อินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์ ( BCI ) หรือบางครั้งเรียกว่าอินเทอร์เฟซระหว่างสมองกับเครื่องจักร ( BMI ) คือการเชื่อมโยงการสื่อสารโดยตรงระหว่าง กิจกรรมทางไฟฟ้าของ สมองกับอุปกรณ์ภายนอก ซึ่งโดยทั่วไปคือคอมพิวเตอร์หรือแขนขาหุ่นยนต์ BCI มักมุ่งเน้นไปที่การวิจัย การทำแผนที่ การช่วยเหลือ การเสริม หรือการซ่อมแซมการทำงานของระบบ การรับรู้หรือระบบประสาทสัมผัสและการเคลื่อนไหวของมนุษย์^{[ 1 ]}เนื่องจากความยืดหยุ่นของเปลือกสมอง สัญญาณจากอวัยวะเทียม ที่ฝังไว้ สามารถถูกจัดการโดยสมองได้หลังจากปรับตัวแล้ว เหมือนกับช่องรับสัญญาณหรือช่องส่งสัญญาณตามธรรมชาติ^{[ 2 ]}มักถูกมองว่าเป็นอินเทอร์เฟซระหว่างมนุษย์กับเครื่องจักรที่ข้ามขั้นตอนการเคลื่อนไหวของส่วนต่างๆ ของร่างกาย (เช่นมือหรือเท้า ) การใช้งาน BCI มีตั้งแต่แบบไม่รุกราน ( EEG , MEG , MRI ) และแบบรุกรานบางส่วน ( ECoGและแบบสอดสายสวนหลอดเลือด) ไปจนถึงแบบรุกราน ( อาร์เรย์ไมโครอิเล็กโทร ด ) ขึ้นอยู่กับระยะห่างทางกายภาพของอิเล็กโทรดกับเนื้อเยื่อสมอง^{[ 3 ]}

การวิจัยเกี่ยวกับ BCI เริ่มขึ้นในช่วงทศวรรษ 1970 โดย Jacques Vidal ที่มหาวิทยาลัยแคลิฟอร์เนีย ลอสแอนเจลิส (UCLA) ภายใต้ทุนสนับสนุนจากมูลนิธิวิทยาศาสตร์แห่งชาติต่อมาได้รับสัญญาจากหน่วยงานวิจัยโครงการขั้นสูงด้านการป้องกันประเทศ (DARPA) ซึ่งกระตุ้นให้เกิดการวิจัยเพิ่มเติมเกี่ยวกับเทคโนโลยีนี้^{[ 4 ] [ 5 ]}บทความของ Vidal ในปี 1973 ได้นำคำว่า " ส่วนต่อประสานระหว่างสมองกับคอมพิวเตอร์" เข้าสู่เอกสารทางวิทยาศาสตร์ หลังจากการทดลองกับสัตว์เป็นเวลาหลายปี อุปกรณ์ ประสาทเทียมชิ้นแรกถูกฝังในมนุษย์ในช่วงกลางทศวรรษ 1990

เมื่อไม่นานมานี้ โดยเฉพาะอย่างยิ่งกับการพัฒนาวิธีการรับสัญญาณแบบไม่รุกราน BCI ได้รับการศึกษาในฐานะส่วนหนึ่งของปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์โดยทั่วไปมากขึ้น ซึ่งรวมถึงอินเทอร์เฟซผู้ใช้แบบปรับเปลี่ยนได้ ไปจนถึงสภาพแวดล้อมเสมือนจริงและความเป็นจริงเสริม ระบบเกมและความบันเทิง ซึ่ง BCI สามารถใช้เป็นส่วนเสริมของเทคนิคการป้อนข้อมูลแบบดั้งเดิม แทนที่จะใช้แทนกัน^{[ 6 ]}ในการใช้งานเหล่านี้ การพัฒนา BCI ต้องเผชิญกับความท้าทายทางเทคนิคที่เกี่ยวข้องกับคุณภาพของสัญญาณ ความน่าเชื่อถือ ความง่ายในการใช้งาน และความเหมาะสม ระบบที่ใช้การควบคุมโดยผู้ใช้โดยตั้งใจมักจะเน้นที่ความแม่นยำและการตอบสนองของระบบ ในขณะที่ระบบแบบพาสซีฟมีเป้าหมายที่การตรวจสอบอย่างต่อเนื่องและความพยายามของผู้ใช้น้อยที่สุด^{[ 7 ] [ 6 ]}

นอกเหนือจากการจำแนกประเภทตามการรุกรานทางกายภาพแล้ว อินเทอร์เฟซคอมพิวเตอร์สมอง (BCIs) ยังถูกจำแนกประเภทตามวิธีการทำงานอีกด้วย ความแตกต่างประการหนึ่งคือระหว่าง BCIs แบบแอคทีฟและแบบพาสซีฟ BCIs แบบแอคทีฟต้องการให้ผู้ใช้ปรับเปลี่ยนกิจกรรมทางประสาทของตนเองอย่างมีสติ เช่น ผ่านการใช้ภาพการเคลื่อนไหว การคำนวณทางจิต หรือการให้ความสนใจอย่างจดจ่อ เพื่อส่งคำสั่งไปยังระบบภายนอก^{[ 7 ]}ระบบเหล่านี้จะแปลงรูปแบบทางประสาทเป็นสัญญาณควบคุม และใช้ในกรณีที่ต้องการอินพุตจากผู้ใช้โดยตรง เช่น ในการเคลื่อนเคอร์เซอร์ การสะกดคำ หรือการควบคุมแขนหุ่นยนต์

ในทางตรงกันข้าม BCI แบบพาสซีฟจะไม่ได้รับอิทธิพลจากเจตนาของมนุษย์ แต่จะตรวจสอบสถานะสมองที่เกิดขึ้นอย่างต่อเนื่อง ตัวอย่างเช่น BCI แบบพาสซีฟอาจตรวจสอบระดับภาระงานทางจิต ความตื่นตัว ความเหนื่อยล้า หรืออารมณ์ และข้อมูลนี้สามารถนำมาใช้เพื่อให้ระบบคอมพิวเตอร์ปรับตัวให้เข้ากับสถานะทางปัญญาหรืออารมณ์ของผู้ใช้ได้^{[ 6 ]} BCI แบบพาสซีฟมักถูกสร้างขึ้นในระบบปรับตัวที่จัดการความยากของงาน การนำเสนอข้อมูล หรือพฤติกรรมของระบบโดยไม่ต้องรับคำสั่งที่ชัดเจนจากผู้ใช้ ผู้เขียนบางคนยังระบุประเภทที่สามที่เรียกว่า BCI แบบตอบสนอง ซึ่งรับรู้การตอบสนองทางประสาทที่เกิดจากสิ่งเร้าภายนอก เช่น ศักยภาพที่เกี่ยวข้องกับเหตุการณ์ มากกว่าการกระทำทางจิตโดยสมัครใจ^{[ 7 ]}ระบบเหล่านี้อยู่ระหว่างแบบแอคทีฟและแบบพาสซีฟตรงที่อาศัยการตอบสนองของสมองที่ขับเคลื่อนด้วยสิ่งเร้า แต่ยังให้ปฏิสัมพันธ์ตามเจตนาแบบเรียลไทม์ด้วย

นอกจากนี้ BCI ยังอาจถูกจำแนกตามสาขาการใช้งานหลักได้อีกด้วย BCI ทางคลินิกและประสาทเทียมได้รับการพัฒนาอย่างกว้างขวางเพื่อฟื้นฟูหรือชดเชยความสามารถในการเคลื่อนไหวหรือการรับรู้ที่สูญเสียไป เช่น เพื่อให้ความช่วยเหลือด้านการสื่อสารแก่ผู้ที่มีความบกพร่องทางระบบประสาทและกล้ามเนื้ออย่างรุนแรง และเป็นวิธีการควบคุมแขนขาเทียมหรืออุปกรณ์ช่วยเหลือ^{[ 8 ]}ในด้านประสาทวิทยาศาสตร์เชิงปัญญาและสรีรวิทยาประสาท มีการทดลองใช้ BCI เพื่อสนับสนุนการศึกษาการทำงานของสมอง การเรียนรู้ และความยืดหยุ่นของระบบประสาท^{[ 7 ]}ระบบดังกล่าวช่วยให้นักวิจัยเห็นว่าสัญญาณประสาทเปลี่ยนแปลงไปอย่างไรเมื่อตอบสนองต่อการตอบรับ การฝึกฝน และความต้องการของสิ่งแวดล้อม

ประวัติศาสตร์ของอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์ (BCIs) เริ่มต้นจากการค้นพบกิจกรรมทางไฟฟ้าของสมองและการพัฒนาเครื่องบันทึกคลื่นไฟฟ้าสมอง (EEG) โดย ฮันส์ เบอร์เกอร์ในปี 1924 เบอร์เกอร์เป็นคนแรกที่บันทึกกิจกรรมของสมองมนุษย์โดยใช้ EEG เบอร์เกอร์สามารถระบุถึงกิจกรรมการสั่นเช่นคลื่นอัลฟา (8–13 เฮิรตซ์) โดยการวิเคราะห์ร่องรอย EEG

อุปกรณ์บันทึกข้อมูลชิ้นแรกของเบอร์เกอร์นั้นเรียบง่ายมาก เขาใช้ ลวด เงิน สอดเข้าไป ใต้หนังศีรษะของผู้ป่วย ต่อมาได้เปลี่ยนมาใช้แผ่นฟอยล์เงินติดกับศีรษะของผู้ป่วยด้วยผ้าพันแผลยาง เบอร์เกอร์เชื่อมต่อเซ็นเซอร์เหล่านี้เข้ากับ เครื่องวัด กระแสไฟฟ้าแบบหลอดแคปิลลารีของลิปป์แมนน์แต่ได้ผลลัพธ์ที่น่าผิดหวัง อย่างไรก็ตาม อุปกรณ์วัดที่ซับซ้อนกว่า เช่นเครื่องวัดกระแสไฟฟ้าแบบขดลวดคู่ของซีเมนส์ซึ่งแสดงค่าแรงดันไฟฟ้าต่ำถึง 10⁻⁴ ^โวลต์ นำไปสู่ความสำเร็จ

เบอร์เกอร์ได้วิเคราะห์ความสัมพันธ์ระหว่างการเปลี่ยนแปลงในแผนภาพคลื่นไฟฟ้าสมอง (EEG) กับโรคทางสมอง EEG เปิดโอกาสใหม่ๆ อย่างสิ้นเชิงสำหรับการวิจัยสมอง

แม้ว่าคำนี้จะยังไม่ถูกบัญญัติขึ้น แต่หนึ่งในตัวอย่างแรกสุดของอินเทอร์เฟซระหว่างสมองกับเครื่องจักรที่ใช้งานได้จริงคือผลงานเพลงMusic for Solo Performer (1965) โดยนักแต่งเพลงชาวอเมริกันAlvin Lucier ผลงาน ชิ้นนี้ใช้ EEG และ ฮาร์ดแวร์ ประมวลผลสัญญาณอนาล็อก (ตัวกรอง เครื่องขยายเสียง และมิกเซอร์) เพื่อกระตุ้นเครื่องดนตรีประเภทเคาะจังหวะ การแสดงผลงานชิ้นนี้ต้องอาศัยการสร้างคลื่นอัลฟาและ "เล่น" เครื่องดนตรีต่างๆ ผ่านลำโพงที่วางไว้ใกล้หรือบนเครื่องดนตรีโดยตรง^{[ 9 ]}

Jacques Vidalเป็นผู้บัญญัติศัพท์ "BCI" และตีพิมพ์ผลงานวิจัยที่ได้รับการตรวจสอบโดยผู้ทรงคุณวุฒิเป็นครั้งแรกในหัวข้อนี้^{[ 4 ] [ 5 ]}เขาได้รับการยอมรับอย่างกว้างขวางว่าเป็นผู้คิดค้น BCI ^{[ 10 ] [ 11 ] [ 12 ]}บทวิจารณ์ชี้ให้เห็นว่าบทความของ Vidal ในปี 1973 ระบุถึง "ความท้าทายของ BCI" ^{[ 13 ]}ในการควบคุมวัตถุภายนอกโดยใช้สัญญาณ EEG โดยเฉพาะอย่างยิ่งการใช้ศักยภาพContingent Negative Variation (CNV)เป็นความท้าทายสำหรับการควบคุม BCI การทดลองของ Vidal ในปี 1977 เป็นการประยุกต์ใช้ BCI ครั้งแรกหลังจากความท้าทาย BCI ในปี 1973 ของเขา เป็นการควบคุม EEG แบบไม่รุกราน (จริงๆ แล้วคือVisual Evoked Potentials (VEP)) ของวัตถุกราฟิกคล้ายเคอร์เซอร์บนหน้าจอคอมพิวเตอร์ การสาธิตคือการเคลื่อนไหวในเขาวงกต^{[ 14 ]}

ในปี 1988 มีการสาธิตการควบคุม EEG แบบไม่รุกรานครั้งแรกของวัตถุทางกายภาพ ซึ่งก็คือหุ่นยนต์ การทดลองนี้แสดงให้เห็นถึงการควบคุม EEG ของการเคลื่อนไหวแบบเริ่ม-หยุด-เริ่มใหม่หลายรอบ ตามเส้นทางที่กำหนดโดยเส้นที่วาดบนพื้น พฤติกรรมการเดินตามเส้นเป็นพฤติกรรมเริ่มต้นของหุ่นยนต์ โดยใช้สติปัญญาแบบอัตโนมัติและแหล่งพลังงานแบบอัตโนมัติ^{[ 15 ] [ 16 ] [ 17 ] [ 18 ]}

ในปี พ.ศ. 2533 มีรายงานเกี่ยวกับการควบคุม BCI แบบวงปิด สองทิศทาง และปรับตัวได้ โดยใช้ศักยภาพสมองแบบคาดการณ์ล่วงหน้า หรือศักยภาพ Contingent Negative Variation (CNV) ^{[ 19 ] [ 20 ]}การทดลองอธิบายว่าสถานะความคาดหวังของสมอง ซึ่งแสดงออกโดย CNV ใช้ลูปป้อนกลับเพื่อควบคุมเสียงกริ่ง S2 ในรูปแบบ S1-S2-CNV คลื่นความรู้ความเข้าใจที่เกิดขึ้นซึ่งแสดงถึงการเรียนรู้ความคาดหวังในสมองเรียกว่า Electroexpectogram (EXG) ศักยภาพสมอง CNV เป็นส่วนหนึ่งของความท้าทายของ Vidal ในปี พ.ศ. 2516

การศึกษาในช่วงทศวรรษ 2010 ชี้ให้เห็นถึงศักยภาพของการกระตุ้นประสาทในการฟื้นฟูการเชื่อมต่อการทำงานและพฤติกรรมที่เกี่ยวข้องผ่านการปรับเปลี่ยนกลไกโมเลกุล^{[ 21 ] [ 22 ]}ซึ่งเปิดประตูสู่แนวคิดที่ว่าเทคโนโลยี BCI อาจสามารถฟื้นฟูการทำงานได้

ในปี 2011 Thorsten O. Zanderได้นำเสนอแนวคิดของอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์แบบพาสซีฟ^{[ 23 ]}

ตั้งแต่ปี 2013 ^DARPAได้ให้ทุนสนับสนุนเทคโนโลยี BCI ผ่านโครงการ BRAIN ซึ่งสนับสนุนการทำงานของทีมต่างๆ รวมถึงUniversity of Pittsburgh Medical Center [ ^{24 ]} Paradromics ^{[ 25 ]} Brown ^{[ 26 ]}และ Synchron ^{[ 27 ]}

