脑机接口的英文名称是brain-computer interface，简称BCI，也称作brain-machine interface或direct neural interface。脑机接口（BCI）提供了大脑与计算机或其他外部设备之间的直接通信连接。通过加强或替代人类的工作能力，它们提供了更大的自由度，并在康复、情感计算、机器人、游戏和神经科学等各个领域有潜在的应用。脑机接口是一个多学科交叉形成的研究领域，涉及信息学、神经学、材料学、生物学、医学、心理学、工程学等，是各学科基础理论交叉的集合体。

更新时间2022.2.14
涵盖脑机接口：白皮书、国内外技术报告、最新综述论文、关键技术最新论文、数据集、课程讲解PPT及视频等。

白皮书

2021.7，《脑机接口技术在医疗健康领域应用白皮书》，73页，中国信息通信研究院，http://www.caict.ac.cn/kxyj/qwfb/ztbg/202107/t20210715_380509.htm 中国电子技术标准化研究院
2021.6，《脑机接口标准化白皮书》，118页，中国电子技术标准化研究院，http://nits.org.cn/UploadFile/xbw/File/%E8%84%91%E6%9C%BA%E6%8E%A5%E5%8F%A3%E6%A0%87%E5%87%86%E5%8C%96%E7%99%BD%E7%9A%AE%E4%B9%A6%EF%BC%882021%E7%89%88%EF%BC%89.pdf

技术标准

2020.2，“STANDARDS ROADMAP:NEUROTECHNOLOGIES FOR BRAIN-MACHINE INTERFACING”（脑机接口神经技术标准路线图），IEEE标准协会，100页，https://standards.ieee.org/wp-content/uploads/import/documents/presentations/ieee-neurotech-for-bmi-standards-roadmap.pdf

报告

【脑接机口入门介绍】不同可用技术的介绍，BCI所需的主要组件和步骤，安全和伦理问题，以及该领域未来的概述。http://learn.neurotechedu.com/introtobci/#references
74页脑机接口入门介绍PPT！及值得关注的20家商业公司介绍，“AN INTRODUCTION TO THE BRAIN-COMPUTER INTERFACE (BCI) AND COMPANIES WORKING ON IT”，https://www.uc.edu/content/dam/refresh/cont-ed-62/olli/olli_docs/brain-computer-interfaces.pdf
加州大学圣地亚哥分校，“Principles and Applications of Brain-Computer Interfaces”（脑机接口原理与应用），60页入门介绍PPT，https://cfmriweb.ucsd.edu/ttliu/be280a_12/BE280A12_BCI1.pdf
2021.5，中国电子学会，《2021年全球脑科学发展发展报告》，42页，对脑科学进行现状分析、路径总结和趋势研判。http://www.uthinktank.com/news/media/2021-06-09/2021BrainScience.pdf
2020.8.27，美国兰德公司，《脑机接口：美国军事应用及其含义的初步评估》，45页。该报告评估了BCI技术的军事用途及其对未来战士的潜在影响；探讨大范围部署BCI技术可能带来的机构漏洞，以及有效管理该技术的风险和政策考虑；分析美国防部开发和采用BCI技术的潜在道德和法律风险等。Brain-Computer Interfaces: U.S. Military Applications and Implications, An Initial Assessment
2021.11.23，美国兰德公司，《提高人类能力的技术途径》，111页。本报告对生成人类性能提升（HPE）的三种可能方式进行了综述：基因编辑、人工智能、身体互联网（IoB）方法，其中植入或佩戴在人体中的设备连接到网络。本报告所讨论的一些技术尚处于萌芽阶段，但发展速度难以预测，本报告提供了技术领域状态的预测。 https://www.rand.org/pubs/research_reports/RRA1482-2.html
2021.5.13，英国国防部，《人类增强-一个新的范例战略意义项目的黎明》（Human Augmentation – The Dawn of a New Paradigm Strategic Implications Project），阐述人类增强（HA）技术对未来的影响。https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/986301/Human_Augmentation_SIP_access2.pdf
2021.8.10，量子位智库，《脑机接口深度产业分析报告（精华版）》，12页，https://www.qbitai.com/2021/08/27535.html
2021.12，头豹科技，《2021中国脑机接口平台行业概览》，41页， https://pdf.dfcfw.com/pdf/H3_AP202201121539917091_1.pdf?1641976029000.pdf
2021.12，蛋壳研究院，《脑机接口+医疗健康行业研究报告》，55页， https://www.dx2025.com/wpcontent/uploads/2022/02/research_report_on_brain_computer_interface_medical_and_heal.pdf

学位论文

2007年，清华大学工学博士学位论文180页《基于节律调制的脑－机接口系统 —从离线到在线的跨越》，https://sccn.ucsd.edu/~yijun/pdfs/THESIS07.pdf

