Interfaz cerebro-computadora
| Neuropsicologia |
|---|
|
Una interfaz cerebro-computadora ( BCI ), a veces llamada interfaz de control neuronal ( NCI ), interfaz mente-máquina ( MMI ), interfaz neuronal directa ( DNI ) o interfaz cerebro-máquina ( BMI ), es una vía de comunicación directa entre un cerebro mejorado o cableado y un dispositivo externo. Las BCI a menudo están dirigidas a investigar, mapear , ayudar, aumentar o reparar las funciones cognitivas o sensoriales-motoras humanas. [1]
La investigación sobre BCI comenzó en la década de 1970 por Jacques Vidal en la Universidad de California, Los Ángeles (UCLA) con una subvención de la National Science Foundation , seguida de un contrato de DARPA . [2] [3] El artículo de 1973 de Vidal marca la primera aparición de la expresión interfaz cerebro-computadora en la literatura científica.
Debido a la plasticidad cortical del cerebro, las señales de las prótesis implantadas pueden, después de la adaptación, ser manejadas por el cerebro como sensores naturales o canales efectores. [4] Tras años de experimentación con animales, los primeros dispositivos neuroprotésicos implantados en humanos aparecieron a mediados de la década de 1990.
Recientemente, los estudios en la interacción humano-computadora a través de la aplicación del aprendizaje automático a características temporales estadísticas extraídas de los datos del lóbulo frontal ( ondas cerebrales EEG ) han tenido altos niveles de éxito en la clasificación de estados mentales (relajado, neutral, concentrado), [5] mental estados emocionales (Negativo, Neutro, Positivo) [6] y arritmia talamocortical . [7]
Historia
La historia de las interfaces cerebro-computadora (BCI) comienza con el descubrimiento de Hans Berger de la actividad eléctrica del cerebro humano y el desarrollo de la electroencefalografía (EEG). En 1924, Berger fue el primero en registrar la actividad del cerebro humano mediante EEG. Berger pudo identificar la actividad oscilatoria , como la onda de Berger o la onda alfa (8-13 Hz), mediante el análisis de las trazas de EEG.
El primer dispositivo de grabación de Berger fue muy rudimentario. Insertó alambres de plata debajo del cuero cabelludo de sus pacientes. Estos fueron reemplazados más tarde por láminas de plata unidas a la cabeza del paciente con vendajes de goma. Berger conectó estos sensores a un electrómetro capilar Lippmann , con resultados decepcionantes. Sin embargo, los dispositivos de medición más sofisticados, como el galvanómetro de registro de doble bobina de Siemens , que mostraba voltajes eléctricos tan pequeños como una diezmilésima de voltio, llevaron al éxito.
Berger analizó la interrelación de las alternancias en sus diagramas de ondas de EEG con las enfermedades cerebrales . Los electroencefalogramas permitieron posibilidades completamente nuevas para la investigación de las actividades del cerebro humano.
Aunque el término aún no se había acuñado, uno de los primeros ejemplos de una interfaz cerebro-máquina funcional fue la pieza Music for Solo Performer (1965) del compositor estadounidense Alvin Lucier . La pieza utiliza hardware de procesamiento de señales analógicas y EEG (filtros, amplificadores y una mesa de mezclas) para estimular los instrumentos de percusión acústica. Para interpretar la pieza, uno debe producir ondas alfa y, por lo tanto, "tocar" los diversos instrumentos de percusión a través de altavoces que se colocan cerca o directamente sobre los propios instrumentos. [8]
El profesor Jacques Vidal de UCLA acuñó el término "BCI" y produjo las primeras publicaciones revisadas por pares sobre este tema. [2] [3] Vidal es ampliamente reconocido como el inventor de BCI en la comunidad de BCI, como se refleja en numerosos artículos revisados por pares que revisan y discuten el campo (por ejemplo, [9] [10] [11] ). Una revisión señaló que el artículo de Vidal de 1973 declaró el "desafío BCI" [12] de controlar objetos externos mediante señales de EEG, y especialmente el uso de la variación negativa contingente (CNV)potencial como un desafío para el control de BCI. El experimento de 1977 que Vidal describió fue la primera aplicación de BCI después de su desafío con BCI de 1973. Era un control EEG no invasivo (en realidad de Potenciales Evocados Visuales (VEP)) de un objeto gráfico similar a un cursor en la pantalla de una computadora. La demostración fue movimiento en un laberinto. [13]
Después de sus primeras contribuciones, Vidal no participó activamente en la investigación de BCI, ni en eventos de BCI como conferencias, durante muchos años. En 2011, sin embargo, dio una conferencia en Graz , Austria , con el apoyo del proyecto Future BNCI, presentando el primer BCI, que obtuvo una gran ovación. A Vidal se le unió su esposa, Laryce Vidal, quien previamente trabajó con él en UCLA en su primer proyecto BCI.
En 1988, se presentó un informe sobre el control EEG no invasivo de un objeto físico, un robot. El experimento descrito fue el control EEG de múltiples arranques-paradas-reinicios del movimiento del robot, a lo largo de una trayectoria arbitraria definida por una línea trazada en un piso. El comportamiento de seguimiento de línea era el comportamiento predeterminado del robot, que utilizaba inteligencia autónoma y una fuente de energía autónoma. [14] [15] Este informe de 1988 escrito por Stevo Bozinovski, Mihail Sestakov y Liljana Bozinovska fue el primero sobre un control de robot que usa EEG. [16] [17]
En 1990, se presentó un informe en un bucle cerrado, BCI adaptativo bidireccional que controla el zumbador de la computadora por un potencial cerebral anticipatorio, el potencial de Variación Negativa Contingente (CNV). [18] [19] El experimento describió cómo un estado de expectativa del cerebro, manifestado por CNV, controla en un circuito de retroalimentación el zumbador S2 en el paradigma S1-S2-CNV. La onda cognitiva obtenida que representa la expectativa de aprendizaje en el cerebro se denomina Electroexpectograma (EXG). El potencial cerebral de CNV fue parte del desafío BCI presentado por Vidal en su artículo de 1973.
Los estudios realizados en la década de 2010 sugirieron la capacidad potencial de la estimulación neuronal para restaurar la conexión funcional y los comportamientos asociados a través de la modulación de los mecanismos moleculares de eficacia sináptica. [20] [21] Esto abrió la puerta al concepto de que las tecnologías BCI pueden restaurar la función además de habilitar la funcionalidad.
Desde 2013, DARPA ha financiado la tecnología BCI a través de la iniciativa BRAIN, que ha apoyado el trabajo del Centro Médico de la Universidad de Pittsburgh, [22] Paradromics, [23] Brown, [24] y Synchron, [25] entre otros.
BCI versus neuroprótesis
La neuroprótesis es un área de la neurociencia que se ocupa de las prótesis neurales, es decir, el uso de dispositivos artificiales para reemplazar la función de los sistemas nerviosos deteriorados y los problemas relacionados con el cerebro, o de los órganos sensoriales u órganos en sí (vejiga, diafragma, etc.). En diciembre de 2010, se habían implantado implantes cocleares como dispositivo neuroprotésico en aproximadamente 220.000 personas en todo el mundo. [26] También hay varios dispositivos neuroprotésicos que tienen como objetivo restaurar la visión, incluidos los implantes de retina . Sin embargo, el primer dispositivo neuroprotésico fue el marcapasos.
Los términos a veces se usan indistintamente. La neuroprótesis y las BCI buscan lograr los mismos objetivos, como restaurar la vista, el oído, el movimiento, la capacidad de comunicarse e incluso la función cognitiva . [1] Ambos utilizan métodos experimentales y técnicas quirúrgicas similares.
Investigación animal BCI
Varios laboratorios han logrado registrar señales de cortezas cerebrales de monos y ratas para operar BCI para producir movimiento. Los monos han navegado por los cursores de la computadora en la pantalla y han ordenado a los brazos robóticos realizar tareas simples simplemente pensando en la tarea y viendo la retroalimentación visual, pero sin ninguna salida motora. [27] En mayo de 2008 se publicaron fotografías que mostraban a un mono en el Centro Médico de la Universidad de Pittsburgh operando un brazo robótico con el pensamiento en varias revistas y revistas científicas muy conocidas. [28] También se han utilizado ovejas para evaluar la tecnología BCI, incluido el Stentrode de Synchron.
En 2020, Neuralink de Elon Musk se implantó con éxito en un cerdo, [29] anunciado en un webcast ampliamente visto. En 2021, Elon Musk anunció que había permitido con éxito que un mono jugara videojuegos [30] usando el dispositivo de Neuralink.
Trabajo temprano
En 1969, los estudios de condicionamiento operante de Fetz y sus colegas, en el Centro Regional de Investigación de Primates y el Departamento de Fisiología y Biofísica de la Facultad de Medicina de la Universidad de Washington en Seattle , mostraron por primera vez que los monos podían aprender a controlar la desviación de un medidor de biorretroalimentación. brazo con actividad neuronal. [31] Un trabajo similar en la década de 1970 estableció que los monos podían aprender rápidamente a controlar voluntariamente las tasas de activación de neuronas individuales y múltiples en la corteza motora primaria si eran recompensados por generar patrones apropiados de actividad neuronal. [32]
Los estudios que desarrollaron algoritmos para reconstruir movimientos a partir de neuronas de la corteza motora , que controlan el movimiento, se remontan a la década de 1970. En la década de 1980, Apostolos Georgopoulos de la Universidad Johns Hopkins encontró una relación matemática entre las respuestas eléctricas de las neuronas de la corteza motora única en los monos macacos rhesus y la dirección en la que movían los brazos (según una función del coseno ). También encontró que grupos dispersos de neuronas, en diferentes áreas del cerebro del mono, controlaban colectivamente los comandos motores, pero podía registrar los disparos de neuronas en solo un área a la vez, debido a las limitaciones técnicas impuestas por su equipo. [33]
Ha habido un rápido desarrollo en las ICC desde mediados de la década de 1990. [34] Varios grupos han podido capturar señales complejas de la corteza motora del cerebro grabando conjuntos neuronales (grupos de neuronas) y usándolos para controlar dispositivos externos.
Éxitos de investigación destacados
Kennedy y Yang Dan
Phillip Kennedy (quien más tarde fundó Neural Signals en 1987) y sus colegas construyeron la primera interfaz intracortical cerebro-computadora mediante la implantación de electrodos de cono neurotrófico en monos. [ cita requerida ]
En 1999, investigadores dirigidos por Yang Dan en la Universidad de California, Berkeley decodificaron disparos neuronales para reproducir imágenes vistas por gatos. El equipo utilizó una serie de electrodos incrustados en el tálamo (que integra toda la información sensorial del cerebro) de gatos de ojos agudos. Los investigadores apuntaron a 177 células cerebrales en el área del núcleo geniculado lateral del tálamo , que decodifica las señales de la retina . A los gatos se les mostraron ocho películas cortas y se registraron sus disparos neuronales. Usando filtros matemáticos, los investigadores decodificaron las señales para generar películas de lo que vieron los gatos y pudieron reconstruir escenas reconocibles y objetos en movimiento. [35]Desde entonces, investigadores en Japón han logrado resultados similares en humanos ( ver más abajo ).
Nicolelis
Miguel Nicolelis , profesor de la Universidad de Duke , en Durham, Carolina del Norte , ha sido un destacado defensor del uso de múltiples electrodos repartidos en un área más grande del cerebro para obtener señales neuronales para impulsar un BCI.
Después de realizar estudios iniciales en ratas durante la década de 1990, Nicolelis y sus colegas desarrollaron BCI que decodificaban la actividad cerebral en monos búho y usaron los dispositivos para reproducir los movimientos de los monos en brazos robóticos. Los monos tienen habilidades avanzadas para alcanzar y agarrar y buenas habilidades para manipular las manos, lo que los convierte en sujetos de prueba ideales para este tipo de trabajo.
Para el año 2000, el grupo logró construir un BCI que reproducía los movimientos del mono búho mientras el mono manejaba un joystick o buscaba comida. [36] El BCI operaba en tiempo real y también podía controlar un robot separado de forma remota a través del protocolo de Internet . Pero los monos no pudieron ver el movimiento del brazo y no recibieron ninguna retroalimentación, lo que se conoce como BCI de circuito abierto .
Los experimentos posteriores de Nicolelis con monos rhesus lograron cerrar el ciclo de retroalimentación y reproduciron los movimientos de agarre y alcance de los monos en un brazo robótico. Con sus cerebros profundamente hendidos y surcados, los monos rhesus se consideran mejores modelos para la neurofisiología humana que los monos búho. Los monos fueron entrenados para alcanzar y agarrar objetos en una pantalla de computadora manipulando un joystick mientras los movimientos correspondientes de un brazo robótico estaban ocultos. [37] [38] A los monos se les mostró más tarde el robot directamente y aprendieron a controlarlo viendo sus movimientos. El BCI usó predicciones de velocidad para controlar los movimientos de alcance y simultáneamente predijo la fuerza de agarre manual.. En 2011, O'Doherty y sus colegas mostraron un BCI con retroalimentación sensorial con monos rhesus. El mono tenía el cerebro controlando la posición de un brazo de avatar mientras recibía retroalimentación sensorial a través de estimulación intracortical directa (ICMS) en el área de representación del brazo de la corteza sensorial . [39]
Donoghue, Schwartz y Andersen
Otros laboratorios que han desarrollado BCI y algoritmos que decodifican señales neuronales incluyen el Instituto Carney de Ciencias del Cerebro en la Universidad de Brown y los laboratorios de Andrew Schwartz en la Universidad de Pittsburgh y Richard Andersen en Caltech . Estos investigadores han podido producir BCI funcionales, incluso utilizando señales registradas de muchas menos neuronas que Nicolelis (15-30 neuronas frente a 50-200 neuronas).
