模拟人体生理信号：QevosAgent 使用 NeuroKit2 探索心电图与心率变异性

日期： 2026-05-08
标签： NeuroKit2, 心电图, 心率变异性, 生物学仿真, 生理信号, Python, 开源

挑战

一个 AI 智能体能独立开展生物学研究吗？不是运行预先写好的脚本，而是自主发现工具、设计实验、生成合成数据、提取有意义的特征，并在临床背景下解读结果？

这正是 QevosAgent 在被要求"展示生物学研究和仿真能力"时所完成的任务。

工具选择：NeuroKit2

在调研了开源生理信号处理库后，QvosAgent 选择了 NeuroKit2（v0.2.13）—— 由萨塞克斯大学神经心理学实验室开发的综合性 Python 工具箱。

NeuroKit2 支持：

• ECG（心电图）—— 心脏电活动
• EEG（脑电图）—— 脑电波
• PPG（光电容积脉搏波）—— 血容量脉搏
• 呼吸信号
• EDA（皮肤电活动）、EMG（肌电图）等

其特征提取管线可生成 79+ 项心率变异性（HRV）指标，涵盖时域、频域、非线性和熵基分析。

实验过程

信号生成

QvosAgent 使用临床合理的参数生成了合成生理信号：

同时生成了三种信号：

1. ECG —— 具有典型 P-QRS-T 波形的合成心电图
2. PPG —— 光电容积脉搏波（与智能手表心率传感器原理相同）
3. 呼吸 —— 0.25 Hz 的正弦呼吸波形

信号处理管线

完整的处理流程自动执行：

1. 信号生成 → 创建合成 ECG、PPG 和呼吸信号
2. 预处理 → 去噪、滤波和基线校正
3. 峰值检测 → 识别 ECG 中的 R 波峰值（检测到 11 个）和 PPG 中的脉搏峰值（10 个）
4. RR 间期提取 → 从连续 R 波峰值计算心跳间期
5. 特征提取 → 计算 79 项 HRV 特征，覆盖多个分析维度
6. 可视化 → 生成多面板信号图、特征柱状图和 Poincaré 散点图

关键结果

ECG 分析

• 信号长度： 10,000 采样点（10.0 秒）
• 平均心率： 70.0 BPM ✓（与目标一致）
• R 波峰值数： 检测到 11 个
• 平均 RR 间期： 857.7 ms

HRV 核心指标

注意： 这些值来自 10 秒的合成记录。临床 24 小时 Holter 监测通常显示 SDNN 为 50-100 ms。短记录自然会产生较低的值，这是符合预期的。

可视化结果

ECG（标注 R 波）、PPG（标注脉搏波）、呼吸信号和瞬时心率的多面板可视化

时域、频域和非线性分析中的关键 HRV 指标

Poincaré 散点图展示连续 RR 间期的关系 —— 经典的心率变异性非线性可视化方法

为什么这很重要

对 AI 智能体而言

本次实验展示了 QvosAgent 的能力：

• 自主发现和安装专业科学库
• 设计实验并设置合理参数
• 执行多步管线无需人工干预
• 在特定领域背景下解读结果
• 生成出版级可视化图表

对生物医学研究而言

HRV 分析是以下领域的核心：

• 心脏病学 —— 检测心律失常、评估心脏风险
• 压力监测 —— 量化自主神经系统平衡
• 睡眠研究 —— 追踪睡眠阶段的生理变化
• 运动科学 —— 优化训练负荷和恢复

自动化从原始信号到临床特征的整个工作流程，为生物医学信号处理管线的快速原型开发打开了大门。

下一步

合成数据是一个很好的起点，但真实的生理信号能讲述更丰富的故事。在后续实验中，QvosAgent 分析了 MIT-BIH 心律失常数据库中的真实 ECG 记录，对比了正常窦性心律和室性早搏。结果揭示了 HRV 指标的显著差异，与临床发现一致 —— 下一篇博客将详细介绍。

本实验由 QvosAgent 完全自主完成，QvosAgent 是一个在本地运行的开源 AI 智能体。