脑机接口技术

脑机接口（BCI），有时也称为神经控制接口（NCI），脑机接口（MMI），直接神经接口（DNI）或脑机接口（BMI），是增强或有线的大脑以及外部设备。 BCI与神经调节的不同之处在于BCI允许双向信息流。 BCI通常旨在研究，绘制，协助，增强或修复人类的认知或感觉运动功能。[1]

BCI的研究始于1970年代，是在美国国家科学基金会的资助下于加利福尼亚大学LA分校（UCLA），随后是DARPA的一项合同。[2] [3]该研究之后发表的论文也标志着科学文献中脑-计算机接口表达的首次出现。

由于大脑的皮质可塑性，适应后，来自假肢的信号可以像自然传感器或效应器通道一样由大脑处理。[4]经过多年的动物实验，在1990年代中期出现了第一种植入人体的神经修复装置。

内容
1 历史
2 BCI与神经义肢技术
3 动物BCI研究
3.1 早期工作
3.2 杰出的研究成功
3.2.1 肯尼迪和杨丹
3.2.2 尼古拉斯
3.2.3 Donoghue，Schwartz和Andersen
3.2.4 其他研究
3.2.5 BCI奖
4 人类BCI研究
4.1 侵入性BCI
4.1.1 愿景
4.1.2 运动
4.2 部分侵入性BCI
4.3 非侵入性BCI
4.3.1 非基于EEG的人机界面
4.3.2 功能近红外光谱
4.3.3 基于脑电图（EEG）的脑机接口
4.3.4 干式有源电极阵列
4.3.5 SSVEP移动EEG BCI
4.3.6 局限性
4.3.7 假体与环境控制
4.3.8 DIY和开源BCI
4.3.9 MEG和MRI
4.3.10 神经游戏中的BCI控制策略
4.4 综合心灵感应/无声通信
5 细胞培养BCI
6 道德考量
6.1 以用户为中心的问题
6.2 法律与社会
7 低成本的基于BCI的接口
8 未来方向
8.1 意识障碍（DOC）
8.2 运动恢复
8.3 功能性脑图
8.4 柔性设备
8.5 神经尘
9 参考

历史
脑机接口（BCI）的历史始于汉斯·伯格（Hans Berger）对人脑电活动的发现以及脑电图（EEG）的发展。 1924年，Berger率先通过脑电图记录人脑活动。通过分析脑电图，Berger能够识别振荡活动，例如Berger波或α波（8-13 Hz）。

伯杰的第一台录音设备非常初级。他在病人的头皮下插入了银线。后来这些被橡胶绷带贴在患者头部的银箔所代替。 Berger将这些传感器连接到Lippmann毛细管静电计，结果令人失望。但是，更复杂的测量设备，例如西门子双线圈记录振镜，其显示的电压低至十分之一伏特，因而取得了成功。

Berger分析了他的EEG波形图中的交替与脑部疾病的相互关系。脑电图为人类大脑活动的研究提供了全新的可能性。

尽管这个词还没有被创造出来，但是最早的一个有效的人机界面例子就是美国作曲家阿尔文·卢西尔（Alvin Lucier）创作的音乐作品《独奏表演者的音乐》（1965）。该作品利用EEG和模拟信号处理硬件（滤波器，放大器和混音板）来刺激声学打击乐器。要演奏该乐曲，必须产生α波，从而通过放置在乐器本身附近或直接位于其上的扬声器来“演奏”各种打击乐器。[5]

加州大学LA分校（UCLA）教授雅克·维达尔（Jacques Vidal）创造了“ BCI”一词，并制作了有关该主题的首批同行评审出版物。[2] [3]在BCI社区中，Vidal被公认为BCI的发明者，这在众多同行评审的文章中都有反映，该文章回顾并讨论了该领域（例如[6] [7] [8]）。他在1973年发表的论文指出了“ BCI挑战”：使用EEG信号控制外部物体。他特别指出，或有负性变异（CNV）潜力是对BCI控制的挑战。 Vidal于1977年描述的实验是1973年BCI挑战赛之后BCI的首次应用。它是计算机屏幕上类似光标的图形对象的无创性EEG（实际上是视觉诱发电位（VEP））控件。示威活动是在迷宫中进行。[9]

在他的早期贡献之后，Vidal多年来一直不活跃于BCI研究以及会议等BCI事件。然而，2011年，在Future BNCI项目的支持下，他在奥地利格拉茨进行了演讲，介绍了第一个获得长期好评的BCI。 Vidal与他的妻子Laryce Vidal一同加入，他以前曾在UCLA与他一起从事他的第一个BCI项目。

1988年，发表了有关无创脑电控制物理对象（机器人）的报告。所描述的实验是沿着地板上画的线所定义的任意轨迹对机器人运动进行多次启动-停止-重新启动的EEG控制。跟随行的行为是利用自主智能和自主能源的默认机器人行为。[10] [11] Stevo Bozinovski，Mihail Sestakov和Liljana Bozinovska于1988年撰写的这份报告是有关使用EEG进行机器人控制的第一篇报告。 。 [12] [13]。

在1990年，有一份关于双向自适应BCI控制计算机蜂鸣器的报告，该报告是由预期的脑电势或有负变电势（CNV）引起的。[14] [15]实验描述了以CNV表示的大脑的期望状态如何在S1-S2-CNV范式中的反馈回路中控制S2蜂鸣器。所获得的代表大脑中期望学习的认知波被称为电子期望图（EXG）。 CNV的大脑潜力是Vidal在1973年的论文中提出的BCI挑战的一部分。

BCI与神经义肢技术
主条目：神经义肢技术
神经义肢技术是与神经假体有关的神经科学领域，即使用人工设备代替受损的神经系统和与脑有关的问题或感觉器官的功能。截至2010年12月，耳蜗植入物已作为神经修复设备植入全球约22万人。[16]还有几种旨在修复视力的神经修复设备，包括视网膜植入物。

这些术语有时可以互换使用。 神经义肢技术和BCI寻求实现相同的目标，例如恢复视觉，听觉，运动，沟通能力甚至认知功能。[1] 两者都使用类似的实验方法和手术技术。

动物BCI研究
一些实验室已经成功地记录了猴子和大鼠大脑皮层的信号，以操作BCI产生运动。 猴子已经浏览了屏幕上的计算机光标，并命令机械臂仅通过考虑任务并查看视觉反馈即可执行简单任务，但没有任何电机输出。[17] 2008年5月，在匹兹堡大学医学中心的一只猴子通过思考思考操纵机器人手臂的照片被发表在许多著名的科学期刊和杂志上。[18]

早期工作


猴子用脑机接口操作机器人手臂（匹兹堡大学施瓦茨实验室）
1969年，Fetz及其同事在西雅图华盛顿大学医学院的区域灵长类动物研究中心和生理学与生物物理学系进行的操作性调节研究首次表明，猴子可以学会控制生物反馈仪的偏转具有神经活动的手臂。[19] 1970年代的类似工作确立了，如果猴子因产生适当的神经活动模式而受到奖励，他们可以迅速学会主动控制初级运动皮层中单个和多个神经元的放电速率。[20]

研究开发算法以控制运动皮层神经元重建运动的研究可以追溯到1970年代。在1980年代，约翰·霍普金斯大学的Apostolos Georgopoulos发现了猕猴中单个运动皮层神经元的电响应与其运动方向（基于余弦函数）之间的数学关系。他还发现，分布在猴子大脑不同区域的神经元群共同控制着运动命令，但由于设备的技术限制，一次只能记录一个区域的神经元发动。[ 21]

自1990年代中期以来，BCI一直在迅速发展。[22]通过记录来自神经集合体（神经元群）并使用它们来控制外部设备，几个小组已经能够捕获复杂的大脑运动皮层信号。

杰出的研究成功
肯尼迪和杨丹
菲利普·肯尼迪（Phillip Kennedy，后于1987年创立了Neural Signals）及其同事，通过将神经营养圆锥电极植入猴子体内，建立了第一个皮质内脑机接口。


Yang Dan和同事使用植入在膝状外侧核中的BCI记录猫的视力（上排：原始图像；下排：记录）
1999年，加州大学伯克利分校的杨丹（Yang Dan）领导的研究人员对神经元的发射进行了解码，以重现猫看到的图像。研究小组使用了一系列电极，这些电极嵌入到猫眼的丘脑（该丘脑整合了大脑的所有感觉输入）中。研究人员针对丘脑外侧膝状核区域中的177个脑细胞，该细胞解码来自视网膜的信号。给猫看了八部短片，并记录了它们的神经元发射。研究人员使用数学滤波器对信号进行解码，以生成猫眼所见的电影，并能够重建可识别的场景和运动物体。[23]此后，日本的研究人员在人类中取得了相似的结果（见下文）。

尼科利利斯
位于北卡罗来纳州达勒姆市杜克大学的教授Miguel Nicolelis一直是使用多个分布在大脑较大区域的多个电极来获取神经元信号来驱动BCI的著名支持者。

在1990年代对大鼠进行了初步研究后，尼古利斯和他的同事们开发了BCI，该BCI可以对猫头鹰猴子的大脑活动进行解码，并使用该设备复制机器人手臂中的猴子运动。猴子具有先进的伸手和抓地能力以及良好的手部操作能力，使其成为此类工作的理想测试对象。

到2000年，该小组成功建立了BCI，该BCI可以复制猫头鹰的动作，而猴子则可以操纵操纵杆或伸手去拿食物。[24] BCI可以实时运行，也可以通过Internet协议远程控制单独的机器人。 但是猴子看不到手臂在运动，也没有收到任何反馈，即所谓的开环BCI。


Miguel Nicolelis及其同事开发的用于恒河猴的BCI图
Nicolelis后来使用恒河猴进行的实验成功地关闭了反馈回路，并再现了猴子到达并抓住机器人手臂的动作。恒河猴大脑深裂，皱着眉头，被认为是比猫头鹰猴更好的人类神经生理学模型。训练了猴子，他们通过操纵杆隐藏了机械臂的相应动作，以达到并抓住计算机屏幕上的物体。[25] [26]猴子随后被直接展示给机器人，并学会了通过观察机器人的运动来控制它。 BCI使用速度预测来控制到达运动并同时预测握力。在2011年，O'Doherty和同事展示了对恒河猴具有感觉反馈的BCI。猴子在控制感觉皮层的臂再植区域中通过直接皮质内刺激（ICMS）接收感觉反馈的同时，大脑控制着化身臂的位置。[27]

Donoghue，Schwartz和Andersen
开发了解码神经元信号的BCI和算法的其他实验室包括布朗大学的John Donoghue，匹兹堡大学的Andrew Schwartz和加州理工学院的Richard Andersen所经营的实验室。这些研究人员甚至能够使用记录下来的神经元信号（比Nicolelis少得多（15–30个神经元对50–200个神经元））产生有效的BCI。

Donoghue的小组报告说，在不使用操纵杆的情况下，训练恒河猴使用BCI跟踪计算机屏幕上的视觉目标（闭环BCI）。[28] Schwartz的小组创建了一个BCI，用于在虚拟现实中进行三维跟踪，并在机械手臂中复制了BCI控制。[29]当他们证明猴子可以使用由动物自己的大脑信号控制的机械臂为自己喂食水果和棉花糖时，该小组也成为头条新闻。[30] [31] [32]

安德森（Andersen）的小组使用了其BCI中来自顶叶后皮质的前移活动的记录，包括实验动物预期会获得奖励时产生的信号。[33]

其他研究
除了预测肢体运动的运动学和动力学参数之外，还开发了预测灵长类动物肌肉的肌电或电活动的BCI。[34]此类BCI可用于通过电刺激肌肉来恢复瘫痪肢体的活动性。

