BrainNet: A Multi-Person Brain-to-Brain Interface for Direct Collaboration Between Brains
我们提出的BrainNet，据我们所知，是第一个多人非侵入性的直接脑对脑的协作解决问题的接口。该接口结合了脑电图（EEG）记录大脑信号和经颅磁刺激（TMS）非侵入性地向大脑传递信息。该界面允许三个人类受试者使用直接的脑对脑通信来协作和解决任务。三个受试者中有两个是“发送者”，他们的大脑信号是使用实时EEG数据分析解码的，以提取关于是否在俄罗斯方块游戏中旋转一个方块的决定，然后再将其丢弃以填充一条线。发送者的决定通过互联网传输到第三个主体的大脑，“接收者”，他看不到游戏屏幕。这些决定通过枕叶皮层的磁刺激传递到接收者的大脑。接收器整合接收到的信息，并使用EEG接口做出关于转动块或将其保持在相同位置的决定。游戏的第二轮给发送者一个机会来验证和提供反馈给接收者的行动。我们评估了BrainNet的性能：（1）游戏过程中的群体水平表现;（2）受试者决策的真/假阳性率;（3）受试者之间的互信息。五组三名受试者成功使用BrainNet执行俄罗斯方块任务，平均准确率为0.813。此外，通过人为地向发送者的信号中注入噪音来改变发送者的信息可靠性，我们发现接收者能够仅根据传输到他们大脑的信息来了解哪个发送者更可靠。我们的研究结果提高了未来脑对脑接口的可能性，这种接口使人类能够使用连接大脑的“社交网络”来合作解决问题。
2019-05-22 cs.HC q-bio.NC
Towards Neural Co-Processors for the Brain: Combining Decoding and Encoding in Brain-Computer Interfaces
Center for Neurotechnology（神经技术中心）；Paul G. Allen School of Computer Science and Engineering（保罗·G·艾伦计算机科学与工程学院）；University of Washington（华盛顿大学）
脑机接口领域正准备从使用脑信号控制假体设备的传统目标发展到在单个神经假体设备内组合神经解码和编码。这种装置充当大脑的“协处理器”，其应用范围从诱导赫布可塑性用于脑损伤后的康复到使瘫痪的肢体复活和增强记忆。本文综述了在闭环控制和可塑性诱导中同时解码和编码的最新进展。为了应对多通道解码和编码的挑战，我们引入了一个统一的框架，用于开发基于人工神经网络和深度学习的大脑协处理器。这些“神经协处理器”可用于与神经系统联合优化成本函数，以实现从目标神经康复到增强大脑功能的期望行为。
2018-12-28 cs.AI cs.HC cs.NE
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
An open-source implementation of a closed-loop electrocorticographic Brain-Computer Interface using Micromed, FieldTrip, and PsychoPy
Laboratory for Neuro- and Psychophysiology (KU Leuven)（KU Leuven神经与心理生理学实验室）
本文提出基于Micromed、FieldTrip和PsychoPy的闭环电极皮层BCI开源实现，提供三个定制库以促进BCI研究的定制化和灵活性。
2026-02-10 cs.HC eess.SP
Brain-Computer Interfaces and the Dangers of Neurocapitalism
我们回顾了现有的趋势是如何相关的脑机接口和数据，他们将产生的讨论。然后，我们讨论了神经数据的商业，被称为神经资本主义，可能会受到脑机接口技术成熟的影响。我们将探讨这将如何对我们的互动方式以及我们的自主感和认同感带来根本性的变化。由于技术的内在力量及其潜在的破坏性滥用，必须在技术出现之前采取行动，而不是对它的反应。脑机接口技术的广泛采用肯定会改变我们的生活方式。它是变好还是变坏，取决于我们为它的到来做了多少准备。
2020-09-16 cs.HC
Real-time fMRI-based Brain Computer Interface: A Review
近年来，神经影像学技术的迅速发展为认知神经科学的研究提供了有力的工具。其中，功能磁共振成像（fMRI）以其空间分辨率高、时间分辨率好、标定简单、制备时间短等优点，在脑研究中得到了广泛的应用。与脑电图相比，实时的【形】fMRI脑机接口（rtfMRI-BCI）不仅可以对整个大脑进行解码分析，控制外部设备，还可以让受试者自主调节特定的大脑区域。本文综述了rtfMRI-BCI的基本结构、新兴的基于机器学习的数据分析方法（也称为多体素模式分析）以及rtfMRI-BCI的应用和最新进展。
2018-08-08 cs.HC
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
