Abstract
脑机接口已成为各国重点布局的前沿技术之一，医学应用是其最重要的应用场景。本文通过定性定量结合方法，梳理了脑机接口医学应用的发展历程和重要场景，分析其研发态势并展望未来趋势。结果表明，脑机接口医学应用的研究热点包括脑电信号处理与解析、机器学习算法开发与应用、神经系统疾病检测与治疗等；技术重点包括新型电极等硬件开发、脑电信号处理算法软件开发，以及脑卒中患者的康复训练等医学应用。目前已有若干侵入式和非侵入式脑机接口处于临床试验阶段。美国和中国正引领着脑机接口的研发，且均有一批非侵入式脑机接口获批上市。未来，脑机接口将应用于更广泛的医疗领域，相关产品将从单一模式向组合模式发展，脑电信号采集设备将具备小型化、无线化等特征。大脑与机器之间的双向信息流动与交互将催生脑机融合智能。脑机接口的安全性和伦理问题会受到重视，相关监管措施和行业规范将更加完善。
Keywords: 脑机接口, 医学应用, 研究现状, 发展趋势
Abstract
Brain-computer interfaces (BCIs) have become one of the cutting-edge technologies in the world, and have been mainly applicated in medicine. In this article, we sorted out the development history and important scenarios of BCIs in medical application, analyzed the research progress, technology development, clinical transformation and product market through qualitative and quantitative analysis, and looked forward to the future trends. The results showed that the research hotspots included the processing and interpretation of electroencephalogram (EEG) signals, the development and application of machine learning algorithms, and the detection and treatment of neurological diseases. The technological key points included hardware development such as new electrodes, software development such as algorithms for EEG signal processing, and various medical applications such as rehabilitation and training in stroke patients. Currently, several invasive and non-invasive BCIs are in research. The R&D level of BCIs in China and the United State is leading the world, and have approved a number of non-invasive BCIs. In the future, BCIs will be applied to a wider range of medical fields. Related products will develop shift from a single mode to a combined mode. EEG signal acquisition devices will be miniaturized and wireless. The information flow and interaction between brain and machine will give birth to brain-machine fusion intelligence. Last but not least, the safety and ethical issues of BCIs will be taken seriously, and the relevant regulations and standards will be further improved.
Keywords: Brain-computer interfaces, Medical application, Research status, Development trends
0. 引言
脑机接口（Brain-computer interfaces，BCIs）指一类在大脑与计算机或其他外部设备间进行信息交互的媒介或设备，在医学、教育、娱乐和军事等领域拥有重要的应用前景。医学诊疗是脑机接口最常见及最主要的应用领域，通过监测、修复、改善、替代、增强等功能，为严重的神经与精神疾病提供重要干预手段。脑机接口已成为全球科技布局的焦点，美欧等国家/地区纷纷部署研究脑机接口基础及应用。我国“十四五”规划和2035年远景目标纲要将脑机接口列为科技前沿领域攻关，也是科技创新2030—“脑科学与类脑研究”重大项目的布局重点之一。本文聚焦脑机接口医学应用，从基础研究、技术开发、成果转化等角度阐述脑机接口医学应用发展现状，并展望未来趋势。
1. 发展历程与应用场景
1.1. 脑机接口医学应用已走过几十年的发展历程
脑机接口医学应用的发展主要经历了概念探索、科学论证和临床应用3个阶段（见图1）。脑机接口的概念探索可追溯至1924年，德国耶拿大学首次记录了人脑的电活动。1969年，第一例脑机接口实验完成。1973年，脑机接口概念被提出，用于形容将脑电信号转化为计算机信号的控制系统。在科学论证阶段，科学家尝试解码脑电信号并控制外部设备，利用脑机接口制造了光幻视，帮助瘫痪患者与外界进行通信和交互[1]，并首次将“运动神经假体”植入人体内，帮助闭锁综合征患者控制电脑光标[2]。21世纪后，脑机接口进入临床应用阶段。布朗大学首次实现植入式脑机接口的临床应用，帮助截瘫患者通过脑电控制假肢[3]；匹兹堡大学通过人脑皮层脑电图信号控制机械手，帮助高截瘫患者以意念控制机械手完成握手等简单动作，并提供一定的触感反馈[4]；加州理工大学利用意念控制机械手臂完成“喝水”等精细任务[5]；麻省理工学院结合脑电信号和肌电信号，使人类利用手势命令机器人队列完成精确的空间移动[6]。
图 1.
