MNE 对象。默认/常用referenceaverage平均参考。平均参考要求通道覆盖充分且坏通道处理得当对于稀疏电极布局sparse montages并不自动适用——通道太少时平均参考会引入显著偏差。eeg_gfp()NeuroKit2 中默认使用L1 范数计算全局场势而文献中可能使用其他定义如 L2。因此报告中必须写明所用方法、标准化/归一化方式、平滑方式和参考方案。eeg_diss()计算通道间相异性dissimilarity需要传入已计算好的gfp。这些函数构成微状态分割前的标准前置步骤——微状态分析的典型流程正是在重参考后的数据上计算 GFP、以 GFP 峰值或阈值选取训练样本再对拓扑进行聚类。五、可选 MNE 依赖安装与版本锁定核心 NeuroKit2 安装不包含 MNE。0.2.13 中需要 MNE 才能使用的稳定函数包括eeg_simulate()已在锁定运行环境中确认mne_data()及各类 MNE 对象辅助函数eeg_source()/eeg_source_extract()mne_templateMRI()。因此凡是涉及 MNE 的 EEG 工作流都必须单独添加可选依赖。本 skill 给出的可复现安装规范是uv pip install neurokit20.2.13对于可选功能应创建 uv 项目只添加分析实际需要的包且使用经过审阅的精确版本提交并审阅生成的uv.lock后再执行uv sync --locked原文档明确警告不要在自动化工作流中直接安装上游浮动的fullextra因为其依赖集合是变动的无法保证可复现。skills/neurokit2/SKILL.md 中同样记录了NeuroKit2 暴露了上游fullextra但本 skill 刻意不在自动化工作流中安装这组浮动传递依赖可选能力可能涉及 MNE、cvxopt、Plotly、PyEMD、pyRQA、Pillow、OpenCV 或文件读取器等包。仓库测试 tests/neurokit2/test_scripts.py 中的test_pinned_version_and_synthetic_ecg_pipeline也验证了锁定版本 0.2.13 的一致性而 skills/neurokit2/scripts/_common.py 中以NEUROKIT2_VERSION 0.2.13和PINNED_INSTALL常量把这一约束固化进了每个 CLI 帮助器。另外需要注意部分 MNE 辅助函数会从网络下载数据集/模板。下载行为、缓存路径、许可证、版本与校验和都应视为研究依赖项在受限/离线工作流中必须预先完成资源准备provisioning否则不应使用这些函数。六、源重建Source Reconstructioneeg_source()稳定版本签名eeg_source(raw, src, bem, methodsLORETA, showFalse, ...)它要求调用方提供MNE Raw 对象源空间source spaceBEM/头部模型boundary element model / head model电极布局与电极位置适当的坐标配准co-registration。配套的eeg_source_extract(stc, src, ...)根据分割segmentation返回区域时间序列region time series。原文档对源重建给出了非常明确的使用边界模板 MRI 不能验证针对某个个体或某个群体的定位精度报告中必须交代坐标框架、数字化信息、头部/电导率模型、逆问题方法、正则化、噪声协方差、深度/方向选择、图谱以及不确定性不得将 NeuroKit2 的源估计用于诊断、手术规划或临床定位。这与该 skill 总体的边界声明一致NeuroKit2 是研究与教育工具箱其输出不能作为诊断、治疗建议、监护决策或医疗设备验证证据。七、微状态分析Microstates微状态分析是 EEG 空间拓扑动态研究的核心方法。NeuroKit2 的microstates_*系列覆盖了从分割到指标计算的主要环节。7.1 分割microstates_segment()out nk.microstates_segment( eeg_channels_by_time, n_microstates4, traingfp, methodkmod, sampling_rate250, n_runs50, random_state42, )参数语义n_microstates期望的微状态数量示例为 4train训练样本选择策略gfp表示基于 GFP 选取method聚类算法。0.2.13 中稳定支持的方法包括kmod、kmeans、kmedoids、pca、ica、aahcn_runs聚类重复运行次数提高初始化稳定性random_state随机种子保证可复现。