NeuroKit
NeuroKit ("nk") est un programme informatique open source pour l'analyse de signaux physiologiques[1]. La version la plus récente, NeuroKit2, est codée en Python et est disponible au téléchargement sur le dépôt PyPI[2]. En mai 2022, le logiciel était utilisé dans plus de 84 publications scientifiques[3]. NeuroKit2 est présenté comme l'un des logiciels de neurophysiologie open source les plus populaires et les plus accessibles (basé sur le nombre de téléchargements, le nombre de contributeurs et d'autres métriques GitHub)[4].
| Créateur | Dominique Makowski |
|---|---|
| Première version | |
| Écrit en | Python |
| Licence | Licence MIT |
| Documentation | https://neuropsychology.github.io/NeuroKit/ |
| Site web | https://github.com/neuropsychology/NeuroKit |
Histoire
La première version de NeuroKit a été créée dans le cadre du doctorat de Dominique Makowski en 2017[1]. Elle a été officiellement remplacée en 2020 par la version actuelle, NeuroKit2. Quelques mise à jours majeures sont sorties depuis[5]:
- 8 Février 2021: La version 0.1.0 coïncide avec la publication du logiciel.
- 18 Mai 2022: La version 0.2.0 coïncide avec une refonte du site de documentation.
Fonctionnalités
NeuroKit2 permet d'analyse l'activité cardiaque à partir des signaux d'électrocardiographie (ECG) et de photopléthysmographie (PPG), d'activité électrodermale (EDA), de respiration (RSP), d'électromyographie (EMG) et d'électrooculographie (EOG)[6].
Il permet de calculer la variabilité de la fréquence cardiaque (HRV) et la variabilité respiratoire (RRV)[7].
Il comporte également une variété d'algorithmes différents pour détecter de manière efficace les pics R et d'autres ondes du complexe QRS[8] - [9].
Pour les signaux neurophysiologiques tels que l'EEG, NeuroKit2 permet l'analyse de microstates et des bandes de fréquences.
Il comprend également un ensemble complet de fonctionnalités permettant le calcul de diverses mesures de complexité (y compris l'entropie et la dimension fractale)[10].
Design
Le logiciel a été conçu pour être accessible aux utilisateurs sans expérience en programmation, avec la possibilité d'utiliser des fonctions de haut niveau pour exécuter des routines entières de prétraitement ou d'analyse[1] - [11].
Références
- Makowski, Pham, Lau et Brammer, « NeuroKit2: A Python toolbox for neurophysiological signal processing », Behavior Research Methods, vol. 53, no 4, , p. 1689–1696 (DOI 10.3758/s13428-020-01516-y)
- « neurokit2 », PyPI (consulté le )
- « NeuroKit2 article - Statistics », ResearchGate (consulté le )
- « NeuroKit2 - Popularity », GitHub (consulté le )
- « NeuroKit2 Versions », GitHub (consulté le )
- Jaber, Hajj, Maalouf et El-Hajj, « Medically-oriented design for explainable AI for stress prediction from physiological measurements », BMC Medical Informatics and Decision Making, vol. 22, no 1, , p. 12 (DOI 10.1186/s12911-022-01772-2)
- Pham, Lau, Chen et Makowski, « Heart Rate Variability in Psychology: A Review of HRV Indices and an Analysis Tutorial », Sensors, vol. 21, no 12, , p. 3998 (DOI 10.3390/s21123998)
- Baraeinejad, Fallah Shayan, Vazifeh et Rashidi, « Design and Implementation of an Ultra-Low-Power ECG Patch and Smart Cloud-Based Platform », TechRxiv, , p. 5 (DOI 10.36227/techrxiv.17003401)
- (en) « R-peak detection benchmark », sleepecg.readthedocs.io (consulté le )
- « NeuroKit2 - Complexity », GitHub, (consulté le )
- (en-US) « Biosignal processing for automatic emotion recognition », BrainHack School (consulté le )