El laboratorio de John Donoghue en el Instituto Carney informó que entrenaba monos rhesus para usar un BCI para rastrear objetivos visuales en una pantalla de computadora (BCI de circuito cerrado) con o sin la ayuda de un joystick. [40] El grupo de Schwartz creó un BCI para seguimiento tridimensional en realidad virtual y también reprodujo el control BCI en un brazo robótico. [41] El mismo grupo también creó titulares cuando demostraron que un mono podía alimentarse por sí mismo con trozos de fruta y malvaviscos utilizando un brazo robótico controlado por las señales cerebrales del propio animal. [42] [43] [44]
El grupo de Andersen utilizó grabaciones de la actividad previa al movimiento de la corteza parietal posterior en su BCI, incluidas las señales creadas cuando los animales experimentales anticipaban recibir una recompensa. [45]
Otras investigaciones
Además de predecir los parámetros cinemáticos y cinéticos de los movimientos de las extremidades, se están desarrollando BCI que predicen la actividad electromiográfica o eléctrica de los músculos de los primates. [46] Tales BCI podrían usarse para restaurar la movilidad en extremidades paralizadas mediante la estimulación eléctrica de los músculos.
Miguel Nicolelis y sus colegas demostraron que la actividad de grandes conjuntos neuronales puede predecir la posición del brazo. Este trabajo hizo posible la creación de BCI que leen las intenciones de movimiento del brazo y las traducen en movimientos de actuadores artificiales. Carmena et al. [37] programaron la codificación neural en un BCI que permitía a un mono controlar los movimientos de agarre y alcance con un brazo robótico. Lebedev et al. [38] argumentaron que las redes cerebrales se reorganizan para crear una nueva representación del apéndice robótico además de la representación de las propias extremidades del animal.
En 2019, investigadores de UCSF publicaron un estudio en el que demostraron un BCI que tenía el potencial de ayudar a los pacientes con problemas del habla causados por trastornos neurológicos. Su BCI utilizó electrocorticografía de alta densidad para aprovechar la actividad neuronal del cerebro de un paciente y utilizó métodos de aprendizaje profundo para sintetizar el habla. [47] [48] En 2021, investigadores del mismo grupo publicaron un estudio que mostraba el potencial de un BCI para decodificar palabras y oraciones en un paciente anártrico que no había podido hablar durante más de 15 años. [49] [50]
El mayor impedimento para la tecnología BCI en la actualidad es la falta de una modalidad de sensor que proporcione un acceso seguro, preciso y robusto a las señales cerebrales. Sin embargo, es concebible o incluso probable que dicho sensor se desarrolle en los próximos veinte años. El uso de un sensor de este tipo debería ampliar en gran medida la gama de funciones de comunicación que se pueden proporcionar mediante un BCI.
El desarrollo y la implementación de un sistema BCI es complejo y requiere mucho tiempo. En respuesta a este problema, Gerwin Schalk ha estado desarrollando un sistema de propósito general para la investigación de BCI, llamado BCI2000 . BCI2000 ha estado en desarrollo desde 2000 en un proyecto dirigido por el Programa de I + D de interfaz cerebro-computadora en el Centro Wadsworth del Departamento de Salud del Estado de Nueva York en Albany, Nueva York , Estados Unidos.
Un nuevo enfoque "inalámbrico" utiliza canales iónicos activados por luz como la canalrodopsina para controlar la actividad de subconjuntos de neuronas genéticamente definidos in vivo . En el contexto de una tarea de aprendizaje simple, la iluminación de las células transfectadas en la corteza somatosensorial influyó en el proceso de toma de decisiones de los ratones que se movían libremente . [51]
El uso de IMC también ha llevado a una comprensión más profunda de las redes neuronales y el sistema nervioso central. La investigación ha demostrado que a pesar de la inclinación de los neurocientíficos a creer que las neuronas tienen el mayor efecto cuando trabajan juntas, las neuronas individuales pueden condicionarse mediante el uso de IMC para disparar en un patrón que permite a los primates controlar las salidas motoras. El uso de IMC ha llevado al desarrollo del principio de insuficiencia de neurona única que establece que incluso con una tasa de activación bien ajustada, las neuronas individuales solo pueden transportar una cantidad limitada de información y, por lo tanto, el nivel más alto de precisión se logra registrando las descargas del conjunto colectivo. . Otros principios descubiertos con el uso de IMC incluyen el principio de multitarea neuronal, el principio de masa neuronal, el principio de degeneración neural y el principio de plasticidad.[52]
También se propone que las ICC sean aplicadas por usuarios sin discapacidades. Una categorización centrada en el usuario de enfoques BCI por Thorsten O. Zander y Christian Kothe introduce el término BCI pasivo. [53] Además de las BCI activas y reactivas que se utilizan para el control dirigido, las BCI pasivas permiten evaluar e interpretar los cambios en el estado del usuario durante la Interacción Hombre-Computadora ( HCI ). En un bucle de control secundario, implícito, el sistema informático se adapta a su usuario mejorando su usabilidad en general.
Más allá de los sistemas BCI que decodifican la actividad neuronal para impulsar efectores externos, los sistemas BCI pueden usarse para codificar señales de la periferia. Estos dispositivos BCI sensoriales permiten decisiones en tiempo real relevantes para el comportamiento basadas en la estimulación neuronal de circuito cerrado. [54]
El premio BCI
El premio anual de investigación BCI se otorga en reconocimiento a la investigación destacada e innovadora en el campo de las interfaces cerebro-computadora. Cada año, se solicita a un laboratorio de investigación de renombre que juzgue los proyectos presentados. El jurado está formado por expertos de BCI líderes en el mundo contratados por el laboratorio galardonado. El jurado selecciona doce nominados, luego elige un ganador del primer, segundo y tercer lugar, quienes reciben premios de $ 3,000, $ 2,000 y $ 1,000, respectivamente.
Investigación BCI humana
ICC invasivas
La BCI invasiva requiere cirugía para implantar electrodos debajo del cuero cabelludo para comunicar las señales cerebrales. La principal ventaja es proporcionar una lectura más precisa; sin embargo, su desventaja incluye los efectos secundarios de la cirugía. Después de la cirugía, se pueden formar tejidos cicatriciales que pueden debilitar las señales cerebrales. Además, según la investigación de Abdulkader et al., (2015), [55] el cuerpo puede no aceptar los electrodos implantados y esto puede causar una condición médica.
Visión
La investigación invasiva de BCI se ha centrado en reparar la vista dañada y proporcionar nuevas funciones para las personas con parálisis. Los BCI invasivos se implantan directamente en la materia gris del cerebro durante la neurocirugía. Debido a que se encuentran en la materia gris, los dispositivos invasivos producen señales de la más alta calidad de los dispositivos BCI, pero son propensos a la acumulación de tejido cicatricial , lo que hace que la señal se vuelva más débil, o incluso inexistente, a medida que el cuerpo reacciona a un objeto extraño. en el cerebro. [56]
En la ciencia de la visión , se han utilizado implantes cerebrales directos para tratar la ceguera no congénita (adquirida). Uno de los primeros científicos en producir una interfaz cerebral funcional para restaurar la vista fue el investigador privado William Dobelle .
El primer prototipo de Dobelle se implantó en "Jerry", un hombre ciego en la edad adulta, en 1978. Se implantó un BCI de matriz única que contenía 68 electrodos en la corteza visual de Jerry y logró producir fosfenos , la sensación de ver luz. El sistema incluía cámaras montadas en gafas para enviar señales al implante. Inicialmente, el implante le permitió a Jerry ver tonos de gris en un campo de visión limitado a una velocidad de cuadro baja. Esto también requería que estuviera conectado a una computadora central , pero la reducción de la electrónica y las computadoras más rápidas hicieron que su ojo artificial fuera más portátil y ahora le permite realizar tareas simples sin ayuda. [57]
En 2002, Jens Naumann, también ciego en la edad adulta, se convirtió en el primero de una serie de 16 pacientes que pagaban en recibir el implante de segunda generación de Dobelle, lo que marca uno de los primeros usos comerciales de BCI. El dispositivo de segunda generación utilizó un implante más sofisticado que permitió un mejor mapeo de los fosfenos en una visión coherente. Los fosfenos se esparcen por el campo visual en lo que los investigadores llaman "el efecto de la noche estrellada". Inmediatamente después de su implante, Jens pudo usar su visión imperfectamente restaurada para conducir un automóvil lentamente por el área de estacionamiento del instituto de investigación. [ cita requerida ] Desafortunadamente, Dobelle murió en 2004 [58]antes de que se documentaran sus procesos y desarrollos. Posteriormente, cuando el Sr. Naumann y los otros pacientes del programa comenzaron a tener problemas de visión, no hubo alivio y finalmente perdieron la "vista" nuevamente. Naumann escribió sobre su experiencia con el trabajo de Dobelle en Search for Paradise: A Patient's Account of the Artificial Vision Experiment [59] y ha regresado a su granja en el sureste de Ontario, Canadá, para reanudar sus actividades normales. [60]
Movimiento
Las BCI que se centran en neuroprótesis motoras tienen como objetivo restaurar el movimiento en personas con parálisis o proporcionar dispositivos para ayudarlas, como interfaces con computadoras o brazos robóticos.
Investigadores de la Universidad de Emory en Atlanta , dirigidos por Philip Kennedy y Roy Bakay, fueron los primeros en instalar un implante cerebral en un ser humano que producía señales de calidad lo suficientemente alta como para simular el movimiento. Su paciente, Johnny Ray (1944-2002), sufría de " síndrome de enclaustramiento " después de sufrir un derrame cerebral en el tronco encefálico en 1997. El implante de Ray se instaló en 1998 y vivió lo suficiente para empezar a trabajar con el implante, y finalmente aprendió a controlar un cursor de computadora; murió en 2002 de un aneurisma cerebral . [61]
Tetrapléjico Matt Nagle se convirtió en la primera persona para controlar una mano artificial utilizando un BCI en 2005 como parte de la primera humana prueba de nueve meses de Cyberkinetics 's BrainGate chip implante. Implantado en la circunvolución precentral derecha de Nagle (área de la corteza motora para el movimiento del brazo), el implante BrainGate de 96 electrodos le permitió a Nagle controlar un brazo robótico pensando en mover su mano, así como el cursor de una computadora, luces y TV. [62] Un año después, el profesor Jonathan Wolpaw recibió el premio de la Fundación Altran para la Innovación por desarrollar una interfaz cerebro-computadora con electrodos ubicados en la superficie del cráneo, en lugar de directamente en el cerebro.
Más recientemente, los equipos de investigación dirigidos por el grupo BrainGate en la Universidad de Brown [63] y un grupo dirigido por el Centro Médico de la Universidad de Pittsburgh , [64] ambos en colaboración con el Departamento de Asuntos de Veteranos de los Estados Unidos , han demostrado un mayor éxito en el control directo de extremidades protésicas robóticas con muchos grados de libertad que utilizan conexiones directas a matrices de neuronas en la corteza motora de pacientes con tetraplejía.
Comunicación
En mayo de 2021, un equipo de la Universidad de Stanford informó sobre una prueba de concepto exitosa que permitió a un participante cuadrapléjico ingresar oraciones en inglés a aproximadamente 86 caracteres por minuto. El participante imaginó moviendo su mano para escribir letras, y el sistema realizó un reconocimiento de escritura a mano en señales eléctricas detectadas en la corteza motora. [sesenta y cinco]
Un informe publicado en julio de 2021 informó que un paciente paralizado pudo comunicar 15 palabras por minuto utilizando un implante cerebral que analizaba las neuronas motoras que anteriormente controlaban el tracto vocal. [66] [67]
BCI parcialmente invasivas
Los dispositivos BCI parcialmente invasivos se implantan dentro del cráneo pero descansan fuera del cerebro en lugar de dentro de la materia gris. Producen señales de mejor resolución que las BCI no invasivas, en las que el tejido óseo del cráneo desvía y deforma las señales y tienen un riesgo menor de formar tejido cicatricial en el cerebro que las BCI completamente invasivas. Ha habido una demostración preclínica de BCI intracorticales de la corteza perilesional del accidente cerebrovascular. [68]
Neurología intervencionista
El mayor avance en las ICC parcialmente invasivas se produjo en el área de la neurología intervencionista. Elon Musk mencionó el potencial de esto en 2016 [69] pero nunca lo persiguió. Mientras tanto, en 2010, los investigadores afiliados a la Universidad de Melbourne habían comenzado a desarrollar un BCI que podría insertarse a través del sistema vascular. El neurólogo australiano Thomas Oxley (Hospital Mount Sinai) concibió la idea de este BCI, llamado Stentrode y que ha recibido financiación de DARPA. Los estudios preclínicos evaluaron la tecnología en ovejas.
En noviembre de 2020, dos participantes que sufren de esclerosis lateral amiotrófica pudieron controlar de forma inalámbrica un sistema operativo para enviar mensajes de texto, correo electrónico, comprar y realizar operaciones bancarias utilizando el pensamiento directo a través de la interfaz cerebro-computadora de Stentrode, [70] marcando la primera vez que un cerebro- La interfaz de la computadora se implantó a través de los vasos sanguíneos del paciente, eliminando la necesidad de una cirugía cerebral abierta.
ECoG
La electrocorticografía (ECoG) mide la actividad eléctrica del cerebro tomada desde debajo del cráneo de una manera similar a la electroencefalografía no invasiva, pero los electrodos están incrustados en una almohadilla de plástico delgada que se coloca sobre la corteza, debajo de la duramadre . [71] Las tecnologías de ECoG fueron probadas por primera vez en humanos en 2004 por Eric Leuthardt y Daniel Moran de la Universidad de Washington en St Louis . En una prueba posterior, los investigadores permitieron que un adolescente jugara Space Invaders usando su implante ECoG. [72] Esta investigación indica que el control es rápido, requiere un entrenamiento mínimo y puede ser una compensación ideal con respecto a la fidelidad de la señal y el nivel de invasividad.[nota 1]
Las señales pueden ser subdurales o epidurales, pero no se obtienen del interior del parénquima cerebral . No se ha estudiado extensamente hasta hace poco debido al acceso limitado de temas. Actualmente, la única forma de adquirir la señal para el estudio es mediante el uso de pacientes que requieran una monitorización invasiva para la localización y resección de un foco epileptogénico.