ประสาทเทียมเป็นสาขาหนึ่งของประสาทวิทยาที่เกี่ยวข้องกับประสาทเทียม กล่าวคือ การใช้อุปกรณ์เทียมเพื่อทดแทนการทำงานของระบบประสาทที่บกพร่องและปัญหาที่เกี่ยวข้องกับสมอง หรืออวัยวะรับความรู้สึกหรืออวัยวะอื่นๆ (กระเพาะปัสสาวะ กระบังลม ฯลฯ) ณ เดือนธันวาคม 2010 มีการฝังประสาทหูเทียม เป็นอุปกรณ์ประสาทเทียมในผู้คนประมาณ 736,900 คนทั่วโลก ^{[ 28 ]}อุปกรณ์ประสาทเทียมอื่นๆ มีเป้าหมายเพื่อฟื้นฟูการมองเห็น รวมถึงการฝังจอประสาทตาอย่างไรก็ตาม อุปกรณ์ประสาทเทียมชิ้นแรกคือเครื่อง กระตุ้นหัวใจ

บางครั้งมีการใช้คำเหล่านี้แทนกันได้ ประสาทเทียมและ BCI มุ่งหวังที่จะบรรลุเป้าหมายเดียวกัน เช่น การฟื้นฟูการมองเห็น การได้ยิน การเคลื่อนไหว ความสามารถในการสื่อสาร และแม้กระทั่งการทำงานของระบบการรับรู้ [ ^{1 ] ทั้ง}สองใช้วิธีการทดลองและเทคนิคการผ่าตัดที่คล้ายคลึงกัน

ห้องปฏิบัติการหลายแห่งสามารถอ่านสัญญาณจากเปลือกสมองของ ลิงและหนู เพื่อใช้งาน BCI เพื่อสร้างการเคลื่อนไหวได้ ลิงสามารถเคลื่อนเคอร์เซอร์คอมพิวเตอร์และสั่งการแขนหุ่นยนต์ให้ทำงานง่ายๆ ได้เพียงแค่คิดเกี่ยวกับงานและดูผลลัพธ์ โดยไม่ต้องใช้การเคลื่อนไหว^{[ 29 ]}ในเดือนพฤษภาคม 2551 มีการเผยแพร่ภาพถ่ายที่แสดงให้เห็นลิงที่ศูนย์การแพทย์มหาวิทยาลัยพิตต์สเบิร์กควบคุมแขนหุ่นยนต์โดยการคิดในหลายการศึกษา^{[ 30 ]}แกะยังถูกนำมาใช้เพื่อประเมินเทคโนโลยี BCI รวมถึง Stentrode ของ Synchron และ Connexus BCI ของ Paradromics ^{[ 31 ]}

ในปี 2020 NeuralinkของElon Muskได้ถูกฝังลงในหมูสำเร็จ^{[ 32 ]}ในปี 2021 Musk ประกาศว่าบริษัทประสบความสำเร็จในการทำให้ลิงสามารถเล่นวิดีโอเกมโดยใช้อุปกรณ์ของ Neuralink ได้^{[ 33 ]}

ในปี พ.ศ. 2512 การศึกษา การปรับพฤติกรรมโดย Fetz และคณะที่ศูนย์วิจัยไพรเมตประจำภูมิภาคและภาควิชาสรีรวิทยาและชีวฟิสิกส์คณะแพทยศาสตร์ มหาวิทยาลัยวอชิงตันแสดงให้เห็นว่าลิงสามารถเรียนรู้ที่จะควบคุมการเบี่ยงเบนของ แขน ไบโอฟี ดแบ็ก ด้วยกิจกรรมทางประสาท^{[ 34 ]}งานวิจัยที่คล้ายกันในช่วงปี พ.ศ. 2513 ได้พิสูจน์แล้วว่าลิงสามารถเรียนรู้ที่จะควบคุมอัตราการยิงของเซลล์ประสาทแต่ละเซลล์และหลายเซลล์ในคอร์เทกซ์มอเตอร์ หลัก ได้ หากได้รับรางวัลตามนั้น^{[ 35 ]}

อัลกอริทึมสำหรับการสร้างการเคลื่อนไหวขึ้นใหม่จากเซลล์ประสาทคอร์เทกซ์มอเตอร์ ซึ่งควบคุมการเคลื่อนไหว มีมาตั้งแต่ทศวรรษ 1970 ในทศวรรษ 1980 Georgopoulos ที่มหาวิทยาลัย Johns Hopkinsพบความสัมพันธ์ทางคณิตศาสตร์ระหว่างการตอบสนองทางไฟฟ้าของเซลล์ประสาทคอร์เทกซ์มอเตอร์เดี่ยวในลิงแรซัสกับทิศทางที่พวกมันขยับแขน เขายังพบว่ากลุ่มเซลล์ประสาทที่กระจายตัวอยู่ในบริเวณต่างๆ ของสมองลิง สามารถควบคุมคำสั่งการเคลื่อนไหวได้โดยรวม เขาสามารถบันทึกการทำงานของเซลล์ประสาทได้เพียงครั้งละหนึ่งบริเวณเท่านั้น เนื่องจากข้อจำกัดของอุปกรณ์^{[ 36 ]}

หลายกลุ่มประสบความสำเร็จในการบันทึกสัญญาณที่ซับซ้อนจากเปลือกสมองส่วนควบคุมการเคลื่อนไหว โดยการบันทึกจากกลุ่มเซลล์ประสาท (กลุ่มของเซลล์ประสาท) และใช้สัญญาณเหล่านี้ในการควบคุมอุปกรณ์ภายนอก

ฟิลิปป์ เคนเนดี (ผู้ก่อตั้ง Neural Signals (1987)) และเพื่อนร่วมงานได้สร้างอินเทอร์เฟซระหว่างสมองและคอมพิวเตอร์แบบฝังในคอร์เท็กซ์เป็นครั้งแรก โดยการฝังอิเล็กโทรด รูปกรวยที่กระตุ้นการเจริญเติบโตของเซลล์ประสาท เข้าไปในลิง

ในปี พ.ศ. 2542 Yang Danและคณะที่มหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์ได้ถอดรหัสการทำงานของเซลล์ประสาทเพื่อสร้างภาพจากแมวขึ้นมาใหม่ ทีมงานใช้อาร์เรย์ของอิเล็กโทรดที่ฝังอยู่ในทาลามัส (ซึ่งทำหน้าที่รวมข้อมูลรับรู้ทางประสาทสัมผัสของสมอง) นักวิจัยกำหนดเป้าหมายเซลล์สมอง 177 เซลล์ใน บริเวณ นิวเคลียสเจนิคิวเลตด้านข้างของ ทาลามัส ซึ่งทำหน้าที่ถอดรหัสสัญญาณจากเรตินาบันทึกการทำงานของเซลล์ประสาทจากการดูภาพยนตร์สั้น 8 เรื่อง โดยใช้ตัวกรองทางคณิตศาสตร์ นักวิจัยถอดรหัสสัญญาณเพื่อสร้างฉากที่สามารถจดจำได้และวัตถุที่เคลื่อนไหว^{[ 37 ]}

ศาสตราจารย์มิเกล นิโคเลลิสจากมหาวิทยาลัยดุ๊กสนับสนุนการใช้ขั้วไฟฟ้าหลายตัวที่กระจายอยู่ทั่วบริเวณสมองที่กว้างขึ้น เพื่อตรวจจับสัญญาณประสาท

หลังจากทำการศึกษาเบื้องต้นในหนูในช่วงทศวรรษ 1990 นิโคเลลิสและเพื่อนร่วมงานได้พัฒนาอุปกรณ์ BCI ที่ถอดรหัสกิจกรรมทางสมองในลิงนกฮูกและใช้อุปกรณ์ดังกล่าวในการจำลองการเคลื่อนไหวของลิงในแขนหุ่นยนต์ ความสามารถในการเอื้อมและจับสิ่งของที่เหนือกว่า รวมถึงทักษะการใช้มือของลิง ทำให้พวกมันเป็นตัวอย่างทดสอบที่ดี

ภายในปี 2000 กลุ่มดังกล่าวประสบความสำเร็จในการสร้าง BCI ที่จำลองการเคลื่อนไหวของลิงนกฮูกในขณะที่ลิงควบคุมจอยสติ๊กหรือเอื้อมมือไปหยิบอาหาร^{[ 38 ]} BCI ทำงานแบบเรียลไทม์และสามารถควบคุมหุ่นยนต์แยกต่างหากจากระยะไกลได้ แต่ลิงไม่ได้รับข้อมูลป้อนกลับ ( BCI แบบวงเปิด )

การทดลองในภายหลังกับลิงแรซัสได้รวมเอาการป้อนกลับและจำลองการเคลื่อนไหวของการเอื้อมและจับของลิงในแขนหุ่นยนต์ สมองที่มีร่องลึกและรอยแยกทำให้พวกมันเป็นแบบจำลองที่ดีกว่าสำหรับสรีรวิทยาประสาท ของมนุษย์ มากกว่าลิงนกฮูก ลิงเหล่านี้ได้รับการฝึกฝนให้เอื้อมและจับวัตถุบนหน้าจอคอมพิวเตอร์โดยการควบคุมจอยสติ๊กในขณะที่การเคลื่อนไหวที่สอดคล้องกันของแขนหุ่นยนต์ถูกซ่อนไว้^{[ 39 ] [ 40 ]}ต่อมาลิงเหล่านี้ได้เห็นหุ่นยนต์และเรียนรู้ที่จะควบคุมมันโดยการดูการเคลื่อนไหวของมัน BCI ใช้การคาดการณ์ความเร็วเพื่อควบคุมการเคลื่อนไหวในการเอื้อมและคาดการณ์แรง จับ พร้อมกัน

ในปี 2011 O'Doherty และเพื่อนร่วมงานได้แสดง BCI ที่มีการตอบรับทางประสาทสัมผัสโดยใช้ลิงแรซัส ลิงควบคุมตำแหน่งของแขนอวตารในขณะที่ได้รับการตอบรับทางประสาทสัมผัสผ่านการกระตุ้นภายในคอร์เทกซ์โดยตรง (ICMS)ในบริเวณที่แสดงถึงแขนของ คอ ร์เทกซ์รับความรู้สึก^{[ 41 ]}

ห้องปฏิบัติการอื่นๆ ที่พัฒนา BCI และอัลกอริทึมที่ถอดรหัสสัญญาณจากเซลล์ประสาท ได้แก่John Donoghueที่สถาบัน Carney Institute for Brain Scienceแห่งมหาวิทยาลัย Brown , Andrew Schwartz ที่มหาวิทยาลัย PittsburghและRichard Andersenที่Caltechนักวิจัยเหล่านี้สร้าง BCI ที่ใช้งานได้จริงโดยใช้สัญญาณที่บันทึกจากเซลล์ประสาทจำนวนน้อยกว่าของ Nicolelis มาก (15–30 เซลล์ประสาท เทียบกับ 50–200 เซลล์ประสาท)

สถาบันคาร์นีย์รายงานว่าได้ฝึกลิงแรซัสให้ใช้ BCI ในการติดตามเป้าหมายภาพบนหน้าจอคอมพิวเตอร์ (BCI แบบวงปิด) โดยใช้หรือไม่ใช้จอยสติ๊กก็ได้^{[ 42 ]}กลุ่มดังกล่าวได้สร้าง BCI สำหรับการติดตามสามมิติในความเป็นจริงเสมือน และจำลองการควบคุม BCI ในแขนหุ่นยนต์^{[ 43 ]}กลุ่มเดียวกันนี้ได้แสดงให้เห็นว่าลิงสามารถป้อนผลไม้และมาร์ชเมลโลว์ให้ตัวเองได้โดยใช้แขนหุ่นยนต์ที่ควบคุมด้วยสัญญาณสมองของสัตว์^{[ 44 ] [ 45 ] [ 46 ]}

กลุ่มของ Andersen ใช้การบันทึกกิจกรรมก่อนการเคลื่อนไหวจากคอร์เทกซ์ข้างขมับส่วนหลังซึ่งรวมถึงสัญญาณที่สร้างขึ้นเมื่อสัตว์ทดลองคาดว่าจะได้รับรางวัล^{[ 47 ]}

นอกจากการทำนาย พารามิเตอร์ จลนพลศาสตร์และจลนพลศาสตร์ของการเคลื่อนไหวของแขนขาแล้ว BCI ที่ทำนาย กิจกรรม ทางไฟฟ้าของกล้ามเนื้อของไพรเมตก็กำลังอยู่ในระหว่างการพัฒนา^{[ 48 ]} BCI ดังกล่าวสามารถฟื้นฟูการเคลื่อนไหวในแขนขาที่เป็นอัมพาตได้โดยการกระตุ้นกล้ามเนื้อด้วยไฟฟ้า

นิโคลิสและเพื่อนร่วมงานแสดงให้เห็นว่ากลุ่มเซลล์ประสาทขนาดใหญ่สามารถทำนายตำแหน่งแขนได้ งานนี้ทำให้ BCI สามารถอ่านความตั้งใจในการเคลื่อนไหวของแขนและแปลความตั้งใจเหล่านั้นเป็นการเคลื่อนไหวของแอคทูเอเตอร์ได้ คาร์เมนาและเพื่อนร่วมงาน^{[ 39 ]}ได้ตั้งโปรแกรม BCI ที่ทำให้ลิงสามารถควบคุมการเคลื่อนไหวในการเอื้อมและจับโดยใช้แขนหุ่นยนต์ เลเบเดฟและเพื่อนร่วมงานโต้แย้งว่าเครือข่ายสมองจะจัดระเบียบใหม่เพื่อสร้างการแสดงแทนใหม่ของส่วนประกอบหุ่นยนต์ นอกเหนือจากการแสดงแทนของแขนขาของสัตว์เอง^{[ 40 ]}

ในปี 2019 นักวิจัยจากมหาวิทยาลัยซานฟรานซิสโก รัฐแคลิฟอร์เนีย ได้เริ่มการศึกษาอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์ (BCI) ซึ่งมีศักยภาพในการช่วยเหลือผู้ป่วยที่มีปัญหาด้านการพูดอันเนื่องมาจากความผิดปกติทางระบบประสาท BCI ของพวกเขาใช้การบันทึกคลื่นไฟฟ้าสมอง ความหนาแน่นสูง เพื่อจับกิจกรรมทางประสาทจากสมองของผู้ป่วย และใช้การเรียนรู้เชิงลึกเพื่อสังเคราะห์เสียงพูด^{[ 49 ] [ 50 ]}ในปี 2021 นักวิจัยเหล่านั้นได้รายงานถึงศักยภาพของ BCI ในการถอดรหัสคำและประโยคใน ผู้ป่วย โรคพูดไม่ได้ซึ่งไม่สามารถพูดได้มานานกว่า 15 ปี^{[ 51 ] [ 52 ]}

อุปสรรคสำคัญที่สุดของเทคโนโลยี BCI คือการขาดแคลนเซ็นเซอร์ที่สามารถให้การเข้าถึงสัญญาณสมองได้อย่างปลอดภัย แม่นยำ และเสถียร การใช้เซ็นเซอร์ที่ดีกว่าจะช่วยขยายขอบเขตของฟังก์ชันการสื่อสารที่สามารถทำได้โดยใช้ BCI

การพัฒนาและการนำระบบ BCI ไปใช้มีความซับซ้อนและใช้เวลานาน เพื่อแก้ไขปัญหานี้ Gerwin Schalk จึงได้พัฒนาBCI2000ซึ่งเป็นระบบอเนกประสงค์สำหรับการวิจัย BCI มาตั้งแต่ปี 2000 ^{[ 53 ]}