Enhancing Subject-Independent Accuracy in fNIRS-based Brain-Computer Interfaces with Optimized Channel Selection
本研究提出基于Pearson相关的通道选择与特征提取方法，在fNIRS-BCI中仅用两通道实现95.98%的跨受试者峰值精度，平均精度提升28.09%，降低了硬件复杂度。
2025-02-26 cs.HC eess.SP
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
Transfer Learning in Brain-Computer Interfaces with Adversarial Variational Autoencoders
Northeastern University（东北大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
我们引入对抗神经网络的表示学习作为一种新的方法，脑机接口（BCI）的迁移学习。所提出的方法旨在通过同时训练条件变分自编码器（cVAE）和对抗网络来学习主体不变表示。我们使用浅层卷积架构来实现cVAE，并将学习的编码器转移到从未见过的BCI用户数据中提取主题不变特征以进行解码。我们证明了我们的方法的概念验证的基础上记录在运动想象BCI实验的脑电图（EEG）数据的分析。
2018-12-17 cs.HC cs.LG eess.SP
Online LDA based brain-computer interface system to aid disabled people
Institute of Alparslan Defence Sciences, National Defence University（阿尔帕尔斯兰国防科学研究所，国防大学）；İskenderun Technical University（伊斯肯德伦技术大学）
本论文旨在开发一种基于脑电的脑机接口系统，以辅助残疾人的日常生活。该系统依赖于一个最有效的事件相关电位波，P300，它可以通过oddball范式。开发的应用程序有一个基本的互动工具，使残疾人能够传达他们的需要，选择相关的对象的其他人。这些对象伪随机地在计算机屏幕上的可视界面中闪烁。用户必须关注相关对象以传达期望的需求。该系统能在15秒内检测出采集到的14通道脑电信号中的P300波，并利用线性判别分析分类器进行分类，从而准确地传达出期望的需求。在19名志愿者身上进行了实验，以验证所开发的BCI系统。结果表明，在线检测的准确率达到90.83%
2021-01-21 cs.AI cs.HC
A novel multimodal approach for hybrid brain-computer interface
脑机接口（Brain-computer interface，BCI）技术在许多领域得到了广泛的应用。特别是，非侵入性技术，如脑电图（EEG）或近红外光谱（NIRS）已被用于检测运动想象，疾病或精神状态。已有文献表明，EEG和NIRS的混合比它们各自的单独信号具有更好的结果。脑电信号和近红外光谱信号的融合算法是实现两者在实际应用中的关键。在本研究中，我们提出了三种融合方法的混合的EEG和NIRS的脑机接口系统：线性融合，张量融合，和$p$次多项式融合。首先，我们的结果证明混合BCI系统更准确，正如预期的那样。其次，$p$阶多项式融合的分类效果最好，与以往的研究相比也有一定的改进。对于运动想象任务和心算任务，以往文献的最佳检测准确率分别为74.20%和88.1%，而我们的检测准确率分别为77.53%和90.19%。此外，与复杂的人工神经网络方法不同，我们提出的方法在计算上要求不高。
2020-04-25 cs.HC eess.SP
Automatic Exam Evaluation based on Brain Computer Interface
脑机接口应用可用于克服学习问题，特别是学生焦虑、注意力不集中和注意力不集中。本文介绍了一种基于脑机接口（BCI）的教育测量系统，用于测量预期的学习结果，并测量噪声对系统准确度的影响。该系统在线工作，并基于记录的大脑信号数据集。该系统可以被认为是P300拼写器只接受从A到D的字母的特殊情况。这些是MCQ多项选择题的可能答案。教师制作考试，将其存储在考试数据库中并将其发送给学生。学生注册进入系统并记录他们的大脑信号。脑信号经过预处理阶段，其中信号经过低通和高通滤波器。然后对信号进行二次采样和分段。所获得的特征被用作线性判别分析（LDA）的输入。准确率为91%。
2021-12-01 cs.HC
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
ironbci. Open source. Brain-computer interface with the embedded board to monitor the physiological subject's condition and environmental parameters
