Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made Since 2016
Huazhong University of Science and Technology（华中科技大学）；Shanghai Jiao Tong University（上海交通大学）
脑机接口（BCI）使用户能够使用脑信号直接与计算机通信。最常见的非侵入性BCI模态，脑电图（EEG），是敏感的噪声/伪影，并遭受主体间/主体内的非平稳性。因此，很难在基于EEG的BCI系统中建立通用的模式识别模型，该模型对于不同的受试者、在不同的会话期间、对于不同的设备和任务是最佳的。通常，需要校准会话来收集用于新对象的一些训练数据，这是耗时的并且用户不友好的。迁移学习（TL）利用来自相似或相关受试者/会话/设备/任务的数据或知识来促进对新受试者/会话/设备/任务的学习，经常用于减少校准工作量。本文回顾了过去几年有关基于EEG的脑机接口中TL方法的期刊出版物，即，自2016年以来。六个范例和应用-运动想象，事件相关电位，稳态视觉诱发电位，情感脑机接口，回归问题，和对抗攻击-被认为是。对于每一个范例/应用程序，我们组TL方法到跨学科/会话，跨设备，跨任务设置和审查他们分开。论文最后给出了观察和结论，并指出了未来的研究方向。
2020-07-03 cs.HC cs.LG eess.SP
Brain Invaders Adaptive versus Non-Adaptive P300 Brain-Computer Interface dataset
我们描述了一个数据集的实验过程，我们已经在https://doi.org/10.5281/zenodo.1494163上以mat和csv格式公开提供。该数据集包含24名受试者在PC上进行视觉P300脑机接口实验的脑电图（EEG）记录。视觉P300是由视觉刺激引起的事件相关电位，在刺激开始后240-600 ms达到峰值。设计该实验是为了比较在PC上使用基于P300的脑机接口，使用黎曼几何进行自适应校准和不进行自适应校准。脑机接口是基于脑电图（EEG）的。EEG数据通过16个电极记录。2013年，在法国格勒诺布尔GIPSA实验室进行的一项实验中记录了数据（Congedo，2013）。用于操作数据的Python代码可在https://github.com/plcrodrigues/py.BI.EEG.2013-GIPSA上获得。该数据集的ID为BI.EEG.2013-GIPSA。
2019-04-19 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
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
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
Decoding Visual Responses based on Deep Neural Networks with Ear-EEG Signals
近年来，实用的脑机接口被积极地实施，特别是在移动环境中。然而，运动伪迹和运动状态下的肌电信号会使脑电信号发生畸变，从而使人的意图识别变得困难。此外，由于硬件问题也是具有挑战性的，耳-EEG已经被开发用于实用的脑机接口并且被广泛使用。然而，耳EEG仍然包含被污染的信号。本文提出了一种在步行条件下鲁棒的双流深度神经网络，并从统计分析和脑机接口性能两个方面分析了头皮和耳朵中的视觉反应脑电信号。我们验证了视觉反应范式，稳态视觉诱发电位的信号。当以1.6 m/s的速度快速行走时，脑机接口性能下降3~14%。当应用该方法时，头-EEG和耳-EEG的准确性分别提高了15%和7%。该方法在会话相关和会话到会话的实验中显示出对走动条件的鲁棒性。
2020-02-04 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
BrainForm: a Serious Game for BCI Training and Data Collection
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
BrainForm 是一款游戏化 BCI 训练系统，通过消费级硬件实现可扩展数据收集，验证了用户技能提升与持续参与，并提供了减少训练疲劳的指导。
2025-10-14 cs.HC cs.LG
Self-paced brain-computer interface control of ambulation in a virtual reality environment
目的：脊髓损伤（Spinal cord injury，SCI）常使患者不能行走.基于脑电（EEG）的脑机接口（BCI）控制下肢假肢可使脊髓损伤后的下肢恢复直观和功能健全。为了测试其可行性，作者开发并测试了一种新的基于EEG的数据驱动的BCI系统，用于在虚拟现实环境（VRE）中直观和自定进度地控制化身的振幅。方法：八个健全的主题和一个SCI进行了以下10分钟的培训课程：主题之间交替空转和步行动觉运动图像（KMI），而他们的脑电图记录和分析，以生成特定主题的解码模型。然后，受试者进行了一个以目标为导向的在线任务，重复了5个会话，其中他们利用KMI来控制化身的线性振幅，并在VRE内的指定点连续停止10次。主要结果：受试者的平均离线训练表现为77.2 +/-9.5%，范围从64.3%（p = 0.00176）到94.5%（p = 6.26*10^-23），机会表现为50%。平均在线性能为8.4 +/- 1.0（10个）成功停止和303 +/- 53秒完成时间（完美= 211秒）。在45个在线会话中，所有受试者在44个会话中的表现与随机游走的表现有显著差异（p < 0.05）。重要性：通过使用数据驱动的机器学习方法来解码用户的KMI，该BCIVRE系统仅在10分钟的培训后就可以直观和有目的地自定进度控制amplitude。以最少的训练实现这种BCI控制的能力表明，未来BCI-下肢假体系统的实…
2012-08-30 cs.HC
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
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
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
Relationship Between Mood, Sleepiness, and EEG Functional Connectivity by 40 Hz Monaural Beats
本研究通过10名参与者的5次随机会话，探讨40 Hz单耳拍对情绪、嗜睡及脑电功能连接的影响，发现可听刺激能显著提升唤醒度与积极情绪，并改变特定脑区连接，为认知增强和情绪调节提供依据。
2023-11-20 cs.HC q-bio.NC
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
