MaltSci 麦伴科研

Appearance

热门主题报告 / 神经科学

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

脑机接口是如何工作的？ ​

摘要 ​

脑机接口（BCI）技术是一种通过直接连接大脑与外部设备，实现大脑与计算机之间高效通信的系统。近年来，BCI技术的研究在神经科学、医疗、康复及人机交互等领域取得了显著进展。BCI的基本原理依赖于脑电图（EEG）信号的采集与解码，EEG信号反映了大脑神经元的电活动，能够通过特定的算法转化为控制指令，从而使用户在没有身体运动的情况下直接控制外部设备。BCI技术的应用前景广阔，尤其是在神经肌肉障碍患者的康复训练、情感识别及虚拟现实等领域。尽管BCI技术的发展带来了新的机遇，但在实际应用中仍面临信号干扰、解码精度不足及伦理和社会问题等诸多挑战。未来的研究应致力于提升信号处理的准确性与实时性，优化设备的生物相容性，开发适应性算法，并在伦理框架下推动BCI技术的应用与普及。通过深入探讨BCI的基本原理、技术实现及应用现状，本文旨在为科研人员和工程师提供一个全面的理解，帮助其把握BCI领域的最新动态与研究趋势。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 脑机接口的基本原理
    • 2.1 脑电信号的产生与特征
    • 2.2 信号采集与处理技术
  • 3 脑机接口的技术实现
    • 3.1 侵入式与非侵入式BCI技术
    • 3.2 信号解码与控制算法
  • 4 脑机接口的应用现状
    • 4.1 医疗领域的应用
    • 4.2 其他领域的应用（如游戏、虚拟现实等）
  • 5 面临的挑战与未来发展
    • 5.1 技术挑战（如信号干扰、解码精度等）
    • 5.2 伦理与社会问题
  • 6 总结

1 引言 ​

脑机接口（Brain-Computer Interface, BCI）作为一种新兴技术，近年来引起了广泛的关注和研究。BCI通过直接连接大脑与外部设备，能够实现大脑与计算机之间的高效通信。这一技术不仅为神经科学提供了新的研究视角，也为医疗、康复以及人机交互等领域带来了巨大的潜力。尤其是在应对神经肌肉障碍（如肌萎缩侧索硬化症、脑瘫、脑卒中等）方面，BCI的应用前景尤为广阔[1]。随着神经工程、计算机科学和生物医学技术的迅速发展，BCI的工作原理和应用场景逐渐明晰，成为了一个多学科交叉的研究领域。

BCI技术的研究意义在于，它为严重残疾患者提供了新的沟通和控制手段，使他们能够在一定程度上恢复生活的独立性和质量。通过解码脑电信号，BCI可以实现对各种外部设备的控制，如机器人手臂、轮椅和计算机等，从而为患者提供了前所未有的生活便利[2]。此外，BCI还在康复训练、游戏和虚拟现实等领域展现出广泛的应用潜力[3]。因此，深入理解BCI的基本原理、技术实现及其应用现状，对于推动这一领域的进一步发展具有重要的理论和实践意义。

目前，BCI的研究现状可以概括为几个方面。首先，脑电信号的采集与处理技术不断进步，使得信号的解码精度和实时性得到了显著提升[4]。其次，随着人工智能和机器学习技术的引入，BCI在信号处理、特征提取和分类算法等方面取得了重要进展，这些技术的应用大大提高了BCI系统的可靠性和有效性[5]。然而，BCI的实际应用仍面临诸多挑战，如信号干扰、解码精度不足以及伦理和社会问题等，这些问题亟待解决[6]。

本文将系统性地回顾BCI的基本原理、技术实现、应用现状及其面临的挑战与未来发展方向。具体内容组织如下：第二部分将探讨BCI的基本原理，包括脑电信号的产生与特征以及信号采集与处理技术；第三部分将讨论BCI的技术实现，比较侵入式与非侵入式BCI技术，并分析信号解码与控制算法；第四部分将回顾BCI在医疗及其他领域的应用现状；第五部分将聚焦于BCI面临的技术挑战及伦理社会问题；最后，第六部分将总结全文并展望未来的发展方向。通过对相关文献的分析，本文旨在为读者提供一个全面的理解，帮助科研人员和工程师更好地把握BCI领域的最新动态和研究趋势。

