Wyrm, A Pythonic Toolbox for Brain-Computer Interfacing
脑机接口（BCI）是一种测量中枢神经系统活动并将记录的数据转换为适合计算机用作输入信号的输出的系统。这样的BCI系统包括三个部分，信号采集，信号处理和反馈/刺激呈现。在本文中，我们介绍了Wyrm，一个Python中BCI的信号处理工具箱。Wyrm适用于广泛的神经科学问题，能够实时的运行在线实验和离线数据分析和可视化。
2014-12-19 cs.HC
MindDesktop: a general purpose brain computer interface
脑电图（EEG）和肌电图（EMG）的最新进展使严重残疾的人能够进行交流。在本文中，我们提出了一个系统，使使用常规的计算机使用现成的EEG/EMG耳机，提供了一个指向设备和虚拟键盘，可用于操作任何基于Windows的系统，最大限度地减少用户的努力所需的个人电脑进行交互。所提出的系统的有效性进行评估的可用性研究，表明减少学习曲线完成各种任务。建议的系统可在提供的链接。
2017-05-21 cs.HC
Contradicted by the Brain: Predicting Individual and Group Preferences via Brain-Computer Interfacing
本研究通过脑机接口测量大脑活动，发现大脑响应可分级反映偏好并训练分类器估计偏好，还能揭示自我报告未体现的群体相关偏好，指出外显偏好与脑推断偏好可能不一致，质疑外显/行为信号可靠性，提示需多模态信息推断可靠偏好。
2023-12-15 cs.HC
Personalized Brain-Computer Interface Models for Motor Rehabilitation
我们建议融合两个目前独立的研究路线的新疗法中风康复：脑机接口（BCI）的培训和经颅电刺激（TES）。具体来说，我们表明，BCI技术可用于学习个性化的解码模型，这些模型将个体受试者的脑节律的全局配置（如EEG所测）与他们在3D到达运动期间的运动表现联系起来。我们证明，我们的模型捕捉大量的跨学科的异质性，并认为这种异质性是一个可能的原因，在TES中观察到的效果有限的大小，以提高运动性能。最后，我们讨论了如何使用我们的个性化模型来获得最佳TES参数，例如，刺激部位和频率。
2017-05-09 cs.HC
BciPy: Brain-Computer Interface Software in Python
进行脑机接口（BCI）研究需要高技术和软件。为了加速BCI的开发和可访问性，值得关注开源和所需的工具。Python是一种著名的计算机语言，已成为许多研究和工程目的的首选语言。在这篇手稿中，我们介绍了BciPy，一个开源的，基于Python的软件，用于进行BCI研究。它的开发重点是使用事件相关电位（ERP）拼写接口恢复通信，然而，它可以用于其他非拼写和非ERP BCI范例。该系统的主要模块包括支持数据采集、数据查询、刺激呈现、信号处理、信号查看和建模、语言建模、任务构建和简单的图形用户界面（GUI）。
2020-02-16 cs.HC
Brain-Muscle Atlas: A novel framework for Motor Brain-Computer Interfaces
本研究提出脑-肌图谱框架，通过EEG-EMG数据构建运动解码模型，实现对肘关节运动的高精度实时控制。
2025-12-17 cs.HC
Brain Computer Interfaces for Mobile Apps: State-of-the-art and Future Directions
近年来，在利用移动设备的感测能力来开发应用方面已经有了显著的进步。主要目标是通过使其轻松和方便来增强用户与应用程序交互的方式。本文探讨了使用脑机接口（BCI），一个不断发展的子集的人机交互（HCI）范例，控制移动设备的能力。我们提出了一个全面的调查，在这一领域的最先进的，讨论的挑战和限制，在使用BCI的移动应用程序。此外，我们提出了可能的方式，在未来可以受益于BCI应用程序。本文巩固了在这一领域正在进行的研究方向，并得出结论的可行性和效益，使用BCI系统有效地增强到移动应用程序开发领域。
2015-09-04 cs.HC
A Personalized and Adaptable User Interface for a Speech and Cursor Brain-Computer Interface
University of California, Davis（加州大学戴维斯分校）；Brown University（布朗大学）；VA Providence Healthcare（普罗维登斯退伍军人事务医疗中心）；Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院）