本文介绍了一种脑机接口（STM32和ADS 1299），它带有传感器的嵌入式板，用于监测被试者的状态和环境。为了降低功耗和设备尺寸，我们使用了微机电系统（MEMS）技术制造的传感器-陀螺仪、加速度计和环境监测传感器：CO2、温度、湿度、环境声音、脉搏和血氧饱和度。来自设备的数据使用TCP-PI（蓝牙传输）协议传输到计算机或移动终端。开放源代码https://github.com/Ildaron/ironbci
2021-10-28 cs.HC
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
A Review of Brain-Computer Interface Technologies: Signal Acquisition Methods and Interaction Paradigms
School of Medicine, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）医学院）
本文为脑机接口技术综述，梳理了经典、分类及混合等各类BCI交互范式，划分并阐释非植入、介入、植入三类信号采集技术的原理与进展，分析二者的相互促进关系，为未来高效通用的BCI系统发展提供参考。
2025-03-01 cs.AI cs.HC
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
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
An Investigation on Non-Invasive Brain-Computer Interfaces: Emotiv Epoc+ Neuroheadset and Its Effectiveness
Kennesaw State University（肯尼索州立大学）
在这项研究中，我们说明了脑机接口研究的进展，并提出了当代的方法。首先，我们探索了一种解码自然语音的方法，该方法旨在将人类语音直接从人脑解码到Facebook现实实验室和加州大学旧金山分校推出的数字屏幕上。然后，我们研究了最近提出的一个有远见的项目，使用脑机接口（BMI）的方法来控制人脑。我们还研究了著名的基于脑电图（EEG）的Epoc+ Neuroheadset，通过在三个人类受试者中试验神经耳机，使用大脑信号识别六个情绪参数，包括参与，兴奋，专注，压力，放松和兴趣，其中我们利用两个监督学习分类器，朴素贝叶斯和线性回归显示Epoc+设备的准确性和能力及其在神经技术研究中的相关应用。我们目前的实验研究和演示表明，69%和62%的精度分别提高上述分类器在阅读的性能矩阵的参与者。我们设想，非侵入性、可插入和低成本的BCI方法不仅是肢体瘫痪患者的替代方案，而且还将成为理解大脑的焦点，这将为我们访问和控制记忆和大脑铺平道路。
2022-06-24 cs.AI cs.CY cs.HC
Human-AI Teaming Using Large Language Models: Boosting Brain-Computer Interfacing (BCI) and Brain Research
University Hospital Freiburg（弗莱堡大学医院）；NeuroMentum AI
本文提出基于Janusian设计原则的人机协同框架及ChatBCI工具箱，通过与大语言模型交互推动脑机接口和脑科学研究，并在运动想象EEG解码项目中验证其有效性。
2024-12-30 cs.AI cs.HC
Hybrid Paradigm-based Brain-Computer Interface for Robotic Arm Control
Korea University（高丽大学）
脑机接口（BCI）利用大脑信号与外部设备进行通信，而无需实际控制。特别地，BCI是用于控制机器人手臂的接口之一。在这项研究中，我们提出了一个基于知识蒸馏的框架，通过混合范式诱导脑电信号操纵机器人手臂，以供实际使用。教师模型的设计是为了对输入数据进行分层解码，并将知识传递给学生模型。为此，将软标签和蒸馏损失函数应用于学生模型训练。根据实验结果，学生模型取得了最好的性能中的单一架构为基础的方法。它被证实，使用分层模型和知识蒸馏，可以提高一个简单的架构的性能。由于不确定什么是知识转移，因此在未来的研究中澄清这一部分是重要的。
2022-12-14 cs.AI cs.HC cs.RO
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
Divergence Framework for EEG based Multiclass Motor Imagery Brain Computer Interface
与大多数真实世界的数据类似，EEG信号中普遍存在的非平稳性显著干扰了特征分布，从而恶化了脑机接口的性能。在这封信中，提出了一种新的方法，基于联合近似对角化（JAD），以优化多类运动想象脑机接口（BCI）的平稳性在信息论的框架。具体而言，在所提出的方法中，我们估计优化类之间的可辨别性，同时保持运动想象类内的平稳性的子空间。我们确定所提出的方法，通过优化正交流形上的梯度下降的子空间。所提出的平稳性执行算法的性能进行比较，基线一对休息（OVR）-CSP和JAD公开可用的BCI竞争IV数据集IIa。结果表明，在基线算法的平均分类精度的提高，从而缓解会话内的非平稳性的本质。