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
Towards a Network Expansion Approach for Reliable Brain-Computer Interface
针对EEG信号变异性导致脑机接口可靠性不足的问题，提出一种可扩展网络，在学习性能不足时通过扩展网络容量提升特征提取能力，实验表明该方法在三个会话中表现优异并支持个性化校准。
2024-11-04 cs.HC eess.SP
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
On deploying the Artificial Sport Trainer into practice
计算智能方法在单项运动训练计划的自动生成方面已经达到了成熟阶段。为了确认其附加值，这些方案已付诸实践。因此，已经开发了几种方法，用于在计算机上自动生成精心制定的训练计划，这些训练计划通常取决于过去体育活动的收集。然而，监控所执行的训练课程的实现仍然代表了在整体上使运动训练的过程自动化的瓶颈。本文的目的是提出一种新的低成本和高效的嵌入式设备，用于监测运动训练课程的实现，专门用于监测自行车训练课程。我们设计并开发了一款新型自行车计算机，即AST监视器，几乎可以轻松安装在每辆自行车上。上述自行车计算机基于Raspberry Pi设备，该设备支持不同的外部传感器，用于在实现运动训练课程期间捕获数据。一个调整后的GUI适合运动员的需求开发，随着硬件。在实践中使用AST-Monitor的概念验证研究揭示了所提出的解决方案自动监控已实现的运动训练课程的潜力。新设备还为未来在各种体育运动中利用人工智能打开了大门。
2021-09-03 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
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
Alleviating Seasickness through Brain-Computer Interface-based Attention Shift
School of Automation Science and Engineering（自动化科学与工程学院）；South China University of Technology（华南理工大学）；Research Center for Brain–Computer Interface（脑机接口研究中心）；Pazhou Laboratory（琶洲实验室）；School of Artificial Intelligence（人工智能学院）；South China Normal University（华南师范大学）；School of Psychology（心理学学院）；South China Brain–Computer Interface Technology Co., Ltd.（华南脑机接口技术有限公司）
本文提出AI驱动的BCI注意力转移系统，通过数息等任务缓解晕船，并在43人真实航海实验中结合主观报告与EEG指标验证其有效性。
2025-07-23 cs.AI cs.HC eess.SP
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
EEG-based Classification of Drivers Attention using Convolutional Neural Network
Tilburg University（蒂尔堡大学）
准确检测驾驶员的注意力状态有助于开发实时的应对意外危险的辅助技术，从而提高道路安全性。这项研究比较了几个注意力分类器对参与者大脑活动的训练。参与者在沉浸式模拟器中执行驾驶任务，汽车随机偏离巡航车道。他们必须纠正偏差，他们的响应时间被认为是注意力水平的指标。参与者在两次会议上重复这项任务;在一次会议上，他们收到动觉反馈，在另一次会议上没有反馈。使用他们的EEG信号，我们训练了三个注意力分类器;使用EEG谱带功率的支持向量机（SVM）和使用频谱特征或原始EEG数据的卷积神经网络（CNN）。我们的研究结果表明，在动觉反馈下获得的原始EEG数据上训练的CNN模型达到了最高的准确率（89%）。虽然使用参与者自己的大脑活动来训练该模型产生了最佳性能，但受试者间的迁移学习仍然表现很高（75%），显示出免校准脑机接口（BCI）系统的前景。我们的研究结果表明，CNN和原始EEG信号可以用于实时注意力分类的被动BCI的有效训练。
2021-08-23 cs.AI cs.HC
A New Generation of Brain-Computer Interface Based on Riemannian Geometry
GIPSA-lab, CNRS and Grenoble University（GIPSA实验室、法国国家科学研究中心和格勒诺布尔大学）
基于黎曼几何的新一代BCI框架，无需训练即可快速适应用户，具备跨会话和跨受试者泛化能力，适用于多种BCI信号类型。
2026-01-18 cs.HC math.DG
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
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
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
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
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
Revisiting Euclidean Alignment for Transfer Learning in EEG-Based Brain-Computer Interfaces
Ministry of Education Key Laboratory of Image Processing and Intelligent Control, Huazhong University of Science and Technology, Wuhan, 430074 China（教育部长图像处理与智能控制重点实验室，华中科技大学，武汉，430074中国）；Zhongguancun Academy, Beijing, 100084 China（中关村学院，北京，100084中国）
本文重新审视欧几里得对齐（EA）在基于EEG的脑机接口迁移学习中的作用，系统解释其流程、正确用法、应用扩展及未来研究方向。
2025-05-03 cs.HC cs.LG
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
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
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