แนวทาง 'ไร้สาย' ใหม่ใช้ช่องไอออนที่ควบคุมด้วยแสงเช่นแชนเนลโรดอปซินเพื่อควบคุมกิจกรรมของกลุ่มย่อยของเซลล์ประสาทที่กำหนดทางพันธุกรรมในร่างกายในบริบทของงานการเรียนรู้แบบง่าย การส่องสว่างของ เซลล์ ที่ถ่ายทอดพันธุกรรมในคอร์เทกซ์รับความรู้สึกส่งผลต่อการตัดสินใจในหนู^{[ 54 ]}

BCI นำไปสู่ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับเครือข่ายประสาทและระบบประสาทส่วนกลางงานวิจัยรายงานว่า แม้ว่านักประสาทวิทยาจะมีแนวโน้มที่จะเชื่อว่าเซลล์ประสาทจะมีประสิทธิภาพมากที่สุดเมื่อทำงานร่วมกัน แต่เซลล์ประสาทเดี่ยวสามารถถูกปรับสภาพได้โดยใช้ BCI เพื่อให้ทำงานในรูปแบบที่ช่วยให้ไพรเมตสามารถควบคุมการเคลื่อนไหวได้ BCI นำไปสู่การพัฒนาหลักการความไม่เพียงพอของเซลล์ประสาทเดี่ยว ซึ่งระบุว่าแม้จะมีอัตราการยิงที่ปรับแต่งมาอย่างดี เซลล์ประสาทเดี่ยวก็สามารถส่งข้อมูลได้จำกัดเท่านั้น ดังนั้นระดับความแม่นยำสูงสุดจึงเกิดขึ้นได้จากการบันทึกการยิงแบบกลุ่ม หลักการอื่นๆ ที่ค้นพบด้วย BCI ได้แก่ หลักการทำงานหลายอย่างพร้อมกันของเซลล์ประสาท หลักการมวลของเซลล์ประสาท หลักการความเสื่อมของเซลล์ประสาท และหลักการความยืดหยุ่น^{[ 55 ]}

มีการเสนอให้ใช้ BCI โดยผู้ใช้ที่ไม่มีความพิการ BCI แบบพาสซีฟช่วยให้สามารถประเมินและตีความการเปลี่ยนแปลงสถานะของผู้ใช้ระหว่างปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์ (HCI) ในวงจรควบคุมโดยปริยายรอง ระบบจะปรับตัวให้เข้ากับผู้ใช้ ทำให้ใช้งานได้ ง่ายขึ้น ^{[ 23 ]}

ระบบ BCI อาจใช้เพื่อเข้ารหัสสัญญาณจากส่วนปลาย อุปกรณ์ BCI รับรู้เหล่านี้ช่วยให้สามารถตัดสินใจแบบเรียลไทม์ที่เกี่ยวข้องกับพฤติกรรมโดยอาศัยการกระตุ้นประสาทแบบวงปิด^{[ 56 ]}

BCI แบบรุกรานต้องใช้การผ่าตัดเพื่อฝังอิเล็กโทรด ไว้ ใต้หนังศีรษะเพื่อเข้าถึงสัญญาณสมอง ข้อดีหลักคือเพิ่มความแม่นยำ ข้อเสียได้แก่ผลข้างเคียงจากการผ่าตัด รวมถึงเนื้อเยื่อแผลเป็นที่อาจขัดขวางสัญญาณสมองหรือร่างกายอาจปฏิเสธอิเล็กโทรดที่ฝังไว้^{[ 57 ]}

การวิจัย BCI แบบรุกรานมีเป้าหมายเพื่อซ่อมแซมการมองเห็นที่เสียหายและมอบฟังก์ชันการทำงานใหม่ให้กับผู้ที่เป็นอัมพาต BCI แบบรุกรานจะถูกฝังเข้าไปในเนื้อเยื่อสีเทาของสมองโดยตรงในระหว่างการผ่าตัดระบบประสาท เนื่องจากอุปกรณ์เหล่านี้อยู่ในเนื้อเยื่อสีเทา อุปกรณ์แบบรุกรานจึงสร้างสัญญาณที่มีคุณภาพสูงสุดในบรรดาอุปกรณ์ BCI แต่มีแนวโน้มที่จะ เกิดการสะสม ของเนื้อเยื่อแผลเป็น ทำให้สัญญาณอ่อนลงหรือหายไป เนื่องจากร่างกายตอบสนองต่อวัตถุแปลกปลอม^{[ 58 ]}

ในวิทยาศาสตร์การมองเห็นการปลูกถ่ายสมองโดยตรงถูกนำมาใช้เพื่อรักษาอาการตาบอดที่ไม่ใช่แต่กำเนิด (ที่เกิดขึ้นภายหลัง) หนึ่งในนักวิทยาศาสตร์คนแรกที่สร้างอินเทอร์เฟซสมองที่ใช้งานได้เพื่อฟื้นฟูการมองเห็นคือนักวิจัยเอกชนWilliam Dobelleต้นแบบแรกของ Dobelle ถูกปลูกถ่ายเข้าไปใน "Jerry" ชายที่ตาบอดในวัยผู้ใหญ่ในปี 1978 BCI แบบอาร์เรย์เดี่ยวที่มีอิเล็กโทรด 68 ตัวถูกปลูกถ่ายลงบนคอร์เทกซ์การมองเห็น ของ Jerry และประสบความสำเร็จในการสร้างฟอสฟีนซึ่งเป็นความรู้สึกของการเห็นแสง ระบบนี้รวมถึงกล้องที่ติดตั้งบนแว่นตาเพื่อส่งสัญญาณไปยังอุปกรณ์ปลูกถ่าย ในตอนแรก อุปกรณ์ปลูกถ่ายนี้ทำให้ Jerry สามารถมองเห็นเฉดสีเทาในขอบเขตการมองเห็นที่จำกัดด้วยอัตราเฟรมต่ำ นอกจากนี้ยังต้องเชื่อมต่อกับคอมพิวเตอร์เมนเฟรมแต่อุปกรณ์อิเล็กทรอนิกส์ที่เล็กลงและคอมพิวเตอร์ที่เร็วขึ้นทำให้ดวงตาเทียมของเขาสามารถพกพาได้สะดวกขึ้นและทำให้เขาสามารถทำงานง่ายๆ ได้โดยไม่ต้องได้รับความช่วยเหลือ^{[ 59 ]}

ในปี 2002 เยนส์ นาวมันน์ ซึ่งตาบอดในวัยผู้ใหญ่เช่นกัน ได้กลายเป็นผู้ป่วยรายแรกในจำนวน 16 รายที่จ่ายเงินเพื่อรับการฝังอุปกรณ์รุ่นที่สองของโดเบลล์ ซึ่งเป็นหนึ่งในการใช้งานเชิงพาณิชย์ครั้งแรกๆ ของ BCI อุปกรณ์รุ่นที่สองใช้การฝังอุปกรณ์ที่ซับซ้อนกว่า ทำให้สามารถแมปฟอสฟีนเข้ากับการมองเห็นที่สอดคล้องกันได้ดีขึ้น ฟอสฟีนกระจายอยู่ทั่วสนามการมองเห็นในสิ่งที่นักวิจัยเรียกว่า "ปรากฏการณ์ท้องฟ้าเต็มไปด้วยดวงดาว" ทันทีหลังจากการฝังอุปกรณ์ เยนส์สามารถใช้การมองเห็นที่ได้รับการฟื้นฟูอย่างไม่สมบูรณ์ของเขาในการขับรถช้าๆ รอบลานจอดรถของสถาบันวิจัย^{[ 60 ]}โดเบลล์เสียชีวิตในปี 2004 ก่อนที่กระบวนการและการพัฒนาของเขาจะได้รับการบันทึก ทำให้ไม่มีใครสานต่องานของเขา^{[ 61 ]}ต่อมา นาวมันน์และผู้ป่วยคนอื่นๆ ในโครงการเริ่มมีปัญหาเกี่ยวกับการมองเห็น และในที่สุดก็สูญเสีย "การมองเห็น" ไปอีกครั้ง^{[ 62 ] [ 63 ]}

ระบบ BCI ที่เน้นด้านประสาทเทียม เพื่อการเคลื่อนไหว มีเป้าหมายเพื่อฟื้นฟูการเคลื่อนไหวในผู้ที่เป็นอัมพาต หรือจัดหาอุปกรณ์ช่วยเหลือ เช่น การเชื่อมต่อกับคอมพิวเตอร์หรือแขน หุ่นยนต์

เคนเนดีและบาคายเป็นคนแรกที่ติดตั้งอุปกรณ์ฝังในสมองมนุษย์ที่สร้างสัญญาณคุณภาพสูงพอที่จะจำลองการเคลื่อนไหวได้ ผู้ป่วยของพวกเขา จอห์นนี่ เรย์ (1944–2002) เกิดอาการ ' กลุ่มอาการล็อกอิน ' หลังจากเกิดโรคหลอดเลือด สมองที่ก้านสมอง ในปี 1997 อุปกรณ์ฝังของเรย์ได้รับการติดตั้งในปี 1998 และเขามีชีวิตอยู่ได้นานพอที่จะเริ่มทำงานกับอุปกรณ์ฝังนั้น ในที่สุดก็เรียนรู้ที่จะควบคุมเคอร์เซอร์คอมพิวเตอร์ เขาเสียชีวิตในปี 2002 จากภาวะหลอดเลือดในสมองโป่งพอง^{[ 64 ]}

แมตต์ เนเกิลผู้เป็นอัมพาตครึ่งซีก กลายเป็นคนแรกที่ควบคุมมือเทียมโดยใช้ BCI ในปี 2548 ซึ่งเป็นส่วนหนึ่งของการทดลองในมนุษย์ครั้งแรกเป็นเวลาเก้าเดือนของ ชิปฝัง BrainGateของCyberkinetics ชิปฝังที่มีอิเล็กโทรด 96 ตัว ซึ่งฝังอยู่ใน ร่องสมองส่วนหน้าด้านขวาของเนเกิล(บริเวณของเปลือกสมองส่วนควบคุมการเคลื่อนไหวแขน) ทำให้เนเกิลสามารถควบคุมแขนหุ่นยนต์ได้โดยการคิดเกี่ยวกับการเคลื่อนไหวของมือ รวมถึงเคอร์เซอร์คอมพิวเตอร์ แสงไฟ และทีวี^{[ 65 ]}หนึ่งปีต่อมา โจนาธาน วอลพอว์ ได้รับ รางวัล Altran Foundation for Innovationสำหรับการพัฒนาอินเทอร์เฟซคอมพิวเตอร์สมองที่มีอิเล็กโทรดอยู่บนพื้นผิวของกะโหลกศีรษะ แทนที่จะอยู่ภายในสมองโดยตรง^{[ 66 ]}

ทีมวิจัยที่นำโดยกลุ่ม BrainGate และอีกทีมหนึ่งที่ศูนย์การแพทย์มหาวิทยาลัยพิตต์สเบิร์กซึ่งทั้งสองทีมร่วมมือกับกระทรวงกิจการทหารผ่านศึกของสหรัฐอเมริกา (VA) ได้แสดงให้เห็นถึงการควบคุมแขนขาเทียมที่มีองศาอิสระหลายองศาโดยใช้การเชื่อมต่อโดยตรงกับอาร์เรย์ของเซลล์ประสาทในคอร์เทกซ์มอเตอร์ของผู้ป่วยอัมพาตครึ่งตัว^{[ 67 ] [ 68 ]}

ในเดือนพฤษภาคม 2021 ทีมงานจากมหาวิทยาลัยสแตนฟอร์ดได้รายงานผลการทดสอบแนวคิดที่ประสบความสำเร็จ ซึ่งทำให้ผู้เข้าร่วมที่เป็นอัมพาตทั้งสี่ข้างสามารถเขียนประโยคภาษาอังกฤษได้ประมาณ 86 ตัวอักษรต่อนาที และ 18 คำต่อนาที ผู้เข้าร่วมจินตนาการถึงการขยับมือเพื่อเขียนตัวอักษร และระบบจะทำการจดจำลายมือจากสัญญาณไฟฟ้าที่ตรวจพบในคอร์เทกซ์มอเตอร์ โดยใช้แบบจำลอง Hidden Markovและเครือข่ายประสาทแบบวนซ้ำ [ ^{69 ] [ 70 ] นับ} ตั้งแต่ที่นักวิจัยจากUCSFเริ่มทำการศึกษาอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์ (BCI) ก็มีรายงานออกมามากมาย ในปี 2021 พวกเขารายงานว่าชายที่เป็นอัมพาตและพูดไม่ได้สามารถสื่อสารได้ 15 คำต่อนาทีโดยใช้อุปกรณ์ฝังที่ตรวจสอบเซลล์ประสาทที่ควบคุมกล้ามเนื้อของทางเดินเสียง^{[ 71 ] [ 72 ]}นอกจากนี้ ในปี 2022 ยังมีการประกาศว่าอุปกรณ์ฝังของพวกเขาสามารถใช้สะกดคำและประโยคทั้งหมดได้โดยไม่ต้องพูดออกมาดังๆ มีรายงานว่าประสาทเทียมสำหรับพูดสองภาษาตัวแรกได้รับการพัฒนาโดยทีมงานเดียวกันที่มหาวิทยาลัยซานฟรานซิสโกในปี 2024 ^{[ 73 ] [ 74 ] [ 75 ]}ในช่วงต้นปี 2025 มีการตีพิมพ์บทความหนึ่งฉบับ นักวิจัยของ UCSF รายงานว่าชายคนหนึ่งสามารถควบคุมแขนหุ่นยนต์ได้เพียงแค่คิด

ในบทความวิจารณ์ ผู้เขียนตั้งคำถามว่าอัตราการถ่ายโอนข้อมูลของมนุษย์สามารถเหนือกว่าอัตราการถ่ายโอนข้อมูลของภาษาด้วย BCI ได้หรือไม่ งานวิจัยด้านภาษารายงานว่าอัตราการถ่ายโอนข้อมูลค่อนข้างคงที่ในหลายภาษา ซึ่งอาจสะท้อนถึงขีดจำกัดการประมวลผลข้อมูลของสมอง หรืออีกทางหนึ่ง ขีดจำกัดนี้อาจเป็นคุณสมบัติเฉพาะของภาษาเองในฐานะรูปแบบหนึ่งของการถ่ายโอนข้อมูล^{[ 76 ]}

ในปี 2023 มีการศึกษาวิจัย 2 ชิ้นที่ใช้ BCI ร่วมกับโครงข่ายประสาทเทียมแบบวนซ้ำเพื่อถอดรหัสคำพูดด้วยอัตราเร็วสูงสุด 62 คำต่อนาทีและ 78 คำต่อนาที^{[ 77 ] [ 78 ] [ 79 ]}

มีความท้าทายทางเทคนิคหลายประการในการบันทึกกิจกรรมของสมองด้วย BCI แบบรุกราน ความก้าวหน้าใน เทคโนโลยี CMOSกำลังผลักดันและทำให้การออกแบบ BCI แบบรุกรานแบบบูรณาการมีขนาดเล็กลง ความต้องการพลังงานต่ำลง และความสามารถในการรับสัญญาณสูงขึ้น^{[ 80 ]} BCI แบบรุกรานเกี่ยวข้องกับอิเล็กโทรดที่แทรกซึมเข้าไปในเนื้อเยื่อสมองเพื่อพยายามบันทึก สัญญาณ ศักยภาพการกระทำ (หรือที่เรียกว่าสไปค์) จากเซลล์ประสาทแต่ละเซลล์หรือกลุ่มเล็กๆ ที่อยู่ใกล้อิเล็กโทรด อินเทอร์เฟซระหว่างอิเล็กโทรดบันทึกและสารละลายอิเล็กโทรไลต์ที่ล้อมรอบเซลล์ประสาทได้รับการจำลองโดยใช้ แบบ จำลองHodgkin-Huxley ^{[ 81 ] [ 82 ]}