0.2.13 锁定环境下观测到的返回字典包含以下键Microstates, Sequence, GEV, GEV_per_microstate, GFP, Polarity, Info, Info_algorithm注意命名语义没有小写的maps、labels、gfp、gev这些键Microstates存放的是各微状态的拓扑地图mapsSequence是逐样本的类别指派class assignment即每个时间点属于哪个微状态。GEVGlobal Explained Variance全局解释方差与GEV_per_microstate是评估分割质量的核心指标报告微状态结果时应一并给出。7.2 数据准备与汇总指标clean, train_indices, gfp, input_info nk.microstates_clean( eeg_channels_by_time, sampling_rate250, traingfp, ) static nk.microstates_static(out[Sequence], sampling_rate250) dynamic nk.microstates_dynamic(out[Sequence])microstates_clean()是一个工具函数负责数组的归一化/标准化以及训练样本选择返回(clean, train_indices, gfp, input_info)四元组。它并不实现完整的 EEG 伪迹处理管线前置的滤波、坏段处理仍需在 MNE 中完成。microstates_static()需要分割结果中的Sequence与sampling_rate产出静态指标。microstates_dynamic()只需Sequence产出动态指标转移概率、停留时长等。7.3 实验性分类与状态数选择microstates_classify()在 0.2.13 中属于实验性功能且必须传两个参数sequence, maps nk.microstates_classify( out[Sequence], out[Microstates], )它的分类结果依赖通道顺序因此不能可靠替代基于已定义电极布局的模板匹配template matching with a defined montage。如果通道顺序在数据集之间不一致分类结果会失真。microstates_findnumber()返回二元组optimal_number, scores_dataframe nk.microstates_findnumber(...)即(最优状态数, 评分数据框)。原文档在这里给出一条重要的统计警示如果用同一份数据集来选择状态数、又在该状态数下检验选定状态的效应会夸大研究的灵活性research flexibility。正确的做法是预先设定prespecify聚类选择策略或通过交叉验证选取评估聚类初始化的稳定性即n_runs与不同random_state下结果是否一致。这与 skills/neurokit2/references/epochs_events.md 中避免阈值调参作用于被检验效应的方法学红线完全一致。八、最低报告清单EEG 研究的可复现输出无论使用 NeuroKit2 的哪些 EEG 功能最终报告至少需要包含以下信息原文档清单采集层硬件、电极布局/位置/参考/接地、单位、采样率、在线滤波器预处理层重采样、离线滤波/陷波、边缘处理、工频频率数据质量坏通道/坏段及其插值方式伪迹处理眼电/肌电/心电伪迹校正及 ICA 细节分段epoch/baseline 定义、保留的试验数谱分析PSD/时频估计器与归一化方式微状态输入频带/参考、GFP 定义、训练点、算法、状态数、运行次数/种子、极性、平滑、拟合与稳定性指标版本精确的 NeuroKit2/MNE 版本号及实际观测到的输出 schema。同时要严格避免频带即心理状态标签式的过度解读例如beta 焦虑、theta/beta ADHD。原文档明确指出EEG 特征本身不是诊断在没有独立的验证系统和使用意图证据的情况下不能将其当作诊断、意识监测、麻醉控制、癫痫检测或神经反馈验证的依据。这一条与 skills/neurokit2/SKILL.md 的 Boundary 小节完全一致——本 skill 面向研究与教育用途而非临床决策。九、与仓库其他文档的协同本文档不是孤立的EEG 分析中涉及的通用信号处理滤波、重采样、PSD细节见 skills/neurokit2/references/signal_processing.md事件与分段epoch/baseline语义见 skills/neurokit2/references/epochs_events.mdEEG 中常见的眼电EOG伪迹处理见 skills/neurokit2/references/eog.md。其中 EOG 文档与 EEG 的整合路径同步保留专用 EOG 通道、在适当数据上拟合伪迹识别/校正、验证组件选择不损伤神经信号、对比校正前后的 ERP/频谱/拓扑正是本文档所要求的伪迹校正细节需报告的落地指引。