2 脑机接口的基本原理 ​

2.1 脑电信号的产生与特征 ​

脑机接口（BCI）是一种使人类能够直接与外部设备进行通信的系统，其主要依赖于脑电图（EEG）信号。EEG信号是通过在头皮上放置电极来捕捉大脑活动的电信号，这些信号反映了神经元的电活动。BCI系统通过解码这些EEG信号，将其转化为控制外部设备的指令。

EEG信号的产生与特征主要包括以下几个方面：

  1. 信号的产生：EEG信号是由大脑中大量神经元的电活动所引起的。当神经元进行兴奋或抑制时，它们会产生微小的电位变化，这些变化通过电极被记录下来。EEG信号通常是低幅度的，且容易受到噪声的影响，因此其处理需要复杂的信号处理技术。

  2. 信号特征：EEG信号具有多种频率成分，这些成分可以通过频谱分析方法进行分离和分析。常见的EEG频率波段包括δ波（0.5-4 Hz）、θ波（4-8 Hz）、α波（8-12 Hz）、β波（12-30 Hz）和γ波（30 Hz以上）。不同频率的EEG波与不同的认知状态和脑活动相关联。例如，α波通常与放松状态相关，而β波则与集中注意力和活动状态相关。

  3. 信号处理：为了从EEG信号中提取有用的信息，BCI系统通常需要进行一系列的信号处理步骤，包括去噪、特征提取和分类。特征提取的目标是识别与特定脑活动相关的模式，而分类则是将这些模式转化为具体的控制指令。例如，运动想象（MI）是一种常见的BCI范式，用户通过想象肢体运动来产生特定的EEG信号，这些信号随后被解码以控制外部设备。

  4. 应用领域：EEG信号在BCI中的应用非常广泛，包括但不限于运动康复、情感识别、睡眠监测、癫痫诊断等。随着技术的发展，BCI系统正逐渐向日常生活中的实际应用迈进，例如通过可穿戴设备进行脑-机交互[7][8][9]。

综上所述，脑机接口的基本原理是通过捕捉和解码脑电信号，使用户能够在没有身体运动的情况下直接控制外部设备。这一技术的发展不仅依赖于对EEG信号特性的深入理解，还需要不断的技术创新，以提高信号处理的精度和实时性。

2.2 信号采集与处理技术 ​

脑机接口（BCI）是一种允许大脑与外部设备直接进行通信的系统，其基本原理涉及信号采集、信号处理和执行器设备的协调工作。以下将详细阐述信号采集与处理技术在脑机接口中的重要性和应用。

首先，信号采集是BCI系统的关键组成部分，通常分为非侵入性和侵入性两种方式。非侵入性方法主要依赖于脑电图（EEG），它通过电极记录大脑的电活动，而侵入性方法则包括电皮层图（ECoG）、局部场电位（LFP）等，这些方法能够提供更高的信号质量，但涉及更复杂的手术程序[10]。

在信号采集之后，信号处理技术至关重要。这一过程包括信号的预处理、特征提取和分类等多个步骤。预处理通常涉及去噪声和去伪影，以提高信号的质量。常用的去噪技术包括独立成分分析（ICA）和小波变换等[11]。特征提取则是将原始信号转化为可以用于分类的特征向量，常见的算法有线性判别分析（LDA）、支持向量机（SVM）和人工神经网络等[10]。

信号分类是将提取的特征与预定义的命令进行匹配，以实现对外部设备的控制。例如，BCI可以通过识别用户的脑电图模式来实现光标移动、机械手臂操作或其他设备的控制。此过程的准确性和实时性对BCI的实用性至关重要[12]。

此外，随着人工智能和机器学习技术的进步，BCI系统的信号处理能力得到了显著提升。这些技术能够更有效地处理大脑信号的非平稳性和各种干扰，提高信号分类的准确性和实时性[5]。例如，深度学习算法可以自动提取时空特征，从而减少对人工特征设计的依赖[13]。

