Brain–machine interfaces: past, present and future
这篇论文主要是对于脑机接口技术的一个综述，发表于2006年，可以大概了解这一领域的发展历程
摘要
自从研究者证明了大脑皮层的神经元集群产生的电信号能够直接用于控制机械臂之后，脑机接口（BMIs）相关的研究就得到了显著的增长。
脑机接口的研究，无论是实验性质的还是临床的，其目标都是将原始的神经信号转换为对机械臂或者人造制动器的运动指令，从而达到帮助瘫痪病人恢复肢体运动的效果。
然而，在达到这个目标之前，还有很多难题需要解决：
1、设计一种完全可移植的，生物相容的信号记录设备
2、开发一种实时更新的计算机算法
3、介绍一种从执行器向大脑提供感觉反馈的方法
4、设计并制造一种人工假体，能够受脑信号直接控制
通过解决这些难题，未来脑机接口就能自由控制假体就像人真实的手臂一样。
介绍
1、非侵入式脑机接口
非侵入式脑机系统利用了脑电图（electroencephalograms，EEGs）去控制电脑光标或者其他设备。这种方法被证明能够有效地帮助瘫痪病人提升与外界世界交流的能力。
然而，基于EEG的技术提供的能力是有限的，尽管其非侵入式的特点在安全性上有很大的保障。其转化率还不足以用于控制拥有高自由度的假肢或者机械臂。但在过去和现在的研究中表明，基于EEG的BMIs在未来可以继续提供一些实际的解决方案，如光标控制、沟通交流、电脑操作以及轮椅控制等。
一般来说，基于EEG的脑机接口尝试去通过测量大量神经元的组合电活动来解析目标主体的自发意图和决定。由于不同的大脑皮层区域产生的电活动存在一定的重叠，这就导致了EEG的时间和空间分辨率变得相对受限。此外，由于EEG信号的低通滤波，这些信号经过了脑组织、骨骼和皮肤的传导之后，分辨率也会损失。EEG也容易受到肌电图(EMG)、眼电图(EOG)和机械装置的影响。
尽管EEG有这么多的缺点，这种技术仍然能检测大脑活动的调节，比如与视觉刺激、注视角度、自发意图和认知状态相关的调节。这些特性也导致了多种基于EEG的系统的开发。其中一种系统利用了视觉诱发电位（VEPs），它检测到受试者在电脑屏幕上观看特定物品或注意到这些物品时出现的VEPs。基于P300诱发电位的BCIs通过区分顶叶皮层对偏好刺激和非偏好刺激的反应来揭示受试者的选择。
一般需要训练几天去操作一个基于EEG的脑机接口系统。视觉反馈是这些训练中至关重要的一环。一些脑机接口的设计依赖于受试者利用生物反馈来发展对自己大脑活动的控制能力，而另一些则利用分类算法来识别与特定自发意图相关的脑电图模式。最近，已经实现了在训练过程中不断更新分类器参数的自适应算法。
为了提升脑电位的分辨率，皮质脑电图（ECoGs）使用了更加侵入式的记录方式，使用了植入硬膜下的电极记录信号。与常规脑电图相比，ECoGs从更小的皮层区域采集神经元活动样本。因此，基于ECoGs的BCIs比基于EEGs的BCIs具有更好的准确性和更短的训练时间。
基于mu节律和beta节律的BCIs也在严重瘫痪的患者中进行了测试。一项研究报告称，一名四肢瘫痪的病人，在脑电接口(BCI)的帮助下，能够用他瘫痪的手来抓东西。脑电接口检测到他感觉运动皮层中的beta波，并**一个功能性电刺激装置。另外，四肢瘫痪患者能够通过基于P300诱发电位的BCI获得一定程度的控制能力。有分析显示，P300电位可用于获取肌萎缩侧索硬化症患者刺激选择的信息。
除了使用脑电图，例如如功能磁共振成像(fMRI)的图像技术也开始被挖掘成为脑信号的新来源来驱动脑机接口发展，虽然基于fMRI的BCIs不适合日常使用，且存在几秒钟的时间延迟，但它们具有良好的空间分辨率，最重要的是，可以对大脑深部结构的活动进行采样。
肌电信号系统利用部分瘫痪患者和截肢患者未受影响肌肉的自发活动，并利用这些信号来控制假肢和外骨骼，是现有非侵入式BCIs的一种替代方案。目前，这些系统比基于脑电图的BCIs在日常情况下更实用。
总的来说，严重和轻度的瘫痪病人可以通过基于EEG的系统来获取一定的交流和运动能力，但是这种能力是很有限的。目前也没有研究表明，这种能力可以在短期内得到显著提升。即便如此，这也不影响其在临床上的应用。如帮助病人恢复拼写能力。但是，如果脑机接口的目标是通过人工假肢来恢复高自由度的运动，这就必须要大脑的高分辨率信号，且可以通过侵入式的方法来实现。