Miguel Nicolelis及其同事证明了大型神经团的活动可以预测手臂的位置。这项工作使创建BCI成为可能，该BCI读取手臂的运动意图并将其转化为人工致动器的运动。 Carmena及其同事[25]在BCI中对神经编码进行了编程，使猴子能够通过机械臂控制伸手并掌握动作。列别捷夫和他的同事[26]认为，除了重新展示动物的四肢外，大脑网络还会重新组织以重新构造机器人的肢体。

在2019年，来自UCSF的研究人员发表了一项研究，他们证明了BCI有潜力帮助患者治疗由神经系统疾病引起的言语障碍。他们的BCI使用高密度脑电图来挖掘患者大脑的神经活动，并使用深度学习方法来合成语音。[35] [36]

目前，BCI技术的最大障碍是缺乏能够安全，准确和健壮地访问大脑信号的传感器模式。但是，可以想象甚至可能在未来二十年内开发出这种传感器。这种传感器的使用应大大扩展使用BCI可以提供的通信功能范围。

BCI系统的开发和实施非常复杂且耗时。针对此问题，Gerwin Schalk已开发出一种用于BCI研究的通用系统，称为BCI2000。 BCI2000自2000年以来一直在开发中，该项目由位于美国纽约州奥尔巴尼市的纽约州卫生部Wadsworth中心的脑机接口研究与开发计划领导。

一种新的“无线”方法使用光门控离子通道（例如Channelrhodopsin）来控制体内神经元的基因定义亚群的活性。在一项简单的学习任务中，体感皮层中转染细胞的光照会影响自由移动小鼠的决策过程。[37]

BMI的使用也使人们对神经网络和中枢神经系统有了更深入的了解。研究表明，尽管神经科学家倾向于相信神经元在共同工作时具有最大的作用，但是可以通过使用BMI来激发单个神经元，从而激发灵长类动物控制运动输出的方式。 BMI的使用导致了单神经元功能不全原理的发展，该原理指出，即使发射速率调整得很好，单个神经元也只能携带少量信息，因此，通过记录集体合奏的发射可以达到最高的准确性。使用BMIs发现的其他原理包括神经元多任务原理，神经元质量原理，神经简并性原理和可塑性原理。[38]

还建议BCI由无障碍用户使用。 Thorsten O. Zander和Christian Kothe以用户为中心的BCI方法分类引入了术语被动BCI。[39]除了用于定向控制的主动和被动BCI之外，被动BCI还允许评估和解释人机交互（HCI）期间用户状态的变化。在第二个隐式控制回路中，计算机系统通常会适应其用户的需求，从而提高其可用性。

BCI奖
年度BCI研究奖是为了表彰脑机接口领域的杰出创新研究而颁发的。每年，都会要求著名的研究实验室对提交的项目进行评审。评审委员会由获奖实验室招募的世界领先的BCI专家组成。评审委员会选出十二名候选人，然后选出第一名，第二名和第三名，分别获得3,000美元，2,000美元和1,000美元的奖励。以下列表列出了年度BCI研究奖的第一名：[40]

2010年：关存泰（Cuntai Guan），凯敬昂（Kai Keng Ang），隋凯乐（Karen Sui Geok Chua）和本缇昂（Beng Ti Ang）（新加坡A * STAR）
基于运动图像的中风脑机接口机器人康复。
2011年：Moritz Grosse-Wentrup和Bernhard Schlkopf，（德国马克斯·普朗克智能系统研究所）
脑机接口性能变化的神经生理原因是什么？
2012年：Surjo R. Soekadar和Niels Birbaumer，（德国蒂宾根大学医院应用神经技术实验室以及埃伯哈德·卡尔斯大学医学心理学和行为神经生物学研究所，德国蒂宾根）
提高慢性脑卒中神经康复的脑电-计算机接口训练的功效
2013：MC Dadarlata，b，JE O'Dohertya，PN Sabesa，b（a，生理学系，整合神经科学中心，加利福尼亚，美国，bUC Berkeley-UCSF生物工程研究生课程，加利福尼亚大学，加利福尼亚，旧金山，作者）
基于学习的人工感觉反馈方法：皮质内微刺激替代并增强视力
2014年：滨田胜彦（Katsuhiko Hamada），森广博（Hiromu Mori），筱田裕之（Hiroyuki Shinoda），托马斯·鲁特科夫斯基（Tomasz M.
机载超声波触觉显示器BCI
2015年：盖伊·霍森，戴维·P·麦克穆伦，大卫·马修·费弗，马修·约翰内斯，卡皮尔·凯蒂尔，马修·帕拉，罗伯特·阿米吉尔，威廉·安德森，尼迪什·塔库尔，布罗克·A·韦斯特，内森·E。 Crone（美国约翰霍普金斯大学）
在人类受试者中使用高密度电皮层照相术对模块化假肢进行单个手指控制
2016年：Gaurav Sharma，Nick Annetta，Dave Friedenberg，Marcie Bockbrader，Ammar Shaikhouni，W.Mysiw，Chad Bouton，Ali Rezai（美国俄亥俄州立大学巴特尔纪念研究所）
植入式BCI用于四肢瘫痪患者的功能手腕和手指运动的实时皮质控制
2017年：S. Aliakbaryhosseinabadi，EN Kamavuako，N. Jiang，D.Farina，N.Mrachacz-Kersting（丹麦奥尔堡大学奥尔堡大学健康科学与技术系感官与动力相互作用中心;系统设计工程系，加拿大滑铁卢的滑铁卢大学工程学院；英国伦敦的帝国理工学院）
具有注意力差异的在线自适应脑机界面
人类BCI研究
侵入性BCI
侵入性BCI要求进行手术以将电极植入头皮下以传递大脑信号。主要优点是提供更准确的阅读；但是，它的缺点包括手术带来的副作用。手术后，可能会形成疤痕组织，这会使脑部信号减弱。另外，根据Abdulkader等人（2015）的研究[41]，一旦植入电极，人体可能无法接受电极，这可能会导致医疗并发症。

视力


詹森·瑙曼（Jens Naumann）是一位后天失明的人，在哥伦比亚广播公司（CBS）的《早期秀》中接受了关于他的远见BCI的采访
侵入性BCI研究的目标是修复受损视力并为瘫痪者提供新功能。在神经外科手术中，侵入性BCI直接植入大脑的灰质中。由于它们位于灰质中，因此侵入性设备会产生BCI设备质量最高的信号，但易于形成疤痕组织，导致该信号随着人体对异物的反应而变得微弱甚至不存在。在大脑中。[42]

在视觉科学中，直接的大脑植入物已被用于治疗非先天性（获得性）失明。私人研究员William Dobelle是最早产生可运作的大脑界面以恢复视力的科学家之一。

Dobelle的第一个原型于1978年被植入到成年失明的人“ Jerry”中。将包含68个电极的单阵列BCI植入到Jerry的视觉皮层中，并成功地产生了磷光体，即见光的感觉。该系统包括安装在眼镜上的摄像头，用于向植入物发送信号。最初，植入物使Jerry在低帧率的有限视野内看到灰色阴影。这也要求他必须连接到大型计算机，但是电子设备的缩小和速度更快的计算机使他的人造眼更加便携，现在使他能够无助地执行简单的任务。[43]


虚拟单元说明BrainGate界面的设计
在2002年，也未成年的Jens Naumann成为接受Dobelle第二代植入物治疗的16位付费患者中的第一位，这标志着BCI最早的商业用途之一。第二代设备使用了更复杂的植入物，能够更好地将磷烯映射到相干视觉中。所谓的“星夜效应”就是将磷分散在整个视野中。植入植入物后，Jens立即能够使用其未完全恢复的视力在研究所的停车场附近缓慢行驶汽车。不幸的是，多贝利（Dobelle）于2004年去世[44]，没有记录他的过程和发展。随后，当瑙曼先生和该计划中的另一位患者开始对视力产生疑问时，他们没有任何解脱，最终他们再次失去了“视力”。瑙曼（Naumann）讲述了自己在多贝（Dobelle）的作品《寻找天堂：病人对人工视觉实验的描述》中的经历[45]，并返回加拿大加拿大东南安大略的农场以恢复其正常活动。[46]

运动
专注于运动神经义肢技术的BCI旨在恢复瘫痪患者的运动或提供帮助他们的设备，例如与计算机或机器人手臂的接口。

由菲利普·肯尼迪和罗伊·巴卡伊领导的亚特兰大埃默里大学的研究人员首先在人体内安装了大脑植入物，该大脑植入物产生的信号质量足以模拟运动。他们的患者约翰尼·雷（Johnny Ray，1944-2002年）在1997年发生脑干中风后患上了“锁定综合征”。雷的植入物于1998年安装，他的寿命足以开始使用该植入物，最终学会了控制计算机光标；他于2002年因脑动脉瘤去世。[47]

四肢瘫痪的马特·纳格（Matt Nagle）于2005年成为第一个通过计算机动力学（BCI）控制人工手的人，这是Cyberkinetics的BrainGate芯片植入器进行的首个为期9个月的人体试验的一部分。将96电极的BrainGate植入物植入Nagle的右侧中央前回（用于手臂运动的运动皮层区域）中，使Nagle可以通过考虑移动他的手以及计算机光标，灯光和电视来控制机械臂。[48]一年后，乔纳森·沃尔帕（Jonathan Wolpaw）教授获得了Altran创新基金会的奖励，该基金会开发的大脑计算机接口的电极位于头骨表面，而不是直接位于大脑中，因此获得了奖赏。

最近，由布朗大学的Braingate小组[49]和匹兹堡大学医学中心[50]领导的研究小组与美国退伍军人事务部合作，在直接控制禽流感方面取得了进一步的成功。具有直接连接到四肢瘫痪病人运动皮质神经元阵列的许多自由度的机器人假肢。

部分侵入性BCI
部分侵入性BCI设备被植入颅骨内部，但位于大脑外部而不是灰质内部。它们比非侵入性BCI产生更好的分辨率信号，在这种情况下，颅骨的骨组织会偏转和变形信号，并且比全侵入性BCI具有更低的在大脑中形成疤痕组织的风险。临床前已证实中风病灶周围皮层的皮质内BCIs [51]。

皮质脑电图（ECoG）以与非侵入性脑电图类似的方式测量从颅骨下方获取的大脑的电活动，但电极嵌入位于硬脑膜下方皮质上方的薄塑料垫中。[52] ] ECoG技术于2004年由圣路易斯华盛顿大学的Eric Leuthardt和Daniel Moran首次在人体中试用。在后来的试验中，研究人员让一个十几岁的男孩使用他的ECoG植入物玩太空侵略者。[53]这项研究表明，控制是快速的，需要最少的培训，并且在信号保真度和侵入性水平方面可能是理想的折衷。

（注意：这些电极并非为了发展BCI而植入患者体内。该患者患有严重的癫痫病，因此暂时植入电极以帮助医生定位癫痫灶； BCI研究人员只是利用了这一点。）[54]

信号可以是硬脑膜下或硬膜外的，但不是从脑实质内部获取的。由于受研究对象的限制，直到最近才对其进行了广泛的研究。当前，获取用于研究的信号的唯一方法是通过使用需要侵入性监视以定位和切除致癫痫灶的患者。

与头皮记录的EEG相比，ECoG具有更高的空间分辨率，更好的信噪比，更宽的频率范围以及更少的培训要求，是一种非常有前途的中间BCI方式，同时具有较低的技术难度，较低的临床风险，并且可能比皮质内单神经元记录具有更好的长期稳定性。这种功能特征和最新的证据表明，控制水平高，培训要求最少，显示了在现实世界中应用残障人士的潜力。[55] [56]

光反应成像BCI设备仍处于理论领域。这些将涉及在颅骨内植入激光。将在单个神经元上训练激光，并通过单独的传感器测量神经元的反射率。当神经元发射时，其反射的激光图案和波长会略有变化。这将使研究人员能够监视单个神经元，但需要减少与组织的接触，并减少疤痕组织积聚的风险。

