人工知能（AI）のニューロテクノロジーへの統合は、脳コンピュータインターフェース（BCI）開発へのアプローチを根本的に変えました。ノイズの多いEEG（脳波）データのフィルタリングから複雑な神経スパイク列のデコードまで、現代の大規模言語モデル（LLM）はニューロテック・エンジニアの能力を倍増させ、生信号から実用的なインサイトを得るまでのプロセスを加速させる原動力となっています。
以下のプロンプトは、ChatGPT、Gemini、Claude、DeepSeekを含む主要なすべてのAIアーキテクチャで展開できるように厳密にテスト・最適化されています。各モデルには独自の強み（DeepSeekは論理重視の最適化、Geminiは大規模コンテキストの統合、Claudeは技術的なニュアンスの把握など）がありますが、これら10個のプロンプトは、神経データパイプラインを扱うあらゆる開発者に共通する堅牢な基盤を提供します。
1. EEGアーティファクト除去戦略の自動化
推奨モデル：DeepSeek（強力な論理的・アルゴリズム的推論能力のため）
眼球や筋肉のアーティファクトを取り除くことは、BCIデータ処理における最初の重要なステップです。このプロンプトは、AIに単なるフィルタの提案をさせるだけでなく、独立成分分析（ICA）に基づいた堅牢な除去戦略を構築させます。
シニア信号処理エンジニアとして振る舞ってください。私は、EOG（瞬き）やEMG（筋肉の動き）のアーティファクトが混入した生のEEGデータを扱っています。
MNE-Pythonライブラリを使用して、以下の処理を行うPythonベースの戦略を設計してください。
1. バンドパスフィルタ（1-40Hz）の適用。
2. アーティファクト成分を特定するための独立成分分析（ICA）の実装。
3. 関連する神経特徴を削除せずに、これらのアーティファクト成分を自動的にラベル付けして除外するために使用すべき特定の統計的閾値（例：zスコア）の定義。
4. 自動除去ループのコードスニペットの提供。
効果： 単純な周波数フィルタリングを超え、データクリーニングのための自動化された統計的手法を確立し、手動の事前処理時間を大幅に短縮します。
2. 運動想起のための特徴量抽出
推奨モデル：ChatGPT（標準的なボイラープレートコードやライブラリ実装の生成に優れているため）
運動想起タスクでは、特定のスペクトルパワー特徴（ミューリズムやベータリズムなど）を抽出する必要があります。このプロンプトは、下流の分類のためにこれらの特徴を分離するために必要な正確なコード構造を生成します。
運動想起タスク（左手対右手の動き）のBCIパイプラインを構築しています。SciPyとNumPyを使用して、パワースペクトル密度（PSD）特徴を抽出するPythonスクリプトを記述してください。
スクリプトの要件：
1. Welch法を使用してPSDを計算する。
2. ミューバンド（8-12 Hz）とベータバンド（13-30 Hz）の平均パワーを特定して抽出する。
3. 出力をScikit-Learnの分類器に入力可能な特徴ベクトルとして構造化する。
4. 選択したウィンドウサイズとオーバーラップパラメータを説明するコメントを含める。
効果： 特徴量抽出モジュールの作成を加速し、モデル訓練のために正しい周波数帯域が数学的に分離されていることを保証します。
3. リアルタイム・データバッファリングの最適化
推奨モデル：DeepSeek（コードの最適化とレイテンシ削減における高いパフォーマンス）
レイテンシはリアルタイムBCIの敵です。このプロンプトは、メモリリークやラグを発生させずに、取得ハードウェアから処理ユニットへスムーズにデータを流すためのリングバッファ管理に焦点を当てています。
32チャンネル、500HzでストリーミングされるリアルタイムBCIアプリケーション用のリングバッファ（サーキュラーバッファ）の概念を検討してください。
以下の機能を持つリングバッファの高パフォーマンスなC++クラス実装（またはNumPyビューを使用した高度に最適化されたPython実装）を記述してください。
1. 入力されるデータチャンクを効率的に処理する。
2. スライディングウィンドウ処理のための「ルックバック」ウィンドウの取得を可能にする。
3. レイテンシを削減するためにメモリコピー操作を最小限に抑える。
4. データ取得と処理が別々のスレッドで発生する場合、この実装がどのようにレースコンディションを回避するかを説明する。