从 tests/neurokit2/test_scripts.py 可以看到整个 skill 的 CLI 帮助器都遵循无动态执行、拒绝 URL/符号链接、字节与行数受限、强制--deidentified等安全约束其依赖的 skills/neurokit2/scripts/_common.py 实现了checked_input_file、checked_output_file、require_deidentified等检查。在把 EEG 数据接入这些工作流时同样应遵守本地化、去标识化的数据处理原则不将受保护的健康信息放入提示词或日志。结语NeuroKit2 0.2.13 为 EEG 分析提供的是精选组件而非一键管线eeg_power负责频段功率、eeg_badchannels负责统计筛查、eeg_rereference/eeg_gfp/eeg_diss负责拓扑前置处理、microstates_*负责微状态全流程而数据预处理与源重建需要借助可选安装的 MNE。掌握每个函数的精确签名、返回 schema 与命名陷阱如frequency_band单数、Microstates/Sequence大写键、返回元组顺序并结合 uv 锁定版本、完整报告清单与不越界解读的方法学纪律就能在 scientific-agent-skills 的框架下构建出真正可复现、可审计、可引用的 EEG 研究流程。【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 EEG 与微状态分析实战指南：基于 scientific-agent-skills 的可复现科研流程
NeuroKit2 EEG 与微状态分析实战指南基于 scientific-agent-skills 的可复现科研流程【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本指南围绕 skills/neurokit2/references/eeg.md 展开系统讲解在 scientific-agent-skills 仓库的 neurokit2 技能skill中如何正确使用 NeuroKit2 0.2.13 的 EEG 辅助函数完成功率分析、坏通道筛查、重参考、源重建与微状态microstate分割并给出与之配套的可复现安装、数据契约与结果报告规范。读完本文你将掌握 NeuroKit2 EEG 函数族的精确签名与返回结构、Microstate 输出的字段语义以及如何与 MNE 分工构建端到端且可审计的 EEG 研究流程。一、范围界定NeuroKit2 在 EEG 工作流中的位置NeuroKit2 并没有提供类似 ECG/EDA 的eeg_process()端到端管线。从 skills/neurokit2/references/eeg.md 的核对结论看它只提供一组精选的 EEG 辅助能力频段功率计算eeg_power坏通道统计筛查eeg_badchannels重参考、全局场势GFP与相异性eeg_rereference、eeg_gfp、eeg_diss需要 MNE 的对象辅助与源重建eeg_source、eeg_source_extract微状态分割与指标microstates_*系列因此完整的数据采集与预处理工作流滤波、坏段标记、ICA 等应由MNE 或其他经过验证的 EEG 框架承担NeuroKit2 负责特征、质检与微状态层面。原文档特别强调进行任何变换和坏段决策时都要逐条记录every transform and bad-segment decision这与该 skill 整体的可复现、可审计设计一脉相承——skills/neurokit2/SKILL.md 中同样要求保存原始数据和可审计的排除日志。1.1 输入数据形状契约最易踩坑对于 NumPy 数组输入NeuroKit2 的 EEG 函数期望的形状是(channels, time_samples)即第一维是通道、第二维是时间样本。不要静默地传入(time, channels)——这会直接导致按通道计算功率、GFP、微状态聚类时语义完全错位。同时必须保留并记录通道名称与顺序电极布局montage参考电极方案reference传感器位置物理单位MNE 中通常为伏特采样率坏通道/坏段标注。从 skills/neurokit2/references/signal_processing.md 可以推断该 skill 对其他生理信号同样强调先建立信号契约再变换EEG 通道元数据正是这种契约在脑电场景下的具体化。二、频段功率分析eeg_power()频段功率是最常用的 EEG 特征。稳定版本的正确调用方式如下power nk.eeg_power( eeg_channels_by_time, sampling_rate250, frequency_band[Gamma, Beta, Alpha, Theta, Delta], )两个值得注意的细节参数名是单数frequency_band不是frequency_bands。