Imported from kkito0726/MEA_modules (.claude/skills/pyMEA-codegen/SKILL.md). Install upstream with npx skills add kkito0726/MEA_modules --skill pyMEA-codegen. Copyright stays with the author.

pyMEA コード生成スキル

pyMEAライブラリを使った解析コードをJupyter Notebook上で生成するためのガイド。 ユーザーは研究者（プログラミング経験は様々）で、pyMEAはインストール済み。

詳細なAPIリファレンス: 各メソッドの全パラメータや型情報は references/api-reference.md を参照すること。パラメータの詳細やあまり使われない機能（バースト解析、ポワンカレプロット、アーティファクト除去等）について質問があった場合は、まずリファレンスを確認する。

基本原則

1. from pyMEA import * を使う — これが標準的なimport方法
2. イミュータブル設計を尊重する — データ変換は常に新しい変数に代入する
3. 電極番号は1〜64 — array[0]は時間データ、array[1]〜array[64]が電極データ
4. コメントは日本語で書く — ユーザーは日本語話者

アーキテクチャ理解

PyMEA (frozen dataclass) — read_MEA() で生成
  ├── data:       MEA        # 電位データ（array[0]=時刻, array[1-64]=電極）
  ├── fig:        FigMEA     # グラフ描画メソッド群
  ├── calculator: Calculator # 数値計算メソッド群
  └── electrode:  Electrode  # 電極位置情報

コード生成テンプレート

1. データ読み込み（必ず最初に行う）

from pyMEA import *

# .hedファイルのパスを指定
hed_path = "path/to/your_data.hed"
start, end = 0, 30            # 読み込み期間 (秒)
electrode_distance = 450       # 電極間距離 (μm)

mea = read_MEA(hed_path, start, end, electrode_distance)

.hedファイルの読み込みには、同じディレクトリに同名の.bioファイルが必要。ユーザーが指定した.hedファイルに対応する.bioファイルが存在するか不明な場合（特にファイルパスが初めて提示された場合）、コード生成前に.bioファイルの存在を確認し、存在しなければユーザーに報告して対応を確認する。

デフォルトは生データ読み込み（FilterType.NONE）。ユーザーから明示的にフィルター指定があった場合のみ filter_type 引数を追加する:

• FilterType.CARDIO_AVE_WAVE — 心筋細胞の平均波形（ユーザーが「平均波形」「ave wave」等を指定した場合）
• FilterType.FILTER_MEA — 神経細胞用の移動平均フィルタ（ユーザーが「移動平均」「フィルター」等を指定した場合）

# ユーザーがフィルターを指定した場合のみ使用
mea = read_MEA(hed_path, start, end, electrode_distance, FilterType.CARDIO_AVE_WAVE)
mea = read_MEA(hed_path, start, end, electrode_distance, FilterType.FILTER_MEA)

2. ピーク検出

# 下ピーク検出（心筋細胞で最も一般的）
peak_index = detect_peak_neg(mea.data)

# 上ピーク検出
peak_index_pos = detect_peak_pos(mea.data)

# 上下両方のピーク検出
peak_index_all = detect_peak_all(mea.data)

パラメータ調整が必要な場合:

• distance — ピーク間の最小間隔（フレーム数、デフォルト3000）
• threshold — SD倍率の閾値（デフォルト3）
• min_amp — 最小振幅の閾値（μV、デフォルト10）

3. グラフ描画

全64電極の波形表示

mea.fig.showAll(start=0, end=1, volt_min=-300, volt_max=300)

単一電極の波形表示

mea.fig.showSingle(ch=6, start=0, end=1, volt_min=-300, volt_max=300)

ピーク位置をプロット

peak_index = detect_peak_neg(mea.data)
mea.fig.plotPeaks(6, peak_index, start=0, end=1)

波形の積み上げ表示

eles = [1, 2, 3, 4, 5, 6, 7, 8]  # 表示する電極リスト
mea.fig.showDetection(eles=eles, start=0, end=1)

ラスタープロット

peak_index = detect_peak_neg(mea.data)
eles = [1, 2, 3, 4, 5, 6, 7, 8]
mea.fig.raster_plot(peak_index=peak_index, eles=eles, start=0, end=5)

