本文提出了基于 Raspberry Pi 单板计算机的开源软件和开发的扩展板，用于读取和分解 EEG 信号，并举例使用这些信号控制 LED 和玩具机器人。最后讨论了近未来大脑 - 计算机接口的前景和使用实时 EEG 信号控制外部机械物体的各种方法。

Feb, 2022

提出了一种基于深度神经网络的 MI-EEG 分类方法，采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征，消除多种伪迹。实验证明，该方法在 MI-EEG 数据集上的分类精度达到了 95.53％，并应用于具体的 BCI 系统中，实现了打字操作。

Sep, 2017

本文主要介绍一种基于深度卷积神经网络的脑 - 计算机接口通信模型 EEGNet，该模型考虑到不同 BCI 范式中 EEG 信号的特点，成功解决了不同信号间的分类问题。

Nov, 2016

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

智能算法在神经设备上的整合对于各种脑部疾病具有重要机遇。在本文中，我们回顾了在可植入或可穿戴设备上嵌入信号处理的三类智能神经假体的最新进展，包括：1）用于闭环症状追踪和响应性刺激的神经接口；2）用于新兴网络相关疾病如精神疾患的神经接口；以及 3）用于瘫痪后运动恢复的智能脑 - 机接口片上系统（BMI SoCs）。

May, 2024

本文介绍了脑机接口（BCI）的最新研究，并探讨了通过 Facebook Reality Lab 和加州大学旧金山分校的直接将人类语音从人脑解码为数字屏幕输出的方法，以及以 BMI 为基础的控制人脑的远景项目。通过实验 Emotiv Epoc+ Neuroheadset，利用两个监督学习分类器，朴素贝叶斯和线性回归，识别情绪参数，研究表明该设备及其关联应用在神经技术研究中的准确性与能力。非侵入性，可植入和低成本的脑机接口方法不仅是肢体瘫痪患者的替代品，还有助于理解大脑，为我们开启接近记忆和大脑控制的大门。

Jun, 2022

通过脑机接口技术的近期进展，该论文提出了 BRIEDGE 作为一种端到端系统，通过脑电自适应神经网络和编码解码通信框架实现多脑对多机器人的交互。实验结果表明，BRIEDGE 在异构脑电数据的分类准确性方面取得了最佳表现，且在嘈杂环境下具有更稳定的性能。

Mar, 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

本篇文章对五种神经网络进行了比较，旨在用各类公开数据库获取统计学显著结果，以排出最佳的神经网络，供未来脑机接口设计借鉴。

Feb, 2023

本论文系统地研究了与脑信号分析相关的脑机接口的类型、深度学习技术以及应用领域，并对过去五年发表的 230 多篇文章进行了综述，同时讨论了深度学习在脑机接口中的挑战和未来方向。

May, 2019