非侵入性BCI
还已经在人类中使用无创神经成像技术作为界面进行了实验。已发表的BCI工作中绝大部分涉及基于非侵入性EEG的BCI。基于非侵入性EEG的技术和接口已用于更广泛的应用中。尽管基于EEG的界面易于佩戴且不需要手术，但它们的空间分辨率相对较低，并且由于颅骨会衰减信号，分散和模糊由神经元产生的电磁波，因此它们无法有效使用高频信号。基于EEG的界面在每次使用会话之前也需要一些时间和精力，而基于非EEG的界面以及侵入性界面无需任何使用前培训。总体而言，每个用户的最佳BCI取决于众多因素。

非基于EEG的人机界面
眼电图（EOG）
1989年，有人提出了使用眼电图（EOG）信号通过眼球运动控制移动机器人的报告。使用五个EOG命令将移动机器人从起点驱动到目标点，这些命令被解释为前进，后退，左，右和停止。[57] [58]

瞳孔大小振荡
2016年的一篇文章[59]描述了一种全新的通信设备和非基于EEG的人机界面，该界面不需要视觉固定，也不需要移动眼睛。该界面基于秘密兴趣；将注意力转移到虚拟键盘上选定的字母上，而无需动眼直接看该字母。每个字母都有自己的（背景）圆圈，该圆圈的亮度与其他所有字母不同。字母的选择基于无意的瞳孔大小振荡与背景圆的亮度振荡模式之间的最佳拟合。通过用户对字母“亮”和“暗”的心理训练与字母圆的亮度过渡同步，可以进一步提高准确性。

功能近红外光谱
在2014年和2017年，BCI使用功能性近红外光谱技术治疗患有肌萎缩性侧索硬化症（ALS）的“锁定”患者，能够恢复患者与他人沟通的基本能力。[60] [61]

基于脑电图（EEG）的脑机接口

概述


脑电图产生的脑电波记录
在BCI研究的早期，使用脑电图（EEG）作为脑机接口的另一个主要障碍是用户使用该技术之前需要进行广泛的培训。例如，在1990年代中期开始的实验中，德国图宾根大学的Niels Birbaumer训练了严重瘫痪的人，以自我调节其脑电图中缓慢的皮层电位，以至于这些信号可用作二进制信号。控制计算机光标。[62] （Birbaumer早先对癫痫病患者进行了培训，以通过控制该低压波来预防即将发作的癫痫发作。）实验发现，有十名患者接受过培训，可以通过控制他们的脑波来移动计算机光标。该过程很慢，患者需要一个多小时才能用光标写出100个字符，而培训通常要花费数月的时间。但是，由于BCI的缓慢皮质潜在治疗方法已经有好几年没有使用了，因为其他方法几乎不需要培训，而且速度更快，更准确，并且可以为更多的用户服务。

另一个研究参数是所测量的振荡活动的类型。 Birbaumer后来与纽约州立大学的Jonathan Wolpaw进行的研究集中在开发技术上，该技术将允许用户选择他们认为最容易操作BCI的大脑信号，包括mu和β节律。

另一个参数是所使用的反馈方法，这在P300信号的研究中已显示出来。当人们看到自己认识到的东西时，会不由自主地产生P300波形（刺激反馈），并且可能允许BCI无需先训练患者就可以解码思想类别。相比之下，上述生物反馈方法需要学习控制脑电波，以便可以检测到所产生的大脑活动。

虽然许多研究实验室已广泛采用基于EEG的脑机接口，但Bin He及其团队在明尼苏达大学的最新进展表明，基于EEG的脑机接口可以完成接近侵入性的任务脑机接口。通过使用包括BOLD功能MRI和EEG源成像在内的高级功能神经影像学，Bin He及其同事确定了运动想象力诱发的电生理和血液动力学信号的共变和共定位。[63]通过神经成像方法和训练规程的完善，Bin He和他的同事们展示了基于无创性EEG的脑机接口基于运动想象力控制3维空间中的虚拟直升机飞行的能力。 [64] 2013年6月，宣布Bin He已开发出一种技术，使遥控直升机可以通过障碍物路线进行引导。[65]

除了从头皮EEG电极记录的基于脑波的脑机接口外，Bin He和同事们还通过首先解决EEG逆问题，然后使用所得的虚拟机，探索了基于虚拟EEG信号的脑机接口。脑电图用于脑机接口任务。受到良好控制的研究表明了这种基于源分析的脑机接口的优点。[66]

2014年的一项研究发现，运动严重受损的患者与无创脑电图BCI相比，与任何基于肌肉的沟通渠道相比，沟通速度更快，更可靠。[67]

干式活性电极阵列
在1990年代初期，戴维斯（Davis）在加利福尼亚大学的Babak Taheri展示了首个使用微加工的单通道和多通道干式有源电极阵列。单通道干式脑电图电极的构造和结果于1994年发表。[68]与银/氯化银电极相比，该阵列电极还被证明具有良好的性能。该设备由四个位置的传感器组成，这些传感器带有集成电子器件，可通过阻抗匹配来降低噪声。这种电极的优点是：（1）不使用电解质；（2）不准备皮肤；（3）传感器尺寸大大减小；（4）与EEG监测系统兼容。有源电极阵列是由电容式传感器阵列组成的集成系统，其局部集成电路被封装在电池组中，以电池为电路供电。为了达到电极获得的功能性能，需要这种集成度。

电极在电测试台和人体受试者上以四种EEG活动方式进行了测试，即：（1）自发性EEG，（2）与感觉事件相关的电位，（3）脑干电位和（4）认知事件相关的潜力。就皮肤准备，无凝胶要求（干燥）和更高的信噪比而言，干电极的性能优于标准湿电极。[69]

1999年，由猎人亨特·佩克汉姆（Hunter Peckham）领导的俄亥俄州克利夫兰凯斯西储大学的研究人员使用64电极脑电图仪将有限的手部动作恢复为四肢瘫痪的吉姆·贾蒂克（Jim Jatich）。当Jatich专注于简单但相反的概念（例如上下）时，他的β节奏脑电图输出使用软件进行了分析，以识别噪声中的模式。确定了基本模式并将其用于控制开关：将高于平均水平的活动设置为打开，低于平均水平的关闭。除了使Jatich能够控制计算机光标外，这些信号还被用来驱动嵌入在他手中的神经控制器，从而恢复一些运动。[70]

SSVEP移动EEG BCI
在2009年，NCTU脑-计算机接口头带被报道。研发此BCI头带的研究人员还设计了基于硅的微机电系统（MEMS）干电极，该干电极设计用于人体的非毛发部位。这些电极通过卡扣式电极固定器固定在头带中的DAQ板上。信号处理模块测量了α的活动，并且蓝牙电话评估了患者的警觉性和认知能力。当对象昏昏欲睡时，电话会向操作员发送唤醒反馈以唤醒他们。这项研究得到了台湾国家科学委员会，中华民国，国家安全委员会，国立交通大学，台湾教育部和美国陆军研究实验室的支持。[71]

在2011年，研究人员报告了基于蜂窝的BCI，它能够获取EEG数据并将其转换为导致电话响铃的命令。这项研究得到了Abraxis Bioscience LLP，美国陆军研究实验室和陆军研究诊室的部分支持。开发的技术是一种可穿戴系统，该系统由四通道生物信号采集/放大模块，无线传输模块和支持蓝牙的手机组成。放置电极，使它们拾取稳态视觉诱发电位（SSVEP）。[72] SSVEP是对闪烁的视觉刺激的电响应，重复频率超过6 Hz [72]，最好在视觉皮层的顶叶和枕叶头皮区域发现。[73]据报道，通过这种BCI设置，所有研究参与者都可以在自然环境中以最少的练习发起电话呼叫。[74]

科学家声称，他们使用单通道快速傅立叶变换（FFT）和多通道系统规范相关分析（CCA）算法的研究支持了移动BCI的能力。[72] [75] CCA算法已被用于调查BCI的其他实验中，这些实验声称在准确性和速度方面均具有高性能。[76]虽然开发了基于蜂窝的BCI技术来发起来自SSVEP的电话，但研究人员表示，可以将其转换为其他应用程序，例如拾取感觉运动mu /β节奏来充当基于运动图像的BCI。[72]

2013年，在Android手机，平板电脑和基于计算机的BCI上进行了对比测试，分析了所得EEG SSVEP的功率谱密度。由美国陆军研究实验室部分支持的这项研究的既定目标是，“提高日常使用基于SSVEP的BCI的实用性，便携性和普遍性。”引言据报道，刺激尽管手机信号显示出一定的不稳定度，但所有媒体上的频率都是准确的。据报道，笔记本电脑和平板电脑的SSVEP幅度也比手机大。建议将这两个定性表征作为使用移动刺激BCI可行性的指标。[75]

局限性
2011年，研究人员表示，继续开展工作应解决易用性，性能鲁棒性，降低硬件和软件成本。[72]

脑电图读数的困难之一是对运动伪影的敏感性大。[77]在大多数先前描述的研究项目中，要求参与者静坐不动，并尽可能减少头部和眼睛的移动，并在实验室中进行测量。但是，由于这些举措的重点应用是在创建日常使用的移动设备，[75]因此，必须对该技术进行动态测试。

2013年，研究人员测试了基于移动EEG的BCI技术，测量了参与者在跑步机上以不同速度行走时的SSVEP。这项研究得到了海军研究诊室，陆军研究诊室和美国陆军研究实验室的支持。结果表明，随着速度的增加，使用CCA的SSVEP可检测性下降。由于独立成分分析（ICA）已被证明可以有效地将EEG信号与噪声分离，[78]科学家将ICA应用于CCA提取的EEG数据。他们表示，进行和不进行ICA处理的CCA数据都相似。因此，他们得出结论，CCA独立地证明了对运动伪像的鲁棒性，这表明将其应用于现实条件下的BCI可能是一种有益的算法。[73]

假体与环境控制
非侵入性BCI也已应用于使瘫痪患者的上肢和下肢假肢设备进行大脑控制。例如，格拉茨工业大学的Gert Pfurtscheller及其同事演示了一种BCI控制的功能性电刺激系统，该系统可恢复脊髓损伤引起的四肢瘫痪患者的上肢运动。[79]在2012年至2013年之间，加利福尼亚大学欧文分校的研究人员首次证明，可以使用BCI技术在脊髓损伤后恢复大脑控制的步行。在他们的脊髓损伤研究中，一名截瘫的人能够进行BCI步态矫正器矫正，以恢复基本的大脑控制的活动。[80] [81] 2009年，英国的独立研究员Alex Blainey成功地使用Emotiv EPOC控制5轴机器人手臂。[82]然后，他继续制作了几种示范性的思维控制轮椅和家庭自动化设备，这些设备可以由运动控制受限或没有运动的人（例如截瘫和脑瘫的人）操作。

自1970年代以来，一直在研究由DARPA资助的BCI的军事用途。[2] [3]当前的研究重点是通过对神经信号的分析来实现用户间的交流。[83]

DIY和开源BCI
在2001年，OpenEEG项目[84]由一组DIY神经科学家和工程师发起。 ModularEEG是OpenEEG社区创建的主要设备。这是一个6通道信号捕获板，在家制作的成本在200到400美元之间。 OpenEEG项目标志着DIY脑机接口的出现的重要时刻。

2010年，纽约大学ITP计划的“前沿书呆子”发布了名为“如何破解玩具脑电图”的详尽教程。[85]该教程激发了许多新兴的DIY BCI爱好者的思想，展示了如何以非常合理的价格使用Arduino和Mattel Mindflex创建单个通道的家用EEG。本教程放大了DIY BCI运动。

2013年，OpenBCI从DARPA招标及随后的Kickstarter活动中脱颖而出。他们创建了一个高质量的开源8通道EEG采集板，称为32bit板，零售价低于500美元。两年后，他们创建了首个3D打印的EEG耳机，称为Ultracortex，以及一个4通道EEG采集板，称为Ganglion Board，零售价低于100美元。