综述（入门）

基础理论

2021.10，中国医学科学院北京协和医学院生物医学工程研究所，“脑机接口技术发展新趋势——基于2019—2020年研究进展”,10页。
摘要：概述了2019—2020年脑机接口领域在硬件、算法、范式、应用等方面取得的重要研究进展和发生的热点事件,展望了未来脑机接口技术的发展趋势。
论文源链接：http://www.kjdb.org/CN/abstract/abstract16531.shtml
2021.2.25，澳大利亚阿德莱德大学、孟加拉国联合国际大学，Progress in Brain Computer Interface: Challenges and Potentials。
摘要：这篇综述总结了过去几十年脑机接口领域的最新进展，并强调了关键挑战。
论文源链接：https://www.frontiersin.org/articles/10.3389/fnsys.2021.578875/pdf
2021.1.19，澳大利亚塔斯马尼亚大学、华中科技大学等，Xiaotong Gu，Peng Xu等，EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and Their Applications。
摘要：综述了脑机接口应用中脑电信号传感技术和计算智能方法的最新文献，以弥补过去五年系统总结中的空白。具体而言，我们首先回顾了用于收集可靠EEG信号的BCI和信号传感技术的现状。然后，我们展示了最先进的计算智能技术，包括机器学习和深度学习算法中的模糊模型和转移学习，以检测、监控和维护人类认知状态和任务在各普遍应用中的性能。最后，我们介绍了一些创新的BCI启发的医疗保健应用，并讨论了基于EEG的BCI研究的未来研究方向。
论文源链接：https://arxiv.org/pdf/2001.11337.pdf
数据集：https://bcmi.sjtu.edu.cn/home/seed/index.html
2021.6.26，印度巴特那国立理工学院，RakeshRanjan等，Ocular artifact elimination from electroencephalography signals: A systematic review。
摘要：本文试图对消除最常见的伪影之一——眼部伪影的方法学进展作一粗略概述。期望通过对记录脑电信号的仿真模型验证，对现有的所有眼部伪影消除技术的研究有所启发。在未来的进展中，伪影消除技术中的标准规范有望在从无伪影脑电信号中获得正确信息后，通过证实临床诊断来减轻神经科医生的负荷。
论文源链接：https://www.sciencedirect.com/science/article/abs/pii/S0208521621000838?via%3Dihub
2021.1.8，意大利马尔凯理工大学，Nibras Abo Alzahab等，Hybrid Deep Learning (hDL)-Based Brain-Computer Interface (BCI) Systems: A Systematic Review。
摘要：综述了2015年至2020年间发表的47篇将hDL应用于 BCI系统的论文，以提取研究趋势并突出该主题的相关方面。调查表明，hDL被常用来处理脑电图（EEG）。EEG数据的信噪比（SNR）较低（因此必须对该数据进行预处理），但我们发现预处理仅有21.28%研究论文使用，这表明hDL似乎能够克服脑电图数据的这一固有缺点。时间特征似乎是最有效的，准确率为 93.94%，而时空特征的使用率最高，有33.33% 的研究论文使用。最常用的架构是卷积神经网络-循环神经网络 CNN-RNN，占47%。此外，50%的研究使用较少的层数来实现网络复杂性和计算效率之间的良好折衷。
论文源链接：https://www.mdpi.com/2076-3425/11/1/75/htm
2021.5.28，韩国大学，Wonjun Ko等，A Survey on Deep Learning-Based Short/Zero-Calibration Approaches for EEG-Based Brain–Computer Interfaces。
摘要：在这项研究中，我们回顾了基于DL的BCI短/零校准方法。此外，我们阐述了方法/算法趋势，突出了文献中有趣的方法，并讨论了进一步研究的方向。特别是，我们寻找基于生成模型和基于几何操作的DA方法。此外，我们将基于DL的BCI中的TL技术分为显式和隐式方法。我们系统化揭示了DA和TL方法的进步。在此处综述研究中，约45%的DA研究使用基于生成模型的技术，而约45%的TL研究使用显式知识转移策略。此外，根据我们的文献综述，我们为基于DL的BCI推荐了适当的DA策略，并讨论了基于DL的BCI中使用的TL的趋势。
论文源链接：https://www.frontiersin.org/articles/10.3389/fnhum.2021.643386/full

民用

2021.8，孟加拉商业科技大学,M. F. Mridha等，Brain-Computer Interface: Advancement and Challenges。
摘要：本研究对BCI领域进行了全面概述,阐述BCI的多个应用。然后，简明地解释了BCI系统的每个元素。此外，还附上了对BCI中使用的技术或硬件（主要是传感器）的简要概述。最后，本文调查了BCI的几个未解决的挑战，并用可能的解决方案解释了它们。
论文源链接：https://www.mdpi.com/1424-8220/21/17/5746/htm
2021.10，印度拉贾斯坦邦理工学院，Varun Kohli, Vinay Chamola等，A Review on Virtual Reality and Augmented Reality Use-Cases of Brain Computer Interface Based Applications for Smart Cities。
摘要：这篇综述深入研究了BCI和XR技术，并举例说明了它们的组合如何产生与上述应用有关的有希望的结果。它详细讨论了BCI、VR和AR技术的背景及其各自的应用。然后，讨论了将这些技术用于智慧城市中各种现实生活应用。此外，我们还介绍了使用BCI和XR技术组合的未来应用范围。
论文源链接：https://www.researchgate.net/publication/355789243_A_Review_on_Virt ual_Reality_and_Augmented_Reality_Use-Cases_of_Brain_Computer_Interface_Based_Applications_for_Smart_Cities/link/617e3600eef53e51e10c535c/download
2021.9，美国范斯坦医学研究所，Historical perspectives, challenges, and future directions of implantable brain-computer interfaces for sensorimotor applications。
摘要：探讨了脑机技术面临的挑战、历史观点以及临床研究参与者的显著成就。
论文源链接：https://bioelecmed.biomedcentral.com/track/pdf/10.1186/s42234-021-00076-6.pdf
2021.7，伦敦帝国理工学院，Mind the gap: State-of-the-art technologies and applications for EEG-based brain–computer interfaces
摘要：在这篇文章中，回顾了可穿戴生物传感的最新技术，重点是开发用于长期和无创EEG监测的新型电极接口。对市售EEG平台进行了调查，并根据它们为eBCI开发提供的好处和局限性进行了比较分析。讨论了神经科学研究中的新兴应用以及与广泛实施eBCI用于医疗和非医疗用途相关的未来趋势。最后，对与这种日益普及的技术相关的伦理、社会和法律问题进行了评论，并提供了解决与主流消费者采用相关的关键问题的一般建议。
论文源链接：https://aip.scitation.org/doi/pdf/10.1063/5.0047237
2021.6.24，哥伦比亚教育技术大学软件研究小组，Daniela Camargo-Vargas等，Brain-Computer Interfaces Systems for Upper and Lower Limb Rehabilitation: A Systematic Review。
摘要：本文是对BCI用于人体上下肢康复的发展现状和机遇的系统综述。
论文源链接：https://www.mdpi.com/1424-8220/21/13/4312
2021.1.15，爱尔兰都柏林三一学院，Simon Colin，Challenges and Opportunities for the Future of Brain-Computer Interface in Neurorehabilitation。
摘要：我们提供了关于阻碍BCI可扩展性的因素的当代观点。此外，我们提供了技术优化设计的未来展望，以最好地利用其独特的潜力，以及研究和报告发现的最佳实践。
论文源链接：https://www.frontiersin.org/articles/10.3389/fnins.2021.699428/full
2021.8.13，法国巴黎凯捷工程公司，Khalida Douibi等，Toward EEG-Based BCI Applications for Industry 4.0: Challenges and Possible Applications。
摘要：在当前的研究中，我们进行了详细的文献回顾，以调查与未来工业4.0的BCI应用程序部署相关的主要挑战和提出的标准。
论文源链接：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8414547/