ข้อจำกัดทางอิเล็กทรอนิกส์ของ BCI แบบรุกรานเป็นหัวข้อการวิจัยที่สำคัญในช่วงไม่กี่ทศวรรษที่ผ่านมา ในขณะที่การบันทึกภายในเซลล์ประสาทเผยให้เห็นแรงดันไฟฟ้าของศักยภาพการกระทำในระดับหลายร้อยมิลลิโวลต์ แต่ BCI แบบรุกรานเรื้อรังต้องอาศัยการบันทึกแรงดันไฟฟ้าภายนอกเซลล์ซึ่งโดยทั่วไปมีขนาดเล็กกว่าถึงสามลำดับความ magnitud โดยอยู่ที่หลายร้อยไมโครโวลต์^{[ 83 ]}ความท้าทายในการตรวจจับสัญญาณในระดับไมโครโวลต์ยังเพิ่มขึ้นอีกเนื่องจากอินเทอร์เฟซระหว่างอิเล็กโทรดกับเนื้อเยื่อมีความจุ สูง ที่แรงดันไฟฟ้าต่ำ เนื่องจากลักษณะของสัญญาณขนาดเล็กเหล่านี้ สำหรับระบบ BCI ที่รวมฟังก์ชันการทำงานเข้ากับวงจรรวม อิเล็กโทรดแต่ละตัวจึงต้องมีแอมพลิฟายเออร์และADC ของตัวเอง ซึ่งแปลงแรงดันไฟฟ้าภายนอกเซลล์แบบอนาล็อกเป็นสัญญาณดิจิทัล^{[ 83 ]}เนื่องจากศักยภาพการกระทำของเซลล์ประสาทโดยทั่วไปมีระยะเวลาหนึ่งมิลลิวินาที BCI ที่วัดสไปค์จึงต้องมีอัตราการสุ่มตัวอย่างตั้งแต่ 300 Hz ถึง 5 kHz ข้อกังวลอีกประการหนึ่งคือ BCI แบบรุกรานต้องใช้พลังงานต่ำ เพื่อลดการกระจายความร้อนไปยังเนื้อเยื่อรอบข้าง ในระดับพื้นฐานที่สุด จำเป็นต้องใช้พลังงานมากขึ้นตามธรรมเนียมเพื่อเพิ่มประสิทธิภาพ อัตราส่วนสัญญาณต่อ สัญญาณรบกวน^{[ 82 ]}การออกแบบแบตเตอรี่ที่เหมาะสมเป็นหัวข้อการวิจัยที่กำลังดำเนินอยู่ใน BCI ^{[ 84 ]}

ความท้าทายที่มีอยู่ในสาขาวิทยาศาสตร์วัสดุเป็นหัวใจสำคัญของการออกแบบ BCI แบบรุกราน การเปลี่ยนแปลงคุณภาพสัญญาณเมื่อเวลาผ่านไปมักพบได้ทั่วไปในไมโครอิเล็กโทรดที่ฝังได้^{[ 85 ]}นอกจากนี้ยังยากที่จะรักษาการบันทึกให้คงที่ในระยะเวลานาน โดยเฉพาะอย่างยิ่งเมื่อร่างกายตอบสนองต่ออิเล็กโทรดที่ฝังและส่งผลต่อคุณภาพสัญญาณ^{[ 86 ]}คุณลักษณะของวัสดุและกลไกที่เหมาะสมที่สุดสำหรับความเสถียรของสัญญาณในระยะยาวใน BCI แบบรุกรานเป็นหัวข้อการวิจัยที่สำคัญ^{[ 87 ]}มีการเสนอว่าการก่อตัวของแผลเป็นของเซลล์เกลียซึ่งเป็นผลมาจากความเสียหายที่ส่วนต่อประสานระหว่างอิเล็กโทรดกับเนื้อเยื่อ น่าจะเป็นสาเหตุของความล้มเหลวของอิเล็กโทรดและประสิทธิภาพการบันทึกที่ลดลง^{[ 88 ]}งานวิจัยชี้ให้เห็นว่า การรั่วไหล ของสิ่งกีดขวางเลือด-สมองไม่ว่าจะในขณะที่ใส่หรือเมื่อเวลาผ่านไป อาจเป็นสาเหตุของการอักเสบและปฏิกิริยาของเซลล์เกลียต่อไมโครอิเล็กโทรดเรื้อรังที่ฝังอยู่ในสมอง^{[ 88 ] [ 89 ]}ด้วยเหตุนี้ จึงมีการวิจัยและพัฒนาการ ออกแบบที่ยืดหยุ่น ^{[ 90 ] [ 91 ] [ 92 ]}และคล้ายเนื้อเยื่อ^{[ 93 ] [ 94 ]} เพื่อลด ปฏิกิริยาของร่างกายต่อสิ่งแปลกปลอมโดยการจับคู่ค่าโมดูลัสของยังของอิเล็กโทรดให้ใกล้เคียงกับเนื้อเยื่อสมองมากขึ้น^{[ 93 ]}

อุปกรณ์ BCI แบบบุกรุกบางส่วนจะถูกฝังไว้ภายในกะโหลกศีรษะ แต่จะอยู่ภายนอกสมองแทนที่จะอยู่ภายในเนื้อเทา อุปกรณ์เหล่านี้สร้างสัญญาณที่มีความละเอียดสูงกว่า BCI แบบไม่บุกรุก ซึ่งเนื้อเยื่อกระดูกของกะโหลกศีรษะจะเบี่ยงเบนและทำให้สัญญาณผิดรูป และมีความเสี่ยงในการเกิดแผลเป็นในสมองน้อยกว่า BCI แบบบุกรุกเต็มรูปแบบ การสาธิตทางคลินิกเบื้องต้นของ BCI ภายในคอร์เทกซ์จากคอร์เทกซ์รอบรอยโรคของโรคหลอดเลือดสมองได้ดำเนินการแล้ว^{[ 95 ]}

การทบทวนอย่างเป็นระบบที่ตีพิมพ์ในปี 2020 ได้ให้รายละเอียดเกี่ยวกับการศึกษาทางคลินิกและไม่ใช่ทางคลินิกหลายรายการที่ตรวจสอบความเป็นไปได้ของ BCI หลอดเลือด^{[ 96 ]}

ในปี 2010 นักวิจัยที่สังกัดมหาวิทยาลัยเมลเบิร์นเริ่มพัฒนา BCI ที่สามารถสอดใส่ผ่านระบบหลอดเลือดได้ นักประสาทวิทยาชาวออสเตรเลียThomas Oxleyเป็นผู้คิดค้นแนวคิดสำหรับ BCI นี้ ซึ่งเรียกว่า Stentrode และได้รับเงินทุนจากDARPAการศึกษาทางคลินิกเบื้องต้นได้ประเมินเทคโนโลยีนี้ในแกะ^{[ 3 ]}

Stentrodeเป็นชุดอิเล็กโทรดแบบสเตนต์ ชิ้นเดียว ที่ออกแบบมาเพื่อส่งผ่านสายสวนหลอดเลือดดำภายใต้การนำทางด้วยภาพไปยังไซนัสซาจิตัลส่วนบนในบริเวณที่อยู่ติดกับเปลือกสมองส่วนมอเตอร์ [ ^{97 ] ความ}ใกล้ชิดนี้ทำให้ Stentrode สามารถวัดกิจกรรมทางประสาทได้ ขั้นตอนนี้คล้ายคลึงกับวิธีการวางสเตนต์ไซนัสหลอดเลือดดำเพื่อรักษาภาวะความดันในกะโหลกศีรษะสูงโดยไม่ ทราบสาเหตุ ^{[ 98 ]} Stentrode สื่อสารกิจกรรมทางประสาทไปยังหน่วยโทรมาตรแบบไร้แบตเตอรี่ที่ฝังอยู่ในทรวงอก ซึ่งสื่อสารแบบไร้สายกับหน่วยโทรมาตรภายนอกที่สามารถส่งพลังงานและข้อมูลได้ แม้ว่า BCI แบบสอดใส่หลอดเลือดจะมีข้อดีคือหลีกเลี่ยงการผ่าตัดกะโหลกศีรษะ เพื่อใส่ แต่ ก็มี ความเสี่ยง เช่นการเกิดลิ่มเลือดและภาวะลิ่มเลือดอุดตันในหลอดเลือดดำ

การทดลองในมนุษย์ด้วย Stentrode เริ่มขึ้นในปี 2021 ^{[ 97 ]}ในเดือนพฤศจิกายน 2020 ผู้เข้าร่วมสองคนที่เป็นโรคกล้ามเนื้ออ่อนแรงสามารถควบคุมระบบปฏิบัติการแบบไร้สายเพื่อส่งข้อความ อีเมล ซื้อสินค้า และทำธุรกรรมธนาคารโดยใช้ความคิดโดยตรงโดยใช้ Stentrode ^{[ 99 ]}ซึ่งถือเป็นครั้งแรกที่มีการฝังอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์ผ่านทางหลอดเลือดของผู้ป่วย ทำให้ไม่จำเป็นต้องผ่าตัดสมอง ในเดือนมกราคม 2023 นักวิจัยรายงานว่าไม่มีเหตุการณ์ไม่พึงประสงค์ร้ายแรงใดๆ เกิดขึ้นในช่วงปีแรกสำหรับผู้ป่วยทั้งสี่ราย ซึ่งสามารถใช้มันเพื่อควบคุมคอมพิวเตอร์ได้^{[ 100 ] [ 101 ]}

Electrocorticography (ECoG) วัดกิจกรรมทางไฟฟ้าของสมองจากใต้กะโหลกศีรษะในลักษณะที่คล้ายกับการตรวจคลื่นไฟฟ้าสมองแบบไม่รุกราน โดยใช้อิเล็กโทรดที่ฝังอยู่ในแผ่นพลาสติกบางๆ วางไว้เหนือเปลือกสมอง ใต้เยื่อดูรา^{[ 102 ]}เทคโนโลยี ECoG ได้รับการทดลองใช้ในมนุษย์ครั้งแรกในปี 2547 โดยEric Leuthardtและ Daniel Moran จากมหาวิทยาลัยวอชิงตันในเซนต์หลุยส์ในการทดลองครั้งต่อมา นักวิจัยได้ทำให้เด็กชายวัยรุ่นเล่นเกมSpace Invadersได้^{[ 103 ]}งานวิจัยนี้แสดงให้เห็นว่าการควบคุมนั้นรวดเร็ว ต้องการการฝึกฝนน้อยที่สุด มีความสมดุลระหว่างความแม่นยำของสัญญาณและระดับการรุกราน^{[หมายเหตุ 1 ]}

สัญญาณอาจมาจากใต้เยื่อดูราหรือเหนือเยื่อดูรา แต่ไม่ได้มาจากภายในเนื้อสมองผู้ป่วยจำเป็นต้องได้รับการตรวจติดตามแบบรุกรานเพื่อระบุตำแหน่งและตัดส่วนที่ก่อให้เกิดอาการชักออก

ECoG ให้ความละเอียดเชิงพื้นที่ที่สูงกว่า อัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ดีกว่า ช่วงความถี่ที่กว้างกว่า และความต้องการการฝึกอบรมน้อยกว่า EEG ที่บันทึกบนหนังศีรษะ ในขณะเดียวกันก็มีความยากทางเทคนิคน้อยกว่า ความเสี่ยงทางคลินิกน้อยกว่า และอาจมีความเสถียรในระยะยาวที่ดีกว่าการบันทึกเซลล์ประสาทเดี่ยวภายในคอร์เทกซ์^{[ 105 ]}คุณลักษณะนี้และหลักฐานของการควบคุมระดับสูงด้วยความต้องการการฝึกอบรมขั้นต่ำ แสดงให้เห็นถึงศักยภาพในการประยุกต์ใช้ในโลกแห่งความเป็นจริงสำหรับผู้ที่มีความพิการทางการเคลื่อนไหว^{[ 106 ] [ 107 ]}

Edward Changและ Joseph Makin จากUCSFรายงานว่าสัญญาณ ECoG สามารถใช้ถอดรหัสคำพูดจากผู้ป่วยโรคลมชักที่ฝังอาร์เรย์ ECoG ความหนาแน่นสูงไว้เหนือคอร์เทกซ์รอบซิลเวียนได้^{[ 108 ] [ 109 ]} พวกเขารายงานอัตราข้อผิดพลาดของคำที่ 3% (ซึ่งเป็นการปรับปรุงที่เห็นได้ชัดจากความพยายามก่อนหน้านี้) โดยใช้ เครือข่ายประสาทแบบเข้ารหัส-ถอดรหัสซึ่งแปลงข้อมูล ECoG เป็นประโยคหนึ่งในห้าสิบประโยคที่ประกอบด้วยคำที่ไม่ซ้ำกัน 250 คำ

ในปี 2557 BCI ที่ใช้การตรวจวัดด้วยคลื่นแสงอินฟราเรดใกล้แบบฟังก์ชัน สำหรับผู้ป่วยโรค กล้ามเนื้ออ่อนแรง ชนิด ALS ที่ไม่สามารถเคลื่อนไหวได้สามารถฟื้นฟูความสามารถในการสื่อสารขั้นพื้นฐานได้^{[ 110 ]}

หลังจากที่ Vidal กล่าวถึงความท้าทายของ BCI รายงานเบื้องต้นเกี่ยวกับแนวทางที่ไม่รุกรานรวมถึงการควบคุมเคอร์เซอร์ใน 2 มิติโดยใช้ VEP ^{[ 111 ]}การควบคุมเสียงกริ่งโดยใช้ CNV ^{[ 112 ]}การควบคุมวัตถุทางกายภาพ เช่น หุ่นยนต์ โดยใช้จังหวะสมอง (อัลฟา) ^{[ 113 ]}การควบคุมข้อความที่เขียนบนหน้าจอโดยใช้ P300 ^{[ 114 ] [ 13 ]}

ในช่วงแรกของการวิจัย BCI อุปสรรคสำคัญอีกประการหนึ่งในการใช้ EEG คือต้องใช้การฝึกอบรมอย่างกว้างขวาง ตัวอย่างเช่น ในการทดลองที่เริ่มต้นในช่วงกลางทศวรรษ 1990 นีลส์ บีร์เบาเมอร์ ที่มหาวิทยาลัยทูบิงเงนในเยอรมนีได้ฝึกผู้ป่วยอัมพาตให้ควบคุมศักยภาพของเปลือกสมองที่ช้าใน EEG ด้วยตนเองจนถึงระดับที่สามารถใช้สัญญาณเหล่านี้เป็นสัญญาณไบนารีเพื่อควบคุมเคอร์เซอร์ของคอมพิวเตอร์ได้ (ก่อนหน้านี้ บีร์เบาเมอร์เคยฝึกผู้ป่วยโรคลมชักเพื่อป้องกันอาการชักที่กำลังจะเกิดขึ้นโดยการควบคุมคลื่นแรงดันต่ำนี้) การทดลองนี้ฝึกผู้ป่วย 10 รายให้เคลื่อนเคอร์เซอร์ของคอมพิวเตอร์ กระบวนการนี้ช้า ต้องใช้เวลามากกว่าหนึ่งชั่วโมงสำหรับผู้ป่วยในการเขียนอักขระ 100 ตัวด้วยเคอร์เซอร์ ในขณะที่การฝึกอบรมมักใช้เวลาหลายเดือน วิธีการใช้ศักยภาพของเปลือกสมองที่ช้าได้ถูกยกเลิกไปแล้ว และหันมาใช้วิธีการที่ต้องการการฝึกอบรมน้อยหรือไม่ต้องฝึกอบรมเลย เร็วกว่า แม่นยำกว่า และใช้งานได้กับผู้ใช้จำนวนมากขึ้น^{[ 115 ]}

