使用视觉、用户意图推断和人机共同控制的框架，旨在解决机器人远程操作系统中的挑战，同时缓解大脑 - 计算机接口下的噪音和错误低维度运动指令问题。我们使用共同控制辅助框架对两个使用了颅内脑机接口的受试者进行实验，并取得了显着的性能提升，在门的开启、从容器中倒液体和在密集且杂乱的环境中使用新型物品等任务中进一步展示了我们架构的可扩展性。

Mar, 2015

提出了一种基于深度学习的框架，利用强化学习选择性注意机制和修改后的 LSTM 算法等方法，实现了人与物联网对象之间的认知互动，验证了该方法的有效性。

May, 2018

通过引入脑 - 人工智能接口（BAI）作为一种新的脑 - 计算机接口（BCI）类别，我们可以让患有认知障碍的个体也能受益于 BCI 技术，BAI 使用人工智能以取代传统 BCI 所依赖的完整认知功能，通过提供高层次意图来完成复杂任务，同时由预先训练的 AI 代理处理底层细节。本研究介绍了 BAI 的整体概念，并通过基于 EEG 的对话 BAI 展示了其潜力，特别是在一个模拟电话对话实验中，该对话 BAI 实现了复杂的交流，无需生成语言。因此，我们的工作首次展示了语音神经假肢在现实场景中使用非侵入式技术实现流畅交流的能力。

Feb, 2024

使用脑机接口（BCI）技术研究用户的注意力、认知和情感状态，推导用户偏好以及与视觉内容的关联，并将其应用于信息检索、生成模型的个性化控制以及群体情感估计。

May, 2024

脑机接口（BCIs）提供了从大脑到外部设备的直接路径，具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号，提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验，证明了所提出的联合学习过程在学习效率和效果上的优势。

Aug, 2023

通过使用大规模语言模型（LLM）与语义脑解码器相结合，直接从功能性磁共振成像（fMRI）输入中生成与视觉或听觉语言刺激内容紧密相关的连贯语言序列，这证明了利用脑机接口（BCIs）直接生成语言的潜力和可行性。

Nov, 2023

本文提出了一种基于知识蒸馏的框架，通过混合范式诱导的 EEG 信号操纵机械臂以实现实用化，并证实使用分层模型和知识蒸馏可以提高简单结构的性能。

Dec, 2022

我们开发了一种针对增强现实眼镜交互的消费级视觉 - 脑机接口系统，该系统由一个可穿戴硬件和一个软件框架组成，硬件重量轻，体积小，实现了高准确性和实时交互，软件框架具有模块化配置和可扩展性。

Aug, 2023

采用先前任务学习得到的先验知识，我们提出了一种串联的前两名 Thompson 抽样算法 (Sequential Top-two Thompson Sampling, STTS)，将广义多臂老虎机中的最佳臂序列问题视为一系列任务。这种算法取得了实质性的实验性改进。

May, 2023

本综述论文提供了应用于脑机接口的可解释人工智能技术的整合视角。对大脑信号进行解释的预测模型在各种高风险应用中使用。然而，在这些复杂模型中实现可解释性是具有挑战性的，因为这会损害准确性。为了解决脑机接口的可解释性需求，提出了可解释人工智能为脑机接口的综合框架 (XAI4BCI) 的文献缺乏整合视角的问题。该研究通过系统性回顾和元分析提出了六个关键的研究问题，涵盖了 XAI 在脑机接口的目的、应用、可用性和技术可行性方面。本研究结果强调当前研究主要集中在解释性方面，旨在为开发人员和研究人员提供成果的解释并增强模型性能。研究还从哲学、心理学和社会科学中获取了独特的方法、优势和限制。同时，提出了一种面向 XAI4BCI 的设计空间，考虑到为脑机接口发展和部署生命周期中的各利益相关方定制可视化和研究预测模型结果的不断需求。本论文是第一篇仅专注于回顾 XAI4BCI 研究文章的论文。该系统性回顾和元分析结果与提出的设计空间引发了关于建立 BCI 解释标准的重要讨论，并突出了当前的局限性，指导了 XAI 在 BCI 领域的未来发展。

Dec, 2023