军用

2021.3.30，波兰奥波莱工业大学，Adrian Czech，Brain-Computer Interface Use to Control Military Weapons and Tools。
摘要：本文考虑了脑机接口（BCI）技术对建立军事利益的影响因素。BCI技术仍处于发展状态，本文主要提供对不久的将来的预测。
论文源链接：https://link.springer.com/chapter/10.1007/978-3-030-72254-8_20
2021.2.18，丹麦皇家国防学院，Katrine Nørgaard，Cyborgs, Neuroweapons, and Network Command。
摘要：本文将探索新兴军事神经技术领域及其挑战战争边界的方式。
论文源链接：https://sjms.nu/articles/10.31374/sjms.86/

关键技术（进阶）

硬件

2021.2，韩国高等科学技术研究院，Netiwit Kaongoen等，Speech-imagery-based brain–computer interface system using ear-EEG，Journal of Neural Engineering（国际神经工程领域顶级期刊）。
摘要：调查了以用户耳朵为中心的脑电图（ear-EEG）在基于语音图像的脑机接口（BCI）系统中的功效，开发了一种可穿戴式入耳式脑电图采集工具。实验结果表明，耳脑电图作为语音图像监测的头皮脑电图采集方法的替代方案具有巨大的潜力。所提议系统中语音图像和耳脑电图采集的优点和可行性将加速BCI系统在日常生活中的发展。这是第一项在基于语音图像的BCI中调查耳脑电图性能的研究，成果发表于国际神经工程领域顶级期刊Journal of Neural Engineering。
论文源链接：https://iopscience.iop.org/article/10.1088/1741-2552/abd10e/meta