อีกหนึ่งพารามิเตอร์ในการวิจัยคือประเภทของกิจกรรมการสั่นที่วัดได้ เกิร์ต เฟิร์ตเชลเลอร์ ก่อตั้งห้องปฏิบัติการ BCI ในปี 1991 และทำการทดลอง BCI ออนไลน์ครั้งแรกโดยใช้คุณลักษณะและการจำแนกประเภทการสั่น ร่วมกับบีร์บาวเมอร์และโจนาธาน วอลพอว์ ที่มหาวิทยาลัยแห่งรัฐนิวยอร์กพวกเขามุ่งเน้นการพัฒนาเทคโนโลยีที่จะช่วยให้ผู้ใช้สามารถเลือกสัญญาณสมองที่พวกเขาพบว่าใช้งานง่ายที่สุดสำหรับ BCI ซึ่งรวมถึงจังหวะ มิวและเบตา

พารามิเตอร์เพิ่มเติมคือวิธีการป้อนกลับที่ใช้ ดังที่แสดงในงานวิจัยเกี่ยวกับ สัญญาณ P300รูปแบบของคลื่น P300 ถูกสร้างขึ้นโดยไม่ตั้งใจ ( การกระตุ้นและการป้อนกลับ ) เมื่อผู้คนเห็นสิ่งที่พวกเขารู้จัก และอาจช่วยให้ BCI สามารถถอดรหัสหมวดหมู่ของความคิดได้โดยไม่ต้องฝึกฝน

การศึกษาในปี 2005 รายงานการจำลอง EEG ของวงจรควบคุมดิจิทัลโดยใช้ฟลิปฟลอป CNV ^{[ 116 ]}การศึกษาในปี 2009 รายงานการควบคุม EEG แบบไม่รุกรานของแขนหุ่นยนต์โดยใช้ฟลิปฟลอป CNV ^{[ 117 ]}การศึกษาในปี 2011 รายงานการควบคุมแขนหุ่นยนต์สองแขนในการแก้ ปัญหา Tower of Hanoiด้วยแผ่นดิสก์สามแผ่นโดยใช้ฟลิปฟลอป CNV ^{[ 118 ]}การศึกษาในปี 2015 อธิบายการจำลอง EEG ของSchmitt trigger , flip-flop ^, demultiplexerและmodem ^{[ 119} ]

ความก้าวหน้าของBin Heและทีมงานของเขาที่มหาวิทยาลัยมินนิโซตาชี้ให้เห็นถึงศักยภาพของอินเทอร์เฟซสมอง-คอมพิวเตอร์แบบ EEG ในการทำงานที่ใกล้เคียงกับอินเทอร์เฟซสมอง-คอมพิวเตอร์แบบรุกราน โดยใช้การสร้างภาพทางประสาทวิทยาเชิงฟังก์ชันขั้นสูง รวมถึง BOLD functional MRIและ การสร้างภาพแหล่งกำเนิด EEGพวกเขาได้ระบุความแปรผันร่วมและตำแหน่งร่วมของสัญญาณทางสรีรวิทยาไฟฟ้าและทางโลหิตวิทยา^{[ 120 ]}ด้วยการปรับปรุงโดยวิธีการสร้างภาพทางประสาทวิทยาและโปรโตคอลการฝึกอบรม พวกเขาได้สร้างอินเทอร์เฟซสมอง-คอมพิวเตอร์แบบ EEG ที่ไม่รุกรานเพื่อควบคุมการบินของเฮลิคอปเตอร์เสมือนจริงในพื้นที่ 3 มิติ โดยอาศัยจินตนาการการเคลื่อนไหว^{[ 121 ]}ในเดือนมิถุนายน 2013 พวกเขาได้ประกาศเทคนิคในการนำทางเฮลิคอปเตอร์ควบคุมระยะไกลผ่านเส้นทางที่มีสิ่งกีดขวาง^{[ 122 ]} พวกเขายังแก้ ปัญหาผกผัน EEG และใช้ EEG เสมือนจริงที่ได้มาสำหรับงาน BCI การศึกษาที่มีการควบคุมอย่างดีชี้ให้เห็นถึงข้อดีของ BCI ที่อิงตามการวิเคราะห์แหล่งกำเนิดดังกล่าว^{[ 123 ]}

การศึกษาในปี 2014 รายงานว่าผู้ป่วยที่มีความบกพร่องทางการเคลื่อนไหวอย่างรุนแรงสามารถสื่อสารได้เร็วและน่าเชื่อถือมากขึ้นด้วย EEG BCI แบบไม่รุกรานเมื่อเทียบกับช่องทางการสื่อสารที่ใช้กล้ามเนื้อ^{[ 124 ]}

การศึกษาในปี 2019 รายงานว่าการประยุกต์ใช้อัลกอริธึมเชิงวิวัฒนาการสามารถปรับปรุงการจำแนกสถานะทางจิตของ EEG ด้วยอุปกรณ์ Museแบบไม่รุกรานทำให้สามารถจำแนกข้อมูลที่ได้รับจากอุปกรณ์ตรวจจับระดับผู้บริโภคได้^{[ 125 ]}

ในการทบทวนอย่างเป็นระบบในปี 2021 ของการทดลองแบบสุ่มที่มีการควบคุมโดยใช้ BCI สำหรับการฟื้นฟูแขนส่วนบนหลังโรคหลอดเลือดสมอง พบว่า BCI ที่ใช้ EEG มีประสิทธิภาพในการปรับปรุงการทำงานของกล้ามเนื้อแขนส่วนบนเมื่อเทียบกับการบำบัดแบบควบคุม โดยเฉพาะอย่างยิ่ง การศึกษา BCI ที่ใช้คุณสมบัติพลังงานของแถบคลื่นการจินตนาการการเคลื่อนไหวและการกระตุ้นด้วยไฟฟ้าเชิงฟังก์ชันมีรายงานว่ามีประสิทธิภาพมากกว่าทางเลือกอื่น^{[ 126 ]}การทบทวนอย่างเป็นระบบอีกฉบับในปี 2021 มุ่งเน้นไปที่ BCI ที่ใช้ EEG ซึ่งได้รับการช่วยเหลือจากหุ่นยนต์หลังโรคหลอดเลือดสมองสำหรับการฟื้นฟูมือ พบว่ามีการปรับปรุงคะแนนการประเมินการเคลื่อนไหวในสามในสิบเอ็ดการศึกษา^{[ 127 ]}

ในช่วงต้นทศวรรษ 1990 Babak Taheri ที่มหาวิทยาลัยแคลิฟอร์เนีย เดวิสได้สาธิตอาร์เรย์อิเล็กโทรดแบบแห้งแอคทีฟแบบช่องเดียวและหลายช่องเป็นครั้งแรก^{[ 128 ]}อิเล็กโทรดแบบอาร์เรย์ได้รับการพิสูจน์แล้วว่าทำงานได้ดีเมื่อเทียบกับ อิเล็กโทรด เงิน / ซิลเวอร์คลอไรด์ อุปกรณ์ประกอบด้วยจุดเซ็นเซอร์สี่จุดพร้อมอิเล็กทรอนิกส์แบบบูรณาการเพื่อลดสัญญาณรบกวนโดยการจับคู่ความต้านทานข้อดีของอิเล็กโทรดดังกล่าวคือ:

• ไม่ได้ใช้อิเล็กโทรไลต์
• ไม่ต้องเตรียมผิวก่อน
• ขนาดเซ็นเซอร์ลดลงอย่างมาก
• ความเข้ากันได้กับระบบตรวจสอบคลื่นไฟฟ้าสมอง (EEG)

ชุดอิเล็กโทรดแบบแอคทีฟเป็นระบบแบบบูรณาการที่ประกอบด้วยชุดเซ็นเซอร์แบบคาปาซิทีฟพร้อมวงจรแบบบูรณาการในตัว ซึ่งบรรจุรวมกับแบตเตอรี่เพื่อจ่ายพลังงานให้กับวงจร ระดับการบูรณาการนี้เป็นสิ่งจำเป็นเพื่อให้ได้ผลลัพธ์ที่ต้องการ

ได้มีการทดสอบอิเล็กโทรดบนแท่นทดสอบและกับผู้ถูกทดสอบในสี่รูปแบบ ได้แก่:

• คลื่นไฟฟ้าสมองที่เกิดขึ้นเองโดยธรรมชาติ
• ศักยภาพที่เกี่ยวข้องกับเหตุการณ์ทางประสาทสัมผัส
• ศักยภาพของก้านสมอง
• ศักยภาพที่เกี่ยวข้องกับเหตุการณ์ทางปัญญา

ประสิทธิภาพเมื่อเปรียบเทียบกับอิเล็กโทรดเปียกมาตรฐานแล้วถือว่าดีกว่าในแง่ของการเตรียมผิวหนัง ไม่จำเป็นต้องใช้เจล (แบบแห้ง) และมีอัตราส่วนสัญญาณต่อสัญญาณรบกวนสูงกว่า^{[ 129 ]}

ในปี พ.ศ. 2542 Hunter Peckham และคนอื่นๆ ที่Case Western Reserve Universityใช้หมวก EEG ที่มีอิเล็กโทรด 64 ตัวเพื่อฟื้นฟูการเคลื่อนไหวของมือให้กับผู้ป่วยอัมพาตครึ่ง ตัว โดยเขามุ่งเน้นไปที่แนวคิดง่ายๆ แต่ตรงกันข้าม เช่น ขึ้นและลง มีการระบุรูปแบบพื้นฐานในเอาต์พุต EEG จังหวะเบต้าของเขาและนำมาใช้ควบคุมสวิตช์: กิจกรรมที่สูงกว่าค่าเฉลี่ยถูกตีความว่าเปิด กิจกรรมที่ต่ำกว่าค่าเฉลี่ยถูกตีความว่าปิด สัญญาณเหล่านี้ยังถูกนำมาใช้ขับเคลื่อนตัวควบคุมเส้นประสาทที่ฝังอยู่ในมือของเขา เพื่อฟื้นฟูการเคลื่อนไหวบางส่วน^{[ 130 ]}

ในปี 2552 มีการประกาศเปิดตัวแถบคาดศีรษะอินเทอร์เฟซสมอง-คอมพิวเตอร์ NCTU นักวิจัยเหล่านั้นยังได้ออกแบบอิเล็กโทรดแห้งระบบไมโครอิเล็กโทรเมคานิ กส์ (MEMS) ที่ใช้ซิลิคอนเป็นฐาน ซึ่งออกแบบมาสำหรับการใช้งานกับบริเวณที่ไม่มีขนบนร่างกาย อิเล็กโทรดเหล่านี้ถูกยึดเข้ากับ บอร์ด DAQ ของแถบคาดศีรษะ ด้วยตัวยึดอิเล็กโทรดแบบสแนปออน โมดูลประมวลผลสัญญาณจะวัด กิจกรรม อัลฟาและส่งผ่านบลูทูธไปยังโทรศัพท์ที่ประเมินความตื่นตัวและความสามารถทางปัญญาของผู้ป่วย เมื่อผู้ป่วยง่วงนอน โทรศัพท์จะส่งสัญญาณกระตุ้นไปยังผู้ควบคุมเพื่อปลุกให้ตื่น^{[ 131 ]}

ในปี 2554 นักวิจัยได้รายงานเกี่ยวกับ BCI ที่ใช้เซลล์ซึ่งสามารถทำให้โทรศัพท์ดังขึ้นได้ ระบบที่สวมใส่ได้นี้ประกอบด้วยโมดูล รับ/ขยายสัญญาณชีวภาพสี่ช่อง โมดูลการสื่อสาร และโทรศัพท์บลูทูธ อิเล็กโทรดถูกวางไว้เพื่อตรวจจับศักยภาพการกระตุ้นภาพแบบคงที่ ( SSVEPs ) ^{[ 132 ]} SSVEPs คือการตอบสนองทางไฟฟ้าต่อสิ่งเร้าภาพที่กะพริบด้วยอัตราการทำซ้ำมากกว่า 6 Hz ^{[ 132 ]}ซึ่งพบได้ดีที่สุดในบริเวณหนังศีรษะส่วนข้างขมับและส่วนท้ายทอยของเปลือกสมองส่วนการมองเห็น^{[ 133 ] [ 134 ] [ 135 ]}มีรายงานว่าผู้เข้าร่วมการศึกษาทั้งหมดสามารถเริ่มต้นการโทรได้ด้วยการฝึกฝนเพียงเล็กน้อยในสภาพแวดล้อมที่เป็นธรรมชาติ^{[ 136 ]}

นักวิทยาศาสตร์รายงานว่าการแปลงฟูริเยร์แบบเร็ว ช่องสัญญาณเดียว (FFT) และ อัลกอริธึม การวิเคราะห์ความสัมพันธ์แบบแคนอ นิกของระบบหลายช่องสัญญาณ ( CCA ) สามารถรองรับ BCI บนมือถือได้^{[ 132 ] [ 137 ]}อัลกอริธึม CCA ได้ถูกนำไปใช้ในการทดลองที่ตรวจสอบ BCI โดยอ้างว่ามีความแม่นยำและความเร็วสูง^{[ 138 ]}มีรายงานว่าเทคโนโลยี BCI บนมือถือสามารถนำไปประยุกต์ใช้กับแอปพลิเคชันอื่นๆ ได้ เช่น การตรวจจับ จังหวะ มิว / เบตา ของระบบประสาทรับความ รู้สึกและการเคลื่อนไหวเพื่อทำหน้าที่เป็น BCI ที่ใช้ภาพการเคลื่อนไหว^{[ 132 ]}

ในปี 2013 การทดสอบเปรียบเทียบที่ดำเนินการกับ BCI บน โทรศัพท์มือถือ Androidแท็บเล็ต และคอมพิวเตอร์ ได้วิเคราะห์ความหนาแน่นของสเปกตรัม กำลัง ของ EEG SSVEP ที่เกิดขึ้น เป้าหมายที่ระบุไว้ของการศึกษานี้คือ "เพื่อเพิ่มความสามารถในการใช้งาน พกพาได้ และแพร่หลายของ BCI ที่ใช้ SSVEP สำหรับการใช้งานประจำวัน" มีรายงานว่าความถี่ในการกระตุ้นบนสื่อทุกประเภทมีความแม่นยำ แม้ว่าสัญญาณของโทรศัพท์จะไม่เสถียรก็ตาม แอมพลิจูดของ SSVEP สำหรับแล็ปท็อปและแท็บเล็ตมีรายงานว่ามีขนาดใหญ่กว่าของโทรศัพท์มือถือ ลักษณะเชิงคุณภาพทั้งสองนี้ถูกเสนอแนะว่าเป็นตัวบ่งชี้ถึงความเป็นไปได้ในการใช้ BCI ที่ใช้การกระตุ้นแบบเคลื่อนที่^{[ 137 ]}