El ECoG es una modalidad de BCI intermedia muy prometedora porque tiene una resolución espacial más alta, una mejor relación señal-ruido, un rango de frecuencia más amplio y menos requisitos de entrenamiento que el EEG registrado en el cuero cabelludo, y al mismo tiempo tiene menor dificultad técnica, menor riesgo clínico y probablemente una estabilidad a largo plazo superior a la del registro intracortical de una sola neurona. Este perfil de características y la evidencia reciente del alto nivel de control con requisitos mínimos de capacitación muestran el potencial de una aplicación en el mundo real para personas con discapacidades motoras. [74] [75] Los dispositivos BCI de imágenes reactivas a la luz todavía están en el ámbito de la teoría.
BCI no invasivas
También se han realizado experimentos en humanos utilizando neuroimágenes no invasivas. tecnologías como interfaces. La gran mayoría del trabajo BCI publicado involucra BCI no invasivos basados en EEG. Las tecnologías e interfaces no invasivas basadas en EEG se han utilizado para una variedad mucho más amplia de aplicaciones. Aunque las interfaces basadas en EEG son fáciles de usar y no requieren cirugía, tienen una resolución espacial relativamente pobre y no pueden usar de manera efectiva señales de alta frecuencia porque el cráneo amortigua las señales, dispersando y difuminando las ondas electromagnéticas creadas por las neuronas. Las interfaces basadas en EEG también requieren algo de tiempo y esfuerzo antes de cada sesión de uso, mientras que las no basadas en EEG, así como las invasivas, no requieren capacitación previa en su uso. En general, la mejor BCI para cada usuario depende de numerosos factores.
Interfaz persona-computadora no basada en EEG
Electrooculografía (EOG)
En 1989 se presentó un informe sobre el control de un robot móvil mediante el movimiento ocular mediante señales de electrooculografía (EOG). Un robot móvil fue conducido desde un principio hasta un punto de meta usando cinco comandos EOG, interpretados como adelante, atrás, izquierda, derecha y parada. [76] El EOG como desafío de controlar objetos externos fue presentado por Vidal en su artículo de 1973. [2]
Oscilación del tamaño de la pupila
Un artículo de 2016 [77] describió un dispositivo de comunicación completamente nuevo y una interfaz persona-computadora no basada en EEG, que no requiere fijación visual ni capacidad para mover los ojos en absoluto. La interfaz se basa en un interés encubierto; dirigir la atención a una letra elegida en un teclado virtual, sin necesidad de mover los ojos para mirar directamente a la letra. Cada letra tiene su propio círculo (de fondo) que micro-oscila en brillo de manera diferente a todas las demás letras. La selección de letras se basa en el mejor ajuste entre la oscilación involuntaria del tamaño de la pupila y el patrón de oscilación del brillo del círculo de fondo. La precisión también se mejora mediante el ensayo mental del usuario de las palabras "brillante" y "oscuro" en sincronía con las transiciones de brillo del círculo de la letra.
Espectroscopia funcional del infrarrojo cercano
En 2014 y 2017, un BCI que utilizó espectroscopia funcional de infrarrojo cercano para pacientes "encerrados" con esclerosis lateral amiotrófica (ELA) pudo restaurar alguna capacidad básica de los pacientes para comunicarse con otras personas. [78] [79]
Interfaces cerebro-computadora basadas en electroencefalografía (EEG)
Después de que Vidal declaró el desafío BCI en 1973, los informes iniciales sobre el enfoque no invasivo incluyeron el control de un cursor en 2D usando VEP (Vidal 1977), el control de un zumbador usando CNV (Bozinovska et al. 1988, 1990), control de un objeto físico, un robot, usando un ritmo cerebral (alfa) (Bozinovski et al. 1988), control de un texto escrito en una pantalla usando P300 (Farwell y Donchin, 1988). [12]
En los primeros días de la investigación de BCI, otra barrera sustancial para el uso de la electroencefalografía (EEG) como una interfaz cerebro-computadora era el entrenamiento extenso requerido antes de que los usuarios pudieran trabajar con la tecnología. Por ejemplo, en experimentos que comenzaron a mediados de la década de 1990, Niels Birbaumer de la Universidad de Tübingen en Alemania entrenó a personas severamente paralizadas para autorregular los potenciales corticales lentos en su EEG hasta tal punto que estas señales podrían usarse como una señal binaria. para controlar el cursor de una computadora. [80] (Birbaumer había entrenado antes a epilépticospara prevenir ataques inminentes controlando esta onda de bajo voltaje). El experimento vio a diez pacientes entrenados para mover un cursor de computadora controlando sus ondas cerebrales. El proceso fue lento, requiriendo más de una hora para que los pacientes escribieran 100 caracteres con el cursor, mientras que el entrenamiento a menudo tomaba muchos meses. Sin embargo, el enfoque de potencial cortical lento para BCI no se ha utilizado en varios años, ya que otros enfoques requieren poco o ningún entrenamiento, son más rápidos y precisos y funcionan para una mayor proporción de usuarios.
Otro parámetro de investigación es el tipo de actividad oscilatoria que se mide. Gert Pfurtscheller fundó el BCI Lab en 1991 y alimentó los resultados de su investigación sobre imágenes motoras en el primer BCI en línea basado en características oscilatorias y clasificadores. Junto con Birbaumer y Jonathan Wolpaw de la Universidad del Estado de Nueva York, se centraron en desarrollar tecnología que permitiera a los usuarios elegir las señales cerebrales que les resultaba más fácil operar un BCI, incluidos los ritmos mu y beta .
Otro parámetro es el método de retroalimentación utilizado y esto se muestra en estudios de señales P300 . Los patrones de ondas P300 se generan involuntariamente ( estímulo-retroalimentación ) cuando las personas ven algo que reconocen y pueden permitir que las BCI decodifiquen categorías de pensamientos sin entrenar primero a los pacientes. Por el contrario, los métodos de biorretroalimentación descritos anteriormente requieren aprender a controlar las ondas cerebrales para poder detectar la actividad cerebral resultante.
En 2005 se informó una investigación sobre la emulación EEG de circuitos de control digital para BCI, con un ejemplo de un flip-flop CNV. [81] En 2009 se informó el control EEG no invasivo de un brazo robótico utilizando un flip-flop CNV. [82] En 2011 se informó el control de dos brazos robóticos resolviendo la tarea de la Torre de Hanoi con tres discos usando un flip-flop CNV. [83] En 2015 se describió la emulación EEG de un disparador Schmidt, flip-flop, demultiplexor y módem. [84]
Si bien varios laboratorios de investigación han buscado ampliamente una interfaz cerebro-computadora basada en EEG, los avances recientes realizados por Bin He y su equipo en la Universidad de Minnesota sugieren el potencial de una interfaz cerebro-computadora basada en EEG para realizar tareas casi invasivas. interfaz cerebro-computadora. Mediante el uso de neuroimágenes funcionales avanzadas que incluyen imágenes de fuente de EEG y resonancia magnética funcional BOLD , Bin He y sus colaboradores identificaron la covariación y colocalización de señales electrofisiológicas y hemodinámicas inducidas por la imaginación motora. [85]Refinado por un enfoque de neuroimagen y por un protocolo de entrenamiento, Bin He y sus colaboradores demostraron la capacidad de una interfaz cerebro-computadora no invasiva basada en EEG para controlar el vuelo de un helicóptero virtual en un espacio tridimensional, basado en la imaginación motora. [86] En junio de 2013 se anunció que Bin He había desarrollado la técnica para permitir que un helicóptero de control remoto fuera guiado a través de una carrera de obstáculos. [87]
Además de una interfaz cerebro-computadora basada en ondas cerebrales, como se registra a partir de electrodos de EEG en el cuero cabelludo, Bin He y sus colaboradores exploraron una interfaz cerebro-computadora virtual basada en señales de EEG resolviendo primero el problema inverso del EEG y luego usaron el resultado virtual resultante. EEG para tareas de interfaz cerebro-computadora. Estudios bien controlados sugirieron los méritos de tal interfaz cerebro-computadora basada en análisis de fuentes. [88]
Un estudio de 2014 encontró que los pacientes con discapacidad motora severa podían comunicarse más rápido y de manera más confiable con EEG BCI no invasivo, que con cualquier canal de comunicación basado en los músculos. [89]
Un estudio de 2016 encontró que el dispositivo Emotiv EPOC puede ser más adecuado para tareas de control utilizando el nivel de atención / meditación o el parpadeo de los ojos que el dispositivo Neurosky MindWave. [90]
Un estudio de 2019 descubrió que la aplicación de algoritmos evolutivos podría mejorar la clasificación del estado mental de EEG con un dispositivo Muse no invasivo , lo que permite una clasificación de alta calidad de los datos adquiridos por un dispositivo de detección de EEG económico de calidad para el consumidor. [91]
Conjuntos de electrodos activos secos
A principios de la década de 1990, Babak Taheri, de la Universidad de California, Davis hizo una demostración de los primeros conjuntos de electrodos activos secos de un solo canal y también de varios canales que utilizan micromecanizado. La construcción y los resultados del electrodo EEG seco de un solo canal se publicaron en 1994. [92] También se demostró que el electrodo en matriz funciona bien en comparación con los electrodos de plata / cloruro de plata . El dispositivo constaba de cuatro sitios de sensores con electrónica integrada para reducir el ruido mediante la adaptación de impedancia.. Las ventajas de tales electrodos son: (1) no se usa electrolito, (2) no hay preparación de la piel, (3) el tamaño del sensor se reduce significativamente y (4) la compatibilidad con los sistemas de monitorización de EEG. La matriz de electrodos activos es un sistema integrado hecho de una matriz de sensores capacitivos con circuitos integrados locales alojados en un paquete con baterías para alimentar los circuitos. Este nivel de integración fue necesario para lograr el rendimiento funcional obtenido por el electrodo.
El electrodo se probó en un banco de pruebas eléctrico y en sujetos humanos en cuatro modalidades de actividad de EEG, a saber: (1) EEG espontáneo, (2) potenciales relacionados con eventos sensoriales, (3) potenciales del tronco cerebral y (4) evento cognitivo. -Potenciales relacionados. El rendimiento del electrodo seco se comparó favorablemente con el de los electrodos húmedos estándar en términos de preparación de la piel, sin necesidad de gel (seco) y mayor relación señal / ruido. [93]
En 1999, investigadores de la Universidad Case Western Reserve , en Cleveland , Ohio , dirigidos por Hunter Peckham, utilizaron un casquete EEG de 64 electrodos para devolver los movimientos limitados de la mano al tetrapléjico Jim Jatich. Mientras Jatich se concentraba en conceptos simples pero opuestos como arriba y abajo, se analizó la salida de su EEG de ritmo beta utilizando un software para identificar patrones en el ruido. Se identificó un patrón básico y se usó para controlar un interruptor: la actividad por encima del promedio se estableció en encendido, por debajo del promedio en apagado. Además de permitir a Jatich controlar el cursor de una computadora, las señales también se utilizaron para impulsar los controladores nerviosos incrustados en sus manos, restaurando algo de movimiento. [94]
EEG BCI móviles SSVEP
En 2009, se informó de la NCTU Brain-Computer-Interface-headband. Los investigadores que desarrollaron esta BCI-cinta de cabeza también diseñados a base de silicio m ICRO e lectro- m echanical s istema (MEMS) electrodos secos diseñados para su aplicación en sitios que no son peludas del cuerpo. Estos electrodos se aseguraron a la placa DAQ en la diadema con portaelectrodos a presión. El módulo de procesamiento de señales midió alfaactividad y el teléfono habilitado con Bluetooth evaluaron el estado de alerta y la capacidad de los pacientes para el desempeño cognitivo. Cuando el sujeto se sentía somnoliento, el teléfono enviaba una retroalimentación estimulante al operador para despertarlo. Esta investigación fue apoyada por el Consejo Nacional de Ciencias, Taiwán, República de China, NSC, la Universidad Nacional Chiao-Tung, el Ministerio de Educación de Taiwán y el Laboratorio de Investigación del Ejército de EE. UU . [95]
En 2011, los investigadores informaron sobre una BCI de base celular con la capacidad de tomar datos de EEG y convertirlos en un comando para hacer sonar el teléfono. Esta investigación fue apoyada en parte por Abraxis Bioscience LLP, el Laboratorio de Investigación del Ejército de EE. UU. Y la Oficina de Investigación del Ejército. La tecnología desarrollada fue un sistema portátil compuesto por un módulo de adquisición / amplificación de señales biológicas de cuatro canales , un módulo de transmisión inalámbrica y un teléfono celular con Bluetooth. Los electrodos se colocaron de modo que capten los potenciales evocados visuales en estado estable ( SSVEP ). [96] Los SSVEP son respuestas eléctricas a estímulos visuales parpadeantes con tasas de repetición superiores a 6 Hz [96]que se encuentran mejor en las regiones del cuero cabelludo parietal y occipital de la corteza visual. [97] Se informó que con esta configuración BCI, todos los participantes del estudio pudieron iniciar la llamada telefónica con una práctica mínima en entornos naturales. [98]
Los científicos afirman que sus estudios que utilizan una transformada rápida de Fourier ( FFT ) de un solo canal y un algoritmo de análisis de correlación canónica ( CCA ) del sistema de múltiples canales respaldan la capacidad de las BCI móviles. [96] [99] El algoritmo CCA se ha aplicado en otros experimentos que investigan BCI con un alto rendimiento en cuanto a precisión y velocidad. [100] Si bien la tecnología BCI basada en celulares se desarrolló para iniciar una llamada telefónica desde SSVEP, los investigadores dijeron que se puede traducir para otras aplicaciones, como la captación de ritmos mu / beta sensoriomotores para funcionar como un BCI basado en imágenes motoras. [96]
En 2013, se realizaron pruebas comparativas en BCI de teléfonos móviles, tabletas y computadoras Android, analizando la densidad del espectro de potencia de los EEG SSVEP resultantes. Los objetivos declarados de este estudio, en el que participaron científicos apoyados en parte por el Laboratorio de Investigación del Ejército de EE. UU., Fueron "aumentar la viabilidad, portabilidad y ubicuidad de una BCI basada en SSVEP, para uso diario". Cita Se informó que la frecuencia de estimulación en todos los medios era precisa, aunque la señal del teléfono celular demostró cierta inestabilidad. También se informó que las amplitudes de los SSVEP para la computadora portátil y la tableta eran mayores que las del teléfono celular. Estas dos caracterizaciones cualitativas se sugirieron como indicadores de la viabilidad de utilizar un BCI de estímulo móvil. [99]
Limitaciones
En 2011, los investigadores afirmaron que el trabajo continuo debería abordar la facilidad de uso, la solidez del rendimiento y la reducción de los costos de hardware y software. [96]
Una de las dificultades con las lecturas de EEG es la gran susceptibilidad a los artefactos de movimiento. [101] En la mayoría de los proyectos de investigación descritos anteriormente, se pidió a los participantes que se sentaran quietos, reduciendo los movimientos de la cabeza y los ojos tanto como fuera posible, y las mediciones se tomaron en un laboratorio. Sin embargo, dado que la aplicación destacada de estas iniciativas había sido la creación de un dispositivo móvil para el uso diario [99], la tecnología tuvo que probarse en movimiento.