MEG和MRI
主要文章：脑磁图和磁共振成像


ATR Labs使用fMRI重建人类视觉（上排：原始图像；下排：根据合并读数的平均值进行重建）
脑磁图（MEG）和功能性磁共振成像（fMRI）均已成功用作无创BCI。[86]在一项广泛报道的实验中，功能磁共振成像通过生物反馈技术通过改变他们的血流动力学反应或脑血流量，允许被扫描的两个用户实时玩乒乓球。[87]

fMRI对血液动力学反应的实时测量也已被用于控制机器人手臂，其思考与运动之间的延迟为7秒。[88]

2008年，日本京都的高级电信研究（ATR）计算神经科学实验室开发了一项研究，这项研究使科学家能够直接从大脑重建图像并将其以10x10像素的分辨率在黑白计算机上显示。宣布这些成就的文章是2008年12月10日《神经元》杂志的封面故事。[89]

2011年，加州大学伯克利分校的研究人员发表了一项研究[90]，该研究报告了从功能磁共振成像数据中逐次重建研究对象观看的视频。这是通过创建一个统计模型来实现的，该模型将显示给受试者的视频中的视觉模式与观看视频引起的大脑活动相关联。然后，该模型用于在包含1800万秒的随机YouTube视频的数据库中查找100个一秒钟的视频片段，其视频模式与受试者观看新视频时记录的大脑活动最接近。然后，将这100个一秒钟的视频摘要组合成一个类似于正在观看的视频的混搭图像。[91] [92] [93]

神经游戏中的BCI控制策略
汽车影像
运动图像涉及对身体各个部位运动的想象，从而导致感觉运动皮层激活，从而调节EEG中的感觉运动振荡。 BCI可以检测到这一点以推断出用户的意图。在获得BCI的可接受控制之前，汽车成像通常需要进行多次培训。这些培训课程可能需要花费数小时才能持续数天，然后用户才能以可接受的精度水平持续使用该技术。无论培训课程的持续时间如何，用户都无法掌握控制方案。这样的结果使游戏的进度非常缓慢。[94]最近开发了先进的机器学习方法，以计算特定于主题的模型来检测运动图像的性能。来自BCI Competition IV [95]数据集2的运动图像中表现最好的算法是Ang等人开发的Filter Bank Common Spatial Pattern。来自新加坡A * STAR）。[96]

被动BCI设计的生物/神经反馈
生物反馈用于监测受试者的精神放松。在某些情况下，生物反馈不监控脑电图（EEG），而是监控身体参数，例如肌电图（EMG），皮肤电抗性（GSR）和心率变异性（HRV）。许多生物反馈系统用于治疗某些疾病，例如注意力缺陷多动障碍（ADHD），儿童睡眠问题，磨牙和慢性疼痛。脑电生物反馈系统通常监视四个不同的频段（θ：4–7 Hz，α：8–12 Hz，SMR：12–15 Hz，β：15–18 Hz），并挑战受试者以对其进行控制。被动BCI [39]涉及使用BCI来丰富人机交互，其中包含有关实际用户状态的隐式信息，例如，用于检测用户在紧急停车过程中何时打算踩刹车的模拟。使用被动BCI的游戏开发人员需要承认，通过重复游戏级别，用户的认知状态将会改变或适应。在关卡的第一个游戏中，用户对事件的反应将不同于第二个游戏中的事件：例如，如果用户期望游戏中的某个事件，用户将不会感到惊讶。[94]

视觉诱发电位（VEP）
VEP是在向对象呈现某种视觉刺激后记录的电势。 VEP有几种类型。

稳态视觉诱发电位（SSVEP）使用通过以一定频率调制的视觉刺激来激发视网膜而产生的电位。 SSVEP的刺激通常由交替的棋盘图案形成，有时仅使用闪烁的图像。在脑电图谱中可以清楚地区分所用刺激的相位反转频率。这使得SSVEP刺激的检测相对容易。 SSVEP已被证明在许多BCI系统中都是成功的。这是由于多种因素造成的，与瞬态VEP和眨眼运动以及心电图伪影不影响所监视的频率一样，在大范围的人群中所产生的信号是可测量的。此外，SSVEP信号异常强大。主视觉皮层的地形组织使得较大的区域从视野的中央或中央区域获得传入。 SSVEP确实有几个问题。由于SSVEP使用闪烁刺激来推断用户的意图，因此用户必须凝视闪烁或重复的符号之一才能与系统进行交互。因此，在较长的游戏过程中使用这些符号可能会变得令人烦恼且使人不舒服，这通常会持续一个多小时，这可能不是理想的游戏玩法。

与应用程序一起使用的另一种VEP是P300电位。 P300事件相关电位是EEG中的一个正峰值，出现在出现目标刺激（用户正在等待或寻找的刺激）或奇数球刺激后大约300毫秒。 P300的幅度会随着目标刺激和被忽略的刺激变得越来越相似而减小.P300被认为与更高级别的注意力过程有关，或者使用P300作为控制方案的定向响应具有参与者仅需参加有限的优势的优势。培训课程。使用P300模型的第一个应用程序是P300矩阵。在此系统中，受试者将从6 x 6个字母和数字的网格中选择一个字母。网格的行和列依次闪烁，并且每次选中的“选择字母”被点亮时，都会（潜在地）触发用户的P300。但是，每分钟大约17个字符的通信过程非常缓慢。 P300是一种BCI，提供离散选择而不是连续控制机制。在游戏中使用P300的优势在于，玩家无需自学如何使用全新的控制系统，因此仅需进行简短的培训实例，学习游戏玩法和BCI范例的基本用法即可。 [94] [97]

综合心灵感应/无声通信
另见：脑植入物和脑脑接口
DARPA在2010财年的预算中包括400万美元，用于启动名为Silent Talk的计划。目标是“允许在战场上通过神经信号分析在不使用发声语音的情况下在用户之间进行用户间通信”。该程序的三个主要目标是：1）尝试识别单个单词所特有的脑电图模式； 2）确保这些模式可在整个用户中推广，以防止进行广泛的设备培训； 3）构建可解码的可现场预原型信号并在有限范围内传输。[98]

在一项630万美元的军费发明计划中，发明了用于心灵感应通信的设备，格温·沙尔克获得了220万美元的资助，发现使用ECoG信号可以区分语音和想象中的单词中的元音和辅音，从而阐明与元音和辅音的产生，并可以为使用想象的语音进行基于大脑的交流提供基础。[56] [99]

2002年，凯文·沃威克（Kevin Warwick）向他的神经系统发射了100个电极，以便将他的神经系统连接到互联网上，以研究增强的可能性。有了这一点，沃里克成功地进行了一系列实验。在电极也植入妻子的神经系统的情况下，他们在两个人的神经系统之间进行了首次直接电子通信实验。[100] [101] [102] [103]

加州大学尔湾分校的首席科学家Mike D'Zmura主持了使用发声法进行合成心灵感应的研究。第一次此类交流发生在1960年代，当时使用脑电图通过脑电波创建摩尔斯电码。使用脑电图传达想象的语音不如在颅骨和大脑之间放置电极的侵入性方法准确。[104] 2013年2月27日，该小组与杜克大学的Miguel Nicolelis和IINN-ELS成功建立了有史以来第一个直接的脑对脑接口，通过电子接口将两只老鼠的大脑成功连接起来，从而使它们能够直接共享信息。[105] [106] [107]

细胞培养BCI
主条目：培养的神经元网络
研究人员已经建立了与动物体外培养中的神经细胞和整个神经网络接口的设备。除了进一步研究动物可植入设备之外，在培养的神经组织上的实验还着重于建立解决问题的网络，构建基本计算机和操纵机器人设备。从半导体芯片上生长的单个神经元刺激和记录技术的研究有时称为神经电子学或神经芯片。[108]


由Caltech研究人员Jerome Pine和Michael Maher开发的全球首款Neurochip
1997年，由杰罗姆·派恩（Jerome Pine）和迈克尔·马赫（Michael Maher）领导的加州理工学院团队宣称开发了第一个工作神经芯片。[109]加州理工学院的芯片可容纳16个神经元。

在2003年，由南加州大学的西奥多·伯杰（Theodore Berger）领导的团队开始研究一种神经芯片，该神经芯片的功能是充当人工或假肢海马。该神经芯片被设计为在大鼠的大脑中发挥功能，旨在作为最终开发高大脑假体的原型。之所以选择海马，是因为它被认为是大脑中最有序，结构最完整的部分，也是研究最多的领域。它的功能是将存储的经验编码为大脑其他地方的长期记忆。[110]

2004年，佛罗里达大学的托马斯·德马斯（Thomas DeMarse）使用了一种从老鼠的大脑中提取的25,000个神经元的培养物来驾驶F-22战斗机模拟器。[111]收集后，在皮氏培养皿中培养皮层神经元，并迅速开始重新连接以形成活动的神经网络。这些单元被安排在一个由60个电极组成的网格上，并用于控制模拟器的俯仰和偏航功能。这项研究的重点是了解人脑如何在细胞水平上执行和学习计算任务。

道德考量

以用户为中心的问题
对用户的长期影响仍然未知
获得沟通困难的人的知情同意，
BCI技术对患者及其家人的生活质量的影响，
健康相关的副作用（例如，据报道感觉运动节律训练的神经反馈会影响睡眠质量），
治疗应用及其潜在的滥用
法律与社会
问责和责任问题：声称BCI的影响力超越了自由意志并控制了感觉运动行为，声称由于BCI故障导致认知意向转移不正确
深脑刺激引起的人格变化
人与机器之间的划分模糊，无法区分人与机器控制的动作
政府部门在高级讯问技术中使用该技术，
选择性增强和社会分层，
从动物实验发展到在人类受试者中应用时出现的研究伦理问题，
读书和隐私，
精神控制。
以目前的形式，大多数BCI都与上述伦理问题相距甚远。实际上，它们在功能上类似于矫正疗法。克劳森（Clausen）在2009年指出“ BCI构成了道德挑战，但从概念上讲，这些挑战类似于生物伦理学家针对其他疗法提出的挑战。” [112]此外，他建议生物伦理学已经做好充分的准备，可以应对BCI技术产生的问题。 Haselager及其同事[113]指出，对BCI功效和价值的期望在伦理分析和BCI科学家应对媒体的方式中起着重要作用。此外，可以实施标准协议，以确保与被锁定的患者在伦理上合理的知情同意程序。

如今，BCI的情况及其发展在医学上具有相似之处。就像制药科学起初是为了平衡各种障碍，现在已被用于增加注意力和减少睡眠需求一样，BCI可能会逐渐从治疗向增强治疗转变。[115] BCI社区内部正在努力就BCI研究，开发和传播的道德准则达成共识。[116]

低成本的基于BCI的接口
主要文章：消费者脑-计算机接口
最近，许多公司缩减了医疗级EEG技术（在一个案例中，NeuroSky从头开始重建了该技术[需要澄清]），以创建廉价的BCI。该技术已内置在玩具和游戏设备中；其中一些玩具在商业上非常成功，例如NeuroSky和Mattel MindFlex。