効果： ミリ秒単位の精度が不可欠なクローズドループシステムに必要な、低レイテンシのアーキテクチャパターンを提供します。
4. 神経スパイク・ソーティングのロジック
推奨モデル：Claude（複雑な技術解説とニュアンスのあるコードロジックの処理に長けているため）
侵襲的BCIにおいて、単一ユニット活動を区別することは困難です。このプロンプトはAIを活用して、生の細胞外記録からスパイクを分類するためのクラスタリングアプローチの概要を示します。
細胞外記録を扱っており、スパイク・ソーティングを行う必要があります。K-Meansクラスタリングアルゴリズムと主成分分析（PCA）を使用した完全なワークフローの概要を示してください。
回答に含める内容：
1. 前処理ステップ（閾値による検出）の説明。
2. 閾値を超えた前後の波形を抽出するPythonコードスニペット。
3. 波形の次元を削減するためのPCAの適用。
4. K-Meansを使用してスパイクをクラスター化し、個別のニューロンに割り当てる処理。
5. 重複するスパイクに関する潜在的な落とし穴の議論。
効果： 神経源を分離するための数学的パイプラインを明確にし、生の電圧トレースを離散的な神経イベントに変換するための明確なテンプレートを提供します。
5. LFP位相振幅結合（PAC）の解釈
推奨モデル：Gemini（複雑な理論的概念を実用的な分析に統合することに長けているため）
位相振幅結合（PAC）は、脳の状態間のコミュニケーションを理解するための高度な指標です。このプロンプトは、変調指数（Modulation Index）法を実装するようAIを導きます。
ローカルフィールド電位（LFP）を分析して、テータ位相とガンマ振幅の間の位相振幅結合（PAC）を検出する必要があります。
以下の機能を持つPython関数を生成してください。
1. ヒルベルト変換を使用して解析信号を取得し、信号をテータ帯域（4-8 Hz）とガンマ帯域（30-80 Hz）にフィルタリングする。
2. テータの瞬時位相とガンマの振幅エンベロープを抽出する。
3. 変調指数（MI）を計算して結合強度を定量化する。
4. 結果を表示するための視覚化手法（例：コモドログラム）を提案する。
効果： 複雑な信号処理理論を実行可能な関数に変換し、周波数間の神経相互作用の高度な分析を可能にします。
6. 共通空間パターン（CSP）フィルタの設計
推奨モデル：DeepSeek（数学的アルゴリズムと行列演算に非常に効果的）
CSPはEEGにおける空間フィルタリングのゴールドスタンダードです。このプロンプトは、2つのクラスの信号間の分散を最大化するための数学的実装が正しいことを保証します。
BCIを専門とする機械学習エンジニアとして振る舞ってください。2つのクラス（クラスAとクラスB）間の分散比を最大化するために、Pythonで共通空間パターン（CSP）アルゴリズムを一から実装する必要があります。
以下を提供してください。
1. 数学的導出ステップの簡潔な説明（共分散行列の計算）。
2. 一般化固有値分解問題を解くためのコード。
3. 生のEEGトライアルデータをCSP空間に投影する関数。
4. 空間フィルタの数を選択する方法の説明。
効果： ライブラリ関数の「ブラックボックス」を解明し、特定のハードウェア構成に合わせて空間フィルタをデバッグおよびカスタマイズできるようにします。
7. BCIトレーニングデータの合成
推奨モデル：Gemini（現実的なデータシナリオを作成するための強力な生成能力）
データの不足はBCIにおける大きな課題です。このプロンプトはAIを使用して、ヒトでの試験を開始する前にパイプラインをストレステストするための合成データセットを生成します。
信号処理パイプラインのストレステストを行う必要がありますが、十分な患者データがありません。合成EEGデータセットを作成するPythonスクリプトを生成してください。
スクリプトの要件：
1. 1/fスペクトル特性（ピンクノイズ）を持つ64チャンネルのノイズをシミュレートする。
2. 後頭部チャンネル（O1, O2）に合成10Hzアルファ正弦波を注入する。
3. 前頭部チャンネル（Fp1, Fp2）に瞬きに似た高振幅のアーティファクトをランダムに注入する。
4. パイプラインに取り込める標準形式（.mneやnumpy配列など）でデータを出力する。