Development history of brain-computer interfaces in medicine
脑机接口医学应用发展历程
1.2. 脑机接口医学应用场景日趋多样化
脑机接口最初因康复需求而产生，目前医学应用场景主要有四类：① 对肢体运动障碍患者，康复性脑机接口能够对大脑重复刺激以增强神经元之间的联系，实现部分连接或功能的修复；辅助性脑机接口在获取患者的运动意图后，实现对外部设备的控制。② 对神经发育障碍患者，脑机接口识别电生理异常，提供神经反馈训练等非药物治疗手段。③ 对精神疾病患者，脑机接口基于脑电信号特征实时分析并判断情绪状态，及时监测、干预发病情况。④ 对意识与认知障碍患者，脑机接口实时跟踪患者的脑电信号和意识状态，辅助进行病情诊断和干预方案设计。随着技术发展，脑机接口逐步迈向疾病治疗、人体增强等多样化的应用场景，潜在应用功能包括恢复、替换（控制神经假体）、增强（增强用户体验）、补充、改善等[7]。
2. 研究进展与成果转化
2.1. 脑机接口医学应用领域论文量迅速增长
基于Web of Science核心合集，检索并分析2013年—2022年脑机接口医学应用领域的研究论文。检索方法：TS = (“Brain-computer interface$” or “Brain computer interface$” or “brain-machine interface$” or “brain machine interface$”)，并限定到Neurosciences、Psychology、Clinical Neurology等学科领域；文献类型：Article + Review；检索时间：2023-02-17，数据库更新日期：2023-02-16。结果显示，2013年—2022年共发表脑机接口医学应用相关论文6 226篇。年度发文数量呈现稳定增长的趋势，过去10年中增长了86%（见图2）。
图 2.
Annual trends of research articles of brain-computer interfaces in medicine from 2013 to 2022
2013年—2022年脑机接口医学应用领域年度论文量趋势
使用CiteSpace 6.1.R2软件分析该领域的重要国家和研究机构（见表1）。结果显示，92个国家开展了脑机接口医学应用研究，其中美国（1 789篇）、中国（1 102篇）、德国（878篇）发文数量排名前三位。美中两国的中心性分别达到0.45和0.39。在机构层面，德国图宾根大学（144篇）、美国加州大学圣地亚哥分校（142篇）、美国哈佛大学（96篇）发文数量排名前三。论文数量排名前10机构的中心性均未超过0.1，表明脑机接口的医学应用研究还较为分散，目前尚未出现影响力较大的顶尖研究机构，也未形成较大规模的研究集群，未来发展潜力巨大。
表 1. Countries and research institutions with the highest number of research articles of brain-computer interfaces in medicine from 2013 to 2022.
2013年—2022年脑机接口医学应用领域研究论文最多的国家和研究机构
| 排名 | 国家 | 发文量/篇s | 中心性 | 排名 | 研究机构 | 发文量/篇 | 中心性* | |
| *注：Citespace6.1.R2软件使用的是中介中心性，指一个结点担任其他两个结点之间最短路的桥梁的次数。一个结点充当“中介”的次数越高，它的中介中心性就越大。 | ||||||||
| 1 | 美国 | 1 789 | 0.45 | 1 | 德国图宾根大学 | 144 | 0.05 | |
| 2 | 中国 | 1 102 | 0.39 | 2 | 美国加州大学圣地亚哥分校 | 142 | 0.08 | |
| 3 | 德国 | 878 | 0.11 | 3 | 美国哈佛大学 | 96 | 0.03 | |
| 4 | 英国 | 511 | 0.14 | 4 | 中国科学院 | 92 | 0.08 | |
| 5 | 意大利 | 359 | 0.12 | 5 | 美国斯坦福大学 | 85 | 0.09 | |
| 6 | 加拿大 | 342 | 0.07 | 6 | 荷兰拉德堡德大学 | 76 | 0.07 | |
| 7 | 日本 | 342 | 0.12 | 7 | 英国伦敦大学学院 | 75 | 0.07 | |
| 8 | 法国 | 319 | 0.08 | 8 | 德国格拉茨技术大学 | 74 | 0.01 | |
| 9 | 荷兰 | 256 | 0.02 | 9 | 美国匹兹堡大学 | 72 | 0.03 | |
| 10 | 韩国 | 254 | 0.08 | 10 | 美国西雅图华盛顿大学 | 71 | 0.07 | |
利用Citespace 6.1.R2软件的可视化分析功能，通过关键词聚类绘制出脑机接口医学应用的研究热点（见图3），包括：脑电信号解析（神经元信号的局部场电位阵列等）；干扰信号校正（即脑电信号预处理，包括迁移学习方法、独立成分分析、空间频率过滤器等）；机器学习算法（卷积神经网络、类脑神经网络等）；神经功能检测（记忆系统的动力学、功能性近红外光谱技术等）；神经系统疾病治疗（脊髓损伤、注意力缺陷、肌萎缩侧索硬化、帕金森病、小儿多动症等）。
图 3.