本文提出了一种针对严重瘫痪用户的个性化和可适应的BCI用户界面，通过长期部署和迭代设计，实现了用户与计算机的独立交互，展示了个性化和适应性在日常生活中提升独立性的作用。
2026-01-27 cs.HC
Brain-computer interface with rapid serial multimodal presentation using artificial facial images and voice
由多模态刺激引起的脑电图（EEG）信号可以驱动脑机接口（BCI），并且研究已经表明，视觉和听觉刺激可以同时用于改善BCI性能。然而，没有研究调查的影响，多模态刺激在快速串行视觉呈现（RSVP）脑机接口。在本研究中，我们提出了一个快速串行多模态呈现（RSMP）BCI，结合人工面部图像和人工语音刺激。为了阐明视听刺激对RSMP BCI的影响，分别应用加扰图像和掩蔽声音代替视觉和听觉刺激。我们的研究结果表明，视听刺激提高了RSMP BCI的性能，Pz处的P300有助于分类准确性。脑机接口的在线准确率达到85.7 ± 11.5%。总之，这些发现可能有助于开发更好的凝视独立BCI系统。
2021-06-22 cs.HC
Entropy-based Motion Intention Identification for Brain-Computer Interface
在基于感觉-运动节律（SMR）的脑机接口（BCI）中，有意传递命令的识别是一个挑战。控制机器人设备的BCI系统（即，上肢假肢）能够检测用户是否处于所谓的有意非控制（INC）状态（即，将假体保持在给定位置）。在这项工作中，我们提出了一种新的方法的基础上熵的脑电图（EEG）信号，以提供一个连续的运动意图识别。从10个健康受试者的结果表明，该系统可以用于可靠地预测运动实时在8 Hz的帧速率与$80\% \pm 5\%$的准确性。此外，可以在肌肉激活之前超过1秒检测运动意图，平均精度为$76\% \pm 11\%$。
2019-05-24 cs.HC
Brain-Computer Interface in Virtual Reality
我们研究了脑机接口（BCI）系统在虚拟现实（VR）环境中的性能，并将其与二维常规显示器进行了比较。首先，我们设计了一个由三个组件组成的头戴式设备：可穿戴脑电图（EEG）设备，VR头戴式设备和接口。收集了人类受试者的大脑和行为记录，使用我们的设备执行各种各样的任务。这些任务包括使用心理命令或面部表情（微笑和眉毛运动）在VR中旋转或缩放对象。要求受试者在常规2D监视器屏幕上重复类似的任务。与2D屏幕相比，3D虚拟现实环境中的性能要高得多。特别是，VR设置的试验成功率中位数是2D设置的两倍（1分钟试验中，VR设置中有8个成功命令，而2D屏幕中有4个成功命令）。我们的研究结果表明，未来的BCI系统的设计可以显着受益于VR设置。
2018-11-13 cs.HC
Towards Neurohaptics: Brain-Computer Interfaces for Decoding Intuitive Sense of Touch
无创脑机接口（BCI）被广泛用于识别用户的意图。特别是，与触觉和感觉解码相关的BCI可以在许多工业领域提供各种效果，例如制造先进的触摸显示器、控制机器人设备以及更沉浸式的虚拟现实或增强现实。在本文中，我们介绍了触觉和感官知觉为基础的BCI系统称为神经触觉。这是一个初步的研究，各种情况下使用实际的触摸和触摸图像的范例。我们设计了一种新颖的实验环境和一种装置，可以在触摸指定材料的情况下获取大脑信号，以产生自然的触觉和纹理感觉。通过实验，我们采集了四种不同纹理物体的脑电信号。招募了七名受试者进行实验，并使用机器学习和深度学习方法评估分类性能。因此，我们可以确认解码实际的触摸和触摸图像的脑电信号的可行性，发展实用的神经触觉。
2020-12-20 cs.HC
Revisiting Embodiment for Brain-Computer Interfaces
研究人员越来越多地探索为身体健全的用户部署脑机接口（BCI），其动机是比现有的身体介导的交互更直接地访问心理状态。这种动机似乎与长期以来HCI对体现的强调相矛盾，即身体对认知至关重要的一般主张。本文通过回顾具身认知和互动的观点来解决这一明显的矛盾。我们首先批判性地研究了最近对脑机接口的兴趣，并确定了大脑中的认知与更广泛的身体相结合的程度，作为研究的中心问题。然后，我们定义了界面设计和评价的认知的综合观点的影响。我们得出的一个反直觉的结论是，具体化本身并不意味着身体运动优于大脑信号。然而，它仍然可以通过以下方式指导研究：1）为BCI性能提供基于身体的解释，2）提出在认知的模块化观点中被忽视的评估考虑因素，3）通过将其设计见解直接转移到BCI。最后，我们反映人机交互的理解的体现，并确定神经层面的体现，迄今为止被忽视。