効果： 被験者やハードウェアのセットアップをすぐに用意することなく、パイプラインのラピッドプロトタイピングと堅牢性テストを可能にします。
8. P300スペラー分類パイプライン
推奨モデル：ChatGPT（エンドツーエンドのワークフロー生成に最適）
P300スペラーは古典的なBCIパラダイムです。このプロンプトは、エポック作成から意思決定まで、完全な分類チェーンを要求します。
P300事象関連電位（ERP）スペラーパラダイム用の分類パイプラインを設計してください。
ステップバイステップのプロセスを概説し、以下に対する疑似コードまたはPythonコードを提供してください。
1. 刺激提示の前後（-100msから800ms）でのデータのエポック化。
2. ベースライン補正。
3. ダウンサンプリングと特徴ベクトルのフラット化。
4. 線形判別分析（LDA）分類器の訓練（収縮正則化を推奨）。
5. 行と列にわたる最高の分類器スコアに基づいた文字選択のロジックブロック。
効果： 信号処理とユーザーインターフェース・ロジックの橋渡しをし、実用的なBCIアプリケーションのための包括的な青写真を提供します。
9. 非同期BCI状態検出
推奨モデル：Claude（ロジックフローとステートマシンの定義に優れているため）
同期型BCIとは異なり、非同期システムはユーザーが「いつ」行動しようとしているかを判断しなければなりません。このプロンプトは「ブレイン・スイッチ」ロジックに取り組みます。
継続的に「意図的制御（IC）」状態と「非制御（NC）」状態を区別する必要がある、非同期型の「ブレイン・スイッチ」BCIを開発しています。
以下の機能を持つ検出フレームワークを提案してください。
1. スライディングウィンドウアプローチを使用して特徴量を継続的に計算する。
2. 一時的なノイズによる誤検知を防ぐために、「ドウェルタイム（滞留時間）」または証拠蓄積閾値を実装する。
3. 起動成功後の不応期ロジックを含める。
4. このステートマシンのロジックフローを記述する。
効果： 堅牢なステートマシン・ロジックを定義することで、自己ペース型BCIにおける誤検知という重要なユーザビリティの課題を解決します。
10. Neurodata Without Borders (NWB) への変換
推奨モデル：Gemini（複雑なファイル形式やデータ標準の処理に精通しているため）
標準化はコラボレーションの鍵です。このプロンプトは、独自のデータ形式をオープンなNWB標準に変換するのに役立ちます。
神経記録と行動タイムスタンプを含むカスタムHDF5ファイルがあります。これをNeurodata Without Borders (NWB) 形式に変換する必要があります。
PyNWBライブラリを使用して、以下の処理を行うPythonスクリプトを記述してください。
1. 必須のメタデータ（セッション開始時間、識別子）を使用してNWBFileを初期化する。
2. 生の電圧データ用のTimeSeriesオブジェクトを作成する。
3. LFPデータ用の処理モジュールを追加する。
4. 行動イベント（トライアルの開始/停止）をエポックテーブルとして整列させ、追加する。
効果： データの相互運用性と長期的なアーカイブコンプライアンスを保証します。これは、現代の多くのアカデミックおよび産業用ニューロテックプロジェクトの要件です。
プロのヒント：コンテキスト・プロンプト・チェイニング
これらのプロンプトを最大限に活用するには、反復的なチェイニング（連鎖）を使用してください。最初のコードブロックで止めないでください。例えば、DeepSeekがフィルタ設計を提供したら、すぐに続けて次のように指示します。「次に、このコードをCuPy経由でGPU加速を利用するように書き換えてください」または「信号対雑音比が50%低下したときに、このフィルタがどのように動作するかをシミュレートしてください」。あるプロンプトの出力を次のコンテキストにフィードすることで、コードを単なる断片からプロダクションレベルのモジュールへと進化させることができます。
理論的な神経科学と実用化されたニューロテクノロジーの間の溝は、急速に埋まりつつあります。これらのAIプロンプトを活用することで、単にコードを速く書くだけでなく、信号処理とデータ解析のアプローチを標準化することができます。分析している信号の生物学的な裏付けを理解することに集中し、行列代数や構文の重労働はAIに任せましょう。