หนึ่งในปัญหาของการอ่านค่า EEG คือความอ่อนไหวต่อสิ่งรบกวนจากการเคลื่อนไหว^{[ 139 ]}ในโครงการวิจัยส่วนใหญ่ ผู้เข้าร่วมจะถูกขอให้นั่งนิ่งๆ ในห้องปฏิบัติการ ลดการเคลื่อนไหวของศีรษะและดวงตาให้น้อยที่สุดเท่าที่จะเป็นไปได้ อย่างไรก็ตาม เนื่องจากโครงการริเริ่มเหล่านี้มีจุดประสงค์เพื่อสร้างอุปกรณ์พกพาสำหรับใช้ในชีวิตประจำวัน^{[ 137 ]}เทคโนโลยีจึงต้องได้รับการทดสอบในขณะเคลื่อนไหว ในปี 2013 นักวิจัยได้ทดสอบเทคโนโลยี BCI ที่ใช้ EEG แบบพกพา โดยวัด SSVEP จากผู้เข้าร่วมขณะที่พวกเขากำลังเดินบนลู่วิ่ง ผลลัพธ์ที่รายงานคือ เมื่อความเร็วเพิ่มขึ้น ความสามารถในการตรวจจับ SSVEP โดยใช้ CCA ลดลงการวิเคราะห์ส่วนประกอบอิสระ (ICA) ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพในการแยกสัญญาณ EEG ออกจากสัญญาณรบกวน^{[ 140 ]}นักวิจัยระบุว่าข้อมูล CCA ที่มีและไม่มีการประมวลผล ICA นั้นคล้ายคลึงกัน พวกเขาสรุปว่า CCA แสดงให้เห็นถึงความทนทานต่อสิ่งรบกวนจากการเคลื่อนไหว^{[ 134 ]}แอปพลิเคชัน BCI ที่ใช้ EEG มีความละเอียดเชิงพื้นที่ต่ำ แนวทางแก้ไขที่เป็นไปได้ ได้แก่ การเชื่อมต่อแหล่งกำเนิด EEG โดยใช้ทฤษฎีกราฟการจดจำรูปแบบ EEG โดยใช้ Topomap และการผสานรวม EEG- fMRI

BCI แบบไม่รุกรานได้ถูกนำมาใช้กับอุปกรณ์แขนขาเทียมในผู้ป่วยอัมพาต ตัวอย่างเช่น Gert Pfurtscheller จากมหาวิทยาลัยเทคโนโลยี Graz และเพื่อนร่วมงานได้สาธิตระบบ กระตุ้นไฟฟ้าแบบควบคุมด้วย BCI เพื่อฟื้นฟูการเคลื่อนไหวของแขนขาในผู้ป่วยอัมพาตครึ่งตัวเนื่องจากได้รับบาดเจ็บที่ไขสันหลัง [ ^{141 ] ระหว่าง}ปี 2012 ถึง 2013 นักวิจัยที่มหาวิทยาลัยแคลิฟอร์เนีย เออร์ไวน์ได้สาธิตเป็นครั้งแรกว่าเทคโนโลยี BCI สามารถฟื้นฟูการเดินที่ควบคุมด้วยสมองได้หลังจากได้รับบาดเจ็บที่ไขสันหลังในการศึกษา ของพวก เขา ผู้ป่วยอัมพาตครึ่งตัว ได้ใช้งาน อุปกรณ์ช่วยเดินแบบหุ่นยนต์ BCI เพื่อฟื้นฟูการเดินขั้นพื้นฐาน^{[ 142 ] [ 143 ]}ในปี 2009 นักวิจัยอิสระ Alex Blainey ได้ใช้Emotiv EPOC เพื่อควบคุมแขนหุ่นยนต์ 5 แกน^{[ 144 ]}เขาได้ทำการสาธิตรถเข็นคนพิการที่ควบคุมด้วยความคิดและระบบ อัตโนมัติภายในบ้าน หลายครั้ง

การตรวจ คลื่นแม่เหล็กไฟฟ้าในสมอง (MEG) และการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าเชิงฟังก์ชัน (fMRI) ต่างก็ถูกใช้เป็น BCI แบบไม่รุกราน^{[ 145 ]}ในการทดลองที่มีการรายงานอย่างกว้างขวาง fMRI อนุญาตให้ผู้ใช้สองคนเล่นPongแบบเรียลไทม์โดยการเปลี่ยนแปลงการตอบสนองทางโลหิตวิทยาหรือการไหลเวียนของเลือดในสมองผ่าน^การ ป้อนกลับทาง ชีวภาพ [ ^{146 ]}

การวัดการตอบสนองทางโลหิตพลศาสตร์แบบเรียลไทม์ด้วย fMRI ยังถูกนำมาใช้เพื่อควบคุมแขนหุ่นยนต์โดยมีความล่าช้าระหว่างความคิดและการเคลื่อนไหวเจ็ดวินาที^{[ 147 ]}

ในปี 2551 งานวิจัยที่พัฒนาขึ้นในห้องปฏิบัติการ วิจัยด้านประสาทวิทยาศาสตร์เชิงคำนวณของ Advanced Telecommunications Research (ATR) ในเกียวโตประเทศญี่ปุ่น ทำให้นักวิจัยสามารถสร้างภาพขึ้นใหม่จากสัญญาณสมองได้ที่^ความละเอียด 10x10 พิกเซล^[ 148 ^]

การศึกษาในปี 2011 รายงานการสร้างวิดีโอที่ผู้เข้าร่วมการศึกษาดูแบบวินาทีต่อวินาทีจากข้อมูล fMRI ^{[ 149 ]}ซึ่งทำได้โดยการสร้างแบบจำลองทางสถิติที่เชื่อมโยงวิดีโอกับกิจกรรมของสมอง จากนั้นใช้แบบจำลองนี้ในการค้นหาคลิปวิดีโอ 100 คลิป คลิปละ 1 วินาที ในฐานข้อมูล วิดีโอ YouTube แบบสุ่ม 18 ล้านวินาที โดยจับคู่รูปแบบภาพกับกิจกรรมของสมองที่บันทึกไว้เมื่อผู้เข้าร่วมการศึกษาดูวิดีโอ คลิปวิดีโอ 100 คลิป คลิปละ 1 วินาทีเหล่านี้ถูกนำมารวมกันเป็นภาพ mash-up ที่คล้ายกับวิดีโอ^{[ 150 ] [ 151 ] [ 152 ]}

การจินตนาการการเคลื่อนไหวเกี่ยวข้องกับการจินตนาการถึงการเคลื่อนไหวของส่วนต่างๆ ของร่างกาย ซึ่งจะกระตุ้นคอร์เทกซ์รับ รู้ การเคลื่อนไหว และปรับเปลี่ยนการสั่นของคลื่นรับรู้การเคลื่อนไหวใน EEG สิ่งนี้สามารถตรวจจับได้โดย BCI และใช้ในการอนุมานเจตนาของผู้ใช้ โดยทั่วไปแล้ว การจินตนาการการเคลื่อนไหวต้องใช้การฝึกฝนเพื่อให้ได้การควบคุมที่ยอมรับได้ โดยปกติแล้ว การฝึกฝนจะใช้เวลาหลายชั่วโมงในหลายวัน ไม่ว่าระยะเวลาของการฝึกฝนจะนานเท่าใด ผู้ใช้ก็ไม่สามารถเชี่ยวชาญรูปแบบการควบคุมได้ ซึ่งส่งผลให้การเล่นเกมช้าลงมาก^{[ 153 ]}วิธีการเรียนรู้ของเครื่องถูกนำมาใช้เพื่อคำนวณแบบจำลองเฉพาะบุคคลสำหรับการตรวจจับประสิทธิภาพการจินตนาการการเคลื่อนไหว อัลกอริทึมที่มีประสิทธิภาพสูงสุดจากชุดข้อมูล 2 ของการแข่งขัน BCI Competition IV ในปี 2022 ^{[ 154 ] สำหรับการจินตนาการการเคลื่อนไหว คือ} Filter Bank Common Spatial Pattern ซึ่งพัฒนาโดย Ang et al. จากA*STARประเทศสิงคโปร์ [ ^{155 ]}

ไบโอฟีดแบ็กสามารถใช้เพื่อตรวจสอบการผ่อนคลายทางจิตใจของบุคคลได้ ในบางกรณี ไบโอฟีดแบ็กอาจไม่ตรงกับ EEG ในขณะที่พารามิเตอร์ต่างๆ เช่นอิเล็กโทรไมโอแกรม (EMG) ความต้านทานผิวหนังแบบกัลวานิก (GSR) และความแปรปรวนของอัตราการเต้นของหัวใจ (HRV) สามารถทำได้ ระบบไบโอฟีดแบ็กจำนวนมากใช้ในการรักษาความผิดปกติ เช่นโรคสมาธิสั้น (ADHD)ปัญหาการนอนหลับในเด็ก การกัดฟัน และอาการปวดเรื้อรัง ระบบไบโอฟีดแบ็ก EEG โดยทั่วไปจะตรวจสอบคลื่นสมองสี่ช่วง (ธีตา: 4–7 Hz, อัลฟา: 8–12 Hz, SMR: 12–15 Hz, เบต้า: 15–18 Hz) และท้าทายให้บุคคลควบคุมคลื่นเหล่านั้น BCI แบบพาสซีฟใช้ BCI เพื่อเสริมปฏิสัมพันธ์ระหว่างมนุษย์กับเครื่องจักรด้วยข้อมูลเกี่ยวกับสภาวะจิตใจของผู้ใช้ ตัวอย่างเช่น การจำลองที่ตรวจจับเมื่อผู้ใช้ตั้งใจจะเหยียบเบรกในระหว่างการเบรกฉุกเฉินของยานพาหนะ^{[ 23 ]}นักพัฒนาเกมที่ใช้ BCI แบบพาสซีฟเข้าใจว่าผ่านการเล่นซ้ำระดับเกม สภาวะการรับรู้ของผู้ใช้จะปรับตัว ในระหว่างการเล่นครั้งแรกของระดับที่กำหนด ผู้เล่นจะมีปฏิกิริยาต่างจากการเล่นครั้งต่อๆ ไป ตัวอย่างเช่น ผู้ใช้จะรู้สึกประหลาดใจน้อยลงกับเหตุการณ์ที่พวกเขาคาดหวัง^{[ 153 ]}

VEP คือศักย์ไฟฟ้าที่บันทึกได้หลังจากผู้ถูกทดลองได้รับสิ่งเร้าทางสายตา ประเภทของ VEP ได้แก่ SSVEP และศักย์ไฟฟ้า P300

ศักย์ไฟฟ้าที่เกิดจากการกระตุ้นด้วยภาพในสภาวะคงที่ (SSVEP) ใช้ศักย์ไฟฟ้าที่สร้างขึ้นโดยการกระตุ้นเรตินาโดยใช้สิ่งเร้าทางสายตาที่ปรับเปลี่ยนความถี่ในบางช่วง สิ่งเร้า SSVEP มักประกอบด้วยลวดลายตารางหมากรุกสลับกัน และบางครั้งก็ใช้ภาพกระพริบ ความถี่ของการกลับเฟสของสิ่งเร้าที่ใช้สามารถแยกแยะได้ด้วย EEG ทำให้การตรวจจับสิ่งเร้า SSVEP ทำได้ค่อนข้างง่าย SSVEP ถูกใช้ในระบบ BCI หลายระบบ เนื่องจากมีหลายปัจจัย สัญญาณที่เกิดขึ้นสามารถวัดได้ในประชากรกลุ่มใหญ่เท่ากับ VEP ชั่วคราวและการเคลื่อนไหวของการกระพริบตา สิ่งรบกวนจากคลื่นไฟฟ้าหัวใจไม่ส่งผลกระทบต่อความถี่ที่ตรวจสอบ สัญญาณ SSVEP มีความเสถียร โครงสร้างทางภูมิศาสตร์ของเปลือกสมองส่วนรับภาพหลักทำให้บริเวณที่กว้างขึ้นได้รับสัญญาณนำเข้าจากบริเวณกลางหรือโฟเวียลของสนามสายตา อย่างไรก็ตาม SSVEP ก็มีปัญหาอยู่บ้าง เนื่องจาก SSVEP ใช้สิ่งเร้าที่กะพริบเพื่อคาดเดาเจตนาของผู้ใช้ ผู้ใช้จึงต้องจ้องมองสัญลักษณ์ที่กะพริบหรือวนซ้ำอย่างใดอย่างหนึ่งเพื่อโต้ตอบกับระบบ ดังนั้นจึงเป็นไปได้ว่าสัญลักษณ์เหล่านั้นจะสร้างความรำคาญและไม่สบายใจระหว่างการเล่นเป็นเวลานาน

อีกประเภทหนึ่งของ VEP คือศักยภาพ P300ศักยภาพนี้เป็นยอดบวกใน EEG ที่เกิดขึ้นประมาณ 300 มิลลิวินาทีหลังจากสิ่งเร้าเป้าหมาย (สิ่งเร้าที่ผู้ใช้กำลังรอหรือค้นหา) หรือสิ่งเร้าแปลกปลอมปรากฏขึ้น แอมพลิจูดของ P300 จะลดลงเมื่อสิ่งเร้าเป้าหมายและสิ่งเร้าที่ถูกละเลยมีความคล้ายคลึงกันมากขึ้น เชื่อกันว่า P300 เกี่ยวข้องกับกระบวนการความสนใจระดับสูงหรือการตอบสนองเชิงวางแนว การใช้ P300 ต้องการการฝึกฝนน้อยกว่า การใช้งานครั้งแรกที่ใช้คือเมทริกซ์ P300 ในระบบนี้ ผู้ทดลองจะเลือกตัวอักษรจากตารางตัวอักษรและตัวเลขขนาด 6x6 แถวและคอลัมน์ของตารางจะกะพริบตามลำดับ และทุกครั้งที่ "ตัวอักษรที่เลือก" สว่างขึ้น P300 ของผู้ใช้ก็จะถูกกระตุ้น (อาจจะ) อย่างไรก็ตาม กระบวนการสื่อสารนั้นช้ามาก โดยอยู่ที่ประมาณ 17 ตัวอักษรต่อนาที P300 นำเสนอการเลือกแบบไม่ต่อเนื่องมากกว่าการควบคุมแบบต่อเนื่อง ข้อดีของ P300 ในเกมคือผู้เล่นไม่จำเป็นต้องเรียนรู้วิธีการใช้ระบบควบคุมใหม่ โดยต้องใช้เพียงช่วงเวลาฝึกฝนสั้นๆ เพื่อเรียนรู้กลไกการเล่นเกมและรูปแบบ BCI พื้นฐาน^{[ 153 ]}

ปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์สามารถใช้ประโยชน์จากวิธีการบันทึกอื่นๆ เช่นการบันทึกการเคลื่อนไหวของดวงตาด้วยไฟฟ้าและการติดตามการเคลื่อนไหวของดวงตา วิธีการเหล่านี้ไม่ได้บันทึกกิจกรรมของสมอง ดังนั้นจึงไม่ถือว่าเป็น BCI ^{[ 156 ]}

ในปี พ.ศ. 2532 มีการศึกษาวิจัยรายงานการควบคุมหุ่นยนต์เคลื่อนที่ด้วยการเคลื่อนไหวของดวงตาโดยใช้สัญญาณอิเล็กโทรโอคูโลแกรม หุ่นยนต์เคลื่อนที่ถูกขับเคลื่อนไปยังจุดเป้าหมายโดยใช้คำสั่ง EOG ห้าคำสั่ง ซึ่งตีความได้ว่าเป็นเดินหน้า ถอยหลัง ซ้าย ขวา และหยุด^{[ 157 ]}

บทความปี 2016 อธิบายถึง HCI แบบใหม่ที่ไม่ใช้ EEG ซึ่งไม่จำเป็นต้องมีการจ้องมองหรือความสามารถในการขยับดวงตา^{[ 158 ]}อินเทอร์เฟซนี้ใช้หลักการของความสนใจแบบซ่อนเร้น โดยการดึงความสนใจไปยังตัวอักษรที่เลือกบนแป้นพิมพ์เสมือนโดยไม่จำเป็นต้องมองตัวอักษรโดยตรง ตัวอักษรแต่ละตัวมีวงกลม (พื้นหลัง) ของตัวเองซึ่งมีความสว่างแกว่งเล็กน้อยแตกต่างกันไป การเลือกตัวอักษรขึ้นอยู่กับความเหมาะสมที่สุดระหว่างการแกว่งของขนาดรูม่านตาโดยไม่ตั้งใจและรูปแบบการแกว่งของความสว่างของวงกลมพื้นหลัง ความแม่นยำได้รับการปรับปรุงเพิ่มเติมโดยการฝึกฝนในใจของผู้ใช้เกี่ยวกับคำว่า 'สว่าง' และ 'มืด' ให้สอดคล้องกับการเปลี่ยนแปลงความสว่างของวงกลมตัวอักษร