2006年，索尼为神经接口系统申请了显露，该系统允许无线电波影响神经皮层中的信号。[117]
在2007年，NeuroSky与游戏NeuroBoy一起发布了首个可负担的基于消费者的EEG。这也是首个使用干式传感器技术的大型脑电图设备。[118]
OCZ Technology在2008年开发了一种主要用于肌电图的视频游戏设备。[119]
在2008年，最终幻想开发商Square Enix宣布与NeuroSky合作开发一款游戏Judecca。[120] [121]
2009年，美泰与NeuroSky合作发行了Mindflex，这款游戏使用脑电图来引导球穿过障碍物路线。迄今为止，迄今为止，最畅销的基于消费者的EEG。[120] [122]
[120] [123]在2009年，米尔顿大叔工业公司与NeuroSky合作发布了《星球大战》力量训练器，该游戏旨在制造拥有力量的幻觉。[120] [123]
2009年，Emotiv发布了EPOC，这是一种14通道的EEG设备，可以读取4种精神状态，13种意识状态，面部表情和头部动作。 EPOC是第一个使用干式传感器技术的商业BCI，可以用盐溶液润湿以实现更好的连接。[124]
2011年11月，《时代》杂志将Neurowear生产的“ necomimi”选为年度最佳发明之一。该公司宣布，预计将在2012年春季推出这种消费者版的服装，其中包括由NeuroSky生产的脑波阅读器控制的猫耳朵。[125]
2014年2月，他们在Shall Walk（一家致力于建造外骨骼的非营利组织，被称为LIFESUITs，用于截瘫和四肢瘫痪患者）与James W. Shakarji建立了无线BCI的合作伙伴关系。[126]
2016年，一群业余爱好者开发了一个开源BCI板，该板将神经信号发送到智能手机的音频插孔，从而使入门级BCI的成本降低到了20英镑。[127]基本的诊断软件可用于Android设备，以及Unity的文本输入应用。[128]

未来发展方向


脑机接口
由12个欧洲合作伙伴组成的联盟已完成路线图，以支持欧盟委员会为新框架计划“地平线2020”提供资金的决定。该项目由欧盟委员会资助，于2013年11月启动，并于2015年4月发布了路线图。[129]由克莱门斯·布鲁纳（Clemens Brunner）博士领导的2015年出版物描述了该项目以及新兴的脑机接口学会的一些分析和成就。[130]例如，本文回顾了该项目中的工作，该工作进一步定义了BCI和应用程序，探索了最新趋势，讨论了道德问题，并评估了新BCI的不同方向。如文章所述，他们的新路线图总体上得到了扩展，并支持由Brendan Allison博士管理的Future BNCI项目的建议，该项目传达了对新兴BCI方向的极大热情。

最近的其他出版物也为新的残疾用户群体（例如[6] [131] [132] [133] [134]）探索了未来的BCI方向。下面总结一些突出的示例。

意识障碍（DOC）
有些人患有意识障碍（DOC）。将该状态定义为包括昏迷患者以及植物人（VS）或最低意识状态（MCS）的人。 BCI的新研究旨在以不同方式帮助患有DOC的人。最初的关键目标是确定能够执行基本认知任务的患者，这当然会导致他们的诊断发生变化。也就是说，某些被确诊为DOC的人实际上可能能够处理信息并做出重要的生命决定（例如是否寻求治疗，住在何处以及他们对与他们有关的生命终结决定的看法）。一些被确诊为DOC的人死于生命终结决定，这可能是由家庭成员做出的，他们真诚地认为这符合患者的最大利益。鉴于允许这些患者对这一决定发表意见的新前景，似乎有很大的伦理压力来制定该研究方向，以确保为DOC病人提供决定他们是否要生活的机会。[135] [136]

这些文章和其他文章描述了使用BCI技术来帮助DOC人员的新挑战和解决方案。一个重大挑战是这些患者不能使用基于视觉的BCI。因此，新的工具依赖于听觉和/或触觉刺激。病人可以戴在手腕，颈部，腿部和/或其他位置的耳机和/或触觉刺激器。另一个挑战是病人可能会逐渐消失和消失，并且只能在特定时间进行交流。这确实可能是错误诊断的原因。某些病人可能仅能在每天的几个小时内响应医生的要求（这可能无法提前预测），因此可能在诊断过程中没有响应。因此，即使没有专家的帮助，新方法也依赖于易于在现场设置中使用的工具，因此家庭成员和其他没有任何医学或技术背景的人仍然可以使用它们。这样可以减少成本，时间，专业知识需求以及DOC评估的其他负担。自动化工具可以问患者可以轻松回答的简单问题，例如“您父亲叫乔治吗？”或“您是在美国出生的吗？”自动指示告知患者，他们可以（例如）将注意力集中在右手腕和左手腕上的刺激上来传达是或否。这种集中注意力会在脑电图模式中产生可靠的变化，从而有助于确定患者是否能够进行交流。可以将结果提交给医生和治疗师，这可以导致修订的诊断和治疗方法。此外，这些患者还可以使用基于BCI的通讯工具，这些工具可以帮助他们传达基本需求，调整床位和HVAC（供暖，通风和空调），并以其他方式使他们能够做出重大的人生决定并进行交流。 [137] [138] [139]

运动恢复
人们可能由于多种原因（例如中风或受伤）而失去部分移动能力。几组研究了包括BCI在内的运动恢复系统和方法。[140] [141] [142] [143]在这种方法中，当患者根据治疗师的指示想象或尝试运动时，BCI会测量运动活动。 BCI可以提供两个好处：（1）如果BCI指示患者未正确想象运动（不合规），则BCI可以告知患者和治疗师； （2）诸如功能刺激或虚拟化身运动之类的奖励性反馈也取决于患者的正确运动图像。

到目前为止，用于运动恢复的BCI依靠脑电图来测量患者的运动图像。然而，随着人们接受基于BCI的中风康复训练，研究还使用功能磁共振成像来研究大脑的不同变化。[144] [145]未来的系统可能包括功能磁共振成像和其他实时控制措施，例如功能性近红外，可能与脑电图同时使用。还已经探索了将非侵入性脑刺激与BCI结合使用以恢复运动。[146]

功能性脑图
每年，约有40万人在神经外科手术中接受脑部成像。患有肿瘤或癫痫病且对药物没有反应的人通常需要执行此程序。[147]在此过程中，将电极放置在大脑上以精确识别结构和功能区域的位置。患者可能在神经外科手术中醒来，被要求执行某些任务，例如动手指或重复单词。这是必要的，以便外科医生只能保留所需的组织，同时保留其他区域，例如关键运动或语言区域。去除过多的脑组织可能会造成永久性损害，而去除过多的脑组织则会使潜在疾病得不到治疗，需要进行额外的神经外科手术。因此，迫切需要改进方法和系统以尽可能有效地绘制大脑图。

在最近的几篇出版物中，BCI研究专家和医学博士合作探索使用BCI技术改善神经外科标测的新方法。这项工作主要集中在高γ活性上，用非侵入性手段很难检测到。结果导致改进了用于识别运动，语言和其他功能的关键区域的方法。最近的一篇文章探讨了功能性大脑映射的进展，并总结了一个研讨会。[148]

柔性设备
柔性电子产品是印有电路的聚合物或其他柔性材料（例如丝绸，[149]并五苯，PDMS，聚对二甲苯，聚酰亚胺[150]）； [151]有机背景材料的柔性特性使所创建的电子设备能够弯曲，并且用于制造这些设备的制造技术类似于用于制造集成电路和微机电系统（MEMS）的技术。[151]柔性电子技术最早是在1960年代和1970年代开发的，但是在2000年代中期，研究兴趣增加了。[152]

神经尘
主条目：神经尘
神经粉尘是一个术语，指的是作为无线神经传感器操作的毫米大小的设备，这是加利福尼亚大学伯克利分校无线研究中心在2011年发表的一篇论文中提出的，它描述了创建持久耐用性所面临的挑战和显著益处无线BCI。[153] [154]在一种建议的神经粉尘传感器模型中，晶体管模型允许使用一种在局部场电位和动作电位“尖峰”之间进行分离的方法，这将使从录音中获取的数据丰富得多。[153]