算法

2021.11.11，美国麻省理工学院、哈弗医学院，Maryam M Shanechi等，Neural population partitioning and a concurrent brain-machine interface for sequential motor function，（Nature Neuroscience）
摘要：许多自然任务涉及复杂运动目标，需要在执行之前规划此类运动的完整序列，为此开发了一种脑机接口技术，可以在运动之前同时解码完整的运动序列脑信号，然后可以根据需要准确地执行动作。
论文源链接：https://www.nature.com/articles/nn.3250
2020.1.24，天津大学，Enhance decoding of pre-movement EEG patterns for brain–computer interfaces（被英国物理学会出版社（IOP Publishing）授予“CHINA TOP cited paper award 2021”，旨在表彰发表的最具影响力的论文）。
摘要：针对从脑电图中解码自愿手指预运动这一BCI挑战难题，在分析时域和频域中的运动前脑电图特征，设计了一种有效的方法来解码运动相关的模式。使用判别规范模式匹配（DCPM）和公共空间模式（CSP）提取运动相关皮层电位（MRCP）和事件相关去同步化（ERD）特征，然后分别用两个fisher判别分析分类器对这两类特征进行分类。实验结果表明，运动前的MRCP和ERD特征包含显着的判别信息，它们相互补充，因此可以用DCPM和CSP组合方法去很好地识别。本研究为运动前脑电图模式的解码提供了一种很有前景的方法，这对脑机接口的发展具有重要意义。
论文源链接：https://pubmed.ncbi.nlm.nih.gov/31747642/
2021.11，芬兰图尔库大学、沙特阿拉伯埃法特大学，Abdulhamit Subasi，The Ensemble Machine Learning-Based Classification of Motor Imagery Tasks in Brain-Computer Interface。
摘要：设计了一种新方法来自动识别运动图像（MI）任务。该方法基于多尺度主成分分析（MSPCA）、小波包分解（WPD）、子带统计特征提取和基于集成学习的分类器的有效混合，对 MI 任务进行分类。通过测试，集成学习方法分别产生了98.69%和94.83%的最高分类准确率。
论文源链接：https://www.hindawi.com/journals/jhe/2021/1970769/
2021.10，英国布里斯托大学，Joseph Pemberton等，Cortico-cerebellar networks as decoupling neural interfaces。
摘要：引入解耦神经接口（DNI）作为深度网络中前向和反馈锁定问题的解决方案。引入了一个系统级模型，其中循环皮层网络从小脑模块接收在线时间反馈预测。在许多已被证明依赖于小脑的感觉运动（线条和数字绘图）和认知任务（模式识别和字幕生成）上测试了这种皮质-小脑循环神经网络（ccRNN）模型。ccRNN 有助于学习，同时减少类似共济失调的行为。该工作为小脑作为一种全脑解耦机器提供了一个新的视角，用于有效的可信度赋值，并在深度学习和神经科学之间开辟了一条新途径。
论文源链接：https://arxiv.org/pdf/2110.11501.pdf
2021.3，英国帝国理工学院，Pablo Ortega等，HemCNN: Deep Learning enables decoding of fNIRS cortical signals in hand grip motor tasks。
摘要：使用数据驱动方法卷积神经网络架构HemCNN解决fNIRS左/右手力解码问题。通过测试HemCNN学会了检测哪只手以1Hz 的自然手部动作速度执行抓握，优于标准方法。由于HemCNN不需要基线校正，并且卷积操作对时间平移是不变的，因此该方法可以帮助为各种实时任务解锁fNIRS。移动脑成像和移动脑机接口可以从中受益。
论文源链接：https://arxiv.org/pdf/2103.05338.pdf
2021.11，瑞士洛桑联邦理工学院，Semih Günel, Florian Aymanns等，Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations。
论文源链接：https://arxiv.org/pdf/2111.14595.pdf
2021.12，瑞士洛桑联邦理工学院，Semih Günel, Florian Aymanns等，Overcoming the Domain Gap in Neural Action Representations。
【6、7】摘要：开发了一种识别神经动力学和行为之间的非线性关系以计算神经表征的自我监督方法。并采用多模式数据集进行验证，结果表明该方法有望加速自我监督学习方法在神经科学中的应用。这基础之上，进一步研究了不同物种个体之间的领域差距下通用模型训练这一难题，使用个体3D姿势数据来指导神经动作表征的编码，在训练期间，在似乎执行相似动作的动物之间交换神经和行为数据。通过在三个非常不同的多模式数据集上测试了方法：一个以苍蝇及其神经活动为特征，一个包含人类神经皮层电图（ECoG）数据，最后是从不同角度观察人类活动的RGB视频数据。
论文源链接：https://arxiv.org/pdf/2112.01176.pdf
2021.6，美国斯坦福大学，Eric M. Trautmann, Daniel J. O’Shea等，Dendritic calcium signals in rhesus macaque motor cortex drive an optical brain-computer interface。
摘要：展示了一种植入物和成像系统，能够对从事运动任务的猕猴神经元钙信号进行慢性、运动稳定的双光子成像。并基于此开发了一种由这些树突信号驱动的光学BCI（oBCI），它成功地在线解码了运动方向。这种方法为通过双光子成像研究运动控制和设计BCI创造了新的机会。
论文源链接：https://www.nature.com/articles/s41467-021-23884-5.pdf
代码：https://github.com/djoshea/obci
数据集：https://datadryad.org/stash/dataset/doi:10.5061/dryad.cnp5hqc4k
2021.11，瑞士洛桑联邦理工学院，Vahid Salari, Serafim Rodrigues等，Are Brain-Computer Interfaces Feasible with Integrated Photonic Chips?
摘要：研究了一种全新的脑机接口（BCI）。光谱的可见光和近红外部分内或附近有一些来自神经元的超弱光子发射（UPE），其反映了细胞（和身体）的氧化状态，UPE强度与神经活动、EEG活动、脑血流量、脑能量代谢和谷氨酸释放之间存在直接关联。基于此作者提出了一种使用UPE的新型颅骨植入BCI。建议安装在头骨内表面的光子集成芯片可以实现从UPE信号中提取相关特征的新形式。在当前的技术格局中，光子技术因其独特的优势，例如小型化、高速、低热效应和大集成能力，可实现高产量，而迅速发展并有望超越许多电气技术，量产，成本更低。
论文源链接：https://arxiv.org/pdf/2112.01249.pdf
2021.11，美国南加州大学，Shixian Wen等，Rapid adaptation of brain–computer interfaces to new neuronal ensembles or participants via generative modelling。
摘要：针对神经信号映射到动作，训练数据缺失的问题，通过AI生成模型的开发和使用，从学习的数据分布中合成几乎无限数量的新数据，该模型进而通过学习手部运动学和相关神经尖峰序列之间的映射。该模型可以合成新的尖峰训练，加速训练并提高BCI解码器的泛化能力。该方法完全由数据驱动，因此适用于运动控制以外的BCI应用。
论文源链接：https://www.nature.com/articles/s41551-021-00811-z
代码：https://github.com/shixianwen/Rapid-transfer-of-brain-machine-interfaces-to-new-neuronal-ensembles-or-participants
数据集：https://github.com/shixianwen/Rapid-transfer-of-brain-machine-interfaces-to-new-neuronal-ensembles-or-participants
2021.4，美国卡耐基梅隆大学、明尼苏达大学，James R. Stieger，Continuous sensorimotor rhythm based brain computer interface learning in a large population。
摘要：发布了收集的大型纵向数据集，该数据集是迄今为止公开可用的最大和最复杂的SMR-BCI数据集之一，有助于开发新的 BCI 控制算法。
论文源链接：https://www.nature.com/articles/s41597-021-00883-1.pdf
代码：https://github.com/bfinl/BCI_Data_Paper.
数据集：https://doi.org/10.6084/m9.figshare.13123148
2021.11，瑞士苏黎世理工学院，Ard Kastrati等，EEGEyeNet: a Simultaneous Electroencephalography and Eye-tracking Dataset and Benchmark for Eye Movement Prediction。
摘要：提出了一个新的数据集和基准，可以帮助推进大脑活动和眼球运动交叉领域的研究。基于这个数据集，作者提出了一个基准来评估EEG测量的凝视预测。基准测试包括三个难度越来越高的任务：左右、角度幅度和绝对位置。该成果发表于AI顶会NeurIPS 2021。
论文源链接：https://arxiv.org/pdf/2111.05100.pdf
2021.4，西交利物浦大学，Xuying Wang，A Hybrid Transfer Learning Approach for Motor Imagery Classification in Brain-Computer Interface。
摘要：针对标记数据严重不足及受试者之间巨大个体差异，导致其他受试者的数据不能直接用于训练目标受试者的分类器这一问题，提出了一种基于数据对齐和深度迁移学习的迁移学习方法，并通过基于开放数据集的实验验证了该方法的有效性。
论文源链接：https://ieeexplore.ieee.org/abstract/document/9391933
代码：https://github.com/ardkastrati/eegeyenet
数据集：https://paperswithcode.com/dataset/eegeyenet
2021.7，韩国科学技术研究院，Woo Seok Byun，Design Considerations of Linear Algebra Processor for Wearable Brain-Computer Interface System。
摘要：研究了基于稳态视觉诱发电位（SSVEP）的可穿戴BCI，使瘫痪患者能够与他人交流。然而，可穿戴设备的目标识别准确率、信息传输率（ITR）等性能指标仍有待进一步提升。为此设计了基于线性代数执行目标识别算法的可穿戴脑机接口（BCI）。在目标识别算法的情况下，可以在基于单通道SSVEP的软件实现和硬件中的多通道SSVEP处理中分别考虑的信号二值化技术和候选减少技术，以降低计算复杂度。对于硬件架构设计，介绍了处理单元阵列的架构考虑，可以有效地执行各种线性代数运算。
论文源链接：http://jicas.idec.or.kr/index.php/JICAS/article/view/62
2021.6，孟加拉国独立大学电气与电子工程系，Islam Md Kafiul，Probability Mapping Based Artifact Detection and Removal from Single-Channel EEG Signals for Brain-Computer Interface Applications。
摘要：针对单通道脑电信号中伪迹的检测和去除问题，提出了一种新的基于四种不同统计量的伪迹检测方法：熵（一种不确定性度量）、峰度（一种峰度度量）、偏度（一种非对称性度量）和周期波形指数（一种周期性度量）。然后，提出了一种基于平稳小波变换的伪迹去除方法。该算法已应用于真实和合成数据的测试，并与其他自动化伪迹去除方法进行了比较。通过计算复杂度等多种性能指标验证了其优越的性能。
论文源链接：https://www.sciencedirect.com/science/article/abs/pii/S016502702100 1849?via%3Dihub