ในช่วงทศวรรษ 1960 นักวิจัยคนหนึ่งหลังจากได้รับการฝึกอบรมได้ใช้ EEG เพื่อสร้างรหัสมอร์สโดยใช้คลื่นอัลฟา^{[ 159 ]}เมื่อวันที่ 27 กุมภาพันธ์ 2013 กลุ่มของMiguel Nicolelis ที่ มหาวิทยาลัย Dukeและ IINN-ELS ได้เชื่อมต่อสมองของหนูสองตัว ทำให้พวกมันสามารถแบ่งปันข้อมูลกันได้ ซึ่งเป็นการเชื่อมต่อสมองต่อสมองโดยตรงครั้งแรก^{[ 160 ] [ 161 ] [ 162 ]}

Gerwin Schalk รายงานว่าสัญญาณ ECoG สามารถแยกแยะสระและพยัญชนะที่ฝังอยู่ในคำพูดและคำที่จินตนาการได้ ซึ่งช่วยให้เข้าใจกลไกที่เกี่ยวข้องกับการผลิตเสียงเหล่านั้น และอาจเป็นพื้นฐานสำหรับการสื่อสารโดยใช้สมองโดยใช้คำพูดที่จินตนาการ^{[ 107 ] [ 163 ]}

ในปี 2002 เควิน วอร์วิคได้ทำการฝังอิเล็กโทรดจำนวน 100 ตัวเข้าไปในระบบประสาทของเขา เพื่อเชื่อมต่อระบบประสาทของเขากับอินเทอร์เน็ต วอร์วิคได้ทำการทดลองหลายชุด อิเล็กโทรดถูกฝังเข้าไปในระบบประสาทของภรรยาของเขา ทำให้พวกเขาสามารถทำการทดลองการสื่อสารทางอิเล็กทรอนิกส์โดยตรงครั้งแรกระหว่างระบบประสาทของมนุษย์สองคนได้^{[ 164 ] [ 165 ] [ 166 ] [ 167 ]}

นักวิจัยคนอื่นๆ ประสบความสำเร็จในการสื่อสารระหว่างสมองต่อสมองระหว่างผู้เข้าร่วมที่อยู่ห่างไกลกันโดยใช้เทคโนโลยีที่ไม่รุกรานซึ่งติดอยู่กับหนังศีรษะของผู้เข้าร่วม คำพูดถูกเข้ารหัสในกระแสไบนารีโดยการป้อนข้อมูลการเคลื่อนไหวทางปัญญาของบุคคลที่ส่งข้อมูล บิตสุ่มเทียมของข้อมูลบรรจุคำที่เข้ารหัส "hola" ("hi" ในภาษาสเปน) และ "ciao" ("goodbye" ในภาษาอิตาลี) และถูกส่งต่อจากจิตใจสู่จิตใจ^{[ 168 ]}

นักวิจัยได้สร้างอุปกรณ์เพื่อเชื่อมต่อกับเซลล์ประสาทและเครือข่ายประสาททั้งหมดในหลอดทดลอง การทดลองเกี่ยวกับเนื้อเยื่อประสาทที่เพาะเลี้ยงมุ่งเน้นไปที่การสร้างเครือข่ายแก้ปัญหา การสร้างคอมพิวเตอร์พื้นฐาน และการจัดการอุปกรณ์หุ่นยนต์ การวิจัยเกี่ยวกับเทคนิคการกระตุ้นและบันทึกเซลล์ประสาทแต่ละเซลล์ที่ปลูกบนชิปเซมิคอนดักเตอร์เรียกว่า นิวโรอิเล็กทรอนิกส์หรือนิวโรชิป^{[ 169 ]}

การพัฒนาชิปประสาทตัวแรกได้รับการอ้างสิทธิ์โดยทีมงาน Caltech ที่นำโดย Jerome Pine และ Michael Maher ในปี 1997 ^{[ 170 ]}ชิป Caltech มีพื้นที่สำหรับเซลล์ประสาท 16 เซลล์

ในปี พ.ศ. 2546 ทีมที่นำโดยธีโอดอร์ เบอร์เกอร์ ที่มหาวิทยาลัยเซาท์เทิร์นแคลิฟอร์เนียได้ทำงานเกี่ยวกับนิวโรชิปที่ออกแบบมาเพื่อทำหน้าที่เป็นฮิปโปแคมปัส เทียมหรือฮิปโปแคมปัสเทียม นิวโรชิปนี้ออกแบบมาสำหรับสมองหนู ฮิปโปแคมปัสถูกเลือกเพราะเชื่อกันว่าเป็นส่วนที่มีโครงสร้างมากที่สุดและได้รับการศึกษามากที่สุดของสมอง หน้าที่ของมันคือการเข้ารหัสประสบการณ์เพื่อจัดเก็บเป็นความทรงจำระยะยาวในส่วนอื่นของสมอง^{[ 171 ]}

ในปี 2547 โทมัส เดอมาร์ส จากมหาวิทยาลัยฟลอริดาใช้เซลล์ประสาท 25,000 เซลล์ที่เพาะเลี้ยงจากสมองหนูเพื่อจำลองการบินเครื่องบินรบF-22หลังจากเก็บรวบรวมแล้ว เซลล์ประสาทจากเปลือกสมองจะถูกเพาะเลี้ยงในจานเพาะเชื้อและเชื่อมต่อกันใหม่เพื่อสร้างเครือข่ายประสาทที่มีชีวิต เซลล์เหล่านี้ถูกจัดเรียงบนตารางอิเล็กโทรด 60 ตัวและใช้ในการควบคุม ฟังก์ชัน การเอียงและ การ หมุนของเครื่องจำลอง จุดมุ่งหมายของการศึกษาคือการทำความเข้าใจว่าสมองของมนุษย์ทำงานและเรียนรู้ภารกิจการคำนวณในระดับเซลล์ได้อย่างไร^{[ 172 ]}

ข้อกังวลหลักอยู่ที่ความปลอดภัยและผลกระทบระยะยาวต่อผู้ใช้ ซึ่งรวมถึงการได้รับความยินยอมโดยสมัครใจจากบุคคลที่มีปัญหาในการสื่อสาร ผลกระทบต่อคุณภาพชีวิตของผู้ป่วยและครอบครัว ผลข้างเคียงที่เกี่ยวข้องกับสุขภาพ การใช้แอปพลิเคชันการรักษาในทางที่ผิด ความเสี่ยงด้านความปลอดภัย และลักษณะที่ไม่สามารถย้อนกลับได้ของการเปลี่ยนแปลงบางอย่างที่เกิดจาก BCI นอกจากนี้ ยังมีคำถามเกี่ยวกับการเข้าถึงการบำรุงรักษา การซ่อมแซม และอะไหล่ โดยเฉพาะอย่างยิ่งในกรณีที่บริษัทล้มละลาย^{[ 173 ]}

แง่มุมทางกฎหมายและสังคมของ BCI ทำให้การนำไปใช้ในวงกว้างมีความซับซ้อน ความกังวลรวมถึงประเด็นเรื่องความรับผิดชอบ เช่น การอ้างว่าอิทธิพลของ BCI เหนือกว่าเจตจำนงเสรีและการควบคุมการกระทำ การแปลเจตนาทางปัญญาที่ไม่ถูกต้อง การเปลี่ยนแปลงบุคลิกภาพอันเป็นผลมาจากการกระตุ้นสมองส่วนลึก และการเบลอเส้นแบ่งระหว่างมนุษย์กับเครื่องจักร^{[ 174 ]}ความกังวลอื่นๆ เกี่ยวข้องกับการใช้ BCI ในเทคนิคการสอบสวนขั้นสูง การเข้าถึงโดยไม่ได้รับอนุญาต ("การแฮ็กสมอง") ^{[ 175 ]}การแบ่งชั้นทางสังคมผ่านการเพิ่มประสิทธิภาพแบบเลือกสรร ปัญหาความเป็นส่วนตัวที่เกี่ยวข้องกับการอ่านใจ การติดตาม และระบบ "การติดแท็ก" และศักยภาพในการควบคุมจิตใจ การเคลื่อนไหว และอารมณ์^{[ 176 ]}

ในรูปแบบปัจจุบัน BCI ส่วนใหญ่มีลักษณะคล้ายกับการบำบัดแก้ไขมากกว่า ซึ่งเกี่ยวข้องกับประเด็นทางจริยธรรมเพียงเล็กน้อย จริยธรรมชีวภาพมีความพร้อมที่จะจัดการกับความท้าทายที่เกิดจากเทคโนโลยี BCI โดย Clausen เสนอแนะในปี 2009 ว่า "BCI ก่อให้เกิดความท้าทายทางจริยธรรม แต่สิ่งเหล่านี้มีความคล้ายคลึงกันในเชิงแนวคิดกับสิ่งที่นักจริยธรรมชีวภาพได้กล่าวถึงในด้านการบำบัดอื่นๆ" ^{[ 177 ]} Haselager และเพื่อนร่วมงานเน้นย้ำถึงความสำคัญของการจัดการความคาดหวังและคุณค่า^{[ 178 ]}

วิวัฒนาการของ BCI สะท้อนให้เห็นถึงวิวัฒนาการของวิทยาศาสตร์เภสัชกรรม ซึ่งเริ่มต้นจากการเป็นวิธีการแก้ไขความบกพร่อง และปัจจุบันช่วยเพิ่มสมาธิและลดความต้องการการนอนหลับ เมื่อ BCI พัฒนาจากการบำบัดไปสู่การปรับปรุง ชุมชน BCI กำลังทำงานเพื่อสร้างฉันทามติเกี่ยวกับแนวทางจริยธรรมสำหรับการวิจัย การพัฒนา และการเผยแพร่^{[ 179 ] [ 180 ]}

บริษัทต่างๆ กำลังพัฒนาอุปกรณ์เชื่อมต่อสมองกับคอมพิวเตอร์ (BCI) ราคาประหยัดสำหรับการวิจัยและความบันเทิง ของเล่นอย่างเช่น NeuroSky และ Mattel MindFlex ประสบความสำเร็จในเชิงพาณิชย์บ้างแล้ว

• ในปี พ.ศ. 2549 โซนี่ได้จดสิทธิบัตรระบบอินเทอร์เฟซประสาทที่อนุญาตให้คลื่นวิทยุส่งผลต่อสัญญาณในเปลือกสมอง^{[ 181 ]}
• ในปี พ.ศ. 2550 NeuroSkyได้เปิดตัว EEG สำหรับผู้บริโภคที่ราคาไม่แพงเป็นครั้งแรก พร้อมกับเกม NeuroBoy ซึ่งเป็นอุปกรณ์ EEG ขนาดใหญ่เครื่องแรกที่ใช้เทคโนโลยีเซ็นเซอร์แบบแห้ง^{[ 182 ]}
• ในปี พ.ศ. 2551 OCZ Technologyได้พัฒนาอุปกรณ์สำหรับใช้ในวิดีโอเกมโดยอาศัยอิเล็กโทรไมโอแกรม เป็นหลัก ^{[ 183 ]}
• ในปี 2551 Square Enixผู้พัฒนาFinal Fantasyประกาศว่าได้ร่วมมือกับ NeuroSky เพื่อสร้าง Judecca ซึ่งเป็นเกม^{[ 184 ] [ 185 ]}
• ในปี 2552 Mattelได้ร่วมมือกับ NeuroSky เพื่อวางจำหน่ายMindflexเกมที่ใช้ EEG ในการควบคุมลูกบอลให้ผ่านด่านอุปสรรค เกมนี้ถือเป็น EEG สำหรับผู้บริโภคที่ขายดีที่สุดในขณะนั้น^{[ 184 ] [ 186 ]}
• ในปี 2009 บริษัท Uncle Milton Industriesได้ร่วมมือกับ NeuroSky เพื่อวางจำหน่ายStar Wars Force Trainerซึ่งเป็นเกมที่ออกแบบมาเพื่อสร้างภาพลวงตาของการครอบครองพลัง^{[ 184 ] [ 187 ]}
• ในปี 2552 Emotivได้เปิดตัว EPOC ซึ่งเป็นอุปกรณ์ EEG 14 ช่องสัญญาณที่สามารถอ่านสถานะทางจิต 4 สถานะ สถานะการรับรู้ 13 สถานะ การแสดงออกทางใบหน้า และการเคลื่อนไหวของศีรษะ EPOC เป็น BCI เชิงพาณิชย์เครื่องแรกที่ใช้เทคโนโลยีเซ็นเซอร์แบบแห้ง ซึ่งสามารถลดความชื้นด้วยสารละลายเกลือเพื่อการเชื่อมต่อที่ดีขึ้น^{[ 188 ]}
• ในเดือนพฤศจิกายน พ.ศ. 2554 นิตยสาร ไทม์ได้เลือก "necomimi" ที่ผลิตโดยNeurowearให้เป็นหนึ่งในสิ่งประดิษฐ์ที่ดีที่สุดของปี^{[ 189 ]}
• ในปี 2556 g.tecได้เปิดตัว Unicorn Hybrid Black ซึ่งเป็นระบบ EEG แบบพกพาราคาประหยัดที่ออกแบบมาสำหรับการวิจัย การศึกษา และการสร้างต้นแบบ BCI อุปกรณ์นี้ผสมผสานอิเล็กโทรดแบบแห้งและแบบเจลเพื่อลดความซับซ้อนในการติดตั้งในขณะที่ยังคงรักษาคุณภาพสัญญาณให้เหมาะสมสำหรับการใช้งานแบบเรียลไทม์^{[ 190 ]}
• ในเดือนกุมภาพันธ์ พ.ศ. 2557 They Shall Walk (องค์กรไม่แสวงหาผลกำไรที่มุ่งมั่นในการสร้างโครงกระดูกภายนอกที่เรียกว่า LIFESUITs สำหรับผู้ป่วยอัมพาตครึ่งตัวและอัมพาตทั้งตัว) ได้เริ่มร่วมมือกับ James W. Shakarji ในการพัฒนา BCI แบบไร้สาย^{[ 191 ]}
• ในปี 2016 กลุ่มผู้ที่ชื่นชอบได้พัฒนาบอร์ด BCI แบบโอเพนซอร์สที่ส่งสัญญาณประสาทไปยังแจ็คเสียงของสมาร์ทโฟน ทำให้ต้นทุนของ BCI ระดับเริ่มต้นลดลงเหลือ 20 ปอนด์^{[ 192 ]}มีซอฟต์แวร์วินิจฉัยพื้นฐานสำหรับ อุปกรณ์ Androidรวมถึงแอปป้อนข้อความสำหรับUnity ^{[ 193 ]}
• ในปี 2020 NextMind ได้วางจำหน่ายชุดพัฒนาซอฟต์แวร์ซึ่งประกอบด้วยชุดหูฟัง EEG พร้อมอิเล็กโทรดแบบแห้งในราคา 399 ดอลลาร์สหรัฐ^{[ 194 ] [ 195 ]}อุปกรณ์นี้สามารถใช้งานแอปพลิเคชันสาธิต visual-BCI ต่างๆ หรือนักพัฒนาสามารถสร้างแอปพลิเคชันของตนเองได้ ต่อมาอุปกรณ์นี้ถูกซื้อกิจการโดยSnap Inc.ในปี 2022 ^{[ 196 ]}
• ในปี 2023 PiEEG ได้ออกแผงวงจรเสริมที่ช่วยให้สามารถแปลง Raspberry Pi ซึ่งเป็นคอมพิวเตอร์บอร์ดเดี่ยวให้เป็นอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์ได้ในราคา 350 ดอลลาร์สหรัฐ^{[ 197 ]}
• ในปี 2025 Cerelog ได้เปิดตัว ESP-EEG ซึ่งเป็นบอร์ด BCI แบบโอเพนซอร์ส 8 ช่องสัญญาณที่ใช้ไมโครคอนโทรลเลอร์ ESP32 ^{[ 198 ]}ด้วยราคาเปิดตัวที่ 299 ดอลลาร์สหรัฐ โดยใช้ ADC ADS1299 24 บิต ซึ่งเป็น ADC สำหรับการรับข้อมูลตัวเดียวกันกับที่ใช้ใน OpenBCI Cyton เพื่อนำเสนอการตรวจจับทางชีวภาพระดับงานวิจัยในราคาที่ต่ำกว่า^{[ 199 ] [ 198 ]}อุปกรณ์นี้รองรับแพลตฟอร์มมาตรฐาน เช่น BrainFlow และ Lab Streaming Layer (LSL) และเข้ากันได้กับ GUI ของ OpenBCI เวอร์ชันที่ได้รับการแก้ไข^{[ 200 ] [ 201 ]}
• ในปี 2025 g.tecได้เปิดตัว Unicorn BCI Core-8 ซึ่งเป็นแกน EEG ขนาดกะทัดรัดแบบโมดูลาร์ 8 ช่องสัญญาณ โดยมุ่งเน้นการวิจัยต้นทุนต่ำและการใช้งาน BCI แบบฝังตัว ระบบนี้รองรับการวิจัย EEG ทั้งในมนุษย์และสัตว์ และได้รับการออกแบบให้สามารถบูรณาการเข้ากับฮาร์ดแวร์และการตั้งค่าการทดลองแบบกำหนดเองได้อย่างยืดหยุ่น^{[ 202 ]}