En 2013, los investigadores probaron la tecnología BCI basada en EEG móvil, midiendo los SSVEP de los participantes mientras caminaban en una cinta de correr a diferentes velocidades. Esta investigación fue apoyada por la Oficina de Investigación Naval , la Oficina de Investigación del Ejército y el Laboratorio de Investigación del Ejército de EE. UU. Los resultados indicados fueron que a medida que aumentaba la velocidad, disminuía la detectabilidad de SSVEP usando CCA. Como se ha demostrado que el análisis de componentes independientes ( ICA ) es eficaz para separar las señales de EEG del ruido, [102]los científicos aplicaron ICA a los datos de EEG extraídos de CCA. Afirmaron que los datos de CCA con y sin procesamiento ICA eran similares. Por lo tanto, concluyeron que CCA demostró de forma independiente una solidez a los artefactos de movimiento que indica que puede ser un algoritmo beneficioso para aplicar a las BCI utilizadas en condiciones del mundo real. [97]
En 2020, investigadores de la Universidad de California utilizaron un sistema informático relacionado con interfaces cerebro-máquina para traducir ondas cerebrales en oraciones. Sin embargo, su decodificación se limitó a 30-50 oraciones, a pesar de que las tasas de error de palabras eran tan bajas como el 3%. [103]
Prótesis y control ambiental
También se han aplicado BCI no invasivos para permitir el control cerebral de dispositivos protésicos para las extremidades superiores e inferiores en personas con parálisis. Por ejemplo, Gert Pfurtscheller de la Universidad de Tecnología de Graz y sus colegas demostraron un sistema de estimulación eléctrica funcional controlado por BCI para restaurar los movimientos de las extremidades superiores en una persona con tetraplejía debido a una lesión de la médula espinal . [104] Entre 2012 y 2013, investigadores de la Universidad de California en Irvine demostraron por primera vez que es posible utilizar la tecnología BCI para restaurar la marcha controlada por el cerebro después de una lesión de la médula espinal. En su investigación sobre lesiones de la médula espinalEn el estudio, una persona con paraplejía pudo operar una órtesis de marcha robótica BCI para recuperar la deambulación básica controlada por el cerebro. [105] [106] En 2009 Alex Blainey, un investigador independiente con sede en el Reino Unido, utilizó con éxito Emotiv EPOC para controlar un brazo robótico de 5 ejes. [107] Luego pasó a hacer varias demostraciones de sillas de ruedas controladas por la mente y automatización del hogar que podrían ser operadas por personas con control motor limitado o nulo, como aquellos con paraplejía y parálisis cerebral.
La investigación sobre el uso militar de BCI financiada por DARPA ha estado en curso desde la década de 1970. [2] [3] El enfoque actual de la investigación es la comunicación de usuario a usuario a través del análisis de señales neuronales. [108]
Bricolaje y BCI de código abierto
En 2001, el proyecto OpenEEG [109] fue iniciado por un grupo de neurocientíficos e ingenieros de bricolaje. El ModularEEG fue el dispositivo principal creado por la comunidad OpenEEG; era una placa de captura de señal de 6 canales que costaba entre $ 200 y $ 400 fabricar en casa. El proyecto OpenEEG marcó un momento significativo en el surgimiento de la interfaz de bricolaje cerebro-computadora.
En 2010, el programa ITP de Frontier Nerds of NYU publicó un tutorial completo titulado How To Hack Toy EEGs. [110] El tutorial, que conmovió las mentes de muchos entusiastas del bricolaje BCI en ciernes, demostró cómo crear un EEG de un solo canal en casa con un Arduino y un Mattel Mindflex a un precio muy razonable. Este tutorial amplificó el movimiento DIY BCI.
En 2013, OpenBCI surgió de una solicitud de DARPA y la posterior campaña de Kickstarter . Crearon una placa de adquisición de EEG de 8 canales de código abierto y alta calidad, conocida como placa de 32 bits, que se vendía al por menor por menos de $ 500. Dos años más tarde, crearon el primer auricular EEG impreso en 3D, conocido como Ultracortex, así como una placa de adquisición de EEG de 4 canales, conocida como Ganglion Board, que se vendía al por menor por menos de $ 100.
MEG y resonancia magnética
Tanto la magnetoencefalografía (MEG) como la resonancia magnética funcional (fMRI) se han utilizado con éxito como BCI no invasivas. [111] En un experimento ampliamente reportado, fMRI permitió que dos usuarios fueran escaneados para jugar Pong en tiempo real al alterar su respuesta hemodinámica o el flujo sanguíneo cerebral a través de técnicas de biorretroalimentación . [112]
Las mediciones de fMRI de las respuestas hemodinámicas en tiempo real también se han utilizado para controlar los brazos del robot con un retraso de siete segundos entre el pensamiento y el movimiento. [113]
En 2008, la investigación desarrollada en los Laboratorios de Neurociencia Computacional de Investigación de Telecomunicaciones Avanzadas (ATR) en Kyoto , Japón, permitió a los científicos reconstruir imágenes directamente del cerebro y mostrarlas en una computadora en blanco y negro con una resolución de 10x10 píxeles . El artículo que anunciaba estos logros fue el artículo de portada de la revista Neuron del 10 de diciembre de 2008 [114].
En 2011, investigadores de UC Berkeley publicaron [115] un estudio que informaba sobre la reconstrucción segundo a segundo de videos vistos por los sujetos del estudio, a partir de datos de resonancia magnética funcional. Esto se logró mediante la creación de un modelo estadístico que relaciona los patrones visuales en los videos mostrados a los sujetos, con la actividad cerebral causada por ver los videos. Luego, este modelo se utilizó para buscar los 100 segmentos de video de un segundo, en una base de datos de 18 millones de segundos de videos aleatorios de YouTube , cuyos patrones visuales coincidían más estrechamente con la actividad cerebral registrada cuando los sujetos vieron un nuevo video. Estos 100 extractos de video de un segundo se combinaron luego en una imagen triturada que se parecía al video que se estaba viendo. [116] [117] [118]
Estrategias de control de BCI en neurogaming
Imágenes motoras
Las imágenes motoras implican la imaginación del movimiento de varias partes del cuerpo que dan como resultado la activación de la corteza sensoriomotora , que modula las oscilaciones sensoriomotoras en el EEG. Esto puede ser detectado por la BCI para inferir la intención de un usuario. Las imágenes motoras normalmente requieren varias sesiones de entrenamiento antes de que se adquiera un control aceptable del BCI. Estas sesiones de capacitación pueden llevar varias horas durante varios días antes de que los usuarios puedan emplear la técnica de manera consistente con niveles aceptables de precisión. Independientemente de la duración de la sesión de formación, los usuarios no pueden dominar el esquema de control. Esto da como resultado un ritmo de juego muy lento. [119]Recientemente, se desarrollaron métodos avanzados de aprendizaje automático para calcular un modelo específico del sujeto para detectar el rendimiento de las imágenes motoras. El algoritmo de rendimiento superior del conjunto de datos 2 de BCI Competition IV [120] para imágenes de motor es el Patrón espacial común del banco de filtros, desarrollado por Ang et al. de A * STAR , Singapur ). [121]
Bio / neurofeedback para diseños BCI pasivos
La biorretroalimentación se utiliza para controlar la relajación mental de un sujeto. En algunos casos, la biorretroalimentación no monitorea la electroencefalografía (EEG), sino los parámetros corporales como la electromiografía (EMG), la resistencia galvánica de la piel (GSR) y la variabilidad de la frecuencia cardíaca (HRV). Muchos sistemas de biorretroalimentación se utilizan para tratar ciertos trastornos, como el trastorno por déficit de atención con hiperactividad (TDAH) , los problemas del sueño en los niños, el rechinar de dientes y el dolor crónico. Los sistemas de biorretroalimentación EEG generalmente monitorean cuatro bandas diferentes (theta: 4–7 Hz, alfa: 8–12 Hz, SMR: 12–15 Hz, beta: 15–18 Hz) y desafían al sujeto a controlarlas. ICC pasivo [53]implica el uso de BCI para enriquecer la interacción humano-máquina con información implícita sobre el estado real del usuario, por ejemplo, simulaciones para detectar cuándo los usuarios intentan frenar durante un procedimiento de parada de emergencia de un automóvil. Los desarrolladores de juegos que utilizan BCI pasivas deben reconocer que a través de la repetición de niveles de juego, el estado cognitivo del usuario cambiará o se adaptará. Dentro de la primera jugada de un nivel, el usuario reaccionará a las cosas de manera diferente que durante la segunda jugada: por ejemplo, el usuario se sorprenderá menos de un evento en el juego si lo está esperando. [119]
Potencial evocado visual (PEV)
Un PEV es un potencial eléctrico que se registra después de que se le presenta a un sujeto un tipo de estímulo visual. Hay varios tipos de PEV.
Los potenciales evocados visualmente en estado estacionario (SSVEP) utilizan los potenciales generados al excitar la retina, utilizando estímulos visuales modulados a determinadas frecuencias. Los estímulos de SSVEP a menudo se forman a partir de patrones de tablero de ajedrez alternos y, a veces, simplemente usan imágenes parpadeantes. La frecuencia de la inversión de fase del estímulo utilizado se puede distinguir claramente en el espectro de un EEG; esto hace que la detección de estímulos SSVEP sea relativamente fácil. SSVEP ha demostrado ser un éxito en muchos sistemas BCI. Esto se debe a varios factores, la señal provocada se puede medir en una población tan grande como el VEP transitorio y el movimiento de parpadeo y los artefactos electrocardiográficos no afectan las frecuencias monitoreadas. Además, la señal SSVEP es excepcionalmente robusta; la organización topográfica de la corteza visual primaria es tal que un área más amplia obtiene aferentes de la región central o fovial del campo visual.Sin embargo, SSVEP tiene varios problemas. Dado que los SSVEP utilizan estímulos intermitentes para inferir la intención de un usuario, el usuario debe mirar uno de los símbolos intermitentes o iterativos para interactuar con el sistema. Por lo tanto, es probable que los símbolos se vuelvan irritantes e incómodos de usar durante sesiones de juego más largas, que a menudo pueden durar más de una hora, lo que puede no ser un juego ideal.