范式

2021.6.22，日本香川大学、千叶大学，Akinari Onishi，Brain-computer interface with rapid serial multimodal presentation using artificial facial images and voice。
摘要：多模态刺激引起的脑电图（EEG）信号可以驱动BCI，可以同时使用视觉和听觉刺激来提高BCI性能。日本香川大学Akinari Onishi等学者，提出了一种快速串行多模态呈现（RSMP）BCI，它结合了人工面部图像和人工语音刺激。结果表明，视听刺激提高了RSMP BCI的性能，并且P300有助于提高分类准确性。BCI在线准确率达到85.7±11.5%。
论文源链接：https://arxiv.org/pdf/2102.03796.pdf
2021.3.27，希腊约阿尼纳大学，Evangelos Antoniou等，EEG-Based Eye Movement Recognition Using Brain–Computer Interface and Random Forests。
摘要：提出了一种新系统，该系统利用脑机接口在眼球运动时捕获人类受试者的脑电图（EEG）信号，然后通过应用随机森林（RF）分类算法将其分为六类。所提出的随机森林脑机接口（RF-BCI）的类别是根据受试者眼睛的位置定义的：睁眼、闭眼、向左、向右、向上和向下。RF-BCI的目的是用作基于EEG的控制系统来驱动机电轮椅（康复设备）。实验结果表明，RF算法的性能优于其他方法，并且获得了6类分类的高准确率（85.39%）。
论文源链接：https://www.mdpi.com/1424-8220/21/7/2339/htm
2021.6.28，伊利诺伊大学-香槟分校，Yao Li等，SSVEP-based Brain-computer Interface for Part-picking Robotic Co-worker。
摘要：演示了一种基于稳态视觉诱发电位（SSVEP）的脑机接口，可以通过耳机直接将人类的认知传递给机器人。该BCI应用于一个零件采摘机器人，在操作者视觉检查零件质量的同时向机器人发送决策。输送机一侧的摄像头拍摄各部分的照片，并自动呈现给操作人员。操作者看照片时，通过BCI采集脑电图（EEG）。检查决策通过EEG中SSVEPs提取。当操作者识别出有缺陷的零件时，通过第二个摄像头将信号传达给定位有缺陷零件的机器人，并将其从输送机上取出。实验结果表明在识别和去除缺陷部分时准确率达到93%
论文源链接：https://asmedigitalcollection.asme.org/computingengineering/article-abstract/22/2/021001/1112312/SSVEP-Based-Brain-Computer-Interface-for-Part?redirectedFrom=fulltext

数据集

SEED：SJTU Emotion EEG Dataset (SEED) 是由卢宝亮教授领导的BCMI 实验室提供的脑电数据集集合。该名称继承自数据集的第一个版本，但现在我们不仅提供情感数据集，还提供警戒数据集。截至 2021 年 10 月，累计使用 SEED 的申请数量和研究机构数量分别达到 2600 多个和 770 个。
https://bcmi.sjtu.edu.cn/home/seed/index.html
DRYAD：The Dryad Digital Repository 是一个精心策划的资源，使研究数据可发现、自由重用和引用。Dryad为各种各样的数据类型提供了一个通用的家。https://datadryad.org/stash/our_mission
EEGEyeNet：EEEyeNet是一个数据集和基准，其目标是推进大脑活动和眼球运动交叉的研究。它由三个不同的实验范式中356个不同的被试的同步脑电图(EEG)和眼动(ET)记录组成。
https://paperswithcode.com/dataset/eegeyenet
BCI Competition Datasets：“脑机接口竞赛”的目标是验证脑机接口(BCI)的信号处理和分类方法。
https://paperswithcode.com/dataset/bci-competition-datasets