กลุ่มพันธมิตรชาวยุโรป 12 รายได้จัดทำแผนงานเพื่อสนับสนุนคณะกรรมาธิการยุโรปในการตัดสินใจให้ทุนสนับสนุน โครงการกรอบงาน Horizon 2020โครงการนี้ได้รับทุนสนับสนุนจากคณะกรรมาธิการยุโรป เริ่มต้นในเดือนพฤศจิกายน 2013 และเผยแพร่แผนงานในเดือนเมษายน 2015 ^{[ 203 ]}เอกสารเผยแพร่ในปี 2015 อธิบายถึงโครงการนี้ รวมถึงสมาคมอินเทอร์เฟซสมอง-คอมพิวเตอร์^{[ 204 ]}ซึ่งได้ทบทวนงานภายในโครงการนี้ที่กำหนด BCI และแอปพลิเคชันให้ชัดเจนยิ่งขึ้น สำรวจแนวโน้มล่าสุด อภิปรายประเด็นด้านจริยธรรม และประเมินทิศทางสำหรับ BCI ใหม่

สิ่งพิมพ์ล่าสุดอื่นๆ ยังได้สำรวจทิศทาง BCI ในอนาคตสำหรับกลุ่มผู้ใช้พิการกลุ่มใหม่ด้วย^{[ 10 ] [ 205 ]}

บางคนมีภาวะความไม่รู้สึกตัว (DOC) ภาวะนี้หมายรวมถึงผู้ที่อยู่ในอาการโคม่าและผู้ที่อยู่ในภาวะพืชผัก (VS) หรือภาวะรู้สึกตัวน้อยที่สุด (MCS) การวิจัย BCI มุ่งที่จะจัดการกับ DOC เป้าหมายสำคัญในเบื้องต้นคือการระบุผู้ป่วยที่สามารถทำภารกิจทางปัญญาขั้นพื้นฐานได้ ซึ่งจะเปลี่ยนการวินิจฉัยของพวกเขา และช่วยให้พวกเขาสามารถตัดสินใจที่สำคัญได้ (เช่น จะเข้ารับการบำบัดหรือไม่ จะอาศัยอยู่ที่ไหน และความคิดเห็นของพวกเขาเกี่ยวกับการตัดสินใจในช่วงสุดท้ายของชีวิต) ผู้ป่วยที่ได้รับการวินิจฉัยผิดพลาดอาจเสียชีวิตอันเป็นผลมาจากการตัดสินใจในช่วงสุดท้ายของชีวิตที่ทำโดยผู้อื่น โอกาสในการใช้ BCI เพื่อสื่อสารกับผู้ป่วยดังกล่าวเป็นโอกาสที่น่าสนใจ^{[ 206 ] [ 207 ]}

ผู้ป่วยจำนวนมากไม่สามารถใช้ BCI ที่อาศัยการมองเห็นได้ ดังนั้น อุปกรณ์จึงต้องอาศัยการกระตุ้นด้วยเสียงและ/หรือการสั่นสะเทือน ผู้ป่วยอาจสวมหูฟังและ/หรือเครื่องกระตุ้นด้วยการสั่นสะเทือนที่วางไว้บนส่วนต่างๆ ของร่างกายที่ตอบสนองได้ ความท้าทายอีกประการหนึ่งคือ ผู้ป่วยอาจสามารถสื่อสารได้เฉพาะในช่วงเวลาที่ไม่แน่นอน อุปกรณ์ที่บ้านจะช่วยให้สามารถสื่อสารได้เมื่อผู้ป่วยพร้อม

เครื่องมืออัตโนมัติสามารถถามคำถามที่ผู้ป่วยสามารถตอบได้ง่าย เช่น "พ่อของคุณชื่อจอร์จหรือเปล่า?" หรือ "คุณเกิดในสหรัฐอเมริกาหรือเปล่า?" คำแนะนำอัตโนมัติจะแจ้งให้ผู้ป่วยทราบถึงวิธีการตอบว่าใช่หรือไม่ใช่ ตัวอย่างเช่น โดยการมุ่งเน้นความสนใจไปที่สิ่งเร้าบนข้อมือข้างขวาหรือข้างซ้าย ความสนใจที่มุ่งเน้นนี้จะทำให้เกิดการเปลี่ยนแปลงที่เชื่อถือได้ในรูปแบบ EEGซึ่งสามารถช่วยกำหนดได้ว่าผู้ป่วยสามารถสื่อสารได้หรือไม่^{[ 208 ] [ 209 ] [ 210 ]}

ผู้คนอาจสูญเสียความสามารถในการเคลื่อนไหวบางส่วนเนื่องจากสาเหตุหลายประการ เช่น โรคหลอดเลือดสมองหรือการบาดเจ็บ การวิจัยในช่วงไม่กี่ปีที่ผ่านมาได้แสดงให้เห็นถึงประโยชน์ของระบบ BCI ที่ใช้ EEG ในการช่วยฟื้นฟูการเคลื่อนไหวและการฟื้นฟูระบบประสาทในผู้ป่วยที่เป็นโรคหลอดเลือดสมอง^{[ 211 ] [ 212 ] [ 213 ] [ 214 ]}หลายกลุ่มได้สำรวจระบบและวิธีการฟื้นฟูการเคลื่อนไหวที่รวมถึง BCI ^{[ 215 ] [ 216 ] [ 217 ] [ 218 ]}ในแนวทางนี้ BCI จะวัดกิจกรรมการเคลื่อนไหวในขณะที่ผู้ป่วยจินตนาการหรือพยายามเคลื่อนไหวตามคำแนะนำของนักบำบัด BCI อาจให้ประโยชน์สองประการ: (1) หาก BCI ระบุว่าผู้ป่วยไม่ได้จินตนาการการเคลื่อนไหวอย่างถูกต้อง (ไม่ปฏิบัติตาม) BCI ก็สามารถแจ้งให้ผู้ป่วยและนักบำบัดทราบได้ และ (2) การให้ข้อเสนอแนะที่เป็นรางวัล เช่น การกระตุ้นการทำงานหรือการเคลื่อนไหวของอวตารเสมือนจริงก็ขึ้นอยู่กับการจินตนาการการเคลื่อนไหวที่ถูกต้องของผู้ป่วยด้วย

จนถึงปัจจุบัน BCI สำหรับการฟื้นฟูการเคลื่อนไหวอาศัย EEG ในการวัดภาพการเคลื่อนไหวของผู้ป่วย อย่างไรก็ตาม การศึกษาต่างๆ ยังใช้ fMRI เพื่อศึกษาการเปลี่ยนแปลงต่างๆ ในสมองขณะที่บุคคลเข้ารับการฝึกฟื้นฟูโรคหลอดเลือดสมองโดยใช้ BCI ^{[ 219 ] [ 220 ] [ 221 ]}การศึกษาด้านภาพร่วมกับระบบ BCI ที่ใช้ EEG มีแนวโน้มที่ดีในการตรวจสอบความยืดหยุ่นของระบบประสาทในระหว่างการฟื้นฟูการเคลื่อนไหวหลังโรคหลอดเลือด สมอง ^{[ 221 ]}ระบบในอนาคตอาจรวมถึง fMRI และการวัดอื่นๆ สำหรับการควบคุมแบบเรียลไทม์ เช่น อินฟราเรดใกล้แบบใช้งานได้จริง ซึ่งอาจใช้ร่วมกับ EEG การกระตุ้นสมองแบบไม่รุกรานยังได้รับการสำรวจร่วมกับ BCI สำหรับการฟื้นฟูการเคลื่อนไหว^{[ 222 ]}ในปี 2016 นักวิทยาศาสตร์จากมหาวิทยาลัยเมลเบิร์นได้เผยแพร่ข้อมูลการพิสูจน์แนวคิดก่อนคลินิกที่เกี่ยวข้องกับแพลตฟอร์มเทคโนโลยีอินเทอร์เฟซสมอง-คอมพิวเตอร์ที่มีศักยภาพซึ่งกำลังพัฒนาสำหรับผู้ป่วยที่เป็นอัมพาตเพื่ออำนวยความสะดวกในการควบคุมอุปกรณ์ภายนอก เช่น แขนขาหุ่นยนต์ คอมพิวเตอร์ และโครงกระดูกภายนอกโดยการแปลกิจกรรมของสมอง^{[ 223 ] [ 224 ] [ 225 ]}

ในปี 2557 มีผู้คนประมาณ 400,000 คนเข้ารับการทำแผนที่สมอง ระหว่างการ ^{ผ่าตัด}ระบบประสาท ขั้นตอนนี้มักจำเป็นสำหรับผู้ที่ไม่ตอบสนองต่อยา [ ^{226 ]}ในระหว่างขั้นตอนนี้ จะมีการวางอิเล็กโทรดบนสมองเพื่อระบุตำแหน่งของโครงสร้างและพื้นที่การทำงานอย่างแม่นยำ ผู้ป่วยอาจตื่นอยู่ระหว่างการผ่าตัดระบบประสาทและถูกขอให้ทำภารกิจต่างๆ เช่น ขยับนิ้วหรือพูดซ้ำคำต่างๆ นี่เป็นสิ่งจำเป็นเพื่อให้ศัลยแพทย์สามารถเอาเนื้อเยื่อที่ต้องการออกได้โดยไม่ทำลายบริเวณอื่นๆ การเอาเนื้อเยื่อสมองออกมากเกินไปอาจทำให้เกิดความเสียหายถาวร ในขณะที่การเอาออกน้อยเกินไปอาจต้องทำการผ่าตัดระบบประสาทเพิ่มเติม

นักวิจัยได้สำรวจวิธีการปรับปรุงการทำแผนที่ทางประสาทศัลยกรรม งานนี้มุ่งเน้นไปที่กิจกรรมแกมมาสูงเป็นหลัก ซึ่งตรวจจับได้ยากด้วยวิธีที่ไม่รุกราน ผลลัพธ์ที่ได้ช่วยปรับปรุงวิธีการระบุพื้นที่การทำงานที่สำคัญ^{[ 227 ]}

อิเล็กทรอนิกส์แบบยืดหยุ่นคือพอลิเมอร์หรือวัสดุที่ยืดหยุ่นอื่นๆ (เช่น^{ไหม [} 228 ] ^เพนทาซีน PDMS พารีลีน โพลีอิไมด์^{[ 229 ]} ) ที่พิมพ์วงจรความยืดหยุ่นนี้ทำให้อุปกรณ์อิเล็กทรอนิกส์สามารถโค้งงอได้เทคนิคการผลิตที่ใช้ในการสร้างอุปกรณ์เหล่านี้คล้ายกับเทคนิคที่ใช้ในการสร้างวงจรรวมและระบบไมโครอิเล็กโทรเมคานิกส์ (MEMS)

อินเทอร์เฟซประสาทที่ยืดหยุ่นอาจช่วยลดการบาดเจ็บของเนื้อเยื่อสมองที่เกี่ยวข้องกับความไม่ตรงกันทางกลระหว่างอิเล็กโทรดและเนื้อเยื่อ^{[ 230 ]}

ฝุ่นประสาทเป็นอุปกรณ์ขนาดมิลลิเมตรที่ทำงานเป็น เซนเซอร์ประสาท ที่ใช้พลังงานไร้สายซึ่งได้รับการเสนอในเอกสารปี 2011 จากศูนย์วิจัยไร้สายมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์^{[ 231 ] [ 232 ]}ในแบบจำลองหนึ่งศักยภาพสนามเฉพาะที่สามารถแยกแยะออกจาก "สไปค์" ของศักยภาพการกระทำซึ่งจะให้ข้อมูลที่หลากหลายกว่าเทคนิคแบบดั้งเดิมมาก^{[ 231 ]}

• Brouse, Andrew. "คู่มือดนตรีคลื่นสมองสำหรับเยาวชน: เสียงจากเครื่อง EEG ของมนุษย์ตลอดสี่สิบปี" . eContact! 14.2 – การปฏิบัติการแสดงทางเทคโนโลยีชีวภาพ / Pratiques de performance biotechnologique (กรกฎาคม 2012). มอนทรีออล: CEC .
• Gupta, Cota Navin และ Ramaswamy Palanappian. "การใช้คลื่นไฟฟ้าสมองความถี่สูงในการออกแบบส่วนต่อประสานระหว่างสมองกับคอมพิวเตอร์แบบภาพและเสียง" . eContact! 14.2 – การปฏิบัติงานด้านเทคโนโลยีชีวภาพ / Pratiques de performance biotechnologique (กรกฎาคม 2012). มอนทรีออล: CEC .
• อูซูเนียน, กาสเซีย. "The Biomuse Trio ในการสนทนา: บทสัมภาษณ์กับ R. Benjamin Knapp และ Eric Lyon " ติดต่อทางอิเล็กทรอนิกส์! 14.2 – การปฏิบัติงานด้านเทคโนโลยีชีวภาพ / Pratiques de Performance biotechnologique (กรกฎาคม 2555) มอนทรีออ ล: CEC
• 20 ปีแห่งการวิจัยด้านอินเตอร์เฟซระหว่างสมองและเครื่องจักรชุดเอกสารห้องปฏิบัติการนิโคลิส เล่มที่ 1 ปี 2019 หน้า 452
• 20 ปีแห่งการวิจัยด้านอินเตอร์เฟซระหว่างสมองและเครื่องจักรชุดเอกสารห้องปฏิบัติการนิโคลิส เล่มที่ 2 ปี 2019 หน้า 436

วิกิมีเดียคอมมอนส์มีสื่อที่เกี่ยวข้องกับอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์

Scholiaมี โปรไฟล์ หัวข้อสำหรับอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์

• Wandelt, Sarah K.; Bjånes, David A.; Pejsa, Kelsie; Lee, Brian; Liu, Charles; Andersen, Richard A. (13 พฤษภาคม 2024). " การแสดงคำพูดภายในโดยเซลล์ประสาทเดี่ยวในสมองส่วน supramarginal gyrus ของมนุษย์" Nature Human Behaviour . 8 (6): 1136– 1149. doi : 10.1038/s41562-024-01867-y . ISSN  2397-3374 . PMC  11199147 . PMID  38740984 .

• โครงการปลดล็อก