传错参数名在 0.2.13 中会报TypeError。锁定在 0.2.13 的运行环境探测结果显示返回的 DataFrame每通道一行列结构为Channel, Gamma, Beta, Alpha, Theta, Delta即首列是通道标识随后每列对应一个请求频带的功率值。官方文档中列出的标准命名频带及其边界为频带边界HzDelta1–4Theta4–8Alpha8–13Beta13–30Gamma30–80此外还提供额外的子频带划分。关键认知频带边界是约定conventions不是普适生理学事实——不同文献、不同分析管线对边界定义并不统一。因此在任何研究报告或论文中都必须明确写出使用的精确频带边界PSD功率谱密度估计参数估计器、窗函数、分段长度等参考方案伪迹处理方式是绝对功率还是相对归一化功率可用的有效数据时长。这与 skills/neurokit2/references/signal_processing.md 中对signal_psd()的建议一致normalizeTrue只是按 PSD 最大值缩放并非物理标定需要绝对频谱单位时应保持normalizeFalse并从采集与估计器推导单位。三、坏通道统计筛查eeg_badchannels()坏通道的初步筛选可以借助统计指标bads, channel_info nk.eeg_badchannels( eeg_channels_by_time, bad_threshold0.5, distance_threshold0.99, showFalse, )返回约定返回顺序是一个列表加一个 DataFramebads为坏通道列表channel_info为逐通道统计信息表解包顺序不能颠倒。0.2.13 锁定环境下观测到的信息表字段包含SD, Mean, MAD, Median, Skewness, Kurtosis, Amplitude, 区间边界interval bounds, n_ZeroCrossings, Bad即标准差、均值、中位数绝对偏差、中位数、偏度、峰度、振幅、区间边界、过零次数以及最终的Bad标记列。必须强调这是一个统计筛查器不是普适的拒绝规则。被标记为 bad 的通道是否真正剔除还需要结合原始波形目检电极布局与桥接bridging情况工频噪声line noise与漂移通道所在位置及其与研究任务、实验条件的相关性。同时在拟合阈值时不能泄漏组别/条件的结果fit thresholds without leaking group/condition outcomes——即阈值选取不能使用后续要检验的分组信息这与仓库测试中强调的避免阈值调参作用于被检验的效应见 skills/neurokit2/references/epochs_events.md 的 Trial QC 一节是同一原则。四、重参考、全局场势与相异性微状态分析和拓扑特征分析通常需要先重参考、再计算全局场势rereferenced nk.eeg_rereference(eeg_channels_by_time, referenceaverage) gfp nk.eeg_gfp(rereferenced, methodl1) diss nk.eeg_diss(rereferenced, gfpgfp)各函数的行为要点eeg_rereference()数组输入时返回数组MNE 对象输入时返回 MNE 对象。默认/常用referenceaverage平均参考。平均参考要求通道覆盖充分且坏通道处理得当对于稀疏电极布局sparse montages并不自动适用——通道太少时平均参考会引入显著偏差。eeg_gfp()NeuroKit2 中默认使用L1 范数计算全局场势而文献中可能使用其他定义如 L2。因此报告中必须写明所用方法、标准化/归一化方式、平滑方式和参考方案。eeg_diss()计算通道间相异性dissimilarity需要传入已计算好的gfp。这些函数构成微状态分割前的标准前置步骤——微状态分析的典型流程正是在重参考后的数据上计算 GFP、以 GFP 峰值或阈值选取训练样本再对拓扑进行聚类。五、可选 MNE 依赖安装与版本锁定核心 NeuroKit2 安装不包含 MNE。0.2.13 中需要 MNE 才能使用的稳定函数包括eeg_simulate()已在锁定运行环境中确认mne_data()及各类 MNE 对象辅助函数eeg_source()/eeg_source_extract()mne_templateMRI()。因此凡是涉及 MNE 的 EEG 工作流都必须单独添加可选依赖。本 skill 给出的可复现安装规范是uv pip install neurokit20.2.13对于可选功能应创建 uv 项目只添加分析实际需要的包且使用经过审阅的精确版本提交并审阅生成的uv.lock后再执行uv sync --locked原文档明确警告不要在自动化工作流中直接安装上游浮动的fullextra因为其依赖集合是变动的无法保证可复现。