ヒストグラム

peak_index = detect_peak_neg(mea.data)
eles = [1, 2, 3, 4, 5, 6, 7, 8]
mea.fig.mkHist(peak_index=peak_index, eles=eles, start=0, end=5)

2Dカラーマップ（興奮伝播の可視化）

peak_index = detect_peak_neg(mea.data)
mea.fig.draw_2d(peak_index=peak_index)

# 等高線表示 + 速度ベクトルなし
mea.fig.draw_2d(peak_index=peak_index, contour=True, isQuiver=False)

# カラーマップの変更、基準電極を指定して拍動ごとに分割
mea.fig.draw_2d(peak_index=peak_index, cmap="viridis", base_ch=5)

3Dカラーマップ

peak_index = detect_peak_neg(mea.data)
mea.fig.draw_3d(peak_index=peak_index)

ライン状ネットワークのカラーマップ

peak_index = detect_peak_neg(mea.data)
amc_chs = [1, 2, 3, 4, 5, 6, 7, 8]  # AMC電極の順番（経路がつながっている順）
mea.fig.draw_line_conduction(peak_index=peak_index, amc_chs=amc_chs)

# 環状でない経路、基準電極を指定する場合
mea.fig.draw_line_conduction(peak_index=peak_index, amc_chs=amc_chs, isLoop=False, base_ch=1)

注意: base_ch を指定する場合、amc_chs に含まれる電極を指定すること。

4. 数値計算

ISI（拍動間隔）

peak_index = detect_peak_neg(mea.data)
isi = mea.calculator.isi(peak_index, ch=6)

# 統計値の取得
print(f"平均: {isi.mean:.4f} s")
print(f"標準偏差: {isi.std:.4f} s")
print(f"標準誤差: {isi.se:.4f} s")
print(f"STV: {isi.stv:.4f}")
print(f"変動係数: {isi.coefficient_of_variation:.4f}")

# ISIのグラフ表示
isi.show()

FPD（細胞外電位継続時間）

peak_index = detect_peak_neg(mea.data)
fpd = mea.calculator.fpd(peak_index, ch=6)

print(f"平均: {fpd.mean:.4f} s")
print(f"標準偏差: {fpd.std:.4f} s")

# FPD算出に使用したピークの確認
fpd.show()

FPDの検出がうまくいかない場合のパラメータ調整:

fpd = mea.calculator.fpd(
    peak_index, ch=6,
    peak_range=(30, 110),    # 2ndピークの電位範囲 (μV)
    stroke_time=0.02,        # 1stピーク付近の除外時間 (s)
    fpd_range=(0.1, 0.4),    # 許容するFPDの範囲 (s)
)

伝導速度

peak_index = detect_peak_neg(mea.data)
cv = mea.calculator.conduction_velocity(peak_index, ch1=9, ch2=54)

print(f"平均伝導速度: {cv.mean:.4f} m/s")

注意: ch1とch2のピーク検出数が一致しない場合、ValueErrorが発生する。ピーク検出パラメータの調整が必要になることがある。

速度ベクトルからの伝導速度

peak_index = detect_peak_neg(mea.data)
gv = mea.calculator.gradient_velocity(peak_index)

電極間距離

dist = mea.calculator.distance(ch1=9, ch2=54)
print(f"電極間距離: {dist:.1f} μm")

5. データ操作

時間範囲の切り出し

mea_slice = mea.from_slice(0.5, 1.5)  # 0.5〜1.5秒を切り出し

拍動周期ごとの分割

peak_index = detect_peak_neg(mea.data)
mea_list = mea.from_beat_cycles(peak_index, base_ch=5)
# mea_list[0], mea_list[1], ... で各拍動周期にアクセス

時刻を0始まりにリセット

mea = mea.init_time()

ダウンサンプリング

mea_down = mea.down_sampling(10)  # 1/10にダウンサンプリング

ノッチフィルタ（電源ノイズ除去）

mea_filtered = mea.iirnotch_filter(filter_hz=50, Q=30)