最后，脑机接口的应用范围广泛，包括但不限于运动康复、神经退行性疾病的治疗、情感识别以及日常通信等[7]。然而，尽管技术取得了显著进展，BCI在实际应用中仍面临信号稳定性、用户训练时间和伦理问题等挑战[13]。

综上所述，脑机接口的基本原理通过信号采集与处理技术实现了大脑与外部设备之间的有效沟通。随着技术的不断发展，未来BCI的应用将更加广泛，潜力也将进一步释放。

3 脑机接口的技术实现 ​

3.1 侵入式与非侵入式BCI技术 ​

脑机接口（BCI）是一种通过记录大脑活动并将其转化为外部设备控制命令的技术，旨在帮助严重残疾患者与环境进行交互。BCI技术可以分为侵入式和非侵入式两种主要类型。

非侵入式BCI通常使用电生理信号，如脑电图（EEG），通过在头皮上放置电极来捕捉大脑活动。这种方法的优点在于其安全性和便捷性，使得更多的参与者能够在相对低成本的条件下使用。例如，研究表明，非侵入式BCI可以通过适应性算法实现两维光标移动和目标选择，允许包括脊髓损伤患者在内的用户使用脑信号进行复杂的控制任务[14]。此外，非侵入式BCI还可以在康复训练中应用，以促进运动功能的恢复[15]。

相比之下，侵入式BCI则通过在大脑内植入电极来记录神经信号。这种方法能够提供更高的信号质量和更复杂的控制能力，适用于需要更高精度和多维度控制的应用，如控制机器人手臂或神经假肢。尽管侵入式BCI在实验室环境中显示出良好的效果，但其临床应用仍面临诸多挑战，包括手术风险和长期稳定性等问题[16]。

BCI的基本工作原理包括信号生成、获取和处理。信号生成通常来自大脑皮层的神经活动，而信号获取则可以通过侵入式或非侵入式技术实现。随后，这些信号经过处理，转化为可以控制外部设备的命令。最近的研究表明，BCI的性能受到多种因素的影响，包括用户的神经心理学习能力和生理状态[17]。

总体而言，BCI技术正在迅速发展，未来有望在医疗、康复和日常生活中发挥更大的作用，特别是在帮助严重运动障碍患者恢复交流和控制能力方面[1][18]。

3.2 信号解码与控制算法 ​

脑机接口（BCI）是一种通信系统，通过检测大脑信号并将其转换为可用于控制外部设备的命令，从而实现人脑与计算机之间的直接通信。BCI的工作机制可以分为几个关键步骤，包括信号获取、信号处理、特征提取、分类以及控制接口。

首先，信号获取是BCI系统的第一步，通常通过电生理信号（如脑电图EEG）来监测大脑活动。这些信号能够反映出不同的脑功能状态，包括电活动、磁活动或代谢活动[2]。在这一过程中，研究者们使用不同的神经成像技术来获取信号，并需要处理各种噪声和伪影，以提高信号的质量和可用性[9]。

接下来，信号处理涉及对获取的信号进行预处理和增强，以去除伪影并提高信号的信噪比。常用的技术包括自适应滤波和算法来提高信号的可用性[5]。信号的增强对于提高分类的准确性至关重要，尤其是在复杂的脑电信号中。

在特征提取阶段，BCI系统使用数学算法将处理后的信号转换为特征，这些特征能够代表用户的意图。这一过程通常涉及到多种机器学习算法的应用，如卷积神经网络（CNN），以提高特征的提取效率和分类精度[9]。特征提取的目标是将大脑活动的复杂信息简化为可以被计算机理解的命令。

分类步骤则是将提取的特征转化为具体的控制命令，这通常依赖于分类算法的应用，例如贝叶斯线性判别分析等[19]。这些算法能够根据用户的脑信号来预测其意图，并将其转换为可执行的指令。

最后，控制接口将分类得到的命令应用于外部设备，如计算机、机器人或其他辅助设备，使用户能够通过大脑信号进行操作。这一过程的成功依赖于用户与BCI系统之间的适应性和实时反馈，以确保系统的稳定性和可靠性[20]。