skills/neurokit2/SKILL.md 中同样记录了NeuroKit2 暴露了上游fullextra但本 skill 刻意不在自动化工作流中安装这组浮动传递依赖可选能力可能涉及 MNE、cvxopt、Plotly、PyEMD、pyRQA、Pillow、OpenCV 或文件读取器等包。仓库测试 tests/neurokit2/test_scripts.py 中的test_pinned_version_and_synthetic_ecg_pipeline也验证了锁定版本 0.2.13 的一致性而 skills/neurokit2/scripts/_common.py 中以NEUROKIT2_VERSION 0.2.13和PINNED_INSTALL常量把这一约束固化进了每个 CLI 帮助器。另外需要注意部分 MNE 辅助函数会从网络下载数据集/模板。下载行为、缓存路径、许可证、版本与校验和都应视为研究依赖项在受限/离线工作流中必须预先完成资源准备provisioning否则不应使用这些函数。六、源重建Source Reconstructioneeg_source()稳定版本签名eeg_source(raw, src, bem, methodsLORETA, showFalse, ...)它要求调用方提供MNE Raw 对象源空间source spaceBEM/头部模型boundary element model / head model电极布局与电极位置适当的坐标配准co-registration。配套的eeg_source_extract(stc, src, ...)根据分割segmentation返回区域时间序列region time series。原文档对源重建给出了非常明确的使用边界模板 MRI 不能验证针对某个个体或某个群体的定位精度报告中必须交代坐标框架、数字化信息、头部/电导率模型、逆问题方法、正则化、噪声协方差、深度/方向选择、图谱以及不确定性不得将 NeuroKit2 的源估计用于诊断、手术规划或临床定位。这与该 skill 总体的边界声明一致NeuroKit2 是研究与教育工具箱其输出不能作为诊断、治疗建议、监护决策或医疗设备验证证据。七、微状态分析Microstates微状态分析是 EEG 空间拓扑动态研究的核心方法。NeuroKit2 的microstates_*系列覆盖了从分割到指标计算的主要环节。7.1 分割microstates_segment()out nk.microstates_segment( eeg_channels_by_time, n_microstates4, traingfp, methodkmod, sampling_rate250, n_runs50, random_state42, )参数语义n_microstates期望的微状态数量示例为 4train训练样本选择策略gfp表示基于 GFP 选取method聚类算法。0.2.13 中稳定支持的方法包括kmod、kmeans、kmedoids、pca、ica、aahcn_runs聚类重复运行次数提高初始化稳定性random_state随机种子保证可复现。0.2.13 锁定环境下观测到的返回字典包含以下键Microstates, Sequence, GEV, GEV_per_microstate, GFP, Polarity, Info, Info_algorithm注意命名语义没有小写的maps、labels、gfp、gev这些键Microstates存放的是各微状态的拓扑地图mapsSequence是逐样本的类别指派class assignment即每个时间点属于哪个微状态。GEVGlobal Explained Variance全局解释方差与GEV_per_microstate是评估分割质量的核心指标报告微状态结果时应一并给出。7.2 数据准备与汇总指标clean, train_indices, gfp, input_info nk.microstates_clean( eeg_channels_by_time, sampling_rate250, traingfp, ) static nk.microstates_static(out[Sequence], sampling_rate250) dynamic nk.microstates_dynamic(out[Sequence])microstates_clean()是一个工具函数负责数组的归一化/标准化以及训练样本选择返回(clean, train_indices, gfp, input_info)四元组。它并不实现完整的 EEG 伪迹处理管线前置的滤波、坏段处理仍需在 MNE 中完成。microstates_static()需要分割结果中的Sequence与sampling_rate产出静态指标。