Research hotspots of brain-computer interfaces in medicine
脑机接口医学应用研究热点分布情况
基于Essential Science lndicators的Research Fronts在线工具，分析得出相关研究前沿，如下：
（1）脑电信号分类与疾病诊断准确性提升：深度学习等技术应用于脑电信号分类与解码，大幅度提升了疾病预测和诊断的准确性[8]。美国弗吉尼亚理工大学提出的一种新颖的卷积神经网络架构EEG-inception，不需要复杂的EEG信号预处理，使分析准确率达到88.4%～88.6%，较传统方法至少提高了3%[9]。青岛大学构建了自适应复合共空间模式和自适应公共空间模式，有效提高了脑机接口系统的信号分类精度[10]。西北工业大学采用级联前向神经网络和多层感知器神经网络开发自动化的大脑信号分类框架，清晰地感知并解释用户运动相关的脑电信号[11]。
（2）迁移学习方法的发展与优化：迁移学习使用来源于其他用户、设备或任务的相似或相关数据来帮助当前用户、设备、任务进行校准工作。华中科技大学提出了一种新颖的空间对齐方法，任何信号处理、特征提取和机器学习算法都可以应用该对齐试验，且具有计算成本低和无监督的优势，显著优于黎曼空间数据对齐方法[12]。
（3）运用脑机接口修复患者身体功能：脑机接口能够实时感知大脑信号并提供感官反馈，帮助脑卒中患者有目的地调节其感觉运动节律，诱导神经功能恢复。凯斯西储大学首次在四肢瘫痪患者脑部植入功能电刺激假体BrainGate2系统，明显改善了患者的伸展和抓握动作[13]。斯坦福大学开发了一种高性能的皮层内脑机接口，使瘫痪患者的打字速度和信息吞吐量分别提升了1.4~4.2倍和2.2~4.0倍[14]。清华大学附属北京长庚医院利用深度学习模型确定了影响脑卒中患者康复的关键因素，可用于制定机器人辅助拉伸训练方案[15]。此外，得克萨斯大学正在研发能恢复和改善情景记忆的闭环神经调控方案[16]。
2.2. 技术研发聚焦于脑机接口软硬件开发
incoPat数据库检索结果显示，2013年—2022年医学领域的脑机接口专利申请数量为1 239件，年度专利申请和专利公开数量均保持不断上升趋势（见图4）。检索式为：TS=(“Brain-computer interface*” or “Brain computer interface*” or “brain-machine interface*” or “brain machine interface*” or “脑机接口”)。
图 4.