综上所述，脑机接口的技术实现涉及复杂的信号解码与控制算法，这些技术的进步为重度残疾患者提供了新的沟通和控制手段，同时也为脑疾病的计算机辅助诊断和康复技术开辟了新的前景。

4 脑机接口的应用现状 ​

4.1 医疗领域的应用 ​

脑机接口（BCI）是一种允许用户通过脑信号与外部设备进行直接通信的技术。其工作原理是通过获取和分析脑电图（EEG）等脑信号，将其转换为指令，从而控制外部设备，而不依赖于传统的神经肌肉输出通路。这一技术的核心在于信号的获取、处理和解释，这一过程面临许多挑战，包括信号的非平稳性和干扰的影响。

在医疗领域，BCI的应用正在快速发展，涵盖了多个关键领域，包括康复、日常交流、癫痫、脑复苏、睡眠、神经退行性疾病、麻醉学和情感识别等[7]。通过BCI，重度残疾患者可以恢复与外界的沟通能力，例如通过脑信号控制计算机光标、机器人手臂、假肢或轮椅等设备[1]。此外，BCI还被用于帮助患者进行康复训练，改善运动功能[21]。

当前BCI技术的研究集中在几个主要领域，包括信号的校准、噪声抑制、通信、心理状态估计和运动想象等。人工智能和机器学习的应用被认为在这些领域中具有很大的潜力，能够提高脑信号处理的准确性，进而改善患者的生活质量[5]。例如，BCI系统能够实时分析脑信号，预测用户的意图，并作出相应的反应，从而实现更流畅的交互[5]。

非侵入性脑机接口的发展也是当前研究的热点。相比于传统的侵入性设备，非侵入性技术如超声波脑功能成像，能够在不对大脑造成直接损伤的情况下，进行脑信号的读取和调制。这一新技术的进展为BCI的应用提供了更广泛的可能性，尤其是在临床和研究领域[22]。

总的来说，BCI技术在医疗领域的应用前景广阔，但仍面临许多挑战，包括信号获取设备的便携性和安全性、长时间使用的有效性验证以及BCI性能的可靠性等[23]。随着技术的不断进步，BCI有望在未来为更多患者提供帮助，改善他们的生活质量。

4.2 其他领域的应用（如游戏、虚拟现实等） ​

脑机接口（BCI）是一种允许用户通过大脑信号与计算机或其他外部设备直接进行通信的技术。这种技术的工作原理基于获取、分析和翻译大脑信号，将其转化为可执行的命令，从而实现对外部设备的控制[23]。BCI技术的应用领域广泛，包括医疗、康复、娱乐等多个方面。

在医疗领域，BCI的主要目标是替代或恢复因神经肌肉疾病（如肌萎缩侧索硬化症、脑瘫、中风或脊髓损伤）而失去的功能。研究者们已经使用脑电图（EEG）、皮层内电极和其他脑信号进行复杂的控制，例如控制光标、机器人手臂、假肢和轮椅等设备[1]。此外，BCI在神经康复和情感识别等领域也显示出良好的应用前景[7]。

在非医疗领域，BCI技术的应用正在不断扩展，尤其是在游戏和虚拟现实（VR）领域。将BCI与虚拟现实结合，能够提供更加沉浸式的体验，增强用户的交互能力[24]。例如，BCI可以通过捕捉用户的脑电波，直接控制虚拟环境中的角色或物体，提升游戏的互动性和趣味性。研究表明，结合多模态BCI的系统，例如结合眼动追踪、运动捕捉和肌电传感，可以有效克服传统BCI在命令数量和准确性方面的限制，从而促进BCI在VR中的广泛应用[24]。

此外，脑机接口在元宇宙的应用也引起了广泛关注。研究者们探讨了BCI在元宇宙中的潜在应用场景，包括生成艺术、医疗游戏以及面部表情合成等，这些应用不仅展示了BCI在娱乐领域的潜力，还提出了在社会交互中的新机遇[25]。随着BCI技术的不断发展，其在非医疗领域的应用将会更加多样化，预计将会对人机交互方式产生深远影响。