应用

民用

医疗健康方面

2021.6.18，美国布朗大学，John D. Simeral等，Home Use of a Percutaneous Wireless Intracortical Brain-Computer Interface by Individuals With Tetraplegia。
摘要：展示了人类首次使用无线宽带iBCI，为患有肌萎缩侧索硬化、脊髓损伤或中风等神经系统疾病或损伤的个体实现了在屏幕上快速打字和点击控制平板电脑应用程序。这解决了传统需要有线电缆将神经信号从参与者大脑传输到放大器和解码计算机的弊端，iBCI可以在任何时间任何地点使用，且通信速率与有线相等。长时间无线多电极记录宽带神经信号为人类神经科学研究提供了一种宝贵的工具，并且是向瘫痪患者独立使用iBCI技术的实际部署迈出的重要一步。在家中按需访问高性能iBCI技术有望增强独立性并恢复严重运动障碍人士的沟通和行动能力。
论文源链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9390339
2021.5.21，美国匹兹堡大学、美国认知神经基础研究中心，Sharlene N. Flesher, John E Downey等，A brain-computer interface that evokes tactile sensations improves robotic arm control。
摘要：用双向脑机接口诱发的触觉补充视觉，以让他们能有更接近健全人类能力的任务表现。该接口记录来自运动皮层的神经活动，并通过皮层内的体感皮层微刺激产生触觉。临床上肢评估的试验时间减少了一半，从 20.9 秒的中位时间缩短到 10.2 秒。该成果发表于Science期刊。
论文源链接：https://www.science.org/doi/abs/10.1126/science.abd0380
2021，美国加利福尼亚大学，Daniel B. Silversmith, Reza Abiri, Nicholas F. Hardy等，Plug-and-play control of a brain–computer interface through neural map stabilization。
摘要：研究了无需重新校准即可获得稳定性能的方法。使用了128通道慢性皮层电图（ECoG）植入物，从而可以稳定地监测患者脑信号。基于闭环解码器自适应（其中解码器权重在多天的会话中传播）实现了神经映射和“即插即用”控制的整合[48]。该成果发表于Nature Biotechnology。
论文源链接：https://www.nature.com/articles/s41587-020-0662-5#author-information
2021.7.4，美国德雷塞尔大学，Mohammad Sahal等，Augmented Reality Integrated Brain Computer Interface for Smart Home Control。
摘要：为患有肌萎缩侧索硬化症的人（严重的运动缺陷）设计开发了一种实用的、在家使用的BCI系统，以帮助他们进行通信。利用增强现实（AR）头戴式显示器作为提供BCI刺激和输出的解决方案。该方案有效解决了传统BCI使用存在的若干挑战，如屏幕定位、易用性、访问独立性和校准。
论文源链接：https://link.springer.com/chapter/10.1007/978-3-030-80285-1_11
2021.8.10，印度皮拉尼的大学，Lizy Kanungo等，Wheelchair Automation by a Hybrid BCI System Using SSVEP and Eye Blinks。
摘要：提出了一种混合脑机接口系统，用于残疾人轮椅的自动化。作者详细介绍了基于BCI的轮椅的工作原型，可以在典型的家庭环境中导航，同时不会给用户带来任何视觉障碍和不适。该原型基于稳态视觉诱发电位和眨眼的组合机制。轮椅由RaspberryPi通过WiFi控制。开发的原型展示了所有试验的平均 86.97% 成功率，每个命令执行时间为4.015秒。
论文源链接：https://arxiv.org/ftp/arxiv/papers/2106/2106.11008.pdf
2021.5.12，美国斯坦福大学，Francis R. Willett等，High-performance brain-to-text communication via handwriting。
摘要：开发了一种皮层内BCI，使用循环神经网络方法解码来自运动皮层神经活动的手写动作尝试，并可将其实时转换为文本。基于此BCI，手因脊髓损伤而瘫痪研究参与者的打字速度达到了每分钟90个字符，在线原始准确率为94.1%，离线准确率超过99%。该结果证明了瘫痪数年瘫患者实现快速、灵巧运动的可行性。该成果在Nature上发表。
论文源链接：https://www.nature.com/articles/s41586-021-03506-2
代码：https://github.com/fwillett/handwritingBCI.
数据集：https://doi.org/10.5061/dryad.wh70rxwmv
2021.5.13，美国加利福尼亚大学，Sebastian Olsen等，An artificial intelligence that increases simulated brain–computer interface performance。
摘要：介绍了一种新的基于AI技术的BCI架构（AI-BCI），可以改进对BCI计算机光标的控制，以便在虚拟键盘上打字，以帮助运动障碍患者有效沟通。其中利用用户在长时间（100秒前）和短时间（100毫秒前）的动作来修改BCI的轨迹。实验结果表明AI-BCI 提高了广泛控制质量范围内的性能，这提高 BCI 系统的临床可行性。
论文源链接：https://pubmed.ncbi.nlm.nih.gov/33978599/
2021.3，浙江省脑机协同智能重点实验室，刘栋军, 孔万增等，“基于脑机协同智能的情绪识别”。
摘要：提出一种基于脑机协同智能的情绪识别方法，并在中国面孔表情图片系统上进行了验证，发现对7 种情绪的平均识别准确率为88.51%，相比单纯基于图像的方法，提升了3%～5%。
论文源链接：http://www.infocomm-journal.com/znkx/EN/article/downloadArticleFile.do?attachType=PDF&id=171216

其他民用方面

2021，捷克西波西米亚大学，Lukáš Vařeka等，Prediction of Navigational Decisions in the Real-World: A Visual P300 Event-Related Potentials Brain-Computer Interface。
摘要：研究了视觉P300范式用于现实世界导航决策（行走中左转、右转等策略）制定，通过提取事件相关电位特征，预测他们的导航决策，结果显示单次试验分类准确率达到59.6%。
论文源链接：https://www.tandfonline.com/doi/epub/10.1080/10447318.2021.188851 0?needAccess=true