另见
Augmented learning
Biological machine
Cortical implants
Deep brain stimulation
Human senses
Kernel (neurotechnology company)
Lie detection
Microwave auditory effect
Neural engineering
Neuralink
神经机器人学
Neurostimulation
Nootropic
Project Cyborg
Simulated reality
Telepresence
Thought identification
Whole brain emulation
参考
Krucoff, Max O.; Rahimpour, Shervin; Slutzky, Marc W.; Edgerton, V. Reggie; Turner, Dennis A. (1 January 2016). "Enhancing Nervous System Recovery through Neurobiologics, Neural Interface Training, and Neurorehabilitation". Frontiers in Neuroscience. 10: 584. doi:10.3389/fnins.2016.00584. PMC 5186786. PMID 28082858.
Vidal, JJ (1973). "Toward direct brain-computer communication". Annual Review of Biophysics and Bioengineering. 2 (1): 157–80. doi:10.1146/annurev.bb.02.060173.001105. PMID 4583653.
J. Vidal (1977). "Real-Time Detection of Brain Events in EEG" (PDF). IEEE Proceedings. 65 (5): 633–641. doi:10.1109/PROC.1977.10542.
Levine, SP; Huggins, JE; Bement, SL; Kushwaha, RK; Schuh, LA; Rohde, MM; Passaro, EA; Ross, DA; Elisevich, KV; et al. (2000). "A direct brain interface based on event-related potentials". IEEE Transactions on Rehabilitation Engineering. 8 (2): 180–5. doi:10.1109/86.847809. PMID 10896180.
Volker Straebel; Wilm Thoben (2014). "Alvin Lucier's music for solo performer: experimental music beyond sonification". Organised Sound. 19 (1): 17–29. doi:10.1017/S135577181300037X.
Wolpaw, J.R. and Wolpaw, E.W. (2012). "Brain-Computer Interfaces: Something New Under the Sun". In: Brain-Computer Interfaces: Principles and Practice, Wolpaw, J.R. and Wolpaw (eds.), E.W. Oxford University Press.
Wolpaw J.R.; Birbaumer N.; McFarland D.J.; Pfurtscheller G.; Vaughan T. M. (2002). "Brain–computer interfaces for communication and control". Clinical Neurophysiology. 113 (6): 767–791. doi:10.1016/s1388-2457(02)00057-3. PMID 12048038.
Allison B.Z.; Wolpaw E.W.; Wolpaw J.R. (2007). "Brain computer interface systems: Progress and prospects". British Review of Medical Devices. 4 (4): 463–474. doi:10.1586/17434440.4.4.463. PMID 17605682.
[1]
S. Bozinovski, M. Sestakov, L. Bozinovska: Using EEG α rhythm to control a mobile robot, In G. Harris, C. Walker (eds.) Proc. IEEE Annual Conference of Medical and Biological Society, p. 1515-1516, New Orleans, 1988
S. Bozinovski: Mobile robot trajectory control: From fixed rails to direct bioelectric control, In O. Kaynak (ed.) Proc. IEEE Workshop on Intelligent Motion Control, p. 63-67, Istanbul, 1990
M. Lebedev: Augmentation of sensorimotor functions with neural prostheses. Opera Medica and Physiologica. Vol. 2 (3): 211-227, 2016
M. Lebedev, M. Nicolelis: Brain-machine interfaces: from basic science to neuroprostheses and neurorehabilitation, Physiological Review 97:737-867, 2017
L. Bozinovska, G. Stojanov, M. Sestakov, S. Bozinovski: CNV pattern recognition: step toward a cognitive wave observation, In L. Torres, E. Masgrau, E. Lagunas (eds.) Signal Processing V: Theories and Applications, Proc. EUSIPCO-90: Fifth European Signal Processing Conference, Elsevier, p. 1659-1662, Barcelona, 1990
L. Bozinovska, S. Bozinovski, G. Stojanov, Electroexpectogram: experimental design and algorithms, In Proc IEEE International Biomedical Engineering Days, p. 55-60, Istanbul, 1992
NIH Publication No. 11-4798 (1 March 2011). "耳蜗 Implants". National Institute on Deafness and Other Communication Disorders.
Miguel Nicolelis et al. (2001) Duke neurobiologist has developed system that allows monkeys to control robot arms via brain signals Archived 19 December 2008 at the Wayback Machine
Baum, Michele (6 September 2008). "Monkey Uses Brain Power to Feed Itself With Robotic Arm". Pitt Chronicle. Archived from the original on 10 September 2009. Retrieved 6 July 2009.
Fetz, E. E. (1969). "Operant Conditioning of Cortical Unit Activity". Science. 163 (3870): 955–8. Bibcode:1969Sci...163..955F. doi:10.1126/science.163.3870.955. PMID 4974291.
Schmidt, EM; McIntosh, JS; Durelli, L; Bak, MJ (1978). "Fine control of operantly conditioned firing patterns of cortical neurons". Experimental Neurology. 61 (2): 349–69. doi:10.1016/0014-4886(78)90252-2. PMID 101388.
Georgopoulos, A.; Lurito, J.; Petrides, M; Schwartz, A.; Massey, J. (1989). "Mental rotation of the neuronal population vector". Science. 243 (4888): 234–6. Bibcode:1989Sci...243..234G. doi:10.1126/science.2911737. PMID 2911737.
Lebedev, MA; Nicolelis, MA (2006). "Brain-machine interfaces: past, present and future" (PDF). Trends in Neurosciences. 29 (9): 536–46. doi:10.1016/j.tins.2006.07.004. PMID 16859758.[permanent dead link]
Stanley, GB; Li, FF; Dan, Y (1999). "Reconstruction of natural scenes from ensemble responses in the lateral geniculate nucleus" (PDF). Journal of Neuroscience. 19 (18): 8036–42. doi:10.1523/JNEUROSCI.19-18-08036.1999. PMID 10479703.
Nicolelis, Miguel A. L.; Wessberg, Johan; Stambaugh, Christopher R.; Kralik, Jerald D.; Beck, Pamela D.; Laubach, Mark; Chapin, John K.; Kim, Jung; Biggs, S. James; et al. (2000). "Real-time prediction of hand trajectory by ensembles of cortical neurons in primates". Nature. 408 (6810): 361–5. Bibcode:2000Natur.408..361W. doi:10.1038/35042582. PMID 11099043.
Carmena, JM; Lebedev, MA; Crist, RE; O'Doherty, JE; Santucci, DM; Dimitrov, DF; Patil, PG; Henriquez, CS; Nicolelis, MA (2003). "Learning to control a brain-machine interface for reaching and grasping by primates". PLoS Biology. 1 (2): E42. doi:10.1371/journal.pbio.0000042. PMC 261882. PMID 14624244.
Lebedev, M. A.; Carmena, JM; O'Doherty, JE; Zacksenhouse, M; Henriquez, CS; Principe, JC; Nicolelis, MA (2005). "Cortical Ensemble Adaptation to Represent Velocity of an Artificial Actuator Controlled by a Brain-Machine Interface". Journal of Neuroscience. 25 (19): 4681–93. doi:10.1523/JNEUROSCI.4088-04.2005. PMC 6724781. PMID 15888644.
O’Doherty, JE; Lebedev, MA; Ifft, PJ; Zhuang, KZ; Shokur, S; Bleuler, H; Nicolelis, MA (2011). "Active tactile exploration using a brain–machine–brain interface". Nature. 479 (7372): 228–231. Bibcode:2011Natur.479..228O. doi:10.1038/nature10489. PMC 3236080. PMID 21976021.
Serruya, MD; Hatsopoulos, NG; Paninski, L; Fellows, MR; Donoghue, JP (2002). "Instant neural control of a movement signal". Nature. 416 (6877): 141–2. Bibcode:2002Natur.416..141S. doi:10.1038/416141a. PMID 11894084.
Taylor, D. M.; Tillery, SI; Schwartz, AB (2002). "Direct Cortical Control of 3D Neuroprosthetic Devices". Science. 296 (5574): 1829–32. Bibcode:2002Sci...296.1829T. CiteSeerX 10.1.1.1027.4335. doi:10.1126/science.1070291. PMID 12052948.
Pitt team to build on brain-controlled arm Archived 4 July 2007 at the Wayback Machine, Pittsburgh Tribune Review, 5 September 2006.
Video on YouTube
Velliste, M; Perel, S; Spalding, MC; Whitford, AS; Schwartz, AB (2008). "Cortical control of a prosthetic arm for self-feeding". Nature. 453 (7198): 1098–101. Bibcode:2008Natur.453.1098V. doi:10.1038/nature06996. PMID 18509337.
Musallam, S.; Corneil, BD; Greger, B; Scherberger, H; Andersen, RA (2004). "Cognitive Control Signals for Neural Prosthetics" (PDF). Science. 305 (5681): 258–62. Bibcode:2004Sci...305..258M. doi:10.1126/science.1097938. PMID 15247483.
Santucci, David M.; Kralik, Jerald D.; Lebedev, Mikhail A.; Nicolelis, Miguel A. L. (2005). "Frontal and parietal cortical ensembles predict single-trial muscle activity during reaching movements in primates". European Journal of Neuroscience. 22 (6): 1529–40. doi:10.1111/j.1460-9568.2005.04320.x. PMID 16190906.
Chang, Edward F.; Chartier, Josh; Anumanchipalli, Gopala K. (24 April 2019). "Speech synthesis from neural decoding of spoken sentences". Nature. 568 (7753): 493–498. Bibcode:2019Natur.568..493A. doi:10.1038/s41586-019-1119-1. ISSN 1476-4687. PMID 31019317.
Ali, Yahia H.; Pandarinath, Chethan (24 April 2019). "Brain implants that let you speak your mind". Nature. 568 (7753): 466–467. Bibcode:2019Natur.568..466P. doi:10.1038/d41586-019-01181-y. PMID 31019323.
Huber, D; Petreanu, L; Ghitani, N; Ranade, S; Hromádka, T; Mainen, Z; Svoboda, K (2008). "Sparse optical microstimulation in barrel cortex drives learned behaviour in freely moving mice". Nature. 451 (7174): 61–4. Bibcode:2008Natur.451...61H. doi:10.1038/nature06445. PMC 3425380. PMID 18094685.
Nicolelis Miguel A. L; Lebedev Mikhail A (2009). "Principles of Neural Ensemble Physiology Underlying the Operation of Brain-Machine Interfaces". Nature Reviews Neuroscience. 10 (7): 530–540. doi:10.1038/nrn2653. PMID 19543222.
Zander, Thorsten O; Kothe, Christian (2011). "Towards passive brain–computer interfaces: applying brain–computer interface technology to human–machine systems in general". Journal of Neural Engineering. 8 (2): 025005. Bibcode:2011JNEng...8b5005Z. doi:10.1088/1741-2560/8/2/025005. PMID 21436512.
"The Annual BCI Research Award 2014 – The Winners". Biosignal.at. 15 June 2011. Retrieved 19 December 2016.
Abdulkader, Sarah N.; Atia, Ayman; Mostafa, Mostafa-Sami M. (July 2015). "Brain computer interfacing: Applications and challenges". Egyptian Informatics Journal. 16 (2): 213–230. doi:10.1016/j.eij.2015.06.002. ISSN 1110-8665.
Polikov, Vadim S., Patrick A. Tresco, and William M. Reichert (2005). "Response of brain tissue to chronically implanted neural electrodes". Journal of Neuroscience 方法. 148 (1): 1–18. doi:10.1016/j.jneumeth.2005.08.015. PMID 16198003.
Vision quest, Wired Magazine, September 2002
Tuller, David (1 November 2004) Dr. William Dobelle, Artificial Vision Pioneer, Dies at 62. New York Times
Naumann, J. Search for Paradise: A Patient's Account of the Artificial Vision Experiment (2012), Xlibris Corporation, ISBN 1-479-7092-04
nurun.com (28 November 2012). "Mr. Jen Naumann's high-tech paradise lost". Thewhig.com. Retrieved 19 December 2016.
Kennedy, PR; Bakay, RA (1998). "Restoration of neural output from a paralyzed patient by a direct brain connection". NeuroReport. 9 (8): 1707–11. doi:10.1097/00001756-199806010-00007. PMID 9665587.
Leigh R. Hochberg; Mijail D. Serruya; Friehs; Mukand; Saleh; Caplan; Branner; Chen; Penn; Donoghue (13 July 2006). Gerhard M. Friehs, Jon A. Mukand, Maryam Saleh, Abraham H. Caplan, Almut Branner, David Chen, Richard D. Penn and John P. Donoghue. "Neuronal ensemble control of prosthetic devices by a human with tetraplegia". Nature. 442 (7099): 164–171. Bibcode:2006Natur.442..164H. doi:10.1038/nature04970. PMID 16838014.
Hochberg, L. R.; Bacher, D.; Jarosiewicz, B.; Masse, N. Y.; Simeral, J. D.; Vogel, J.; Haddadin, S.; Liu, J.; Cash, S. S.; Van Der Smagt, P.; Donoghue, J. P. (2012). "Reach and grasp by people with tetraplegia using a neurally controlled robotic arm". Nature. 485 (7398): 372–5. Bibcode:2012Natur.485..372H. doi:10.1038/nature11076. PMC 3640850. PMID 22596161.
Collinger, Jennifer L.; et al. (2013). "High-performance neuroprosthetic control by an individual with tetraplegia". The Lancet. 381 (9866): 557–564. doi:10.1016/S0140-6736(12)61816-9. PMC 3641862. PMID 23253623.