总之，脑机接口技术正处于快速发展之中，其在医疗和非医疗领域的应用前景广阔。随着技术的进步和应用场景的拓展，BCI有望在未来的生活中发挥越来越重要的作用。

5 面临的挑战与未来发展 ​

5.1 技术挑战（如信号干扰、解码精度等） ​

脑机接口（BCI）技术通过直接连接人脑与外部设备，实现在无运动的情况下控制设备或与计算机进行交流。其工作原理涉及多个复杂的技术组件，包括信号获取、信号处理、解码算法及应用场景等。尽管BCI技术在医疗、康复和其他领域展现出巨大的潜力，但在实际应用中仍面临诸多挑战。

在信号获取方面，BCI通常依赖于电生理信号的记录，这些信号可以通过非侵入性或侵入性的方法获取。非侵入性方法如脑电图（EEG）使用湿电极、干电极或半干电极，尽管这些方法在舒适性上优于传统技术，但在长时间信号质量的稳定性方面仍然存在挑战[13]。侵入性方法如皮层内电极则能够提供更高的空间和时间分辨率，但其实施过程更为复杂，且存在感染等风险。

信号处理和解码是BCI系统的核心。由于脑信号的非平稳性和易受各种干扰，如何准确解码用户的意图成为一个主要挑战。为此，研究者们逐渐引入人工智能和机器学习算法，以提高信号的噪声抑制和解码精度。这些算法能够从先前的经验中学习并预测信号变化，从而提升解码的准确性[5]。然而，解码的准确性和实时性仍然是当前BCI技术发展的瓶颈，尤其是在动态环境中[26]。

此外，BCI的临床应用面临着个体差异带来的挑战。不同个体的脑电图信号可能存在显著差异，导致跨个体的解码难度加大[27]。临床试验的结果表明，BCI在中风康复等领域取得了一定进展，但在更复杂的应用场景中，解码精度和用户界面的适应性仍然有限[7]。

未来，BCI技术的发展方向包括优化信号获取设备的生物相容性、开发适应性算法和多模态集成技术[13]。例如，脑芯片接口（BoCI）利用实验室培养的脑组织，能够提供更高的实验可控性和信号传输效率，这可能为BCI技术的进一步发展提供新的思路[28]。

总的来说，尽管脑机接口技术在许多方面显示出广阔的应用前景，但其在信号干扰、解码精度及用户适应性等方面的挑战仍需通过技术创新和深入研究来克服。

5.2 伦理与社会问题 ​

脑-计算机接口（BCI）是一种新兴技术，允许大脑与外部设备之间进行直接通信。这种技术的基本原理是通过记录和解码大脑信号，进而控制外部设备。BCI可以通过非侵入性或侵入性的方法来实现，前者通常使用脑电图（EEG）等技术，而后者则可能涉及到在大脑皮层内植入电极[7]。

尽管BCI在医疗和非医疗领域展现出巨大的潜力，但其发展面临多重挑战。首先，信号处理的复杂性是一个主要问题。大脑信号具有非平稳性，易受到各种干扰，这使得其处理、分析和解释变得极具挑战性[5]。此外，网络科学的应用被认为是解决BCI中一些复杂性问题的潜在方法，通过建立大脑架构和功能的组织原则模型，可以改善人机交互的效果[29]。

在未来的发展方向上，BCI技术的应用正在向更广泛的领域扩展，包括康复、情感识别、神经退行性疾病的治疗等[7]。然而，这些技术的进步伴随着伦理和社会问题的出现。BCI的直接连接可能引发关于隐私、个人自主权和社会不平等的讨论。例如，侵入性增强BCI（eBCIs）的使用可能涉及到意识自我和人类本质的根本性问题[30]。此外，BCI的应用可能会引发对责任、个体身份和治疗超越等问题的关注[31]。

为了解决这些伦理和社会问题，研究者们建议建立明确的伦理标准和操作程序，以指导BCI的医疗应用。这包括区分可植入和非植入BCI的伦理问题，并谨慎处理“控制大脑”的研究[32]。未来的研究应专注于提供切实可行的解决方案，以应对BCI面临的伦理挑战，并收集公众、BCI用户和研究者的观点，以形成全面的伦理框架[33]。