2019-01-12 cs.HC eess.IV eess.SP
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
Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology（华中科技大学）；School of Artificial Intelligence and Automation（人工智能与自动化学院）
针对基于脑电图的脑机接口易受对抗性攻击的问题，首次探索其对抗性伪影检测，通过在两个EEG数据集上用三种卷积神经网络实验验证检测方法性能，发现白盒和黑盒攻击均可检测且前者更易检测。
2022-11-28 cs.AI cs.CR cs.HC
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
An Energy-Efficient Spiking Neural Network for Finger Velocity Decoding for Implantable Brain-Machine Interface
ETH Zurich（苏黎世联邦理工学院）；University of Michigan（密歇根大学）
脑机接口（BMI）对于运动康复和移动性增强很有希望。实现植入式BMI系统需要高精度和低功耗算法。在本文中，我们提出了一种新的尖峰神经网络（SNN）解码器植入BMI回归任务。SNN使用增强的时空反向传播进行训练，以充分利用其处理时间问题的能力。所提出的SNN解码器实现了相同水平的相关系数作为国家的最先进的人工神经网络解码器在离线手指速度解码任务，而它只需要6.8%的计算操作和9.4%的存储器访问。
2022-10-07 cs.HC cs.LG eess.SP
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
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
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
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
Natural brain-information interfaces: Recommending information by relevance inferred from human brain signals
从万维网等大型文档集中查找相关信息是我们日常生活中的一项常见任务。用户的兴趣或搜索意图的估计是必要的，以推荐和检索相关的信息，从这些集合。我们介绍了一个大脑信息接口，用于推荐信息的相关性直接从大脑信号推断。在实验中，参与者被要求阅读维基百科上关于一系列主题的文档，同时记录他们的脑电图。基于词的相关性的预测，个人的搜索意图建模，并成功地用于检索新的，相关的文件从整个英文维基百科语料库。结果表明，用户对数字内容的兴趣可以从阅读引起的大脑信号建模。所引入的大脑相关性范例使得能够在没有任何显式用户交互的情况下推荐信息，并且可以应用于各种信息密集型应用。
2016-07-12 cs.HC cs.IR 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
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
Reconstructing ERP Signals Using Generative Adversarial Networks for Mobile Brain-Machine Interface
Korea University（高丽大学）
实际的脑机接口已被广泛研究，以准确地检测人类的意图，在现实世界中使用大脑信号。然而，由于诸如行走和头部运动的伪影，脑电（EEG）信号失真，因此脑信号的幅度可能比期望的EEG信号大。由于这些伪影，在移动环境中准确地检测人类意图是具有挑战性的。在本文中，我们提出了基于生成对抗网络的重建框架，使用行走过程中的事件相关电位（ERP）。我们使用一个预先训练好的卷积编码器来表示潜在变量，并通过与编码器相反形状相似的生成模型来重建ERP。最后，使用判别模型对ERP进行分类，验证了该框架的有效性。结果表明，重建的信号具有与站立时ERP相似的重要成分，如N200和P300。重建的脑电信号的准确性与行走过程中的原始噪声脑电信号相似。重建脑电信号的信噪比显著提高，为1.3。生成式模型的损失率为0.6301，相对较低，说明训练生成式模型具有较高的性能。重建的ERP结果表明，通过降噪的效果，分类性能在步行过程中得到了改善。所提出的框架可以帮助识别人的意图，即使在移动环境中的脑机接口的基础上。
2020-05-18 cs.HC cs.LG eess.SP
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