Gulati, Tanuj; Won, Seok Joon; Ramanathan, Dhakshin S.; Wong, Chelsea C.; Bodepudi, Anitha; Swanson, Raymond A.; Ganguly, Karunesh (2015). "Robust Neuroprosthetic Control from the Stroke Perilesional Cortex". The Journal of Neuroscience. 35 (22): 8653–8661. doi:10.1523/JNEUROSCI.5007-14.2015. PMC 6605327. PMID 26041930.
Serruya MD, Donoghue JP. (2003) Chapter III: Design Principles of a Neuromotor Prosthetic Device in 神经义肢技术: Theory and Practice, ed. Kenneth W. Horch, Gurpreet S. Dhillon. Imperial College Press.
Teenager moves video icons just by imagination, press release, Washington University in St Louis, 9 October 2006
Schalk, G; Miller, KJ; Anderson, NR; Wilson, JA; Smyth, MD; Ojemann, JG; Moran, DW; Wolpaw, JR; Leuthardt, EC (2008). "Two-dimensional movement control using electrocorticographic signals in humans". Journal of Neural Engineering. 5 (1): 75–84. Bibcode:2008JNEng...5...75S. doi:10.1088/1741-2560/5/1/008. PMC 2744037. PMID 18310813.
Yanagisawa, Takafumi (2011). "Electrocorticographic Control of Prosthetic Arm in Paralyzed 病人". American Neurological Association. doi:10.1002/ana.22613. ECoG- Based BCI has advantage in signal and durability that are absolutely necessary for clinical application
Pei, X. (2011). "Decoding Vowels and Consonants in Spoken and Imagined Words Using Electrocorticographic Signals in Humans". J Neural Eng 046028th ser. 8.4. PMID 21750369. Justin Williams, a biomedical engineer at the university, has already transformed the ECoG implant into a micro device that can be installed with a minimum of fuss. It has been tested in animals for a long period of time – the micro ECoG stays in place and doesn't seem to negatively affect the immune system.
S. Bozinovski, Twenty-fifth anniversary of the first EOG controlled robot. Journal of Computer Science and Systems Biology 7:2, 2014
S. Bozinovski: Signal processing robotics using signals generated by a human head: From pioneering works to EEG-based emulation of digital circuits, In A. Rodić and T. Borangiu (eds.), Advances in Robot Design and Intelligent Control 540: 449-464, Springer Verlag, 2017
Matht, Sebastiaan; Melmi, Jean-Baptiste; Van Der Linden, Lotje; Van Der Stigchel, Stefan (2016). "The Mind-Writing Pupil: A Human-Computer Interface Based on Decoding of Covert Attention through Pupillometry". PLoS ONE. 11 (2): e0148805. Bibcode:2016PLoSO..1148805M. doi:10.1371/journal.pone.0148805. PMC 4743834. PMID 26848745.
Gallegos-Ayala, G; Furdea, A; Takano, K; Ruf, CA; Flor, H; Birbaumer, N (27 May 2014). "Brain communication in a completely locked-in patient using bedside near-infrared spectroscopy". Neurology. 82 (21): 1930–2. doi:10.1212/WNL.0000000000000449. PMC 4049706. PMID 24789862.
Ramsey, Nick F.; Chaudhary, Ujwal; Xia, Bin; Silvoni, Stefano; Cohen, Leonardo G.; Birbaumer, Niels (2017). "Brain–Computer Interface–Based Communication in the Completely Locked-In State". PLOS Biology. 15 (1): e1002593. doi:10.1371/journal.pbio.1002593. ISSN 1545-7885. PMC 5283652. PMID 28141803.
Just short of telepathy: can you interact with the outside world if you can't even blink an eye?, Psychology Today, May–June 2003
Yuan, H; Liu, Tao; Szarkowski, Rebecca; Rios, Cristina; Ashe, James; He, Bin (2010). "Negative covariation between task-related responses in α/β-band activity and BOLD in human sensorimotor cortex: an EEG and fMRI study of motor imagery and movements". NeuroImage. 49 (3): 2596–2606. doi:10.1016/j.neuroimage.2009.10.028. PMC 2818527. PMID 19850134.
Doud, AJ; Lucas, John P.; Pisansky, Marc T.; He, Bin (2011). Gribble, Paul L (ed.). "Continuous Three-Dimensional Control of a Virtual Helicopter Using a Motor Imagery Based Brain-Computer Interface". PLoS ONE. 6 (10): e26322. Bibcode:2011PLoSO...626322D. doi:10.1371/journal.pone.0026322. PMC 3202533. PMID 22046274.
"Thought-guided helicopter takes off". bbc.co.uk. 5 June 2013. Retrieved 5 June 2013.
Qin, L; Ding, Lei; He, Bin (2004). "Motor imagery classification by means of source analysis for brain-computer interface applications". Journal of Neural Engineering. 1 (3): 135–141. Bibcode:2004JNEng...1..135Q. doi:10.1088/1741-2560/1/3/002. PMC 1945182. PMID 15876632.
Hhne, J; Holz, E; Staiger-Slzer, P; Müller, KR; Kübler, A; Tangermann, M (2014). "Motor imagery for severely motor-impaired 病人: evidence for brain-computer interfacing as superior control solution". PLOS ONE. 9 (8): e104854. Bibcode:2014PLoSO...9j4854H. doi:10.1371/journal.pone.0104854. PMC 4146550. PMID 25162231.
Taheri, B; Knight, R; Smith, R (1994). "A dry electrode for EEG recording☆". Electroencephalography and Clinical Neurophysiology. 90 (5): 376–83. doi:10.1016/0013-4694(94)90053-1. PMID 7514984.
Alizadeh-Taheri, Babak (1994). "Active Micromachined Scalp Electrode Array for Eeg Signal Recording". PHD Thesis: 82. Bibcode:1994PhDT........82A.
The Next BrainiacsWired Magazine, August 2001.
Lin, Chin-Teng; Ko, Li-Wei; Chang, Che-Jui; Wang, Yu-Te; Chung, Chia-Hsin; Yang, Fu-Shu; Duann, Jeng-Ren; Jung, Tzyy-Ping; Chiou, Jin-Chern (2009), "Wearable and Wireless Brain-Computer Interface and Its Applications", Foundations of Augmented Cognition. Neuroergonomics and Operational Neuroscience, Springer Berlin Heidelberg, pp. 741–748, doi:10.1007/978-3-642-02812-0_84, ISBN 9783642028113
Wang, Yu-Te; Wang, Yijun; Jung, Tzyy-Ping (April 2011). "A cell-phone-based brain-computer interface for communication in daily life". Journal of Neural Engineering. 8 (2): 025018. Bibcode:2011JNEng...8b5018W. doi:10.1088/1741-2560/8/2/025018. ISSN 1741-2552. PMID 21436517.
Lin, Yuan-Pin; Wang, Yijun; Jung, Tzyy-Ping (2013). A mobile SSVEP-based brain-computer interface for freely moving humans: the robustness of canonical correlation analysis to motion artifacts. Conference Proceedings: ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference. 2013. pp. 1350–1353. doi:10.1109/EMBC.2013.6609759. ISBN 978-1-4577-0216-7. ISSN 1557-170X. PMID 24109946.
"U.S. patent No. 2013/0127708 A1 (issued May 23, 2013)."
Wang, Yu-Te; Wang, Yijun; Cheng, Chung-Kuan; Jung, Tzyy-Ping (2013). 发展 stimulus 介绍 on mobile devices for a truly portable SSVEP-based BCI. Conference Proceedings: ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference. 2013. pp. 5271–5274. doi:10.1109/EMBC.2013.6610738. ISBN 978-1-4577-0216-7. ISSN 1557-170X. PMID 24110925.
Bin, Guangyu; Gao, Xiaorong; Yan, Zheng; Hong, bo; Gao, Shangkai (1 July 2009). "An online multi-channel SSVEP-based brain-computer interface using a canonical correlation analysis method". Journal of Neural Engineering. 6 (4): 046002. Bibcode:2009JNEng...6d6002B. doi:10.1088/1741-2560/6/4/046002. PMID 19494422.
Symeonidou, Evangelia-Regkina; D Nordin, Andrew; Hairston, W David; Ferris, Daniel (3 April 2018). "Effects of Cable Sway, Electrode Surface Area, and Electrode Mass on Electroencephalography Signal Quality during Motion". Sensors (Basel, Switzerland). 18 (4): 1073. doi:10.3390/s18041073. PMC 5948545. PMID 29614020.
Wang, Yijun; Wang, Ruiping; Gao, Xiaorong; Hong, Bo; Gao, Shangkai (June 2006). "A practical VEP-based brain-computer interface". IEEE Transactions on Neural Systems and Rehabilitation Engineering. 14 (2): 234–239. doi:10.1109/TNSRE.2006.875576. ISSN 1534-4320. PMID 16792302.
Pfurtscheller, G.; Müller, G. R.; Pfurtscheller, J. R.; Gerner, H. J. R.; Rupp, R. D. (2003). "'Thought' – control of functional electrical stimulation to restore hand grasp in a patient with tetraplegia". Neuroscience Letters. 351 (1): 33–36. doi:10.1016/S0304-3940(03)00947-9. PMID 14550907.
Do, An H; Wang, Po T; King, Christine E; Chun, Sophia N; Nenadic, Zoran (2013). "Brain-computer interface controlled robotic gait orthosis". Journal of NeuroEngineering and Rehabilitation. 10 (1): 111. doi:10.1186/1743-0003-10-111. ISSN 1743-0003. PMC 3907014. PMID 24321081.
Subject with Paraplegia Operates BCI-controlled RoGO (4x) at YouTube.com
Alex Blainey controls a cheap consumer robot arm using the EPOC headset via a serial relay port at YouTube.com
Drummond, Katie (14 May 2009). "Pentagon Preps Soldier Telepathy Push". Wired Magazine. Retrieved 6 May 2009.
"The OpenEEG Project". Openeeg.sourceforge.net. Retrieved 19 December 2016.
"How To Hack Toy EEGs". Frontiernerds.com. Retrieved 19 December 2016.
Ranganatha Sitaram, Andrea Caria, Ralf Veit, Tilman Gaber, Giuseppina Rota, Andrea Kuebler and Niels Birbaumer(2007) "FMRI Brain–Computer Interface: A Tool for Neuroscientific Research and Treatment[permanent dead link]"
Peplow, Mark (2004). "Mental ping-pong could aid paraplegics". News@nature. doi:10.1038/news040823-18.
To operate robot only with brain, ATR and Honda develop BMI base technology, Tech-on, 26 May 2006
Miyawaki, Yoichi; Uchida, Hajime; Yamashita, Okito; Sato, Masa-aki; Morito, Yusuke; Tanabe, Hiroki C.; Sadato, Norihiro; Kamitani, Yukiyasu (2008). "Visual Image Reconstruction from Human Brain Activity using a Combination of Multiscale Local Image Decoders". Neuron. 60 (5): 915–29. doi:10.1016/j.neuron.2008.11.004. PMID 19081384.
Nishimoto, Shinji; Vu, An T.; Naselaris, Thomas; Benjamini, Yuval; Yu, Bin; Gallant, Jack L. (2011). "Reconstructing Visual Experiences from Brain Activity Evoked by Natural Movies". Current Biology. 21 (19): 1641–1646. doi:10.1016/j.cub.2011.08.031. PMC 3326357. PMID 21945275.
Yam, Philip (22 September 2011). "Breakthrough Could Enable Others to Watch Your Dreams and Memories". Scientific American. Retrieved 25 September 2011.
"Reconstructing visual experiences from brain activity evoked by natural movies (Project page)". The Gallant Lab at UC Berkeley. Retrieved 25 September 2011.
Yasmin Anwar (22 September 2011). "Scientists use brain imaging to reveal the movies in our mind". UC Berkeley News Center. Retrieved 25 September 2011.
Coyle, Damien; Marshall, David; Wilson, Shane; Callaghan, Michael (2013). "Games, Gameplay, and BCI: The State of the Art". IEEE Transactions on Computational Intelligence and AI in Games. 5 (2): 83. doi:10.1109/TCIAIG.2013.2263555.
<http://www.bbci.de/competition/iv/>
Ang, Kai Keng; Chin, Zheng Yang; Wang, Chuanchu; Guan, Cuntai; Zhang, Haihong (1 January 2012). "Filter bank common spatial pattern algorithm on BCI competition IV Datasets 2a and 2b". Frontiers in Neuroscience. 6: 39. doi:10.3389/fnins.2012.00039. PMC 3314883. PMID 22479236.
Haider, Ali; Fazel-Rezai, Reza (2017). Event-Related Potentials and Evoked Potentials. InTech. doi:10.5772/intechopen.69309. ISBN 978-953-51-3639-2.
"Fiscal Year 2010 Budget Estimates. Defense Advanced Research Projects Agency" (PDF). darpa.mil. May 2009. Archived from the original (PDF) on 2015.
Kennedy, Pagan (18 September 2011). "The Cyborg in Us All". New York Times. Retrieved 28 January 2012.
"The Bionic Connection - DiscoverMagazine.com".
"Nervous System Hookup Leads to Telepathic Hand-Holding". 10 June 2015.