2023-03-15 cs.HC
Advanced spike sorting approaches in implantable VLSI wireless brain computer interfaces: a survey
本文综述了植入式VLSI无线脑机接口中的先进尖峰分类技术，旨在解决功耗与尺寸限制下的高效数据传输和高精度神经信号分类问题。
2023-12-18 cs.HC
Toward 6G-enabled Brain Computer Interfaces: Technical Requirements, Use Cases, Challenges, and Future Trends
Faculty of New Information and Communication Technologies, Abdelhamid Mehri University（阿卜杜勒哈米德·迈赫里大学新信息与通信技术学院）；Computer Science Department, College of Computing and Informatics, Sharjah University（沙迦大学计算与信息学院计算机科学系）；Faculty of Computing and Informatics, University of Malaysia Sabah（马来西亚沙巴大学计算与信息学院）；Department of Computer and Network Engineering, College of Information Technology, United Arab Emirates University（阿联酋大学信息技术学院计算机与网络工程系）
本文探讨了如何在6G无线网络基础上有效构建脑机接口技术，分析了技术需求、用例、挑战及未来趋势，强调了6G技术如智能边缘和零触网在脑机接口中的应用前景。
2026-05-20 cs.HC
MindSculpt: Using a Brain-Computer Interface to Enable Designers to Create Diverse Geometries by Thinking
MindSculpt结合脑机接口与Grasshopper参数化平台，利用SVM模型识别EEG脑电波模式，使用户通过思考即可实时生成混合几何形状，有效缩短构思与实现的延迟并促进设计创新。
2023-03-07 cs.HC
Privacy-Preserving Brain-Computer Interfaces: A Systematic Review
本文系统综述了脑机接口中的隐私威胁与保护策略，填补了该领域缺乏全面综述的空白，并指出了未来研究方向。
2024-12-16 cs.HC
MI 2 MI: Training Dyad with Collaborative Brain-Computer Interface and Cooperative Motor Imagery Tasks for Better BCI Performance
本研究利用协同脑机接口设计四分类运动想象任务训练双人组，发现该合作训练能显著提升单一用户的EEG分类准确率与MI性能。
2024-06-01 cs.HC
NeuXus: A Biosignal Processing and Classification Pipeline for Real-Time Brain-Computer Interaction
在过去的几年里，脑机接口（BCI）作为人机交互和交互系统领域的一个新兴研究领域取得了进展。这主要是由于低成本脑电图（EEG）系统的引入，使BCI技术可用于非医学研究，也是由于信号处理和机器学习方法的进步。因此，BCI可以在用户与计算机系统交互的方式上提供广泛的新的可能性（例如，然而，对于BCI系统来说，仍然必须解决主要的挑战以成熟为用于有效的人机交互的已建立的通信介质。其中一个主要的挑战涉及到实时的【形】处理管道与便携式EEG系统的简单集成，以供实验室外使用。迄今为止，尽管当前开源工具提供了大量的选项，但大多数工具箱主要集中在扩展处理和分类方法上，但缺乏提供易于设计但可扩展的架构以供普遍使用的能力。在这里，我们介绍NeuXus，一个Python中的模块化工具箱，用于实时的【形】生物信号处理和管道设计。NeuXus是开源的，平台无关的，提供处理管道的高级实现，以便于BCI设计和部署。
2020-12-23 cs.HC
Towards Effective Deep Neural Network Approach for Multi-Trial P300-based Character Recognition in Brain-Computer Interfaces