Otro tipo de VEP utilizado con aplicaciones es el potencial P300 . El potencial relacionado con el evento P300 es un pico positivo en el EEG que ocurre aproximadamente a los 300 ms después de la aparición de un estímulo objetivo (un estímulo que el usuario está esperando o buscando) o estímulos extraños.. La amplitud de P300 disminuye a medida que los estímulos objetivo y los estímulos ignorados se vuelven más similares. Se cree que P300 está relacionado con un proceso de atención de mayor nivel o una respuesta de orientación que utiliza P300 como esquema de control tiene la ventaja de que el participante solo tiene que asistir de manera limitada sesiones de entrenamiento. La primera aplicación que utilizó el modelo P300 fue la matriz P300. Dentro de este sistema, un sujeto elegiría una letra de una cuadrícula de 6 por 6 letras y números. Las filas y columnas de la cuadrícula parpadeaban secuencialmente y cada vez que se iluminaba la "letra de elección" seleccionada, se provocaba (potencialmente) el P300 del usuario. Sin embargo, el proceso de comunicación, a aproximadamente 17 caracteres por minuto, fue bastante lento. El P300 es un BCI que ofrece una selección discreta en lugar de un mecanismo de control continuo.La ventaja del uso de P300 dentro de los juegos es que el jugador no tiene que aprender a usar un sistema de control completamente nuevo y, por lo tanto, solo tiene que realizar breves instancias de entrenamiento para aprender la mecánica del juego y el uso básico del paradigma BCI.[119]
Telepatía sintética / comunicación silenciosa
En una iniciativa del Ejército de EE. UU. De $ 6,3 millones para inventar dispositivos para la comunicación telepática, Gerwin Schalk , suscrito con una subvención de $ 2,2 millones, descubrió que el uso de señales de ECoG puede discriminar las vocales y consonantes incrustadas en palabras habladas e imaginadas, arrojando luz sobre los distintos mecanismos asociados con la producción de vocales y consonantes, y podría proporcionar la base para la comunicación basada en el cerebro utilizando el habla imaginada. [75] [122]
En 2002, Kevin Warwick hizo que se dispararan una serie de 100 electrodos en su sistema nervioso para conectar su sistema nervioso a Internet para investigar las posibilidades de mejora. Con esto en su lugar, Warwick llevó a cabo con éxito una serie de experimentos. Con electrodos también implantados en el sistema nervioso de su esposa, llevaron a cabo el primer experimento de comunicación electrónica directa entre los sistemas nerviosos de dos humanos. [123] [124] [125] [126]
Otro grupo de investigadores pudo lograr una comunicación consciente cerebro a cerebro entre dos personas separadas por una distancia utilizando tecnología no invasiva que estaba en contacto con el cuero cabelludo de los participantes. Las palabras se codificaron mediante flujos binarios utilizando las secuencias de 0 y 1 mediante la entrada del motor imaginario de la persona que "emite" la información. Como resultado de este experimento, bits pseudoaleatorios de la información contenían palabras codificadas "hola" ("hola" en español) y "ciao" ("adiós" en italiano) y se transmitían de mente a mente entre humanos separados por una distancia, con sistemas motores y sensoriales bloqueados, que tiene poca o ninguna probabilidad de que esto suceda por casualidad. [2]
La investigación sobre la telepatía sintética mediante la subvocalización se está llevando a cabo en la Universidad de California, Irvine, bajo la dirección del científico principal Mike D'Zmura. La primera comunicación de este tipo tuvo lugar en la década de 1960 utilizando EEG para crear código Morse utilizando ondas alfa cerebrales. El uso de EEG para comunicar el habla imaginaria es menos preciso que el método invasivo de colocar un electrodo entre el cráneo y el cerebro. [127] [128] El 27 de febrero de 2013, el grupo con Miguel Nicolelis en la Universidad de Duke y el IINN-ELS conectaron con éxito los cerebros de dos ratas con interfaces electrónicas que les permitieron compartir información directamente, en el primer cerebro directo a interfaz cerebral . [129] [130][131]
ICC de cultivo celular
Los investigadores han construido dispositivos para interactuar con células neuronales y redes neuronales completas en culturas fuera de los animales. Además de promover la investigación sobre dispositivos implantables en animales, los experimentos con tejido neural cultivado se han centrado en la construcción de redes de resolución de problemas, la construcción de computadoras básicas y la manipulación de dispositivos robóticos. La investigación sobre técnicas para estimular y grabar a partir de neuronas individuales cultivadas en chips semiconductores a veces se denomina neuroelectrónica o neurochips . [132]
El desarrollo del primer neurochip funcional fue reivindicado por un equipo de Caltech dirigido por Jerome Pine y Michael Maher en 1997. [133] El chip de Caltech tenía espacio para 16 neuronas.
En 2003, un equipo dirigido por Theodore Berger, de la Universidad del Sur de California , comenzó a trabajar en un neurochip diseñado para funcionar como un hipocampo artificial o protésico . El neurochip fue diseñado para funcionar en cerebros de ratas y fue pensado como un prototipo para el eventual desarrollo de prótesis de cerebro superior. Se eligió el hipocampo porque se cree que es la parte más ordenada y estructurada del cerebro y es el área más estudiada. Su función es codificar experiencias para almacenarlas como recuerdos a largo plazo en otras partes del cerebro. [134]
En 2004 Thomas DeMarse en la Universidad de Florida utiliza un cultivo de 25.000 neuronas tomadas de cerebro de una rata para volar un F-22 avión de combate simulador de vuelo . [135] Después de la recolección, las neuronas corticales se cultivaron en una placa de Petri y rápidamente comenzaron a reconectarse para formar una red neuronal viviente. Las células se dispusieron sobre una cuadrícula de 60 electrodos y se utilizaron para controlar las funciones de cabeceo y guiñada del simulador. El estudio se centró en comprender cómo el cerebro humano realiza y aprende tareas computacionales a nivel celular.
Consideraciones éticas
Fuentes: [136] [137] [138] [139] [140]
Problemas centrados en el usuario
- Los efectos a largo plazo para el usuario siguen siendo en gran parte desconocidos.
- Obtener el consentimiento informado de las personas que tienen dificultades para comunicarse.
- Las consecuencias de la tecnología BCI para la calidad de vida de los pacientes y sus familias.
- Efectos secundarios relacionados con la salud (por ejemplo, se informa que la neurofeedback del entrenamiento del ritmo sensoriomotor afecta la calidad del sueño).
- Aplicaciones terapéuticas y su potencial mal uso.
- Riesgos de seguridad
- No convertibilidad de algunos de los cambios realizados en el cerebro.
Legal y social
- Cuestiones de rendición de cuentas y responsabilidad: afirma que la influencia de las BCI anula el libre albedrío y el control sobre las acciones sensoriales y motoras, afirma que la intención cognitiva se tradujo incorrectamente debido a un mal funcionamiento de BCI.
- Cambios de personalidad involucrados causados por la estimulación cerebral profunda.
- Preocupaciones sobre el estado de convertirse en un "cyborg": tener partes del cuerpo que están vivas y partes que son mecánicas.
- Preguntas de personalidad: ¿qué significa ser humano?
- Desdibujamiento de la división entre humanos y máquinas e incapacidad para distinguir entre acciones controladas por humanos y por máquinas.
- Uso de la tecnología en técnicas avanzadas de interrogatorio por parte de autoridades gubernamentales.
- Mejora selectiva y estratificación social.
- Cuestiones de ética de la investigación que surgen al pasar de la experimentación animal a la aplicación en seres humanos.
- Preguntas morales
- Lectura mental y privacidad.
- Seguimiento y "sistema de etiquetado"
- Control mental .
- Control de movimiento
- Control de emociones
En su forma actual, la mayoría de las ICC están muy alejadas de las cuestiones éticas consideradas anteriormente. En realidad, son similares en función a las terapias correctivas. Clausen declaró en 2009 que "las ICC plantean desafíos éticos, pero estos son conceptualmente similares a los que los bioeticistas han abordado para otros ámbitos de la terapia". [136] Además, sugiere que la bioética está bien preparada para abordar los problemas que surgen con las tecnologías BCI. Haselager et al [137] señalaron que las expectativas de la eficacia y el valor de BCI juegan un papel importante en el análisis ético y en la forma en que los científicos de BCI deben acercarse a los medios. Además, se pueden implementar protocolos estándar para garantizar procedimientos de consentimiento informado éticamente sólidos con pacientes encerrados.
El caso de las ICC en la actualidad tiene paralelos en la medicina, al igual que su evolución. De manera similar a cómo la ciencia farmacéutica comenzó como un equilibrio para las deficiencias y ahora se usa para aumentar la concentración y reducir la necesidad de dormir, es probable que las BCI se transformen gradualmente de terapias a mejoras. [139] Se realizan esfuerzos dentro de la comunidad BCI para crear consenso sobre las pautas éticas para la investigación, el desarrollo y la difusión de BCI. [140] A medida que continúe la innovación, será fundamental garantizar un acceso equitativo a las ICC, de lo contrario, pueden surgir desigualdades generacionales que pueden afectar negativamente el derecho al florecimiento humano. [141]
Interfaces basadas en BCI de bajo costo
Recientemente, varias empresas han reducido la tecnología de EEG de grado médico para crear BCI económicos con fines de investigación y entretenimiento. Por ejemplo, juguetes como NeuroSky y Mattel MindFlex han tenido cierto éxito comercial.
- En 2006, Sony patentó un sistema de interfaz neuronal que permite que las ondas de radio afecten las señales en la corteza neuronal. [142]
- En 2007, NeuroSky lanzó el primer EEG asequible para el consumidor junto con el juego NeuroBoy. Este también fue el primer dispositivo EEG a gran escala en utilizar tecnología de sensor seco. [143]
- En 2008 OCZ Technology desarrolló un dispositivo para su uso en videojuegos que se basa principalmente en la electromiografía . [144]
- En 2008, el desarrollador de Final Fantasy Square Enix anunció que se asociaría con NeuroSky para crear un juego, Judecca. [145] [146]
- En 2009, Mattel se asoció con NeuroSky para lanzar Mindflex , un juego que usaba un EEG para conducir una pelota a través de una carrera de obstáculos. Es, con mucho, el electroencefalograma basado en el consumidor más vendido hasta la fecha. [145] [147]
- En 2009, Uncle Milton Industries se asoció con NeuroSky para lanzar Star Wars Force Trainer , un juego diseñado para crear la ilusión de poseer la Fuerza . [145] [148]
- En 2009, Emotiv lanzó el EPOC, un dispositivo EEG de 14 canales que puede leer 4 estados mentales, 13 estados conscientes, expresiones faciales y movimientos de la cabeza. El EPOC es el primer BCI comercial que utiliza tecnología de sensor seco, que se puede humedecer con una solución salina para una mejor conexión. [149]
- En noviembre de 2011, la revista Time seleccionó "necomimi" producido por Neurowear como uno de los mejores inventos del año. La compañía anunció que esperaba lanzar una versión para el consumidor de la prenda, que consiste en orejas de gato controladas por un lector de ondas cerebrales producido por NeuroSky , en la primavera de 2012. [150]
- En febrero de 2014 They Shall Walk (una organización sin fines de lucro dedicada a la construcción de exoesqueletos, apodados LIFESUIT, para parapléjicos y tetrapléjicos) comenzó una asociación con James W. Shakarji en el desarrollo de una BCI inalámbrica. [151]
- En 2016, un grupo de aficionados desarrolló una placa BCI de código abierto que envía señales neuronales al conector de audio de un teléfono inteligente, lo que reduce el costo del BCI básico a £ 20. [152] El software de diagnóstico básico está disponible para dispositivos Android , así como una aplicación de ingreso de texto para Unity . [153]
- En 2020, NextMind lanzó un kit de desarrollo que incluye un auricular EEG con electrodos secos a $ 399. [154] [155] El dispositivo se puede reproducir con algunas aplicaciones de demostración o los desarrolladores pueden crear sus propios casos de uso utilizando el kit de desarrollo de software proporcionado.
Direcciones futuras
Un consorcio formado por 12 socios europeos ha completado una hoja de ruta para apoyar a la Comisión Europea en sus decisiones de financiación para el nuevo programa marco Horizonte 2020 . El proyecto, que fue financiado por la Comisión Europea, comenzó en noviembre de 2013 y publicó una hoja de ruta en abril de 2015. [156] Una publicación de 2015 dirigida por el Dr. Clemens Brunner describe algunos de los análisis y logros de este proyecto, así como la Sociedad emergente de interfaces cerebro-computadora. [157]Por ejemplo, este artículo revisó el trabajo dentro de este proyecto que definió aún más las ICC y las aplicaciones, exploró las tendencias recientes, discutió cuestiones éticas y evaluó diferentes direcciones para las nuevas ICC. Como señala el artículo, su nueva hoja de ruta generalmente amplía y respalda las recomendaciones del proyecto Future BNCI administrado por el Dr. Brendan Allison, que transmite un entusiasmo sustancial por las direcciones emergentes de BCI.
Otras publicaciones recientes también han explorado las direcciones futuras de ICC para nuevos grupos de usuarios discapacitados (por ejemplo, [9] [158] [159] [160] [161] ). A continuación se resumen algunos ejemplos destacados.
Trastornos de la conciencia (DOC)
Algunas personas tienen un trastorno de la conciencia.(DOC). Este estado se define para incluir a personas en coma, así como a personas en estado vegetativo (VS) o estado de conciencia mínima (MCS). La nueva investigación de BCI busca ayudar a las personas con DOC de diferentes maneras. Un objetivo inicial clave es identificar a los pacientes que son capaces de realizar tareas cognitivas básicas, lo que, por supuesto, conduciría a un cambio en su diagnóstico. Es decir, algunas personas a las que se les diagnostica DOC pueden de hecho ser capaces de procesar información y tomar decisiones importantes en la vida (por ejemplo, si buscar terapia, dónde vivir y sus opiniones sobre las decisiones al final de la vida con respecto a ellas). Algunas personas a las que se les diagnostica DOC mueren como resultado de decisiones sobre el final de la vida, que pueden ser tomadas por miembros de la familia que sienten sinceramente que esto es lo mejor para el paciente.Dada la nueva perspectiva de permitir que estos pacientes expresen sus puntos de vista sobre esta decisión, parecería haber una fuerte presión ética para desarrollar esta dirección de investigación para garantizar que los pacientes con DOC tengan la oportunidad de decidir si quieren vivir.[162] [163]
Estos y otros artículos describen nuevos desafíos y soluciones para utilizar la tecnología BCI para ayudar a las personas con DOC. Un desafío importante es que estos pacientes no pueden usar BCI basados en la visión. Por tanto, las nuevas herramientas se basan en estímulos auditivos y / o vibrotáctiles. Los pacientes pueden usar auriculares y / o estimuladores vibrotáctiles colocados en las muñecas, el cuello, la pierna y / u otros lugares. Otro desafío es que los pacientes pueden perder el conocimiento y perderlo, y solo pueden comunicarse en ciertos momentos. De hecho, esto puede ser una causa de diagnóstico erróneo. Es posible que algunos pacientes solo puedan responder a las solicitudes de los médicos durante unas pocas horas al día (lo que puede no ser predecible con anticipación) y, por lo tanto, es posible que no hayan respondido durante el diagnóstico. Por lo tanto, los nuevos métodos se basan en herramientas que son fáciles de usar en el campo, incluso sin la ayuda de un experto.por lo que los miembros de la familia y otras personas sin antecedentes médicos o técnicos aún pueden usarlos. Esto reduce el costo, el tiempo, la necesidad de experiencia y otras cargas con la evaluación del DOC. Las herramientas automatizadas pueden formular preguntas sencillas que los pacientes pueden responder fácilmente, como "¿Su padre se llama George?" o "¿Naciste en los Estados Unidos?" Las instrucciones automatizadas informan a los pacientes que pueden transmitir sí o no al (por ejemplo) centrar su atención en los estímulos en la muñeca derecha o en la izquierda. Esta atención enfocada produce cambios confiables en los patrones de EEG que pueden ayudar a determinar que el paciente puede comunicarse. Los resultados podrían presentarse a médicos y terapeutas, lo que podría conducir a un diagnóstico y una terapia revisados. Además,Luego, estos pacientes podrían recibir herramientas de comunicación basadas en BCI que podrían ayudarlos a transmitir sus necesidades básicas, ajustar la posición de la cama yHVAC (calefacción, ventilación y aire acondicionado) y, de otro modo, les permite tomar decisiones importantes en la vida y comunicarse. [164] [165] [166]
Recuperación del motor
Las personas pueden perder parte de su capacidad para moverse debido a muchas causas, como un derrame cerebral o una lesión. Varios grupos han explorado sistemas y métodos para la recuperación de motores que incluyen BCI. [167] [168] [169] [170] En este enfoque, un BCI mide la actividad motora mientras el paciente imagina o intenta movimientos según las indicaciones de un terapeuta. El BCI puede proporcionar dos beneficios: (1) si el BCI indica que un paciente no está imaginando un movimiento correctamente (incumplimiento), entonces el BCI podría informar al paciente y al terapeuta; y (2) la retroalimentación gratificante, como la estimulación funcional o el movimiento de un avatar virtual, también depende de las imágenes de movimiento correctas del paciente.