Warwick, K, Gasson, M, Hutt, B, Goodhew, I, Kyberd, P, Schulzrinne, H and Wu, X: "Thought Communication and Control: A First Step using Radiotelegraphy", IEE Proceedings on Communications, 151(3), pp.185–189, 2004
Warwick, K.; Gasson, M.; Hutt, B.; Goodhew, I.; Kyberd, P.; Andrews, B.; Teddy, P.; Shad, A. (2003). "The Application of Implant Technology for Cybernetic Systems". Archives of Neurology. 60 (10): 1369–73. doi:10.1001/archneur.60.10.1369. PMID 14568806.
Bland, Eric (13 October 2008). "Army 发展'synthetic telepathy'". Discovery News. Retrieved 13 October 2008.
Pais-Vieira, Miguel; Lebedev, Mikhail; Kunicki, Carolina; Wang, Jing; Nicolelis, Miguel A.L. (28 February 2013). "A Brain-to-Brain Interface for Real-Time Sharing of Sensorimotor Information". Scientific Reports. 3: 1319. Bibcode:2013NatSR...3E1319P. doi:10.1038/srep01319. PMC 3584574. PMID 23448946.
Gorman, James (28 February 2013). "One Rat Thinks, and Another Reacts". New York Times. Retrieved 28 February 2013.
"Brain-to-brain interface lets rats share information via internet". The Guardian. 1 March 2013. Retrieved 2 March 2013.
Mazzatenta, A.; Giugliano, M.; Campidelli, S.; Gambazzi, L.; Businaro, L.; Markram, H.; Prato, M.; Ballerini, L. (2007). "Interfacing Neurons with Carbon Nanotubes: Electrical Signal Transfer and Synaptic Stimulation in Cultured Brain Circuits". Journal of Neuroscience. 27 (26): 6931–6. doi:10.1523/JNEUROSCI.1051-07.2007. PMC 6672220. PMID 17596441.
Caltech Scientists Devise First Neurochip, Caltech, 26 October 1997
Coming to a brain near you Archived 10 September 2006 at the Wayback Machine, Wired News, 22 October 2004
'Brain' in a dish flies flight simulator, CNN, 4 November 2004
Clausen, Jens (2009). "Man, machine and in between". Nature. 457 (7233): 1080–1081. Bibcode:2009Natur.457.1080C. doi:10.1038/4571080a. PMID 19242454.
Haselager, Pim; Vlek, Rutger; Hill, Jeremy; Nijboer, Femke (2009). "A note on ethical aspects of BCI". Neural Networks. 22 (9): 1352–1357. doi:10.1016/j.neunet.2009.06.046. PMID 19616405.
Tamburrini, Guglielmo (2009). "Brain to Computer Communication: Ethical Perspectives on Interaction Models". Neuroethics. 2 (3): 137–149. doi:10.1007/s12152-009-9040-1.
Attiah, Mark A.; Farah, Martha J. (15 May 2014). "Minds, motherboards, and money: futurism and realism in the neuroethics of BCI technologies". Frontiers in Systems Neuroscience. 8 (86): 86. doi:10.3389/fnsys.2014.00086. PMC 4030132. PMID 24860445.
Nijboer, Femke; Clausen, Jens; Allison, Brendan Z; Haselager, Pim (2011). "Stakeholders' opinions on ethical issues related to brain-computer interfacing". Neuroethics. 6 (3): 541–578. doi:10.1007/s12152-011-9132-6. PMC 3825606. PMID 24273623.
"Sony patent neural interface". Archived from the original on 7 April 2012.
"Mind Games". The Economist. 23 March 2007.
"nia Game Controller Product Page". OCZ Technology Group. Retrieved 30 January 2013.
Li, Shan (8 August 2010). "Mind reading is on the market". Los Angeles Times.
Brains-on with NeuroSky and Square Enix's Judecca mind-control game. Engadget.com (9 October 2008). Retrieved on 29 May 2012.
New games powered by brain waves. Physorg.com (10 January 2009). Retrieved on 2010-09-12.
Snider, Mike (7 January 2009). "Toy trains 'Star Wars' fans to use The Force". USA Today. Retrieved 1 May 2010.
"Emotiv Homepage". Emotiv.com. Retrieved 29 December 2009.
"necomimi" selected "TIME MAGAZINE / The 50 best invention of the year". Neurowear.com. Retrieved on 29 May 2012.
"LIFESUIT Updates & News – They Shall Walk". Theyshallwalk.org. Retrieved 19 December 2016.
"SmartphoneBCI". Retrieved 5 June 2018.
"SSVEP_keyboard". Retrieved 5 April 2017.
"Roadmap - BNCI Horizon 2020". bnci-horizon-2020.eu. Retrieved 5 May 2019.
Brunner, Clemens; Birbaumer, Niels; Blankertz, Benjamin; Guger, Christoph; Kübler, Andrea; Mattia, Donatella; Millán, José del R; Miralles, Felip; Nijholt, Anton; Opisso, Eloy; Ramsey, Nick; Salomon, Patric; Müller-Putz, Gernot R (2015). "BNCI Horizon 2020: towards a roadmap for the BCI community". Brain-Computer Interfaces. 2: 1–10. doi:10.1080/2326263X.2015.1008956. hdl:1874/350349.
Allison, B.Z., Dunne, S., Leeb, R., Millan, J., and Nijholt, A. (2013). Towards Practical Brain-Computer Interfaces: Bridging the Gap from Research to Real-World Applications. Springer Verlag, Berlin Heidelberg. ISBN 978-3-642-29746-5.
Guger, C., Allison, B.Z., and Edlinger, G. (2013). Brain-Computer Interface Research: A State-of-the-Art Summary. Springer Verlag, Berlin Heidelberg.
Guger, C., Allison, B.Z., Leuthardt, E.C., and Edlinger, G. (2014). The BCI Award 2012: A State-of-the-Art Summary 2. Springer Verlag, Berlin Heidelberg.
Guger, C., Allison, B.Z., and Vaughan, T.M. (2014). The BCI Award 2013: A State-of-the-Art Summary 3. Springer Verlag, Berlin Heidelberg.
Edlinger, G., Allison, B.Z., and Guger, C. (2015). "How many people could use a BCI system?" pp. 33–66 in Clinical Systems Neuroscience, Kansaku, K., Cohen, L., and Birbaumer, N. (eds.) Springer Verlag Japan: Tokyo. ISBN 978-4-431-55037-2.
Chatelle, Camille; Chennu, Srivas; Noirhomme, Quentin; Cruse, Damian; Owen, Adrian M.; Laureys, Steven (2012). "Brain–computer interfacing in disorders of consciousness". Brain Injury. 26 (12): 1510–22. doi:10.3109/02699052.2012.698362. PMID 22759199.
Boly M, Massimini M, Garrido MI, Gosseries O, Noirhomme Q, Laureys S, Soddu A (2012). "Brain connectivity in disorders of consciousness". Brain Connectivity. 2 (1): 1–10. doi:10.1089/brain.2011.0049. PMID 22512333.
Gibson, Raechelle M.; Fern&#161;Ndez-Espejo, Davinia; Gonzalez-Lara, Laura E.; Kwan, Benjamin Y.; Lee, Donald H.; Owen, Adrian M.; Cruse, Damian (2014). "Multiple tasks and neuroimaging modalities increase the likelihood of detecting covert awareness in 病人 with disorders of consciousness". Frontiers in Human Neuroscience. 8: 950. doi:10.3389/fnhum.2014.00950. PMC 4244609. PMID 25505400.
Risetti, Monica; Formisano, Rita; Toppi, Jlenia; Quitadamo, Lucia R.; Bianchi, Luigi; Astolfi, Laura; Cincotti, Febo; Mattia, Donatella (2013). "On ERPs detection in disorders of consciousness rehabilitation". Frontiers in Human Neuroscience. 7: 775. doi:10.3389/fnhum.2013.00775. PMC 3834290. PMID 24312041.
Remsik, Alexander; Young, Brittany; Vermilyea, Rebecca; Kiekhoefer, Laura; Abrams, Jessica; Elmore, Samantha Evander; Schultz, Paige; Nair, Veena; Edwards, Dorothy (3 May 2016). "A review of the progression and future implications of brain-computer interface therapies for restoration of distal upper extremity motor function after stroke". Expert Review of Medical Devices. 13 (5): 445–454. doi:10.1080/17434440.2016.1174572. ISSN 1743-4440. PMC 5131699. PMID 27112213.
Monge-Pereira, Esther; Iba&#241;ez-Pereda, Jaime; Alguacil-Diego, Isabel M.; Serrano, Jose I.; Spottorno-Rubio, María P.; Molina-Rueda, Francisco (2017). "Use of Electroencephalography Brain-Computer Interface Systems as a Rehabilitative Approach for Upper Limb Function After a Stroke: A Systematic Review". PM&R. 9 (9): 918–932. doi:10.1016/j.pmrj.2017.04.016. PMID 28512066.
Sabathiel, Nikolaus; Irimia, Danut C.; Allison, Brendan Z.; Guger, Christoph; Edlinger, Günter (17 July 2016). Paired Associative Stimulation with Brain-Computer Interfaces: A New Paradigm for Stroke Rehabilitation. Foundations of Augmented Cognition: Neuroergonomics and Operational Neuroscience. Lecture Notes in Computer Science. pp. 261–272. doi:10.1007/978-3-319-39955-3_25. ISBN 9783319399546.
Riccio, A.; Pichiorri, F.; Schettini, F.; Toppi, J.; Risetti, M.; Formisano, R.; Molinari, M.; Astolfi, L.; Cincotti, F. (2016). Brain-Computer Interfaces: Lab Experiments to Real-World Applications. Progress in Brain Research. 228. pp. 357–387. doi:10.1016/bs.pbr.2016.04.018. ISBN 9780128042168. PMID 27590975.
Várkuti, Bálint; Guan, Cuntai; Pan, Yaozhang; Phua, Kok Soon; Ang, Kai Keng; Kuah, Christopher Wee Keong; Chua, Karen; Ang, Beng Ti; Birbaumer, Niels (29 May 2012). "Resting State Changes in Functional Connectivity Correlate With Movement Recovery for BCI and Robot-Assisted Upper-Extremity Training After Stroke". Neurorehabilitation and Neural 修复. 27 (1): 53–62. doi:10.1177/1545968312445910. PMID 22645108.
Young, Brittany Mei; Nigogosyan, Zack; Remsik, Alexander; Walton, Léo M.; Song, Jie; Nair, Veena A.; Grogan, Scott W.; Tyler, Mitchell E.; Edwards, Dorothy Farrar (2014). "Changes in functional connectivity correlate with behavioral gains in stroke 病人 after therapy using a brain-computer interface device". Frontiers in Neuroengineering. 7: 25. doi:10.3389/fneng.2014.00025. ISSN 1662-6443. PMC 4086321. PMID 25071547.
Mrachacz-Kersting, N.; Voigt, M.; Stevenson, A.J.T.; Aliakbaryhosseinabadi, S.; Jiang, N.; Dremstrup, K.; Farina, D. (2017). "The effect of type of afferent feedback timed with motor imagery on the induction of cortical plasticity" (PDF). Brain Research. 1674: 91–100. doi:10.1016/j.brainres.2017.08.025. hdl:10012/12325. PMID 28859916.
Radzik, Iwona; Miziak, Barbara; Dudka, Jaros&#322;aw; Chro&#347;cińska-Krawczyk, Magdalena; Czuczwar, Stanis&#322;aw J. (2015). "Prospects of epileptogenesis prevention". Pharmacological Reports. 67 (3): 663–8. doi:10.1016/j.pharep.2015.01.016. PMID 25933984.
Ritaccio, Anthony; Brunner, Peter; Gunduz, Aysegul; Hermes, Dora; Hirsch, Lawrence J.; Jacobs, Joshua; Kamada, Kyousuke; Kastner, Sabine; Knight, Robert T.; Lesser, Ronald P.; Miller, Kai; Sejnowski, Terrence; Worrell, Gregory; Schalk, Gerwin (2014). "Proceedings of the Fifth International Workshop on Advances in Electrocorticography". Epilepsy & Behavior. 41: 183–192. doi:10.1016/j.yebeh.2014.09.015. PMC 4268064. PMID 25461213.
Kim, DH (2010). "Dissolvable films of silk fibroin for ultrathin, conformal bio-integrated electronics". Nature Materials. 9 (6): 511–517. Bibcode:2010NatMa...9..511K. doi:10.1038/nmat2745. PMC 3034223. PMID 20400953.
Boppart, SA (1992). "A flexible perforated microelectrode array for extended neural recording". IEEE Transactions on Biomedical Engineering. 39 (1): 37–42. doi:10.1109/10.108125. PMID 1572679.
Blau, A (August 2011). "5". Applied Biomedical Engineering. Applied Biomedical Engineering. InTech. pp. 84–122. doi:10.5772/23186. ISBN 9789533072562.
Kim, DH (2012). "Flexible and stretchable electronics for bio-integrated devices". Annual Review of Biomedical Engineering. 14: 113–128. doi:10.1146/annurev-bioeng-071811-150018. PMID 22524391.
Rabaey, J. M. (September 2011). "Brain-machine interfaces as the new frontier in extreme miniaturization". 2011 Proceedings of the European Solid-State Device Research Conference (ESSDERC): 19–24. doi:10.1109/essderc.2011.6044240. ISBN 978-1-4577-0707-0.
Warneke, B.; Last, M.; Liebowitz, B.; Pister, K. S. J. (January 2001). "Smart Dust: communicating with a cubic-millimeter computer". Computer. 34 (1): 44–51. doi:10.1109/2.895117. ISSN 0018-9162.