本文提出加权集成空间-序列卷积神经网络（WE-SPSQ-CNN），通过减轻信号变异性提升脑机接口中P300字符识别准确率，在5次重复下优于现有模型。
2024-10-11 cs.HC
Neural Digital Twins: Toward Next-Generation Brain-Computer Interfaces
Department of Electrical Engineering, Faculty of Engineering, Bu-Ali Sina University, Hamedan, Iran（巴鲁-阿利·西纳大学工程学院电气工程系）
神经数字孪生通过动态个性化模型提升脑机接口的精度与鲁棒性。
2026-01-04 cs.HC
What Holds Back Brain-Computer Interfaces? Uncovering Challenges and Opportunities in BCI-controlled Games for Cerebral Palsy Rehabilitation
Aalborg University（奥尔堡大学）
本研究通过临床治疗师和10名脑瘫患者的体验，揭示BCI游戏在脑瘫康复中面临的控制感、辅助机制等挑战与机遇。
2026-06-26 cs.HC
Non-Stationarity in Brain-Computer Interfaces: An Analytical Perspective
California State University, Fresno（弗雷斯诺州立大学）；Tokyo University of Agriculture and Technology（东京农工大学）
本文分析了脑电图信号非平稳性的成因及其对脑机接口应用的影响，探讨了协变量偏移的检测与纠正方法。
2025-12-17 cs.HC
Engineering study on the use of Head-Mounted display for Brain- Computer Interface
在这篇文章中，我们探讨了盔装显示器（HMD）设备的可用性，它可以以无缝的方式与基于P300的脑机接口（BCI）使用脑电图（EEG）耦合。P300是在刺激开始后约300ms出现的事件相关电位。在正在进行的EEG上识别这种电位需要知道刺激的确切开始。换句话说，HMD中呈现的刺激必须与EEG信号的采集完美同步。这是通过一个称为标记的过程完成的。标记必须以可靠和鲁棒的方式执行，以保证P300的识别，从而保证BCI的性能。HMD设备还应该能够足够快地呈现图像以允许对刺激的准确感知，并且同样不干扰EEG信号的采集。此外，出于研究和娱乐目的，需要负担得起的HMD设备。在这项研究中，我们选择并测试了两种HMD配置。
2019-06-28 cs.HC
Evaluation of Data Processing and Machine Learning Techniques in P300-based Authentication using Brain-Computer Interfaces
本研究针对现有P300脑机接口身份认证方案的不足，提出一套认证框架，通过10名受试者的二分类、多分类实验及多配置测试验证，最优分类器f1-score接近100%，证明了该方案的有效性与可行性。
2023-11-09 cs.HC
LGL-BCI: A Motor-Imagery-Based Brain-Computer Interface with Geometric Learning
本研究提出LGL-BCI，一种基于几何深度学习的轻量级运动想象脑机接口，通过通道选择和特征分解实现快速推理，在准确率（82.54% vs 62.22%）和参数效率（64.9K vs 183.7K）上均优于现有方法。
2025-02-25 cs.HC
Internet of Things Meets Brain-Computer Interface: A Unified Deep Learning Framework for Enabling Human-Thing Cognitive Interactivity