总之，BCI技术的工作原理基于对大脑信号的解码与控制，其未来的发展充满机遇，但同时也伴随着复杂的伦理与社会问题，亟需进一步的探讨与规范。

6 总结 ​

脑机接口（BCI）技术的研究进展显示出其在医疗和非医疗领域的广泛应用潜力，尤其是在帮助重度残疾患者恢复交流和控制能力方面。当前的研究表明，BCI的信号采集和处理技术不断优化，解码精度和实时性也在持续提升。然而，BCI的实际应用仍面临着诸多挑战，包括信号干扰、个体差异带来的解码难度，以及伦理和社会问题的考量。未来的研究方向应聚焦于多模态集成技术的开发、信号获取设备的生物相容性优化以及适应性算法的创新，以期克服现有技术瓶颈，推动BCI技术的临床应用与社会接受度。同时，建立明确的伦理标准与操作程序，保障BCI技术的安全性与可接受性，将是未来研究的重要任务。

参考文献 ​

  • [1] Jerry J Shih;Dean J Krusienski;Jonathan R Wolpaw. Brain-computer interfaces in medicine.. Mayo Clinic proceedings(IF=6.7). 2012. PMID:22325364. DOI: 10.1016/j.mayocp.2011.12.008.
  • [2] Luis Fernando Nicolas-Alonso;Jaime Gomez-Gil. Brain computer interfaces, a review.. Sensors (Basel, Switzerland)(IF=3.5). 2012. PMID:22438708. DOI: 10.3390/s120201211.
  • [3] Marc W Slutzky. Brain-Machine Interfaces: Powerful Tools for Clinical Treatment and Neuroscientific Investigations.. The Neuroscientist : a review journal bringing neurobiology, neurology and psychiatry(IF=3.9). 2019. PMID:29772957. DOI: 10.1177/1073858418775355.
  • [4] Usman Salahuddin;Pu-Xian Gao. Signal Generation, Acquisition, and Processing in Brain Machine Interfaces: A Unified Review.. Frontiers in neuroscience(IF=3.2). 2021. PMID:34588951. DOI: 10.3389/fnins.2021.728178.
  • [5] Katerina Barnova;Martina Mikolasova;Radana Vilimkova Kahankova;Rene Jaros;Aleksandra Kawala-Sterniuk;Vaclav Snasel;Seyedali Mirjalili;Mariusz Pelc;Radek Martinek. Implementation of artificial intelligence and machine learning-based methods in brain-computer interaction.. Computers in biology and medicine(IF=6.3). 2023. PMID:37329623. DOI: 10.1016/j.compbiomed.2023.107135.
  • [6] Xiaorong Gao;Yijun Wang;Xiaogang Chen;Shangkai Gao. Interface, interaction, and intelligence in generalized brain-computer interfaces.. Trends in cognitive sciences(IF=17.2). 2021. PMID:34116918. DOI: 10.1016/j.tics.2021.04.003.
  • [7] Xiu-Yun Liu;Wen-Long Wang;Miao Liu;Ming-Yi Chen;Tânia Pereira;Desta Yakob Doda;Yu-Feng Ke;Shou-Yan Wang;Dong Wen;Xiao-Guang Tong;Wei-Guang Li;Yi Yang;Xiao-Di Han;Yu-Lin Sun;Xin Song;Cong-Ying Hao;Zi-Hua Zhang;Xin-Yang Liu;Chun-Yang Li;Rui Peng;Xiao-Xin Song;Abi Yasi;Mei-Jun Pang;Kuo Zhang;Run-Nan He;Le Wu;Shu-Geng Chen;Wen-Jin Chen;Yan-Gong Chao;Cheng-Gong Hu;Heng Zhang;Min Zhou;Kun Wang;Peng-Fei Liu;Chen Chen;Xin-Yi Geng;Yun Qin;Dong-Rui Gao;En-Ming Song;Long-Long Cheng;Xun Chen;Dong Ming. Recent applications of EEG-based brain-computer-interface in the medical field.. Military Medical Research(IF=22.9). 2025. PMID:40128831. DOI: 10.1186/s40779-025-00598-z.
  • [8] Yong Qin;Yanpeng Zhang;Yan Zhang;Sheng Liu;Xiaogang Guo. Application and Development of EEG Acquisition and Feedback Technology: A Review.. Biosensors(IF=5.6). 2023. PMID:37887123. DOI: 10.3390/bios13100930.
  • [9] Xiangmin Lun;Yifei Zhang;Mengyang Zhu;Yongheng Lian;Yimin Hou. A Combined Virtual Electrode-Based ESA and CNN Method for MI-EEG Signal Feature Extraction and Classification.. Sensors (Basel, Switzerland)(IF=3.5). 2023. PMID:37960592. DOI: 10.3390/s23218893.
