このガイドのゴール

pyMEA は MEA（多点電極アレイ） で計測した心筋・神経細胞の電位データを解析するライブラリです。

• 専門のプログラミング知識がなくてもコピペで動かせる
• データ読み込み → 解析 → グラフ化を一連の流れで習得
• まずは「こう書けば動く」を体で覚えるのが近道

アジェンダ

インストール

ターミナル（Windows は Git Bash）で1行打つだけ。

pip install git+https://github.com/kkito0726/MEA_modules.git

最新版へアップデートする場合：

pip uninstall pyMEA -y
pip install git+https://github.com/kkito0726/MEA_modules.git

クラス構造を理解する

pyMEA では PyMEA という1つのオブジェクトがすべての機能への入口になります。

import 文

ファイルの先頭に、おまじないを1行書きます。

from pyMEA import *

• *（アスタリスク）は「必要なものを全部まとめて読み込む」という意味
• これ1行で read_MEA・detect_peak_neg などがすべて使えるようになる

基本の読み込み

read_MEA() に 4つの情報 を渡すだけでデータが読めます。

from pyMEA import *

hed_path = "/Users/you/data.hed"  # ① 計測ファイルのパス
start, end = 0, 30                # ② 読み込む範囲（秒）
electrode_distance = 450          # ③ 電極間の距離（μm）

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

• 戻り値の mea が、これ以降すべての解析の起点
• start〜end 秒だけ読むのでメモリを節約できる

フィルターありで読み込む

ノイズ処理をかけたいときは、第5引数に FilterType を指定します。

# 神経細胞 → 移動平均フィルター
mea = read_MEA(hed_path, start, end,
               electrode_distance, FilterType.FILTER_MEA)

# 心筋細胞 → 平均波形（拍動を重ね合わせて平滑化）
mea = read_MEA(hed_path, start, end,
               electrode_distance, FilterType.CARDIO_AVE_WAVE)

データの切り出し・変換

読み込んだ後でも、自由に加工できます。

# 0.25〜0.5 秒の区間だけ切り出す（小数でも指定OK）
mea_slice = mea.from_slice(0.25, 0.5)

# 時刻を 0 秒始まりにそろえる
mea = mea.init_time()

# データを 1/10 に間引いて処理を高速化
mea_light = mea.down_sampling(10)

データの保存・再読み込み（.npz）

MEAデータは容量が大きいので、解析の中間結果を軽量な .npz で保存して使い回せます。

# 保存（既定の int16 で約 1/2 サイズに圧縮）
mea.save_npz("data.npz")

# 再読み込み（電極間距離も復元されるので引数不要・高速）
mea = read_MEA_npz("data.npz")

• .hed から読み直すより速く・軽く、区間を切り出した後の保存にも便利
• 振幅の絶対値を厳密に保ちたいときは mea.save_npz("data.npz", dtype="float32")

一括変換CLI「mea2npz」

たくさんの計測ファイルをまとめて .npz 変換できる Python不要の単一バイナリCLI も用意しています。

# インストール（初回1回だけ。Go/Python不要）
curl -fsSL https://raw.githubusercontent.com/kkito0726/MEA_modules/main/tools/mea2npz/install.sh | bash

# フォルダ内の .hed をまとめて変換（output/ に出力）
mea2npz ./measurements -recursive

# 引数なしなら対話モード（フラグを覚えなくてOK）
mea2npz

• 出力は read_MEA_npz() でそのまま読め、pyMEA生成物と数値一致
• 大量データの前処理を手早く・自動で済ませたいときに最適

ピーク抽出とは？

電位波形の中から、心筋・神経が活動した瞬間（とがった部分） を自動で拾う処理です。用途に応じて3種類あります。

ピーク抽出 — サンプルコード

# 下ピークを抽出（最もよく使う）
peak_index_neg = detect_peak_neg(mea.data)

# うまく拾えないときは閾値（threshold）を調整
peak_index_neg = detect_peak_neg(mea.data, threshold=2)

# 電極 ch5 の「最初のピークが起きた時刻（秒）」を取得
time = mea.data[0][peak_index_neg[5]]

• peak_index_neg は「何番目のデータ点か」を表すインデックスの配列
• mea.data[0] が時間データ（先頭が時間軸）
• 電極番号は 1〜64（mea.data[1]〜mea.data[64] が各電極）

64電極を一覧表示

8×8 の全電極の波形を、一枚にまとめて表示します。

# 0〜1秒、電位の表示範囲は ±300 μV
mea.fig.showAll(start=0, end=1,
                volt_min=-300, volt_max=300)

• 全64電極の波形を俯瞰できる（どこが活発か一目でわかる）
• 引数なしの mea.fig.showAll() でも動作する

1電極を拡大表示

気になった電極だけを、大きく詳しく見ます。

# 電極 ch2 の波形を拡大表示
mea.fig.showSingle(ch=2, start=0, end=1,
                   volt_min=-300, volt_max=300)

ピークをプロットして確認

検出したピークが正しい位置かを波形に重ねて確認します。

peak_index = detect_peak_neg(mea.data)