Information Theoretic Feature Transformation Learning for Brain Interfaces
Northeastern University（东北大学）
目的：用于大脑接口中的模型训练的各种模式分析技术利用基于特征排序和选择算法的神经特征降维。根据广泛的证据表明，潜在的次优的排名为基础的特征选择的任何标准，我们建议扩展这一重点与信息理论学习驱动的特征变换的概念。研究方法：我们提出了一个最大互信息线性变换（MMI-LinT），和一个非线性变换（MMI-NonLinT）的框架，由特征变换学习问题的一般定义。基于在四级运动想象脑机接口（BCI）任务期间记录的脑电图（EEG）数据进行经验评估。利用国家的最先进的方法进行初始特征向量的建设，我们提出的方法与传统的特征选择为基础的降维技术，广泛用于大脑接口进行比较。此外，对于多类问题，我们提出并开发了一个基于层次图模型的BCI解码系统。结果：二进制和多类解码分析表明，显着更好的性能与所提出的方法。结论：信息理论特征变换能够在各种环境中处理传统方法的潜在混淆因素。重要性：我们认为，这一概念提供了重要的见解，以扩大对特征选择算法的关注，以更广泛的定义，在大脑接口的特征转换学习。
2019-04-05 cs.HC cs.IT cs.LG
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
Multi-command Chest Tactile Brain Computer Interface for Small Vehicle Robot Navigation
University of Tsukuba（筑波大学）；RIKEN Brain Science Institute（理化学研究所脑科学研究所）
所提出的研究探讨了在何种程度上触觉刺激提供给五个胸部位置的健康用户可以作为一个平台的脑机接口（BCI），可用于互动应用，如机器人车辆操作。五个胸部位置用于唤起触觉脑电位响应，从而定义触觉脑机接口（tBCI）。实验结果与五个主题进行在线tBCI提供了一个验证的胸部位置tBCI范例，而通过信息传输率照亮的概念的可行性。此外，通过案例研究，提出了一种线性SVM分类器的离线分类改进。
2013-07-28 cs.HC cs.RO q-bio.NC
An Educative Brain-Computer Interface
本文介绍了脑机接口（BCI）的信号源、硬件、软件、分析、系统结构等。我们还将沿着BCI的各种应用，查看一些主题领域和他们的特点。在前言之后，我们将考虑这项工作的重点-脑机接口在教育中使用的概念。脑机接口发展的代表性方向尚未有报道。在这项工作中，一个计算机系统，目前正在阐述作者的实验室，将被指定。其目的是根据用户的脑电信号指示来确定特定用户的学习信息的清晰度。基于这些信息，系统能够找到与每个用户交互的最佳方法。反馈的个性化使学习效果提高。在上述研究的基础上，作者对思维过程的本质进行了分析论证。
2010-03-13 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
Multi-Armed Bandits in Brain-Computer Interfaces
Lund University（隆德大学）；Blekinge Tekniska Högskola（布莱金厄理工学院）
多臂强盗（MAB）问题模拟了一个决策者，根据当前和获得的新知识优化其行动，以最大限度地提高其回报。这种类型的在线决策在脑机接口（BCI）的许多程序中是突出的，并且MAB先前已被用于调查，例如，使用什么样的心理命令来优化脑机接口的性能。然而，在BCI的上下文中的MAB优化仍然是相对未开发的，即使它有潜力提高BCI的性能在校准和实时实施。因此，本综述旨在进一步向BCI社区介绍MAB。该审查包括MAB问题和标准解决方法的背景，以及与BCI系统相关的解释。此外，它还包括BCI中MAB的最新概念以及对未来研究的建议。
2022-05-19 cs.AI cs.HC cs.SY
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
Brain-Muscle Atlas: A novel framework for Motor Brain-Computer Interfaces
School of Electrical and Information Engineering, Zhengzhou University（郑州大学电气与信息工程学院）；Henan Provincial Key Laboratory of Brain Science and Brain-Computer Interface Technology（河南省脑科学与脑机接口技术重点实验室）；Clinical Hospital of Chengdu Brain Science Institute, MOE-Key Lab for NeuroInformation, Brain-Apparatus Communication Institute, University of Electronic Science and Technology of China（电子科技大学脑机通信研究所，教育部神经信息重点实验室，成都脑科学研究所临床医院）；Research Unit of NeuroInformation 2019RU035, Chinese Academy of Medical Sciences（中国医学科学院神经信息研究单元2019RU035）；School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院）；School of Mechanical Engineering, Xi’an Jiaotong University（西安交通大学机械工程学院）
