간단한 BCI 데이터 처리 코드 예시 (Python)

# 무선으로 수신된 EEG 데이터 처리 예시
import numpy as np
from scipy import signal

# 무선으로 수신된 EEG 데이터 (가정)
eeg_data = receive_wireless_eeg_data()  # 실제 함수는 하드웨어에 따라 다름

# 노치 필터 적용 (전력선 간섭 제거, 보통 50Hz 또는 60Hz)
notch_freq = 60.0  # Hz
sample_rate = 250.0  # Hz
quality_factor = 30.0  # Q factor
b_notch, a_notch = signal.iirnotch(notch_freq, quality_factor, sample_rate)
filtered_data = signal.filtfilt(b_notch, a_notch, eeg_data)

# 대역 통과 필터 적용 (관심 주파수 대역만 추출)
low_cutoff = 1.0  # Hz
high_cutoff = 40.0  # Hz
b_band, a_band = signal.butter(4, [low_cutoff, high_cutoff], btype='band', fs=sample_rate)
filtered_data = signal.filtfilt(b_band, a_band, filtered_data)

# 특징 추출 (예: 주파수 대역 파워)
def extract_band_power(data, band, sample_rate):
    # 푸리에 변환
    fft_data = np.abs(np.fft.rfft(data))
    freqs = np.fft.rfftfreq(len(data), 1/sample_rate)
    
    # 특정 주파수 대역의 파워 계산
    band_mask = (freqs >= band[0]) & (freqs <= band[1])
    return np.mean(fft_data[band_mask]**2)

# 주요 뇌파 대역 파워 계산
delta_power = extract_band_power(filtered_data, [1, 4], sample_rate)  # 델타파 (1-4Hz)
theta_power = extract_band_power(filtered_data, [4, 8], sample_rate)  # 세타파 (4-8Hz)
alpha_power = extract_band_power(filtered_data, [8, 13], sample_rate)  # 알파파 (8-13Hz)
beta_power = extract_band_power(filtered_data, [13, 30], sample_rate)  # 베타파 (13-30Hz)

# 결과를 기반으로 의도 분류 (간단한 예시)
if alpha_power > theta_power and alpha_power > beta_power:
    intention = "relaxed"
elif beta_power > alpha_power:
    intention = "focused"
else:
    intention = "neutral"

# 분류된 의도에 따라 장치 제어
control_device(intention)