军用

2020.12.22，美国加州州立大学，Devaj Parikh等，Quadcopter Control in Three-Dimensional Space Using SSVEP and Motor Imagery-Based Brain-Computer Interface。
摘要：美国加州大学Devaj Parikh 采用BCI控制四轴飞行器，并在DJI飞行模拟器和Emotiv Epoc+耳机的帮助下进行验证。
论文源链接：https://ieeexplore.ieee.org/abstract/document/9284924
2021.8.20，英国埃塞克斯大学，Saugat Bhattacharyya等，Anytime collaborative brain–computer interfaces for enhancing perceptual group decision-making。
摘要：提出了协作脑机接口（cBCI）方法，并用两个军事相关场景对其测试，结果表明其显着提高感知群体决策的速度和准确性。这项工作的主要特点是：（1）cBCI结合了行为、生理和神经数据，以便能够在最快的团队成员投票后随时提供集体决策，但群体决策可以等待的时间越长，cBCI辅助决策的质量就越高；（2）将cBCI应用于两个与军事相关的现实场景（在黑暗的走廊巡逻和在夜间部署前哨，用户需要识别出现的任何身份不明的角色），其中决策是基于通过视频馈送传达的信息；（3）cBCI利用潜在威胁出现在大脑活动中引发的事件相关电位（ERP），但独特的是，出现时间是由系统自动估计的（而不是不切实际地提供给它）。由于这些因素，在两个测试环境中，与更传统的方式集成单个决策时相比，cBCI协助的小组做出更准确和更快的决策。
论文源链接：https://www.nature.com/articles/s41598-021-96434-0.pdf
2021.8.16，韩国高丽大学，Dae-Hyeok Lee, Dong-Kyun Han, Sung-Jin Kim等，Subject-Independent Brain-Computer Interface for Decoding High-Level Visual Imagery Tasks。
论文源链接：https://arxiv.org/pdf/2106.04026.pdf
2021.7.15，韩国高丽大学，Dae-Hyeok Lee, Dong-Kyun Han, Sung-Jin Kim等，DAL: Feature Learning from Overt Speech to Decode Imagined Speech-based EEG Signals with Convolutional Autoencoder。
论文源链接：：https://arxiv.org/pdf/2107.07064.pdf
2020.12.13，韩国高丽大学，Dae-Hyeok Lee, Hyung-Ju Ahn, Ji-Hoon Jeong等，Design of an EEG-based Drone Swarm Control System using Endogenous BCI Paradigms。
【3、4、5】摘要：针对BCI与无人机（群）控制的结合进行了深入研究，提出了多种新算法。提出了subepoch-wise特征编码器（SEFE），提高了任务的性能，并首次证明BCI在受试者之间的泛化可能性。首次尝试使用公开语音的EEG特征，通过自动编码器解码想象的基于语音的 EEG 信号，实验证明公开语音的EEG特征可以提高想象语音的解码性能。并基于此控制无人机群时，可以实现更直观地传递复杂的命令。设计了内生范式，即进行了专门用于无人机群控制的运动图像（MI）、视觉图像（VI）和语音图像（SI），以及与无人机群控制相关的基于EEG的各种任务分类。
论文源链接：https://arxiv.org/pdf/2012.03507.pdf
2020.8.27，韩国韩东国际大学，Soram Kim等，P300 Brain–Computer Interface-Based Drone Control in Virtual and Augmented Reality。
摘要：使用基于P300的BCI开发了一个基于开源的无人机控制应用程序，该应用程序可用于VR和AR。
论文源链接：https://www.mdpi.com/1424-8220/21/17/5765/htm
2020.4.29，韩国高丽大学，Ji-Hoon Jeong等，Towards Brain-Computer Interfaces for Drone Swarm Control。
摘要：介绍了将视觉图像范式用于各种场景的脑机接口系统的原型，通过实验确认了基于EEG信号的无人机群控制系统执行高级任务的可行性。
论文源链接：https://arxiv.org/pdf/2002.00519.pdf
2020.9.14，印度圣约瑟夫工程技术学院，A.Franklin Alex Joseph ，Minimizing electrodes for effective brain computer interface。
摘要：提出基于最近邻算法KNN的脑电信号分类器。
论文源链接：https://www.sciencedirect.com/science/article/abs/pii/S17468094203033 72
2021.8.27，印度班纳里安曼理工学院，M.S. Prasath等，Mind-Controlled Unmanned Aerial Vehicle (UAV) Using Brain–Computer Interface (BCI)。
摘要：对BCI 技术与无人机的集成进行了研究。
论文源链接：https://onlinelibrary.wiley.com/doi/abs/10.1002/9781119769170.ch13
2020.3.28，西班牙格拉纳达大学、美国亚利桑那州立大学，Carolina Diaz-Piedra等，EEG Theta Power Activity Reflects Workload among Army Combat Drivers: An Experimental Study。
摘要：基于脑电图数据，评估心里工作负荷变化对执行战斗和非战斗场景的陆军驾驶员大脑活动的影响，实验表明EEG活动可以以客观、公正的方式提供对心理工作量变化的相关洞察。对作战人员的持续监控不仅可以即时检测过载/欠载，还可以向系统（自动化设备或机组人员）提供在线反馈，以采取对策并防止致命错误。
论文源链接：https://zaguan.unizar.es/record/89711/files/texto_completo.pdf?version=1
2021.9.5，孟加拉国军事科学技术学院计算机科学与工程系，Akib Zaman等，Intelli-Helmet: An Early Prototype of a Stress Monitoring System for Military Operations。
摘要：为部署在军事行动中的士兵开发名为Inteli-Helmet的压力监测系统的早期原型，通过士兵的脑电波和生理数据，以测量他们的压力，并促进上级指挥官对士兵在（从）战场部署（或返回）做出最佳决策。研究发现贝叶斯网络算法在对士兵的压力状态进行分类时显示出更高的准确率，达到97.4%，其次是J48决策树算法，达到96.1%。
论文源链接：https://link.springer.com/chapter/10.1007/978-3-030-86223-7_3
2020.8.4，阿联酋阿勒艾因大学，Fatima Ali Al-Nuaimi等，Mind Drone Chasing Using EEG-based Brain Computer Interface。
摘要：提出了一种通过使用基于P300的脑机接口来控制无人机的新方法，该接口在军事领域可作为辅助技术。主要思想是无人机可以通过士兵的大脑活动使用脑电图（EEG）来控制无人机，以追逐其他无人机并发现隐藏的敌人区域。
论文源链接：https://ieeexplore.ieee.org/abstract/document/9154926