Hasta ahora, las BCI para la recuperación motora se han basado en el EEG para medir las imágenes motoras del paciente. Sin embargo, los estudios también han utilizado la resonancia magnética funcional para estudiar diferentes cambios en el cerebro a medida que las personas se someten a un entrenamiento de rehabilitación de accidentes cerebrovasculares basado en BCI. [171] [172] Los sistemas futuros podrían incluir la resonancia magnética funcional y otras medidas para el control en tiempo real, como el infrarrojo cercano funcional, probablemente junto con los electroencefalogramas. La estimulación cerebral no invasiva también se ha explorado en combinación con BCI para la recuperación motora. [173] En 2016, científicos de la Universidad de Melbournepublicó datos preclínicos de prueba de concepto relacionados con una posible plataforma de tecnología de interfaz cerebro-computadora que se está desarrollando para pacientes con parálisis para facilitar el control de dispositivos externos como extremidades robóticas, computadoras y exoesqueletos mediante la traducción de la actividad cerebral. [174] [175] Actualmente se están realizando ensayos clínicos. [176]
Mapeo funcional del cerebro
Cada año, alrededor de 400.000 personas se someten a un mapeo cerebral durante la neurocirugía. Este procedimiento suele ser necesario para personas con tumores o epilepsia que no responden a los medicamentos . [177]Durante este procedimiento, se colocan electrodos en el cerebro para identificar con precisión la ubicación de estructuras y áreas funcionales. Los pacientes pueden estar despiertos durante la neurocirugía y se les puede pedir que realicen ciertas tareas, como mover los dedos o repetir palabras. Esto es necesario para que los cirujanos puedan extraer solo el tejido deseado sin afectar otras regiones, como las regiones críticas de movimiento o lenguaje. La extracción de demasiado tejido cerebral puede causar daño permanente, mientras que la extracción de muy poco tejido puede dejar sin tratar la afección subyacente y requerir neurocirugía adicional. Por lo tanto, existe una gran necesidad de mejorar tanto los métodos como los sistemas para mapear el cerebro de la manera más eficaz posible.
En varias publicaciones recientes, los expertos en investigación de BCI y los médicos han colaborado para explorar nuevas formas de utilizar la tecnología BCI para mejorar el mapeo neuroquirúrgico. Este trabajo se centra principalmente en la alta actividad gamma, que es difícil de detectar con medios no invasivos. Los resultados han conducido a métodos mejorados para identificar áreas clave para el movimiento, el lenguaje y otras funciones. Un artículo reciente abordó los avances en el mapeo funcional del cerebro y resume un taller. [178]
Dispositivos flexibles
Los componentes electrónicos flexibles son polímeros u otros materiales flexibles (por ejemplo , seda , [179] pentaceno , PDMS , parileno , poliimida [180] ) que están impresos con circuitos ; la naturaleza flexible de los materiales de fondo orgánicos que permiten que la electrónica creada se doble, y las técnicas de fabricación utilizadas para crear estos dispositivos se asemejan a las utilizadas para crear circuitos integrados y sistemas microelectromecánicos (MEMS). [ cita requerida ]La electrónica flexible se desarrolló por primera vez en las décadas de 1960 y 1970, pero el interés por la investigación aumentó a mediados de la década de 2000. [181]
Polvo neuronal
Polvo neuronal es un término que se utiliza para referirse a dispositivos de tamaño milimétrico que funcionan como sensores nerviosos alimentados de forma inalámbrica que se propusieron en un artículo de 2011 del Centro de Investigación Inalámbrico de Berkeley de la Universidad de California , que describía tanto los desafíos como los beneficios sobresalientes de crear un sistema de larga duración. BCI inalámbrico. [182] [183] En un modelo propuesto del sensor de polvo neuronal, el modelo de transistor permitió un método de separación entre los potenciales de campo local y los "picos" de potencial de acción , lo que permitiría una gran diversidad de datos adquiribles a partir de las grabaciones. . [182]
Ver también
- Informática
- AlterEgo , un sistema que lee verbalizaciones tácitas y responde con auriculares de conducción ósea
- Aprendizaje aumentado
- Maquina biologica
- Implantes corticales
- Estimulación cerebral profunda
- Sentidos humanos
- Kernel (empresa de neurotecnología)
- Detección de mentiras
- Efecto auditivo de microondas
- Ingeniería neuronal
- Neuralink
- Neurorobótica
- Neuroestimulación
- Nootrópico
- Proyecto Cyborg
- Realidad simulada
- Telepresencia
- Identificación del pensamiento
- Emulación de cerebro completo
Notas
- ^ Estos electrodos no se habían implantado en el paciente con la intención de desarrollar un BCI. El paciente había estado sufriendo de epilepsia severay los electrodos fueron implantados temporalmente para ayudar a sus médicos a localizar focos de convulsiones; los investigadores de BCI simplemente se aprovecharon de esto. [73]
Referencias
- ↑ a b Krucoff, Max O .; Rahimpour, Shervin; Slutzky, Marc W .; Edgerton, V. Reggie; Turner, Dennis A. (1 de enero de 2016). "Mejora de la recuperación del sistema nervioso a través de neurobiológicos, entrenamiento de interfaz neuronal y neurorrehabilitación" . Fronteras en neurociencia . 10 : 584. doi : 10.3389 / fnins.2016.00584 . PMC 5186786 . PMID 28082858 .
- ↑ a b c d Vidal, JJ (1973). "Hacia la comunicación directa cerebro-computadora". Revisión anual de biofísica y bioingeniería . 2 (1): 157–80. doi : 10.1146 / annurev.bb.02.060173.001105 . PMID 4583653 .
- ↑ a b c J. Vidal (1977). "Detección en tiempo real de eventos cerebrales en EEG" (PDF) . Actas del IEEE . 65 (5): 633–641. doi : 10.1109 / PROC.1977.10542 . S2CID 7928242 .
- ^ Levine, SP; Huggins, JE; Bement, SL; Kushwaha, RK; Schuh, LA; Rohde, MM; Passaro, EA; Ross, DA; Elisevich, KV; et al. (2000). "Una interfaz cerebral directa basada en potenciales relacionados con eventos". Transacciones IEEE sobre ingeniería de rehabilitación . 8 (2): 180–5. doi : 10.1109 / 86.847809 . PMID 10896180 .
- ↑ Bird, Jordan J .; Manso, Luis J .; Ekart, Aniko; Faria, Diego R. (septiembre de 2018). Un estudio sobre la clasificación del estado mental utilizando la interfaz cerebro-máquina basada en EEG . Isla de Madeira, Portugal: IX Congreso Internacional de Sistemas Inteligentes 2018 . Consultado el 3 de diciembre de 2018 .
- ↑ Bird, Jordan J .; Ekart, Aniko; Buckingham, Christopher D .; Faria, Diego R. (2019). Clasificación del sentimiento emocional mental con una interfaz cerebro-máquina basada en EEG . St Hugh's College, Universidad de Oxford, Reino Unido: Conferencia internacional sobre procesamiento de señales e imágenes digitales (DISP'19). Archivado desde el original el 3 de diciembre de 2018 . Consultado el 3 de diciembre de 2018 .
- ^ Vanneste S, Song JJ, De Ridder D (marzo de 2018). "Disritmia talamocortical detectada por aprendizaje automático" . Comunicaciones de la naturaleza . 9 (1): 1103. Bibcode : 2018NatCo ... 9.1103V . doi : 10.1038 / s41467-018-02820-0 . PMC 5856824 . PMID 29549239 .
- ^ Volker Straebel ; Wilm Thoben (2014). "Música de Alvin Lucier para solista: música experimental más allá de la sonificación" . Sonido organizado . 19 (1): 17-29. doi : 10.1017 / S135577181300037X . S2CID 62506825 .
- ↑ a b Wolpaw, JR y Wolpaw, EW (2012). "Interfaces cerebro-computadora: algo nuevo bajo el sol". En: Interfaces cerebro-computadora: Principios y práctica , Wolpaw, JR y Wolpaw (eds.), EW Oxford University Press.
- ^ Wolpaw JR; Birbaumer N .; McFarland DJ; Pfurtscheller G .; Vaughan TM (2002). "Interfaces cerebro-computadora para comunicación y control". Neurofisiología clínica . 113 (6): 767–791. doi : 10.1016 / s1388-2457 (02) 00057-3 . PMID 12048038 . S2CID 17571592 .
- ^ Allison BZ; Wolpaw EW; Wolpaw JR (2007). "Sistemas de interfaz cerebro-computadora: avances y perspectivas". Revisión experta de dispositivos médicos . 4 (4): 463–474. doi : 10.1586 / 17434440.4.4.463 . PMID 17605682 . S2CID 4690450 .
- ↑ a b Bozinovski S., Bozinovska L. (2019). "Interfaz cerebro-computadora en Europa: el trigésimo aniversario" . Automatika . 60 (1): 36–47. doi : 10.1080 / 00051144.2019.1570644 .
- ^ [1]
- ^ S. Bozinovski, M. Sestakov, L. Bozinovska: Uso del ritmo alfa de EEG para controlar un robot móvil, En G. Harris, C. Walker (eds.) Proc. Conferencia Anual de la Sociedad Médica y Biológica del IEEE , p. 1515-1516, Nueva Orleans, 1988
- ^ S. Bozinovski: Control de trayectoria de robot móvil: de rieles fijos al control bioeléctrico directo, en O. Kaynak (ed.) Proc. Taller IEEE sobre control de movimiento inteligente , p. 63-67, Estambul, 1990
- ^ M. Lebedev: Aumento de las funciones sensitivomotoras con prótesis neurales. Opera Medica y Physiologica. Vol. 2 (3): 211-227, 2016
- ^ M. Lebedev, M. Nicolelis: Interfaces cerebro-máquina: de la ciencia básica a las neuroprótesis y la neurorrehabilitación, Physiological Review 97: 737-867, 2017
- ^ L. Bozinovska, G. Stojanov, M. Sestakov, S. Bozinovski: Reconocimiento de patrones de CNV: paso hacia una observación de ondas cognitivas, En L. Torres, E. Masgrau, E. Lagunas (eds.) Procesamiento de señales V: Teorías y Aplicaciones, Proc. EUSIPCO-90: Quinta Conferencia Europea de Procesamiento de Señales, Elsevier, p. 1659-1662, Barcelona, 1990
- ^ L. Bozinovska, S. Bozinovski, G. Stojanov, Electroexpectograma: diseño experimental y algoritmos, In Proc IEEE International Biomedical Engineering Days, p. 55-60, Estambul, 1992
- ^ Miranda, Robin (abril de 2015). "Esfuerzos financiados por DARPA en el desarrollo de nuevas tecnologías de interfaz cerebro-computadora" . Revista de métodos de neurociencia . 244 : 52–67. doi : 10.1016 / j.jneumeth.2014.07.019 . PMID 25107852 . S2CID 14678623 .
- ^ Jacobs, M (16 de mayo de 2012). "Protocolos TMS inductores de plasticidad para investigar el control somatosensorial de la función de la mano" . Plasticidad neural . 2012 : 350574. doi : 10.1155 / 2012/350574 . PMC 3362131 . PMID 22666612 .
- ^ Fox, Mattie. "Brain Chip ayuda al hombre paralizado a sentir sus dedos" . NBC News . Consultado el 23 de marzo de 2021 .
- ^ Sombrerero, Taylor. "DARPA otorga $ 65 millones para desarrollar la perfecta interfaz de dos vías cerebro-computadora" . Tech Crunch . Consultado el 23 de marzo de 2021 .
- ^ Stacey, Kevin. "Brown recibirá hasta 19 millones de dólares para diseñar una interfaz cerebro-computadora de próxima generación" . Universidad de Brown . Universidad de Brown . Consultado el 23 de marzo de 2021 .
- ^ "Stentrode" mínimamente invasivo "muestra potencial como interfaz neuronal para el cerebro" . DARPA . Agencia de Proyectos de Investigación Avanzada de Defensa . Consultado el 23 de marzo de 2021 .
- ^ Publicación del NIH No. 11-4798 (1 de marzo de 2011). "Implantes cocleares" . Instituto Nacional de Sordera y Otros Trastornos de la Comunicación .
- ^ Miguel Nicolelis y col. (2001) El neurobiólogo de Duke ha desarrollado un sistema que permite a los monos controlar los brazos de los robots a través de señales cerebrales. Archivado el 19 de diciembre de 2008 en la Wayback Machine.
- ^ Baum, Michele (6 de septiembre de 2008). "El mono utiliza el poder del cerebro para alimentarse con un brazo robótico" . Pitt Chronicle. Archivado desde el original el 10 de septiembre de 2009 . Consultado el 6 de julio de 2009 .
- ^ Lewis, Tanya. "Implante de cerebro de cerdo de Elon Musk todavía está muy lejos de 'resolver la parálisis ' " . Scientific American . Consultado el 23 de marzo de 2021 .