6. 動画作成

isBuf=True で画像を取得し、VideoMEA で動画化

# 64電極波形のスライド動画
fig_images = [
    mea.fig.showAll(0 + i * 0.1, 1 + i * 0.1, isBuf=True, dpi=100)
    for i in range(100)
]
video = VideoMEA(fig_images)
video.display_gif(duration=0.1)  # Jupyter上で再生
video.save_gif("output.gif", duration=0.1)  # ファイル保存

カラーマップの動画（拍動ごとに自動生成）

peak_index = detect_peak_neg(mea.data)
video = mea.fig.draw_2d(peak_index=peak_index, isBuf=True)
video.display_gif(duration=0.1)
video.save_gif("colormap.gif", duration=0.1)

7. 周波数解析

mea.fig.plot_spectrum(ch=6, max_freq=500)

8. バースト解析（神経細胞用）

バースト解析モジュールは from pyMEA import * ではインポートされない。明示的にインポートする。

from pyMEA.domain.service.burst import sbf_detection, sbf_single

# 64電極の同期バースト発火検出
peak_index = detect_peak_neg(mea.data)
bursts = sbf_detection(mea.data, peak_index)

# 1電極のバースト発火検出
bursts_single = sbf_single(mea.data, peak_index, ch=6)

パラメータの詳細は references/api-reference.md の「バースト解析」セクションを参照。

9. 画像の保存

# isBuf=True で画像オブジェクトを取得し、ファイルに保存
fig_image = mea.fig.showAll(isBuf=True)
fig_image.save("output.png")   # .png, .jpg, .jpeg に対応

# MP4動画の保存
video = mea.fig.draw_2d(peak_index=peak_index, isBuf=True)
video.save_mp4("output.mp4", fps=10)

10. データ情報の確認

# MEAデータの基本情報を表示
mea.data.info
# => 読み込み開始時間, 終了時間, 合計時間, サンプリングレート, GAIN

# データの形状
print(mea.data.shape)  # (65, フレーム数)

# 電極座標の取得
x, y = mea.electrode.get_coordinate(ch=6)

よくある解析フロー

心筋細胞の基本解析

データ読み込み → ピーク検出 → ISI/FPD計算 → 波形表示 → カラーマップ

神経細胞の基本解析

データ読み込み(FilterType.FILTER_MEA) → ピーク検出 → ラスタープロット → ヒストグラム

伝導速度解析

データ読み込み → ピーク検出 → conduction_velocity or gradient_velocity → 2Dカラーマップ

コード生成時の注意点

曖昧な情報は必ずユーザーに確認する（最重要）

以下の情報がユーザーの指示に含まれていない場合、勝手にデフォルト値を使わず必ずユーザーに質問する:

• 電極番号（ch） — どの電極で解析するか。誤った電極で解析すると結果が無意味になるため、推測しない
• 解析期間（start, end） — 何秒から何秒までのデータを使うか
• ファイルパス — .hedファイルの場所
• 電極間距離 — 実験条件に依存するため確認する
• 電極リスト（eles） — ラスタープロットやヒストグラム等で使う電極の一覧
• 伝導速度のch1, ch2 — どの電極間で計算するか
• .bioファイルの存在 — .hedファイルのパスが指定されたら、同じディレクトリに同名の.bioファイルが存在するか確認する。.bioファイルが見つからない場合は、コード生成前にユーザーに「.bioファイルが見つかりませんが、同じディレクトリに配置されていますか？」と確認する

その他、ユーザーの意図が曖昧な場合は常にコードを生成する前に確認する。想定と異なるプログラムが出来上がることを防ぐため、推測よりも質問を優先する。

その他の注意点

• isBuf=False（デフォルト）はJupyter上にグラフを直接表示する — 通常はこれで良い
• 画像を変数に保存したい場合やGIF動画を作る場合は isBuf=True を使う
• 計算結果オブジェクト（ISI, FPD, ConductionVelocity）は .values で生のNumPy配列にアクセスできる
• plotPeaks の peak_indexes は可変長引数。複数のPeaks64を渡せる
• 色のカスタマイズは color 引数で指定可能（文字列 or RGBAリスト）