教程课程

NeurotechEDU

（原链接：http://learn.neurotechedu.com/lessons/ ）

【BCI 101】这个模块提供了脑机接口的高级描述。在本课程中，将学习什么是BCI，一些例子，组成BCI的部分，如何制作BCI，以及一些为自己构建的项目。通过阅读脑机接口介绍模块开始本课程。如果对交互式教程感兴趣，并拥有android手机，可查看EEG 101应用程序。
目录：
● Introduction to Brain Computer Interfaces
● What are some of the existing BCI's applications?
● What are some of the headsets that I can purchase to make a BCI?
● What are some of the software tools I can use to build a Brain Computer interface?
● How do I do Signal Preprocessing
● How do I do Feature Extraction of Neural Oscillations?
● How do I do Feature Extraction of Event Related Potentials (ERP)?
● How can Machine Learning be used to recognize features?
● What are some BCI projects I can build for myself?
● New Emerging Technologies
【NEUROSCIENCE 101】神经科学导论是对我们所知道的大脑和神经系统其他部分的一个高层次的概述。
● The Nervous System
● Cellular Components
● Neuroanatomy and Brain Organization
● Brain Diseases and Disorders
【NeuroTechEDU's Awesome List of BCI-related Resources】 https://github.com/NeuroTechX/awesome-bci
A. Software
a. Stand Alone BCI Applications
b. Matlab Toolboxes
c. Python Toolboxes
d. Android Toolboxes
e. Brain Visualizations
f. RaspberryPi Framework
g. Communication Protocols
B. Hardware
a. EEG
i. Consumer and DIY EEG Devices
ii. Research EEG Devices
iii. BCI Products
iv. EEG Parts
b. NIRS Devices
c. Multimodal Neurotech
d. Upcoming NeuroImaging Tech
C. Brain Databases
D. Consultants For Hire
E. Tutorials and Project Ideas
F. Communities and Blogs
a. Blogs
b. Forum
G. Competitions
a. Data Competitions
b. Brain Controlled Competitions
H. Conferences and Events
I. Reading Material
a. Papers
b. Introductory Books
c. Technical Books
d. Signal Processing
J. Other Resources

ISSCC 2021

本教程将重点介绍实现植入式BCI的关键挑战，如闭环操作、小型化和规模化。我们将首先介绍基本电路构建块及其与电极、信号和组织的相互作用。
教程PPT：https://d3smihljt9218e.cloudfront.net/lecture/13728/slideshow/5927a14fe26dacd1900e46a45bf7c559.pdf
教程视频：https://underline.io/lecture/13728-t12---%EF%BB%BFbrain-computer-interfaces-fundamentals-to-future-technologies

MIT公开课

课程简介：探索包括脑机接口在内的感官恢复，恢复运动、触觉和视觉，包括基因治疗。
课程视频链接：https://ocw.mit.edu/courses/brain-and-cognitive-sciences/9-13-the-human-brain-spring-2019/lecture-videos/brain-machine-interface/

SCCN（加州大学圣地亚哥分校斯沃茨计算神经科学中心）课程

课程简介：加州大学圣地亚哥分校斯沃茨计算神经科学中心《现代脑机界面设计导论》
课程视频链接：https://www.youtube.com/playlist?list=PLbbCsk7MUIGcO_lZMbyymWU2UezVHNaMq

其他

基于深度学习的脑机接口教程(Deep-Learning for BCI)
教程主页：https://github.com/xiangzhang1015/Deep-Learning-for-BCI
教程数据集：https://github.com/xiangzhang1015/Deep-Learning-for-BCI/tree/master/dataset
BCI Project Code and Libraries 教程简介：介绍了脑机接口(BCI)项目中软件是如何工作的。
教程PPT：https://docs.google.com/presentation/d/1uBB_7ZYPPjJvk_ZpMGcVdfXhiBBlWq9ArlWvfJFO_Eo/edit#slide=id.g801a61af19_0_0
教程代码：https://github.com/NeuroTech-UCSD/EEGFaceDetection
教程视频链接：https://www.youtube.com/watch?v=GmEW9Q_PxPU

开源工具

MATLAB Toolbox for Brain-Computer Interface Research
脑机接口研究的MATLAB工具箱这个软件是由加州大学圣地亚哥分校的Swartz计算神经科学中心编写的。这项工作由陆军研究实验室资助，合作协议编号为W911NF-10-2-0022，并由斯沃茨基金会(Old Field, NY)捐赠。biliab的设计受到了之前的工具箱(PhyPA工具箱)的启发，该工具箱是由C. Kothe在2006- 09年编写的，来自柏林理工学院人机系统部门的T. Zander的贡献。这个工具箱在2017年不再被积极开发。但是，仍然执行关键更新。
https://github.com/sccn/BCILAB