脑机接口（BCI）获取大脑信号，分析并将其转换为命令，该命令被中继到致动设备以执行期望的动作。随着物联网（IoT）的出现，日常设备的广泛连接，BCI可以使个人直接通过他们的思想直接控制对象，如灵巧家庭电器或辅助机器人。然而，实现这一愿景面临着许多挑战，最重要的是从原始大脑信号中准确解释个人意图的问题，这些原始大脑信号通常是低保真度的，并且受到噪声的影响。此外，预处理大脑信号和随后的特征工程既耗时又高度依赖于人类领域的专业知识。为了解决上述问题，在本文中，我们提出了一个统一的基于深度学习的框架，该框架能够实现有效的人与物的认知交互，以连接个人和物联网对象。我们设计了一个基于强化学习的选择性注意力机制（SAM）来发现输入脑信号的显著特征。此外，我们提出了一种改进的长短期记忆（LSTM）来区分SAM转发的维间信息。为了评估所提出的框架的效率，我们进行了广泛的真实世界的实验，并证明我们的模型优于一些竞争的最先进的基线。两个实际的实时人-物认知交互应用验证了我们的方法的可行性。
2018-10-22 cs.HC
Temporal Out-of-Distribution Detection for Asynchronous Motor Imagery Brain-Computer Interfaces
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
本文提出双阶段EEG检测框架，通过滑动窗口机制和TempDens算法提升异步电机意念脑机接口中异常检测性能，优于传统基线方法。
2026-05-01 cs.HC
Investigating the Impact of a Dual Musical Brain-Computer Interface on Interpersonal Synchrony: A Pilot Study
本研究通过双人EEG实验，验证了神经自适应音乐反馈相比随机音乐能显著提升人际同步，为音乐脑机接口应用奠定基础。
2023-09-05 cs.HC
Mental-Gen: A Brain-Computer Interface-Based Interactive Method for Interior Space Generative Design
Mental-Gen提出一种基于脑机接口的室内空间生成式设计方法，通过无监督学习检测脑波响应相似性，并用SVM结合运动想象范式预测设计命令，驱动生成式AI模型，帮助用户以想象命令完成满意的空间设计。
2024-09-02 cs.HC
Empowering Mobility: Brain-Computer Interface for Enhancing Wheelchair Control for Individuals with Physical Disabilities
本研究提出一种利用EEG信号的非侵入式脑机接口系统，通过解码用户思维模式与导航意图，将其转化为精确控制命令，从而增强肢体残疾人士的轮椅控制能力与自主性。
2024-04-27 cs.HC
Evaluation of Classical Features and Classifiers in Brain-Computer Interface Tasks
脑机接口（Brain-Computer Interface，BCI）利用脑信号为人与外界的交流提供了一种新的方式。特征提取、选择和分类是脑机接口信号处理阶段的主要内容之一。在这篇文章中，我们提出了我们的研究结果，最有效的功能和分类器在一些大脑任务。六组不同的经典特征和十二个分类器已在九个脑信号数据集进行了检查。结果表明，与其他类型的特征提取相比，α和\b{eta}频段的脑信号能量以及一些统计参数是更有效的。此外，贝叶斯分类器与高斯分布假设，也支持向量机（SVM）表明，分类不同的BCI数据集比其他分类器更准确。我们相信，这些结果可以为脑机接口中的脑信号盲分类提供一种新的思路。
2017-09-12 cs.HC stat.ML
Exploration of Recent Advances in the Field of Brain Computer Interfaces
提出了一种利用非侵入式脑计算接口（BCI）技术，通过大脑的思维实现多种表情、情感和动作来操作物体的新方法。本文介绍了脑及其操作的概况。讨论了脑信号处理的步骤。目前的系统能够在单个设备上呈现很少的表情和情绪。所提出的系统在多个对象上提供扩展数量的表达式。
2013-02-12 cs.ET cs.HC
Progress in Brain Computer Interfaces: Challenges and Trends
脑机接口（BCI）提供大脑与计算机或其他外部设备之间的直接通信链路。它们通过加强或替代人类的外围工作能力来提供扩展的自由度，并且在诸如康复、情感计算、机器人技术、游戏和人工智能的各个领域中具有潜在的应用。全球范围内的重大研究工作为技术标准化提供了通用平台，并有助于解决高度复杂和非线性的大脑动力学以及相关的特征提取和分类挑战。心理神经生理现象及其对大脑信号的影响给BCI研究人员带来了另一个挑战，即将该技术从实验室实验转变为即插即用的日常生活。本文综述了脑机接口领域的进展，并强调了关键的挑战。
2019-01-11 cs.HC q-bio.NC