# ch2 の波形にピークを重ねて表示
mea.fig.plotPeaks(2, peak_index,
                  start=0, end=1,
                  volt_min=-300, volt_max=300)

• 波形の上にマーカーでピーク位置が表示される
• ピークがズレている／拾いすぎているときは threshold を再調整

拍動波形の重ね合わせ

各拍動の1stピークを基準に切り出して重ね描くと、ばらつきが一目でわかります。

import matplotlib.pyplot as plt

ch = 3                              # 重ね合わせる電極
before_sec, after_sec = 0.05, 0.3  # ピーク前後の切り出し秒数
sr = mea.data.SAMPLING_RATE
peaks = detect_peak_neg(mea.data)

# 秒 → フレーム数（from_slice の引数はフレーム番号）
before, after = int(before_sec * sr), int(after_sec * sr)

# 各ピーク前後を切り出し、時刻を0に揃えて重ね描き
mea_list = [mea.from_slice(i - before, i + after).init_time()
            for i in peaks[ch]]
plt.figure()
for m in mea_list:
    plt.plot(m.data[0], m.data[ch])
plt.ylim(-50, 150); plt.show()

ラスタープロット & ヒストグラム

複数電極の発火タイミングを、まとめて俯瞰します。

peak_index = detect_peak_neg(mea.data)
eles = [1, 2, 3, 4, 5]   # 見たい電極番号を指定

# ラスタープロット（発火タイミングを点で並べる）
mea.fig.raster_plot(peak_index=peak_index,
                    eles=eles, start=0, end=30)

# ヒストグラム（時間ごとの発火数を棒グラフに）
mea.fig.mkHist(peak_index=peak_index,
               eles=eles, start=0, end=30)

カラーマップ描画

活動電位がどの向きに伝わったかを、空間的に可視化します。

peak_index = detect_peak_neg(mea.data)

# 2D カラーマップ（伝播方向の矢印つき）
mea.fig.draw_2d(peak_index=peak_index)

# 3D カラーマップ（立体的に表示）
mea.fig.draw_3d(peak_index=peak_index)

GIF 動画を作る

isBuf=True で各コマ（フレーム）を画像として貯め、つなげて動画にします。

# 0.1秒ずつ時間をずらした100フレームのGIF
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.save_gif("output.gif", duration=0.1)   # ファイル保存
video.display_gif(duration=0.1)              # Jupyter上で再生

カラーマップ動画

カラーマップ系は isBuf=True を付けるだけで、自動で動画になります。

peak_index = detect_peak_neg(mea.data)

# 拍動の周期ごとにフレームが自動生成される
video = mea.fig.draw_2d(peak_index=peak_index,
                        isBuf=True)

video.save_gif("colormap.gif", duration=0.1)

ISI（拍動間隔）の計算

ISI = Inter-Spike Interval。隣り合うピークの時間間隔で、拍動リズムの指標になります。

peak_index = detect_peak_neg(mea.data)

# ch2 の ISI を計算
isi = mea.calculator.isi(peak_index, ch=2)

isi.mean  # 平均値
isi.std   # 標準偏差
isi.se    # 標準誤差
isi.stv   # Short-Term Variability（拍動の揺らぎ）
isi.coefficient_of_variation  # 変動係数（CV）

FPD（細胞外電位継続時間）

FPD = Field Potential Duration。心筋の活動電位の長さに相当し、QT間隔に対応する重要指標です。

peak_index = detect_peak_neg(mea.data)

# ch2 の FPD を計算
fpd = mea.calculator.fpd(peak_index, ch=2)

fpd.mean   # 平均値
fpd.std    # 標準偏差

# 検出位置を目で確認
fpd.show()

伝導速度の計算

2つの電極間で、信号が到達する時間差から興奮の伝わる速さを求めます。

peak_index = detect_peak_neg(mea.data)

# ch9 → ch54 間の伝導速度
cv = mea.calculator.conduction_velocity(
    peak_index, ch1=9, ch2=54
)

cv.mean  # 平均（m/s）
cv.std   # 標準偏差

基本の流れ（コピペで動く）

from pyMEA import *

# 1. データ読み込み
mea = read_MEA("data.hed", start=0, end=30,
               electrode_distance=450)

# 2. ピーク抽出
peaks = detect_peak_neg(mea.data)

# 3. グラフで確認
mea.fig.showAll()
mea.fig.plotPeaks(2, peaks)

# 4. 数値計算
isi = mea.calculator.isi(peaks, ch=2)
print(f"ISI 平均: {isi.mean:.3f} s")

チートシート