- ^ Shead, Sam (febrero de 2021). "Elon Musk dice que su start-up Neuralink ha conectado a un mono para jugar videojuegos usando su mente" . CNBC . CNBC . Consultado el 23 de marzo de 2021 .
- ^ Fetz, EE (1969). "Condicionamiento operante de la actividad de la unidad cortical". Ciencia . 163 (3870): 955–8. Código Bibliográfico : 1969Sci ... 163..955F . doi : 10.1126 / science.163.3870.955 . PMID 4974291 . S2CID 45427819 .
- ^ Schmidt, EM; McIntosh, JS; Durelli, L; Bak, MJ (1978). "Control fino de patrones de disparo condicionados operativamente de neuronas corticales". Neurología experimental . 61 (2): 349–69. doi : 10.1016 / 0014-4886 (78) 90252-2 . PMID 101388 . S2CID 37539476 .
- ↑ Georgopoulos, A .; Lurito, J .; Petrides, M; Schwartz, A .; Massey, J. (1989). "Rotación mental del vector de población neuronal". Ciencia . 243 (4888): 234–6. Código Bibliográfico : 1989Sci ... 243..234G . doi : 10.1126 / science.2911737 . PMID 2911737 . S2CID 37161168 .
- ^ Lebedev, MA; Nicolelis, MA (2006). "Interfaces cerebro-máquina: pasado, presente y futuro" (PDF) . Tendencias en neurociencias . 29 (9): 536–46. doi : 10.1016 / j.tins.2006.07.004 . PMID 16859758 . S2CID 701524 . [ enlace muerto permanente ]
- ^ Stanley, GB; Li, FF; Dan, Y (1999). "Reconstrucción de escenas naturales a partir de respuestas de conjunto en el núcleo geniculado lateral" (PDF) . Revista de neurociencia . 19 (18): 8036–42. doi : 10.1523 / JNEUROSCI.19-18-08036.1999 . PMC 6782475 . PMID 10479703 .
- ^ Nicolelis, Miguel AL; Wessberg, Johan; Stambaugh, Christopher R .; Kralik, Jerald D .; Beck, Pamela D .; Laubach, Mark; Chapin, John K .; Kim, Jung; Biggs, S. James; et al. (2000). "Predicción en tiempo real de la trayectoria de la mano por conjuntos de neuronas corticales en primates". Naturaleza . 408 (6810): 361–5. Código Bibliográfico : 2000Natur.408..361W . doi : 10.1038 / 35042582 . PMID 11099043 . S2CID 795720 .
- ^ a b Carmena, JM; Lebedev, MA; Crist, RE; O'Doherty, JE; Santucci, DM; Dimitrov, DF; Patil, PG; Henriquez, CS; Nicolelis, MA (2003). "Aprendiendo a controlar una interfaz cerebro-máquina para alcanzar y agarrar por primates" . PLOS Biología . 1 (2): E42. doi : 10.1371 / journal.pbio.0000042 . PMC 261882 . PMID 14624244 .
- ^ a b Lebedev, MA; Carmena, JM; O'Doherty, JE; Zacksenhouse, M; Henriquez, CS; Principe, JC; Nicolelis, MA (2005). "Adaptación del conjunto cortical para representar la velocidad de un actuador artificial controlado por una interfaz cerebro-máquina" . Revista de neurociencia . 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). "Exploración táctil activa utilizando una interfaz cerebro-máquina-cerebro" . Naturaleza . 479 (7372): 228–231. Código Bib : 2011Natur.479..228O . doi : 10.1038 / nature10489 . PMC 3236080 . PMID 21976021 .
- ^ Serruya, MD; Hatsopoulos, NG; Paninski, L; Becarios, MR; Donoghue, JP (2002). "Control neuronal instantáneo de una señal de movimiento". Naturaleza . 416 (6877): 141–2. Código Bib : 2002Natur.416..141S . doi : 10.1038 / 416141a . PMID 11894084 . S2CID 4383116 .
- ^ Taylor, DM; Tillery, SI; Schwartz, AB (2002). "Control cortical directo de dispositivos neuroprotésicos 3D". Ciencia . 296 (5574): 1829–32. Código Bibliográfico : 2002Sci ... 296.1829T . CiteSeerX 10.1.1.1027.4335 . doi : 10.1126 / science.1070291 . PMID 12052948 . S2CID 9402759 .
- ^ El equipo de Pitt se basará en el brazo controlado por el cerebro. Archivado el 4 de julio de 2007 en Wayback Machine , Pittsburgh Tribune Review , 5 de septiembre de 2006.
- ^ Video en YouTube
- ^ Velliste, M; Perel, S; Spalding, MC; Whitford, AS; Schwartz, AB (2008). "Control cortical de una prótesis de brazo para autoalimentación" . Naturaleza . 453 (7198): 1098–101. Código Bib : 2008Natur.453.1098V . doi : 10.1038 / nature06996 . PMID 18509337 . S2CID 4404323 .
- ^ Musallam, S .; Corneil, BD; Greger, B; Scherberger, H; Andersen, RA (2004). "Señales de control cognitivo para prótesis neuronales" (PDF) . Ciencia . 305 (5681): 258–62. Código Bibliográfico : 2004Sci ... 305..258M . doi : 10.1126 / science.1097938 . PMID 15247483 . S2CID 3112034 .
- ^ Santucci, David M .; Kralik, Jerald D .; Lebedev, Mikhail A .; Nicolelis, Miguel AL (2005). "Los conjuntos corticales frontales y parietales predicen la actividad muscular de un solo ensayo durante los movimientos de alcance en primates". Revista europea de neurociencia . 22 (6): 1529–40. doi : 10.1111 / j.1460-9568.2005.04320.x . PMID 16190906 . S2CID 31277881 .
- ^ Chang, Edward F .; Chartier, Josh; Anumanchipalli, Gopala K. (24 de abril de 2019). "Síntesis de voz a partir de la decodificación neuronal de oraciones habladas". Naturaleza . 568 (7753): 493–498. Código Bib : 2019Natur.568..493A . doi : 10.1038 / s41586-019-1119-1 . ISSN 1476-4687 . PMID 31019317 . S2CID 129946122 .
- ^ Ali, Yahia H .; Pandarinath, Chethan (24 de abril de 2019). "Implantes cerebrales que te permiten decir lo que piensas" . Naturaleza . 568 (7753): 466–467. Código Bibcode : 2019Natur.568..466P . doi : 10.1038 / d41586-019-01181-y . PMID 31019323 .
- ^ Moisés, David A .; Metzger, Sean L .; Liu, Jessie R .; Anumanchipalli, Gopala K .; Makin, Joseph G .; Sun, Pengfei F .; Chartier, Josh; Dougherty, Maximilian E .; Liu, Patricia M .; Abrams, Gary M .; Tu-Chan, Adelyn; Ganguly, Karunesh; Chang, Edward F. (2021). "Neuroprótesis para decodificar el habla en una persona paralizada con anartria" . Revista de Medicina de Nueva Inglaterra . 385 (3): 217–227. doi : 10.1056 / NEJMoa2027540 . PMID 34260835 . S2CID 235907121 .
- ^ Belluck, Pam (14 de julio de 2021). "Aprovechar el cerebro para ayudar a hablar a un hombre paralítico" . The New York Times .
- ^ Huber, D; Petreanu, L; Ghitani, N; Ranade, S; Hromádka, T; Mainen, Z; Svoboda, K (2008). "La microestimulación óptica escasa en la corteza del barril impulsa el comportamiento aprendido en ratones que se mueven libremente" . Naturaleza . 451 (7174): 61–4. Código bibliográfico : 2008Natur.451 ... 61H . doi : 10.1038 / nature06445 . PMC 3425380 . PMID 18094685 .
- ^ Nicolelis Miguel A. L; Lebedev Mikhail A (2009). "Principios de la fisiología del conjunto neuronal que subyacen al funcionamiento de las interfaces cerebro-máquina". Nature Reviews Neurociencia . 10 (7): 530–540. doi : 10.1038 / nrn2653 . PMID 19543222 . S2CID 9290258 .
- ^ a b Zander, Thorsten O; Kothe, Christian (2011). "Hacia interfaces pasivas cerebro-computadora: aplicación de la tecnología de interfaz cerebro-computadora a los sistemas humano-máquina en general". Revista de Ingeniería Neural . 8 (2): 025005. Código Bibliográfico : 2011JNEng ... 8b5005Z . doi : 10.1088 / 1741-2560 / 8/2/025005 . PMID 21436512 .
- ^ Richardson, Andrew G .; Ghenbot, Yohannes; Liu, Xilin; Hao, Han; Rinehart, Cole; DeLuccia, Sam; Maldonado, Solymar Torres; Boyek, Gregory; Zhang, Milin; Aflatouni, Firooz; Spiegel, Jan Van der (27 de agosto de 2019). "Aprendizaje de estrategias de detección activa utilizando una interfaz sensorial cerebro-máquina" . Actas de la Academia Nacional de Ciencias . 116 (35): 17509-17514. doi : 10.1073 / pnas.1909953116 . ISSN 0027-8424 . PMC 6717311 . PMID 31409713 .
- ↑ Abdulkader, Sarah N .; Atia, Ayman; Mostafa, Mostafa-Sami M. (julio de 2015). "Interfaz cerebro-computadora: aplicaciones y desafíos" . Revista egipcia de informática . 16 (2): 213–230. doi : 10.1016 / j.eij.2015.06.002 . ISSN 1110-8665 .
- ^ Polikov, Vadim S., Patrick A. Tresco y William M. Reichert (2005). "Respuesta del tejido cerebral a los electrodos neurales implantados crónicamente". Revista de métodos de neurociencia . 148 (1): 1–18. doi : 10.1016 / j.jneumeth.2005.08.015 . PMID 16198003 . S2CID 11248506 . CS1 maint: varios nombres: lista de autores ( enlace )
- ^ "Búsqueda de visión" . Cableado . (Septiembre de 2002).
- ^ Tuller, David (1 de noviembre de 2004) Dr. William Dobelle, pionero de la visión artificial, muere a los 62 años . Los New York Times
- ^ Naumann, J. Búsqueda del paraíso: relato de un paciente del experimento de visión artificial (2012), Xlibris Corporation , ISBN 1-479-7092-04
- ^ nurun.com (28 de noviembre de 2012). "El paraíso de la alta tecnología del Sr. Jen Naumann perdido" . Thewhig.com . Consultado el 19 de diciembre de 2016 .
- ^ Kennedy, PR; Bakay, RA (1998). "Restauración de la salida neuronal de un paciente paralizado por una conexión cerebral directa". NeuroReport . 9 (8): 1707-11. doi : 10.1097 / 00001756-199806010-00007 . PMID 9665587 . S2CID 5681602 .
- ^ Leigh R. Hochberg; Mijail D. Serruya; Friehs; Mukand; Saleh; Caplan; Branner; Chen; Penn; Donoghue (13 de julio de 2006). Gerhard M. Friehs, Jon A. Mukand, Maryam Saleh, Abraham H. Caplan, Almut Branner, David Chen, Richard D. Penn y John P. Donoghue. "Control del conjunto neuronal de dispositivos protésicos por un humano con tetraplejía". Naturaleza . 442 (7099): 164-171. Código Bibliográfico : 2006Natur.442..164H . doi : 10.1038 / nature04970 . PMID 16838014 . S2CID 4347367 .
- ^ Hochberg, LR; Bacher, D .; Jarosiewicz, B .; Masse, NY; Simeral, JD; Vogel, J .; Haddadin, S .; Liu, J .; Efectivo, SS; Van Der Smagt, P .; Donoghue, JP (2012). "Alcance y agarre por personas con tetraplejía usando un brazo robótico controlado neuralmente" . Naturaleza . 485 (7398): 372–5. Código Bibliográfico : 2012Natur.485..372H . doi : 10.1038 / nature11076 . PMC 3640850 . PMID 22596161 .
- ^ Collinger, Jennifer L .; et al. (2013). "Control neuroprotésico de alto rendimiento por un individuo con tetraplejía" . The Lancet . 381 (9866): 557–564. doi : 10.1016 / S0140-6736 (12) 61816-9 . PMC 3641862 . PMID 23253623 .
- ^ Francis R. Willett; Donald T. Avansino; Leigh R. Hochberg; Jaimie M. Henderson; Krishna V. Shenoy (12 de mayo de 2021). "Comunicación de cerebro a texto de alto rendimiento mediante escritura a mano". Naturaleza . 593 (7858): 249-254. Código Bib : 2021Natur.593..249W . doi : 10.1038 / s41586-021-03506-2 . PMC 8163299. PMID 33981047 .
- ^ El implante cerebral experimental permite al hombre con parálisis convertir sus pensamientos en palabras
- ^ David A. Moses (15 de julio de 2021). "Neuroprótesis para decodificar el habla en una persona paralizada con anartria". Revista de Medicina de Nueva Inglaterra . 2021 (385): 217–227. doi : 10.1056 / NEJMoa2027540 . PMID 34260835 . S2CID 235907121 .
- ^ Gulati, Tanuj; Won, Seok Joon; Ramanathan, Dhakshin S .; Wong, Chelsea C .; Bodepudi, Anitha; Swanson, Raymond A .; Ganguly, Karunesh (2015). "Robusto control neuroprotésico de la corteza perilesional del accidente cerebrovascular" . La Revista de Neurociencia . 35 (22): 8653–8661. doi : 10.1523 / JNEUROSCI.5007-14.2015 . PMC 6605327 . PMID 26041930 .
- ^ Almizcle, Elon. "Ya somos Cyborgs" . YouTube . Recodificar . Consultado el 23 de marzo de 2021 .
- ^ Bryson, Steve. "Dispositivo Stentrode permite el control informático por parte de pacientes con ELA con parálisis parcial del miembro superior" . Noticias de ALS hoy .