Trend of patent applications and disclosures of brain-computer interfaces in medicine from 2013 to 2022
2013年—2022年脑机接口医学应用领域专利申请量与公开量趋势
中国是专利公开数量最多的国家，为602件，高于美国（195件）、韩国（119件）等其他国家。Neurolutions公司（34件）、天津大学（33件）、华南理工大学（31件）、加州大学系统（20件）、清华大学（20件）、西安交通大学（20件）、中国科学院自动化研究所（18件）、浙江大学（18件）、斯坦福大学（15件）、Neurable公司（14件）是申请脑机接口医学应用专利数量排名前十的机构。目前，脑机接口医学应用领域的技术研发国际上以企业为主；而我国以高校和研究机构为主，企业参与程度有待提高。
利用incoPat的在线分析工具，分析获得脑机接口医学应用的技术重点，具体如下：
（1）神经状态监测与神经疾病干预方法：该类专利涉及稳态视觉诱发电位、运动想象、p300事件相关电位等信号编码范式，基于多重信号开发混合脑机接口系统，完成情绪识别、注意力调控、神经功能刺激等操作，适用于注意力缺陷多动障碍、脑卒中、瘫痪、阿尔茨海默病等神经与精神疾病的干预和辅助治疗。
（2）新型电极与产品：近年来，神经电极向柔性化、微小型化发展，以增加脑机接口产品的便携性和适用范围。英国Neurolutions公司开发了一款头戴式脑电耳机，可测量大脑信号来治疗脑卒中（WOUS16061853）；上海交通大学开发的光电集成的一体化微针阵列式脑机接口器件，实现光电一体化集成，能够实现对单点同时进行光电刺激和电记录，并精确记录光刺激信号，有效提高记录神经信号的质量（CN114847957A）。
（3）脑电数据处理算法和系统：运用机器学习算法能够对脑机接口采集的数据进行分类、特征提取、数据融合和编码等操作，例如基于频域图卷积神经网络的运动想象脑电信号分类方法（CN113476056A）、基于运动想象的混合脑机接口特征提取方法（CN114186608A）、基于小波变换的多模态脑机接口数据融合方法（CN114145752A）、基于位点等效增强的脑机接口解码方法（CN114415842A）、用于快速和稳定的皮层内脑机接口解码器的乘法递归神经网络（US10223634B2）等。上述机器学习算法为脑电信号的采集、传输、分析提供了支撑。
2.3. 脑疾病监测、脑功能修复和替代成为重要临床应用方向
基于美国ClinicalTrials.gov和中国临床试验注册中心的数据库，分别检索获得脑机接口相关的临床试验153项和62项。ClinicalTrials.gov平台中，最早的临床试验由美国德雷塞尔大学申办，测试用于肌萎缩侧索硬化症患者肌肉调控和沟通交流的脑机接口；中国临床试验注册中心最早的脑机接口临床试验由复旦大学附属华山医院申办，评估基于运动想象的脑机接口在肢体功能康复中的有效性。2013年—2022年，ClinicalTrials.gov平台每年的临床试验数量相对稳定，而我国近年来的临床试验数量迅速增长（见图5）。脑机接口临床试验涉及的适应证集中在脑卒中和脊髓损伤、肌萎缩性侧索硬化、药物难治性癫痫，另有少量医疗器械适用于治疗阿尔茨海默病、幻肢痛、儿童多动症等。
图 5.
Trends of clinical trials related to brain-computer interfaces in the United States and China from 2013 to 2022
2013年—2022年美中临床试验平台中脑机接口相关临床试验的变化趋势
针对不同大脑疾病和损伤情况，脑机接口主要发挥以下作用：
（1）监测神经发育疾病和神经退行性疾病患者的大脑和行为状态，并提供相应的训练或干预方案：新加坡精神卫生研究所开发了基于脑电耳机和平板电脑的训练计划，用于在学校或家庭干预注意力缺陷多动障碍[17]。加州大学旧金山分校使用美敦力公司的植入式电极Activa PC+S，首次证实该电极能够在长达1年的时间内稳定监测并提供深部脑刺激治疗[18]。新加坡国立大学开展了基于社区的计算机认知训练，证实每周两次的注意力、记忆力、决策、视觉空间和认知灵活性训练能够提高健康老年人的注意力和执行功能[19]。
（2）修复脑卒中和脑外伤导致的神经功能障碍：采用闭环脑机接口系统动态采集脑功能数据，分析患者的神经网络活动，融合智能康复技术提供个性化的训练方案。洛桑理工学院发现，与脑机接口耦合的功能电刺激组相较于假功能电刺激组能够更加有效、持续地恢复脑卒中幸存者的运动功能[20]。巴特尔纪念研究所和俄亥俄州立大学恢复了一位严重脊髓损伤患者的部分手部触觉和运动能力[21]。格勒诺布尔-阿尔卑斯大学将微电极植入硬膜外，通过无线连接可穿戴外骨骼帮助长期截瘫患者恢复行走能力[22]。2021年初，浙江大学与其附属第二医院神经外科合作完成我国第一例植入式脑机接口临床试验，利用患者的大脑运动皮层信号帮助患者精准控制外部机械臂来完成三维空间的运动[23]。
（3）替代患者丧失的脑功能：通过双向闭环系统，恢复运动、语言、感觉等高级大脑功能。斯坦福大学帮助一名瘫痪患者实现了90个字符/分钟的打字速度，在线和离线准确率分别达到94.1%和99%[24]。贝勒医学院用电极刺激大脑皮层，成功在受试者脑海中呈现指定的图像，帮助盲人识别不同图像[25]。
2.4. 已上市产品以非侵入式脑机接口为主
美国食品药品监督管理局（U.S. Food and Drug Administration，FDA）和我国国家药品监督管理局（National Medical Products Administration，NMPA）对脑机接口均进行分类管理。根据NMPA《医疗器械分类目录》，侵入式脑机接口和具有增强或刺激等辅助治疗功效的非侵入式脑机接口按Ⅲ类医疗器械管理，其他类型的非侵入式脑机接口按Ⅱ类医疗器械管理。