Multi-command Tactile and Auditory Brain Computer Interface based on Head Position Stimulation
我们研究在何种程度上传递到受试者的头部的振动触觉刺激可以作为一个平台，脑机接口（BCI）的范例。六个头部位置被用来唤起组合的体感和听觉（通过骨传导效应）的大脑反应，以定义一个多模态的触觉和听觉脑计算机接口（taBCI）。受试者进行在线taBCI的实验结果，使用适度快速的刺激间间隔（ISI）的刺激，验证taBCI范式，而通过信息传输率的案例研究的概念的可行性被照亮。
2013-05-12 cs.HC q-bio.NC
Airborne Ultrasonic Tactile Display Brain-computer Interface Paradigm
我们研究在何种程度上非接触式和空中超声触觉显示（AUTD）刺激提供给用户的手掌可以作为一个平台，脑机接口（BCI）的范例。六个手掌位置被用来唤起组合体感脑反应，以定义一种新的非接触式触觉BCI。与经典的附加振动触觉传感器的比较。实验结果验证了新的BCI范式进行在线实验。
2014-04-16 cs.HC q-bio.NC
Spatial Tactile Brain-Computer Interface Paradigm Applying Vibration Stimuli to Large Areas of User's Back
我们的目标是通过创建脑-机接口（BCI）来增强肌萎缩侧索硬化症（ALS）患者的沟通能力，该脑-机接口可以仅使用大脑活动来控制计算机或其他设备。作为一种方法，我们使用基于振动刺激的刺激驱动的BCI，通过游戏垫传递到用户的背部。我们确定P300反应，从大脑活动的数据，在振动刺激。根据EEG中记录的P300反应对用户的意图进行分类。心理物理实验和在线脑机接口实验结果表明，该方法能够对P300反应进行准确分类，证明了该方法的有效性。
2014-04-16 cs.HC q-bio.NC
A Survey on Brain-Computer Interaction
脑机接口（BCI）系统通过直接测量神经活动而无需肌肉活动来支持通信。脑机接口系统需要在对严重残疾人在现实世界中的使用进行长期研究中得到验证，必须实施有效和可行的模型，以便广泛传播。最后，BCI性能的日常和时刻到时刻的可靠性必须提高，以接近自然肌肉功能的可靠性。这篇综述讨论了BCI系统的结构和功能，阐明了术语集成和进展，并根据目前用于BCI系统的侵入性记录技术的可用性，确定和解释了该领域的机会。
2022-04-03 cs.HC cs.NE
Ownership and Agency of an Independent Supernumerary Hand Induced by an Imitation Brain-Computer Interface
为了研究身体的所有权和控制权，人们广泛使用了在非身体物体上引发这些感觉的错觉。经典的介绍与橡胶手错觉，这些幻想已被复制最近在虚拟现实和使用脑机接口。传统上，这些错觉研究的是用人造的对应物替换身体的一部分，然而，随着脑机接口研究的发展，它为我们提供了探索除了我们自己的肢体运动之外还控制非身体物体的可能性。因此，我们提出了一个新的错觉，旨在测试的感觉拥有和控制的独立多余的手。受试者的印象是他们通过脑机接口控制虚拟现实手，但实际上大脑活动和虚拟手运动之间没有因果关系，但观察到正确运动的概率为80%。这些模拟的脑机接口试验穿插着受试者真实双手的动作，这在整个实验中都是可见的。我们发现，受试者对第三只手产生了强烈的所有权和控制感，尽管他们只接受视觉反馈，与实际的大脑信号没有因果关系。我们的错觉与以前报道的研究有很大的不同，因为我们证明了第三只手的独立所有权和控制权，而不会失去真正手中的所有权。
2016-05-27 cs.HC q-bio.NC
Multi-command Tactile Brain Computer Interface: A Feasibility Study
该研究探讨了触觉刺激传递到BCI-幼稚受试者的十个手指的程度，可以作为一个平台，脑机接口（BCI），可用于互动应用程序，如机器人车辆操作。十个指尖用于唤起体感大脑反应，从而定义了触觉脑机接口（tBCI）。受试者进行在线（实时）tBCI的实验结果，使用刺激与适度快速的刺激间间隔（ISI），提供了验证的tBCI原型，而通过信息传输率通过案例研究获得的概念的可行性照亮。
2013-05-19 cs.HC q-bio.NC
EEG Signal Processing and Classification for the Novel Tactile-Force Brain-Computer Interface Paradigm