- ^ Serruya MD, Donoghue JP. (2003) Capítulo III: Principios de diseño de un dispositivo protésico neuromotor en neuroprótesis: teoría y práctica, ed. Kenneth W. Horch, Gurpreet S. Dhillon. Prensa del Imperial College.
- ^ Adolescente mueve íconos de video simplemente por imaginación , comunicado de prensa, Universidad de Washington en St Louis, 9 de octubre de 2006
- ^ Schalk, G; Miller, KJ; Anderson, NR; Wilson, JA; Smyth, MD; Ojemann, JG; Moran, DW; Wolpaw, JR; Leuthardt, CE (2008). "Control de movimiento bidimensional mediante señales electrocorticográficas en humanos" . Revista de Ingeniería Neural . 5 (1): 75–84. Código Bibliográfico : 2008JNEng ... 5 ... 75S . doi : 10.1088 / 1741-2560 / 5/1/008 . PMC 2744037 . PMID 18310813 .
- ^ Yanagisawa, Takafumi (2011). "Control electrocorticográfico del brazo protésico en pacientes paralizados". Asociación Neurológica Estadounidense . doi : 10.1002 / ana.22613 .
El BCI basado en ECoG tiene ventajas en señal y durabilidad que son absolutamente necesarias para la aplicación clínica
- ↑ a b Pei, X. (2011). "Decodificación de vocales y consonantes en palabras habladas e imaginadas utilizando señales electrocorticográficas en humanos". J Neural Eng 046028th ser. 8.4 . PMID 21750369 .
Justin Williams, un ingeniero biomédico de la universidad, ya ha transformado el implante ECoG en un microdispositivo que se puede instalar con un mínimo de esfuerzo. Se ha probado en animales durante un largo período de tiempo: el micro ECoG permanece en su lugar y no parece afectar negativamente al sistema inmunológico.
- ^ Bozinovski S (2017). "Robótica de procesamiento de señales utilizando señales generadas por una cabeza humana: de trabajos pioneros a la emulación de circuitos digitales basada en EEG". Avances en Diseño de Robots y Control Inteligente . Avances en Computación y Sistemas Inteligentes. 540 . págs. 449–462. doi : 10.1007 / 978-3-319-49058-8_49 . ISBN 978-3-319-49057-1.
- ^ Mathôt, Sebastiaan; Melmi, Jean-Baptiste; Van Der Linden, Lotje; Van Der Stigchel, Stefan (2016). "El alumno de escritura mental: una interfaz humano-computadora basada en la decodificación de la atención encubierta a través de la pupilometría" . PLOS ONE . 11 (2): e0148805. Código bibliográfico : 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 de mayo de 2014). "Comunicación cerebral en un paciente completamente encerrado mediante espectroscopia de infrarrojo cercano de cabecera" . Neurología . 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). "Comunicación basada en interfaz cerebro-computadora en el estado completamente bloqueado" . PLOS Biología . 15 (1): e1002593. doi : 10.1371 / journal.pbio.1002593 . ISSN 1545-7885 . PMC 5283652 . PMID 28141803 .
- ^ Poco menos que la telepatía: ¿puedes interactuar con el mundo exterior si ni siquiera puedes parpadear? , Psychology Today , mayo-junio de 2003
- ^ Adrijan Bozinovski "Flip-flop CNV como paradigma de interfaz cerebro-computadora" En J. Kern, S. Tonkovic, et al. (Eds) Proc 7a Conferencia de la Asociación Croata de Informática Médica, págs. 149-154, Rijeka, 2005
- ^ A. Bozinovski, L. Bozinovska, Potenciales cerebrales anticipatorios en un paradigma de interfaz cerebro-robot, Proc. 4ta Conf. Internacional IEEE EMBS. sobre ingeniería neuronal, págs. 451-454, Antalya, 2009
- ^ A. Bozinovski, S. Tonkovi´c, V. Išgum, L. Bozinovska "Control de robot utilizando potenciales cerebrales anticipatorios" Automatika 52 (1): 20-30, 2011
- ^ Bozinovski, S., Bozinovski, A. "Estados mentales, manifestaciones de EEG y circuitos digitales emulados mentalmente para la interacción cerebro-robot" IEEE Trans. Desarrollo mental autónomo 7 (1): 39–51, 2015
- ^ Yuan, H; Liu, Tao; Szarkowski, Rebecca; Ríos, Cristina; Ashe, James; Él, Bin (2010). "Covariación negativa entre las respuestas relacionadas con la tarea en la actividad de la banda alfa / beta y BOLD en la corteza sensoriomotora humana: un estudio de EEG y fMRI de imágenes y movimientos motores" . 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 .; Él, Bin (2011). Gribble, Paul L (ed.). "Control tridimensional continuo de un helicóptero virtual utilizando una interfaz cerebro-computadora basada en imágenes de motor" . PLOS ONE . 6 (10): e26322. Código bibliográfico : 2011PLoSO ... 626322D . doi : 10.1371 / journal.pone.0026322 . PMC 3202533 . PMID 22046274 .
- ^ "Despega helicóptero guiado por el pensamiento" . BBC. 5 de junio de 2013 . Consultado el 5 de junio de 2013 .
- ^ Qin, L; Ding, Lei; Él, Bin (2004). "Clasificación de imágenes motoras mediante análisis de fuentes para aplicaciones de interfaz cerebro-computadora" . Revista de Ingeniería Neural . 1 (3): 135-141. Código bibliográfico : 2004JNEng ... 1..135Q . doi : 10.1088 / 1741-2560 / 1/3/002 . PMC 1945182 . PMID 15876632 .
- ^ Höhne, J; Holz, E; Staiger-Sälzer, P; Müller, KR; Kübler, A; Tangermann, M (2014). "Imágenes motoras para pacientes con deficiencias motoras graves: evidencia de la interfaz cerebro-computadora como solución de control superior" . PLOS ONE . 9 (8): e104854. Código bibliográfico : 2014PLoSO ... 9j4854H . doi : 10.1371 / journal.pone.0104854 . PMC 4146550 . PMID 25162231 .
- ^ Maskeliunas, Rytis; Damasevicius, Robertas; Martisius, Ignas; Vasiljevas, Mindaugas (2016). "Dispositivos de electroencefalograma de calidad para el consumidor: ¿se pueden utilizar para tareas de control?" . PeerJ . 4 : e1746. doi : 10.7717 / peerj.1746 . ISSN 2167-8359 . PMC 4806709 . PMID 27014511 .
- ↑ Bird, Jordan J .; Faria, Diego R .; Manso, Luis J .; Ekárt, Anikó; Buckingham, Christopher D. (13 de marzo de 2019). "Un enfoque evolutivo profundo para la optimización del clasificador bioinspirado para la interacción cerebro-máquina" . Complejidad . Hindawi Limited. 2019 : 1–14. arXiv : 1908.04784 . doi : 10.1155 / 2019/4316548 . ISSN 1076-2787 .
- ^ 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 Brainiacs". Wired. (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, S2CID 14515754
- ^ a b c d e 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. S2CID 10943518.
- ^ a b Yuan-Pin Lin; Yijun Wang; Tzyy-Ping Jung (2013). "A mobile SSVEP-based brain-computer interface for freely moving humans: The robustness of canonical correlation analysis to motion artifacts". 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). Engineering in Medicine and Biology Society, 2008. Embs 2008. 30Th Annual International Conference of the IEEE. 2013. pp. 1350–1353. doi:10.1109/EMBC.2013.6609759. ISBN 978-1-4577-0216-7. ISSN 1557-170X. PMID 24109946. S2CID 23136360.
- ^ "U.S. patent No. 2013/0127708 A1 (issued 23 May 2013)".
- ^ a b c Yu-Te Wang; Yijun Wang; Chung-Kuan Cheng; Tzyy-Ping Jung (2013). "Developing stimulus presentation on mobile devices for a truly portable SSVEP-based BCI". 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). Engineering in Medicine and Biology Society, 2008. Embs 2008. 30Th Annual International Conference of the IEEE. 2013. pp. 5271–5274. doi:10.1109/EMBC.2013.6610738. ISBN 978-1-4577-0216-7. ISSN 1557-170X. PMID 24110925. S2CID 14324159.
- ^ 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. 18 (4): 1073. Bibcode:2018Senso..18.1073S. 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.
- ^ Makin, Joseph G.; Moses, David A.; Chang, Edward F. (2020). "Machine translation of cortical activity to text with an encoder–decoder framework". Nature Neuroscience. 23 (4): 575–582. doi:10.1038/s41593-020-0608-8. PMID 32231340. S2CID 214704481.
- ^ 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. S2CID 38568963.
- ^ 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. 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"
- ^ 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. S2CID 17327816.
- ^ 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.
- ^ a b c 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. S2CID 206636315.
- ^ <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.
- ^ Kennedy, Pagan (18 September 2011). "The Cyborg in Us All". The New York Times. Retrieved 28 January 2012.
- ^ Selim, Jocelyn (1 November 2002). "The Bionic Connection". Discover. Archived from the original on 6 January 2008.
- ^ "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 Developing 'synthetic telepathy'". Discovery News. Retrieved 13 October 2008.
- ^ Panachakel, Jerrin Thomas; Ramakrishnan, Angarai Ganesan (2021). "Decoding Covert Speech From EEG-A Comprehensive Review". Frontiers in Neuroscience. 15: 642251. doi:10.3389/fnins.2021.642251. ISSN 1662-453X. PMC 8116487. PMID 33994922.
- ^ 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". The 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
- ^ a b Clausen, Jens (2009). "Man, machine and in between". Nature. 457 (7233): 1080–1081. Bibcode:2009Natur.457.1080C. doi:10.1038/4571080a. PMID 19242454. S2CID 205043226.
- ^ a b 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. S2CID 143780006.
- ^ a b 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.
- ^ a b 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.
- ^ Shreyan Sengupta (2021). "Invasive Brain Computer Interface Systems and the Right to Human Flourishing: Extent of Sufficiency of Article 8 of the European Convention of Human Rights to regulate Invasive Brain Computer Interface Systems to ensure the Right to Human Flourishing". doi:10.13140/RG.2.2.36656.28163. Cite journal requires
|journal=(help) - ^ "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.
- ^ a b c Li, Shan (8 August 2010). "Mind reading is on the market". Los Angeles Times. Archived from the original on 4 January 2013.
- ^ 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 12 September 2010.
- ^ 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. 22 November 2011. Archived from the original on 25 January 2012.
- ^ "LIFESUIT Updates & News – They Shall Walk". Theyshallwalk.org. Retrieved 19 December 2016.
- ^ "SmartphoneBCI". Retrieved 5 June 2018.
- ^ "SSVEP_keyboard". Retrieved 5 April 2017.
- ^ "NextMind ships its real-time brain computer interface Dev Kit for $399". VentureBeat. 8 December 2020. Retrieved 8 September 2021.
- ^ "NextMind's Dev Kit for mind-controlled computing offers a rare 'wow' factor in tech". TechCrunch. Retrieved 8 September 2021.
- ^ "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. hdl:2268/162403. PMID 22759199. S2CID 6498232.
- ^ 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. hdl:2268/131984. PMID 22512333. S2CID 6447538.
- ^ Gibson, Raechelle M.; Fernã¡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 patients 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; Ibañez-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. S2CID 20808455.
- ^ 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 Repair. 27 (1): 53–62. doi:10.1177/1545968312445910. PMID 22645108. S2CID 7120989.
- ^ 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 patients 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. S2CID 5866337.
- ^ Opie, Nicholas (2 April 2019). "Research Overview". University of Melbourne Medicine. University of Melbourne. Retrieved 5 December 2019.
- ^ Oxley, Thomas (2016). "Minimally invasive endovascular stent-electrode array for high-fidelity, chronic recordings of cortical neural activity". Nature Biotechnology. 34 (3): 320–327. doi:10.1038/nbt.3428. PMID 26854476. S2CID 205282364. Retrieved 5 December 2019.
- ^ "Synchron begins trialling Stentrode neural interface technology". Verdict Medical Devices. 22 September 2019. Retrieved 5 December 2019.
- ^ Radzik, Iwona; Miziak, Barbara; Dudka, Jarosław; Chrościńska-Krawczyk, Magdalena; Czuczwar, Stanisław 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. S2CID 36593459.
- ^ 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. S2CID 5223203.
- ^ a b 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). pp. 19–24. doi:10.1109/essderc.2011.6044240. ISBN 978-1-4577-0707-0. S2CID 47542923.
- ^ 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. S2CID 21557.
Further reading
- Brouse, Andrew. "A Young Person's Guide to Brainwave Music: Forty years of audio from the human EEG". eContact! 14.2 – Biotechnological Performance Practice / Pratiques de performance biotechnologique (July 2012). Montréal: CEC.
- Gupta, Cota Navin and Ramaswamy Palanappian. "Using High-Frequency Electroencephalogram in Visual and Auditory-Based Brain-Computer Interface Designs".[permanent dead link] eContact! 14.2 – Biotechnological Performance Practice / Pratiques de performance biotechnologique (July 2012). Montréal: CEC.
- Ouzounian, Gascia. "The Biomuse Trio in Conversation: An Interview with R. Benjamin Knapp and Eric Lyon". eContact! 14.2 – Biotechnological Performance Practice / Pratiques de performance biotechnologique (July 2012). Montréal: CEC.
External links
 | Wikimedia Commons has media related to Brain-computer interfaces. |
 | Scholia has a topic profile for Brain–computer interface. |
- The Unlock Project
| vteNeuroscience | ||
|---|---|---|
| ||
| Basicscience |
| |
| Clinicalneuroscience |
| |
| Cognitiveneuroscience |
| |
| Interdisciplinaryfields |
| |
| Concepts |
| |
| ||
Category| vteEmerging technologies | |||||
|---|---|---|---|---|---|
| Fields |
| ||||
| Topics |
| ||||
| |||||
List
- Brain–computer interfacing
- DARPA projects
- Human–computer interaction
- Implants (medicine)
- Neuroprosthetics
- Neural engineering
- User interface techniques
- Virtual reality
