腦電圖（Electroencephalogram，簡稱EEG）是一種用於記錄大腦活動的生物醫學信號，但在實際記錄中常常伴隨著各種雜訊，如肌肉運動、電網干擾、眼球運動等。為了提取有效的大腦活動信息，必須處理和去除這些雜訊。以下是一些處理和去除腦電圖雜訊的常見步驟：

1. 濾波技術：

   • 常見的濾波技術包括低通濾波、高通濾波和帶通濾波，用於去除特定頻率範圍內的雜訊。Python中可以使用SciPy中的scipy.signal模組進行濾波操作。以下為低通、高通、帶通濾波的程式範例。

   import numpy as np
   import matplotlib.pyplot as plt
   from scipy import signal
   
   # 創建一个範例信號（脈衝信號家噪音）
   fs = 1000  # 採樣頻率
   t = np.arange(0, 5, 1/fs)  # 時間範圍
   signal_noise = np.sin(2 * np.pi * 5 * t) + 0.5 * np.random.randn(len(t))
   
   # 設計低通濾波器
   low_cutoff = 20  # 截止頻率（Hz）
   b, a = signal.butter(4, low_cutoff / (fs / 2), 'low')
   low_filtered_signal = signal.filtfilt(b, a, signal_noise)
   
   # 設計高通濾波器
   high_cutoff = 1  # 截止頻率（Hz）
   b, a = signal.butter(4, high_cutoff / (fs / 2), 'high')
   high_filtered_signal = signal.filtfilt(b, a, signal_noise)
   
   # 設計帶\通濾波器
   lowcut = 1  # 低截止頻率（Hz）
   highcut = 20  # 高截止頻率（Hz）
   b, a = signal.butter(4, [lowcut / (fs / 2), highcut / (fs / 2)], 'band')
   bandpass_filtered_signal = signal.filtfilt(b, a, signal_noise)
   
   # 繪製遠使信號及濾波後的信號
   plt.figure(figsize=(12, 6))
   plt.subplot(4, 1, 1)
   plt.plot(t, signal_noise)
   plt.title('原始信號')
   
   plt.subplot(4, 1, 2)
   plt.plot(t, low_filtered_signal)
   plt.title('低通濾波後')
   
   plt.subplot(4, 1, 3)
   plt.plot(t, high_filtered_signal)
   plt.title('高通濾波後')
   
   plt.subplot(4, 1, 4)
   plt.plot(t, bandpass_filtered_signal)
   plt.title('带通濾波後')
   
   plt.tight_layout()
   plt.show()
   
   

2. 狀態空間模型：

   • 狀態空間模型可以用於模擬大腦活動和雜訊的動態。這種方法通常使用Kalman濾波器或粒子濾波器等演算法來估計真實信號。

3. 動態去噪方法：

   • 動態去噪方法根據腦電圖的特定情境調整參數，以提高去噪效果。這些方法可能需要根據實際應用場景進行自定義實現。

4. 眼球運動去除：

   • 使用眼動識別技術來檢測和去除眼球運動引起的腦電圖雜訊。可以使用獨立成分分析（Independent Component Analysis，ICA）來識別和分離眼動成分。

注意！每個EEG數據集和應用場景都有不同的雜訊源和處理需求，因此最佳的處理方法可能因情況而異。在實際應用中，需要仔細分析數據並選擇最合適的技術。