所提出的研究探讨了在何种程度上，传递到手持操纵杆的手的推力刺激可以作为一个平台，脑机接口（BCI）。四个压力方向用于唤起触觉脑电位反应，从而定义了一个战斗力脑机接口（tfBCI）。我们提出了大脑信号处理和分类程序，导致成功的接口结果。实验结果与七个主题进行在线BCI实验提供了一个验证的手的位置tfBCI范例，而通过显着的信息传输率照亮的概念的可行性。
2013-10-17 cs.HC q-bio.NC
Automatic Control of Reactive Brain Computer Interfaces
本文探讨基于贝叶斯统计的实时脑机接口控制，改进视觉 oddball 范式的自动控制与反馈算法以加速统计收敛，并引入高斯混合模型迁移学习实现即用型设置。
2023-10-11 cs.HC cs.SY eess.SY
Student Teaching and Research Laboratory Focusing on Brain-computer Interface Paradigms - A Creative Environment for Computer Science Students -
University of Tsukuba（筑波大学）
介绍了日本筑波大学TARA生命科学中心的脑机接口（BCI）学生研究实验室（BCI-LAB）的应用概念。学生项目的几个成功案例研究与BCI研究奖2014年获奖案例一起审查。还解释了BCI-LAB设计和基于项目的教学理念。并对今后的教学和研究方向进行了总结。
2015-06-13 cs.HC cs.RO q-bio.NC
Source Data Selection for Brain-Computer Interfaces based on Simple Features
Lund University（隆德大学）；Blekinge Tekniska Högskola（布莱金厄理工学院）
本文提出基于协方差矩阵和黎曼距离的简单特征进行源数据选择，通过迁移性能预测器方法提升脑机接口对新用户的迁移学习性能，并在公开运动想象数据集上验证其优于其他方法。
2024-10-03 cs.HC cs.LG
Brain Computer Interface for Gesture Control of a Social Robot: an Offline Study
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；University of Kentucky（肯塔基大学）；Ferdowsi University of Mashad（菲尔多西大学马什哈德分校）
脑机接口（Brain Computer Interface，BCI）通过根据患者的意图控制计算机和机器人设备，在神经假体和神经康复方面提供了有前景的应用。在这里，我们开发了一种新的BCI平台，使用非侵入性获取的大脑信号控制个性化的社交机器人。头皮脑电图（EEG）信号在假想运动的任务期间从用户实时收集。使用回归模型解码想象的身体运动学以计算用户预期的速度。然后，将解码的运动学信息映射以控制社交机器人的手势。该平台可以作为一个人机交互框架，结合神经反馈机制，提高痴呆症患者的认知能力。
2017-07-23 cs.HC cs.RO
Head-related Impulse Response-based Spatial Auditory Brain-computer Interface
本研究提供了一个全面的测试头相关脉冲响应（HRIR）的听觉空间拼写脑机接口（BCI）的范例，包括与传统的虚拟耳机为基础的空间听觉模态的比较。五个BCI-幼稚的用户参加了一个实验的基础上，五个日本元音。在在线脑机接口实验中，所获得的听觉诱发电位产生了非常好和稳定的P300反应。我们的案例研究表明，听觉HRIR空间声音的耳机再现范例可能是一个可行的替代建立多扬声器环绕声BCI拼写应用。
2014-04-15 cs.HC q-bio.NC
A Survey of Brain Computer Interface Using Non-Invasive Methods
本文综述了非侵入式脑机接口技术，比较侵入式与非侵入式方法的优劣，并重点分析EEG、fMRI、NIRs及混合系统的典型应用场景。
2023-09-22 cs.HC eess.SP
Multicommand Tactile Brain Computer Interface based on Fingertips or Head Stimulation