2013年至2023年2月，美国FDA通过De Novo审批通道批准10个非侵入式的神经刺激系统，用于缓解疼痛、神经功能缺失补偿等（见附件1）。我国已有十余件脑机接口产品获得NMPA“创新医疗器械”认定，应用场景包括：神经外科手术的导航定位、瘫痪患者的神经刺激、精神疾病患者的病情管理等（见附件2）。
越来越多的脑机接口产品正从实验室走向临床，各国政府正在不断完善相关管理办法。FDA于2021年5月发布《用于瘫痪或截肢患者的植入式脑机接口设备的非临床和临床考虑因素——FDA工作人员指南》，对侵入式脑机接口的临床研究豁免（Investigational Device Exemption，IDE）预申请和上市预提交提出通用性建议[26]。FDA还开展了大量监管科学研究，主题包括神经接口设备的可靠性、长期安全性、有效性，以及相关新型生物标志物等[27]。
3. 总结与展望
在医学领域，脑机接口经历了几十年的发展，其功能越来越强大。近十年来，中美两国在相关领域展现出较强的研发实力，在新材料与电极开发、脑电信号编解码算法等软硬件方面开展了大量工作，提升了脑电信号解析的速度和效率，改进了脑机接口应用于神经功能检测、神经与精神疾病治疗的准确性、有效性和安全性。脑电耳机等一批医疗器械陆续获批上市。脑机接口产品目前的主要用途是修复大脑功能损伤。此外，美国的获批产品还可用于缓解疼痛或改善身体机能；我国的产品可用于外科手术导航定位、精神疾病治疗等用途。
未来，脑机接口的功能将进一步增强，有望从人类功能的替代、修复和监测向改善和增强发展，产品将由单一模式转变为多种模式组合[28]。其医学应用的范围也将逐渐放大，不局限于脑卒中、瘫痪、癫痫、感知觉和运动功能受损等疾病，还将拓展至神经退行性疾病、精神疾病等领域，甚至全面应用于健康人群的日常监测。产品方面，脑机接口的界面也将更加友好、使用难度更低，并且可以根据特定需求进行适应性调整[29]。
与此同时，脑机接口的监管政策必将更加完善。国际上已有多个团队对脑机接口的安全性进行验证，取得了积极结果[30-31]。我国专家呼吁要重视脑机接口医学应用中的伦理问题，需要关注植入电极的手术及术后风险、脑机刺激可能引发的神经损伤和幻觉、神经活动信息读取产生的隐私问题，以及神经增强导致的社会偏见等等。随着信息数据的安全性、伦理与标准化研究的开展，脑机接口相关的指南、标准、共识等政策文件和相关管理措施将更加清晰。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：阮梅花负责本论文的设计、核改与指导；陈琪、袁天蔚、张丽雯完成收集、整理资料，分析数据，以及论文初稿写作与核改；龚瑾、傅璐、韩雪参与论文修改；于振行参与论文的指导与审校。
本文附件见本刊网站的电子版本（biomedeng.cn）。
Funding Statement
2022年学科发展引领工程-产业技术路线图研究项目（2022XKFZYJ003）
References
- 1.Farwell L A, Donchin E Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials. Electroencephalogr Clin Neurophysiol. 1988;70(6):510–523. doi: 10.1016/0013-4694(88)90149-6. [DOI] [PubMed] [Google Scholar]
- 2.Kennedy P R, Bakay R A, Moore M M, et al Direct control of a computer from the human central nervous system. IEEE Trans Rehabil Eng. 2000;8(2):198–202. doi: 10.1109/86.847815. [DOI] [PubMed] [Google Scholar]
- 3.Hochberg L R, Serruya M D, Friehs G M, et al Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature. 2006;442(7099):164–171. doi: 10.1038/nature04970. [DOI] [PubMed] [Google Scholar]
- 4.Flesher S N, Downey J E, Weiss J M, et al A brain-computer interface that evokes tactile sensations improves robotic arm control. Science. 2021;372(6544):831–836. doi: 10.1126/science.abd0380. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 5.Aflalo T, Kellis S, Klaes C, et al Neurophysiology. Decoding motor imagery from the posterior parietal cortex of a tetraplegic human. Science. 2015;348(6237):906–910. doi: 10.1126/science.aaa5417. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 6.Katzschmann R K, DelPreto J, MacCurdy R, et al Exploration of underwater life with an acoustically controlled soft robotic fish. Sci Robot. 2018;3(16):eaar3449. doi: 10.1126/scirobotics.aar3449. [DOI] [PubMed] [Google Scholar]