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
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
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
Deep Learning Decoding of Mental State in Non-invasive Brain Computer Interface
脑机接口（Brain Computer Interface，BCI）是近年来研究脑功能的一种重要手段。心理状态监测是BCI最重要的应用之一，并且变得越来越容易获得。然而，通过脑电（EEG）的精神状态预测的准确性和通用性不够好，日常使用。在本文中，我们提出了一种基于深度学习的EEG解码方法来读取精神状态。我们提出了一种新的一维卷积神经网络，具有不同的滤波器长度，以捕捉不同的频段信息。为了提高预测精度，我们还使用了类似resnet的结构来训练一个相对较深的卷积神经网络，以促进特征提取。与传统的预测方法如KNN和SVM相比，我们取得了显着更好的结果，准确率为96.40%。此外，与一些已经发布的开源深度神经网络结构相比，我们的方法在精神状态识别数据集上实现了最先进的预测精度。我们的研究结果表明，仅使用一维卷积可以提取脑电的特征，并使用便携式脑电设备的精神状态预测的可能性。
2019-11-11 cs.HC eess.IV eess.SP
Airborne Ultrasonic Tactile Display Brain-computer Interface -- A Small Robotic Arm Online Control Study
University of Tsukuba（筑波大学）；RIKEN Brain Science Institute（日本理化学研究所脑科学研究所）；The University of Tokyo（东京大学）
我们报告了一个扩展的机器人控制应用程序的非接触式和机载超声触觉显示器（AUTD）刺激为基础的脑机接口（BCI）的范例，获得了去年的年度BCI研究奖2014年。在获奖的人类通信增强范例中，六个手掌位置被用来唤起体感大脑反应，以定义一种新的非接触式触觉BCI。最后给出了一个小型机器人管理的应用实例，用户可以在线控制小型机器人。
2015-01-30 cs.HC cs.RO q-bio.NC
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
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
User-driven Intelligent Interface on the Basis of Multimodal Augmented Reality and Brain-Computer Interaction for People with Functional Disabilities
CHArt Laboratory (Human and Artificial Cognitions)（CHArt实验室（人类与人工认知实验室））；University of Paris 8（巴黎第八大学）；CreativiTIC Innova SL（CreativiTIC创新有限公司）
分析了当前用户-机器交互的一些模式和用例的集成尝试。用户驱动的智能界面的新概念提出的基础上，多模态增强现实和脑机交互的各种应用：在残疾人研究，教育，家庭护理，医疗保健等多模态增强的几个用例。本文概述了利用脑-机交互技术，通过神经物理通道的即时反馈来提高人类理解能力的前景。它表明，脑机接口（BCI）技术提供了新的策略，以克服目前可用的用户界面的限制，特别是对有功能障碍的人。先前对低端消费者和开源BCI设备的研究结果使我们能够得出结论，机器学习（ML）、多模态交互（视觉、声音、触觉）与BCI的组合将受益于ML方法分类的实际神经物理反应的即时反馈。一般来说，BCI与其他AR交互模式相结合可以提供比这些类型的交互本身更多的信息。即使在目前的状态下，结合AR-BCI接口可以提供高度适应性和个性化的服务，特别是对有功能障碍的人。
2017-08-15 cs.AI cs.DC cs.HC
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