本文介绍了一个计算神经科学的研究结果进行测试，以引起触觉脑机接口（hBCI）范例中使用的体感脑反应的受试者的指尖和头部区域的振动触觉刺激。我们提出了初步的和非常令人鼓舞的结果，与主题进行在线hBCI接口实验，范围从40%到90%，非常快的刺激间隔（ISI）为250毫秒。所呈现的结果证实了我们的假设，即hBCI范例概念是有效的，它允许快速刺激呈现，以实现令人满意的信息传输率的新型BCI。
2013-01-25 cs.HC q-bio.NC
Beyond visual P300 based brain-computer interfacing paradigms
本文综述了空间听觉和触觉脑机接口神经技术应用的最新进展。它是作者在IICST 2013研讨会上提供的教程中介绍的“非视觉”脑机接口解决方案的最新发展摘要。单峰听觉或触觉，以及双峰组合范例的新概念的描述和支持最近的研究结果，从我们的BCI实验室研究小组在生命科学中心，筑波大学，日本。新开发的实验范例完全适合瘫痪或听力受损用户的需求，在触觉刺激的情况下，以及无法在计算机或机器交互中利用视觉的有能力的用户（驾驶或操作机器需要不受干扰的视力）。我们提出并审查脑电事件相关的潜在反应有用的脑机接口应用超越国家的最先进的视觉范例。最后，讨论了最近的结果，并提出了进一步的应用建议。
2013-09-09 cs.HC q-bio.NC
Visual Flow-based Programming Plugin for Brain Computer Interface in Computer-Aided Design
针对脑机接口在计算机辅助设计领域应用不足的问题，开发了可视化流式编程工具Neuron，帮助无相关经验的设计师利用神经数据进行设计原型创建与评估，并通过案例验证了工具功能。
2023-07-20 cs.HC cs.SE
PIEEG: Turn a Raspberry Pi into a Brain-Computer-Interface to measure biosignals
本文介绍了一种廉价、高精度、易于维护的PIEG板，用于将RaspberryPI转换为脑机接口。该屏蔽允许测量和处理八个实时EEG（脑电图）信号。我们使用最流行的程序设计语言- C、C++和Python来读取设备记录的信号。尽可能完整和清晰地演示了读取EEG信号的过程。这个设备可以很容易地用于机器学习爱好者创建使用思想的力量控制机器人和机械肢体的项目。我们将在GitHub（https：//github.com/Ildaron/EEGwithRaspberryPI）上发布使用案例，用于控制机器人机器，无人机等，只是使用思想的力量。
2022-01-05 cs.HC cs.RO
Spatio-Temporal Dynamics of Visual Imagery for Intuitive Brain-Computer Interface
视觉表象是一种直观的脑机接口范式，指视觉场景的出现。尽管它的方便，其内在特性的分析是有限的。在这项研究中，我们证明了时间间隔和通道选择的影响解码性能的多类视觉图像的效果。我们将时间段分为0-1秒和1-2秒的时间间隔，并在三个不同的大脑区域进行六类分类：全脑，视觉皮层和前额叶皮层。在时间间隔上，0-1 s组表现出24. 2%的平均分类准确率，在前额叶皮层显著高于1-2 s组。在3个不同区域中，前额叶皮层的分类准确率在0-1 s间隔组均显著高于视觉皮层，暗示了视觉表象过程中的认知唤醒。这一发现将为提高解码性能提供关键信息。
2020-02-27 cs.HC q-bio.NC
Method for Evaluating the Number of Signal Sources and Application to Non-invasive Brain-computer Interface
Institute of Artificial Intelligence（人工智能研究所）；M.V.Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Rebis LLC（Rebis有限责任公司）；Aicumene LLC（Aicumene有限责任公司）；Neurosputnik LLC（Neurosputnik有限责任公司）
本文提出基于多谐波信号模型的脑机接口数据分析方法，解决信号源数量评估问题，并通过非侵入式脑机接口数据验证其有效性。
2024-09-26 cs.CV cs.HC eess.SP
Home Automation Using SSVEP & Eye-Blink Detection Based Brain-Computer Interface
BITS Pilani KK Birla Goa Campus（巴特尼皮拉尼比尔卡戈亚校区）
本文提出一种利用SSVEP和眨眼检测的脑机接口家庭自动化系统，结合蓝牙室内定位技术，提升可控制设备数量。
2014-12-26 cs.HC cs.SY eess.SY