- 7.Brunner C, Birbaumer N, Blankertz B, et al BNCI Horizon 2020: towards a roadmap for the BCI community. Brain-Comput Interfa. 2015;2(1):1–10. doi: 10.1080/2326263X.2015.1008956. [DOI] [Google Scholar]
- 8.Xie S X, Yu Z C, Lv Z H Multi-disease prediction based on deep learning: A survey. Comput Model Eng Sci. 2021;128(2):489–522. [Google Scholar]
- 9.Zhang C, Kim Y K, Eskandarian A. EEG-inception: an accurate and robust end-to-end neural network for EEG-based motor imagery classification. J Neural Eng, 2021, 18(4). DOI: 10.1088/1741-2552/abed81.
- 10.Lv Z, Qiao L, Wang Q, et al Advanced machine-learning methods for brain-computer interfacing. IEEE/ACM Trans Comput Biol Bioinform. 2021;18(5):1688–1698. doi: 10.1109/TCBB.2020.3010014. [DOI] [PubMed] [Google Scholar]
- 11.Sadiq M T, Yu X, Yuan Z Exploiting dimensionality reduction and neural network techniques for the development of expert brain–computer interfaces. Expert Syst Appl. 2021;164:114031. doi: 10.1016/j.eswa.2020.114031. [DOI] [Google Scholar]
- 12.He H, Wu D Transfer learning for brain–computer interfaces: a euclidean space data alignment approach. IEEE Trans Biomed Eng. 2020;67(2):399–410. doi: 10.1109/TBME.2019.2913914. [DOI] [PubMed] [Google Scholar]
- 13.Ajiboye A B, Willett F R, Young D R, et al Restoration of reaching and grasping movements through brain-controlled muscle stimulation in a person with tetraplegia: a proof-of-concept demonstration. Lancet. 2017;389(10081):1821–1830. doi: 10.1016/S0140-6736(17)30601-3. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 14.Pandarinath C, Nuyujukian P, Blabe C H, et al High performance communication by people with paralysis using an intracortical brain-computer interface. Elife. 2017;6:e18554. doi: 10.7554/eLife.18554. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 15.Lin P J, Zhai X, Li W, et al A transferable deep learning prognosis model for predicting stroke patients’ recovery in different rehabilitation trainings. IEEE J Biomed Health Inform. 2022;26(12):6003–6011. doi: 10.1109/JBHI.2022.3205436. [DOI] [PubMed] [Google Scholar]
- 16.Wang D X, Ng N, Seger S E, et al. Machine learning classifiers for electrode selection in the design of closed-loop neuromodulation devices for episodic memory improvement. Cereb Cortex, 2023: bhad105.