  • [10] Alexis Ortiz-Rosario;Hojjat Adeli. Brain-computer interface technologies: from signal to action.. Reviews in the neurosciences(IF=4.1). 2013. PMID:24077619. DOI: .
  • [11] Ali Bashashati;Mehrdad Fatourechi;Rabab K Ward;Gary E Birch. A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals.. Journal of neural engineering(IF=3.8). 2007. PMID:17409474. DOI: 10.1088/1741-2560/4/2/R03.
  • [12] Yike Sun;Xiaogang Chen;Bingchuan Liu;Liyan Liang;Yijun Wang;Shangkai Gao;Xiaorong Gao. Signal acquisition of brain-computer interfaces: A medical-engineering crossover perspective review.. Fundamental research(IF=6.3). 2025. PMID:40166113. DOI: 10.1016/j.fmre.2024.04.011.
  • [13] Hui Yu;Qiyue Mu;Chong Liu;Shuo Wang;Jinglai Sun. Technical system of electroencephalography-based brain-computer interface: Advances, applications, and challenges.. Neural regeneration research(IF=6.7). 2025. PMID:40903968. DOI: 10.4103/NRR.NRR-D-25-00217.
  • [14] Dennis J McFarland;Dean J Krusienski;William A Sarnacki;Jonathan R Wolpaw. Emulation of computer mouse control with a noninvasive brain-computer interface.. Journal of neural engineering(IF=3.8). 2008. PMID:18367779. DOI: 10.1088/1741-2560/5/2/001.
  • [15] Ujwal Chaudhary;Niels Birbaumer;Ander Ramos-Murguialday. Brain-computer interfaces for communication and rehabilitation.. Nature reviews. Neurology(IF=33.1). 2016. PMID:27539560. DOI: 10.1038/nrneurol.2016.113.
  • [16] Jonathan R Wolpaw;Dennis J McFarland. Control of a two-dimensional movement signal by a noninvasive brain-computer interface in humans.. Proceedings of the National Academy of Sciences of the United States of America(IF=9.1). 2004. PMID:15585584. DOI: 10.1073/pnas.0403504101.
  • [17] Ujwal Chaudhary;Natalie Mrachacz-Kersting;Niels Birbaumer. Neuropsychological and neurophysiological aspects of brain-computer-interface (BCI) control in paralysis.. The Journal of physiology(IF=4.4). 2021. PMID:32045022. DOI: 10.1113/JP278775.
  • [18] Niels Birbaumer;Leonardo G Cohen. Brain-computer interfaces: communication and restoration of movement in paralysis.. The Journal of physiology(IF=4.4). 2007. PMID:17234696. DOI: 10.1113/jphysiol.2006.125633.
  • [19] Bertrand Rivet;Antoine Souloumiac;Virginie Attina;Guillaume Gibert. xDAWN algorithm to enhance evoked potentials: application to brain-computer interface.. IEEE transactions on bio-medical engineering(IF=4.5). 2009. PMID:19174332. DOI: 10.1109/TBME.2009.2012869.
  • [20] Jonathan R Wolpaw;Niels Birbaumer;Dennis J McFarland;Gert Pfurtscheller;Theresa M Vaughan. Brain-computer interfaces for communication and control.. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology(IF=3.6). 2002. PMID:12048038. DOI: 10.1016/s1388-2457(02)00057-3.
  • [21] Hitesh Yadav;Surita Maini. Electroencephalogram based brain-computer interface: Applications, challenges, and opportunities.. Multimedia tools and applications(IF=3.0). 2023. PMID:37362726. DOI: 10.1007/s11042-023-15653-x.