microstates_dynamic()只需Sequence产出动态指标转移概率、停留时长等。7.3 实验性分类与状态数选择microstates_classify()在 0.2.13 中属于实验性功能且必须传两个参数sequence, maps nk.microstates_classify( out[Sequence], out[Microstates], )它的分类结果依赖通道顺序因此不能可靠替代基于已定义电极布局的模板匹配template matching with a defined montage。如果通道顺序在数据集之间不一致分类结果会失真。microstates_findnumber()返回二元组optimal_number, scores_dataframe nk.microstates_findnumber(...)即(最优状态数, 评分数据框)。原文档在这里给出一条重要的统计警示如果用同一份数据集来选择状态数、又在该状态数下检验选定状态的效应会夸大研究的灵活性research flexibility。正确的做法是预先设定prespecify聚类选择策略或通过交叉验证选取评估聚类初始化的稳定性即n_runs与不同random_state下结果是否一致。这与 skills/neurokit2/references/epochs_events.md 中避免阈值调参作用于被检验效应的方法学红线完全一致。八、最低报告清单EEG 研究的可复现输出无论使用 NeuroKit2 的哪些 EEG 功能最终报告至少需要包含以下信息原文档清单采集层硬件、电极布局/位置/参考/接地、单位、采样率、在线滤波器预处理层重采样、离线滤波/陷波、边缘处理、工频频率数据质量坏通道/坏段及其插值方式伪迹处理眼电/肌电/心电伪迹校正及 ICA 细节分段epoch/baseline 定义、保留的试验数谱分析PSD/时频估计器与归一化方式微状态输入频带/参考、GFP 定义、训练点、算法、状态数、运行次数/种子、极性、平滑、拟合与稳定性指标版本精确的 NeuroKit2/MNE 版本号及实际观测到的输出 schema。同时要严格避免频带即心理状态标签式的过度解读例如beta 焦虑、theta/beta ADHD。原文档明确指出EEG 特征本身不是诊断在没有独立的验证系统和使用意图证据的情况下不能将其当作诊断、意识监测、麻醉控制、癫痫检测或神经反馈验证的依据。这一条与 skills/neurokit2/SKILL.md 的 Boundary 小节完全一致——本 skill 面向研究与教育用途而非临床决策。九、与仓库其他文档的协同本文档不是孤立的EEG 分析中涉及的通用信号处理滤波、重采样、PSD细节见 skills/neurokit2/references/signal_processing.md事件与分段epoch/baseline语义见 skills/neurokit2/references/epochs_events.mdEEG 中常见的眼电EOG伪迹处理见 skills/neurokit2/references/eog.md。其中 EOG 文档与 EEG 的整合路径同步保留专用 EOG 通道、在适当数据上拟合伪迹识别/校正、验证组件选择不损伤神经信号、对比校正前后的 ERP/频谱/拓扑正是本文档所要求的伪迹校正细节需报告的落地指引。从 tests/neurokit2/test_scripts.py 可以看到整个 skill 的 CLI 帮助器都遵循无动态执行、拒绝 URL/符号链接、字节与行数受限、强制--deidentified等安全约束其依赖的 skills/neurokit2/scripts/_common.py 实现了checked_input_file、checked_output_file、require_deidentified等检查。在把 EEG 数据接入这些工作流时同样应遵守本地化、去标识化的数据处理原则不将受保护的健康信息放入提示词或日志。结语NeuroKit2 0.2.13 为 EEG 分析提供的是精选组件而非一键管线eeg_power负责频段功率、eeg_badchannels负责统计筛查、eeg_rereference/eeg_gfp/eeg_diss负责拓扑前置处理、microstates_*负责微状态全流程而数据预处理与源重建需要借助可选安装的 MNE。掌握每个函数的精确签名、返回 schema 与命名陷阱如frequency_band单数、Microstates/Sequence大写键、返回元组顺序并结合 uv 锁定版本、完整报告清单与不越界解读的方法学纪律就能在 scientific-agent-skills 的框架下构建出真正可复现、可审计、可引用的 EEG 研究流程。【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 