- 17.Lim C G, Soh C P, Lim S S Y, et al Home-based brain-computer interface attention training program for attention deficit hyperactivity disorder: a feasibility trial. Child Adolesc Psychiatry Ment Health. 2023;17(1):15. doi: 10.1186/s13034-022-00539-x. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 18.Swann N C, Hemptinne C D, Miocinovic S, et al Chronic multisite brain recordings from a totally implantable bidirectional neural interface: experience in 5 patients with Parkinson’s disease. J Neurosurg. 2018;128(2):605–616. doi: 10.3171/2016.11.JNS161162. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 19.Yeo P S, Nguyen T N, Ng M P E, et al Evaluation of the implementation and effectiveness of community-based brain-computer interface cognitive group training in healthy community-dwelling older adults: randomized controlled implementation trial. JMIR Form Res. 2021;5(4):e25462. doi: 10.2196/25462. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 20.Biasiucci A, Leeb R, Iturrate I, et al Brain-actuated functional electrical stimulation elicits lasting arm motor recovery after stroke. Nat Commun. 2018;9(1):2421. doi: 10.1038/s41467-018-04673-z. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 21.Ganzer P D, Colachis S C 4th, Schwemmer M A, et al Restoring the sense of touch using a sensorimotor demultiplexing neural interface. Cell. 2020;181(4):763–773. doi: 10.1016/j.cell.2020.03.054. [DOI] [PubMed] [Google Scholar]
- 22.Benabid A L, Costecalde T, Eliseyev A, et al An exoskeleton controlled by an epidural wireless brain-machine interface in a tetraplegic patient: a proof-of-concept demonstration. Lancet Neurol. 2019;18(12):1112–1122. doi: 10.1016/S1474-4422(19)30321-7. [DOI] [PubMed] [Google Scholar]
- 23.吴雅兰, 柯溢能, 卢绍庆. 浙江大学完成国内首例植入式脑机接口临床转化研究. (2020-01-17)[2023-02-20]. http: //www.news.zju.edu.cn/2020/0117/c24345a1957263/page.htm.
- 24.Willett F R, Avansino D T, Hochberg L R, et al High-performance brain-to-text communication via handwriting. Nature. 2021;593(7858):249–254. doi: 10.1038/s41586-021-03506-2. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 25.Beauchamp M S, Oswalt D, Sun P, et al Dynamic stimulation of visual cortex produces form vision in sighted and blind humans. Cell. 2020;181(4):774–783.e5. doi: 10.1016/j.cell.2020.04.033. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 26.FDA. Regulatory overview for neurological devices. (2021-05-20)[2023-02-20]. https: //www.fda.gov/medical-devices/neurological-devices/regulatory-overview-neurological-devices.
- 27.FDA. Regulatory Science for Neurological Devices. (2021-05-20)[2023-02-20]. https: //www.fda.gov/medical-devices/neurological-devices/regulatory-science-neurological-devices.
- 28.Valeriani D, Cecotti H, Thelen A, et al Editorial: Translational brain-computer interfaces: From research labs to the market and back. Front Hum Neurosci. 2023;17:1152466. doi: 10.3389/fnhum.2023.1152466. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 29.Gao X, Wang Y, Chen X, et al Interface, interaction, and intelligence in generalized brain–computer interfaces. Trends Cogn Sci. 2021;25(8):671–684. doi: 10.1016/j.tics.2021.04.003. [DOI] [PubMed] [Google Scholar]
- 30.Mitchell P, Lee S C M, Yoo P E, et al Assessment of safety of a fully implanted endovascular brain-computer interface for severe paralysis in 4 patients: the stentrode with thought-controlled digital switch (switch) study. JAMA Neurol. 2023;80(3):270–278. doi: 10.1001/jamaneurol.2022.4847. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 31.Rubin D B, Ajiboye A B, Barefoot L, et al Interim safety profile from the feasibility study of the braingate neural interface system. Neurology. 2023;100(11):e1177–e1192. doi: 10.1212/WNL.0000000000201707. [DOI] [PMC free article] [PubMed] [Google Scholar]