  • [22] Hairong Zheng;Lili Niu;Weibao Qiu;Dong Liang;Xiaojing Long;Guanglin Li;Zhiyuan Liu;Long Meng. The Emergence of Functional Ultrasound for Noninvasive Brain-Computer Interface.. Research (Washington, D.C.)(IF=10.7). 2023. PMID:37588619. DOI: 10.34133/research.0200.
  • [23] Joseph N Mak;Jonathan R Wolpaw. Clinical Applications of Brain-Computer Interfaces: Current State and Future Prospects.. IEEE reviews in biomedical engineering(IF=12.0). 2009. PMID:20442804. DOI: 10.1109/RBME.2009.2035356.
  • [24] Dong Wen;Bingbing Liang;Yanhong Zhou;Hongqian Chen;Tzyy-Ping Jung. The Current Research of Combining Multi-Modal Brain-Computer Interfaces With Virtual Reality.. IEEE journal of biomedical and health informatics(IF=6.8). 2021. PMID:33373308. DOI: 10.1109/JBHI.2020.3047836.
  • [25] Yang Liu;Ruibin Liu;Jinnian Ge;Yue Wang. Advancements in brain-machine interfaces for application in the metaverse.. Frontiers in neuroscience(IF=3.2). 2024. PMID:38919909. DOI: 10.3389/fnins.2024.1383319.
  • [26] Shumao Xu;Yang Liu;Hyunjin Lee;Weidong Li. Neural interfaces: Bridging the brain to the world beyond healthcare.. Exploration (Beijing, China)(IF=22.5). 2024. PMID:39439491. DOI: 10.1002/EXP.20230146.
  • [27] Yuanrui Dong;Shirong Wang;Qiang Huang;Rune W Berg;Guanghui Li;Jiping He. Neural Decoding for Intracortical Brain-Computer Interfaces.. Cyborg and bionic systems (Washington, D.C.)(IF=18.1). 2023. PMID:37519930. DOI: 10.34133/cbsystems.0044.
  • [28] Wenwei Shao;Weiwei Meng;Jiachen Zuo;Xiaohong Li;Dong Ming. Opportunities and Challenges of Brain-on-a-Chip Interfaces.. Cyborg and bionic systems (Washington, D.C.)(IF=18.1). 2025. PMID:40530005. DOI: 10.34133/cbsystems.0287.
  • [29] Fabrizio De Vico Fallani;Danielle S Bassett. Network neuroscience for optimizing brain-computer interfaces.. Physics of life reviews(IF=14.3). 2019. PMID:30642781. DOI: 10.1016/j.plrev.2018.10.001.
  • [30] Emma C Gordon;Anil K Seth. Ethical considerations for the use of brain-computer interfaces for cognitive enhancement.. PLoS biology(IF=7.2). 2024. PMID:39466848. DOI: 10.1371/journal.pbio.3002899.
  • [31] Jens Clausen. Moving minds: ethical aspects of neural motor prostheses.. Biotechnology journal(IF=3.1). 2008. PMID:19072905. DOI: 10.1002/biot.200800244.
  • [32] Zhe Zhang;Yanxiao Chen;Xu Zhao;Wang Fan;Ding Peng;Tianwen Li;Lei Zhao;Yunfa Fu. A review of ethical considerations for the medical applications of brain-computer interfaces.. Cognitive neurodynamics(IF=3.9). 2024. PMID:39712096. DOI: 10.1007/s11571-024-10144-7.
  • [33] Sasha Burwell;Matthew Sample;Eric Racine. Ethical aspects of brain computer interfaces: a scoping review.. BMC medical ethics(IF=3.1). 2017. PMID:29121942. DOI: 10.1186/s12910-017-0220-y.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

脑机接口 · 脑电图 · 信号处理 · 控制算法 · 应用前景

© 2025 MaltSci 麦伴科研