Interfaz cerebro-computadora

Phillip Kennedy (fundador de Neural Signals (1987) y sus colegas construyeron la primera interfaz cerebro-computadora intracortical implantando electrodos de conos neurotróficos en monos.

En 1999, Yang Dan y colaboradores de la Universidad de California, Berkeley, decodificaron la actividad neuronal para reproducir imágenes de gatos. El equipo utilizó una matriz de electrodos implantados en el tálamo (que integra la información sensorial del cerebro). Los investigadores se centraron en 177 células cerebrales en el núcleo geniculado lateral del tálamo , que decodifica las señales de la retina . Se registraron las descargas neuronales mientras los participantes veían ocho cortometrajes. Mediante filtros matemáticos, los investigadores decodificaron las señales para reconstruir escenas reconocibles y objetos en movimiento. ^{[ 37 ]}

Miguel Nicolelis, profesor de la Universidad de Duke, aboga por el uso de múltiples electrodos distribuidos en una zona más amplia del cerebro para obtener señales neuronales.

Tras los estudios iniciales realizados en ratas durante la década de 1990, Nicolelis y sus colegas desarrollaron interfaces cerebro-computadora (BCI) que decodificaban la actividad cerebral en monos nocturnos y utilizaron estos dispositivos para reproducir los movimientos de los monos en brazos robóticos. La avanzada capacidad de alcance y agarre de los monos, así como su destreza manual, los convirtieron en excelentes sujetos de prueba.

Para el año 2000, el grupo logró construir una interfaz cerebro-computadora (BCI) que reproducía los movimientos del mono búho mientras este manejaba un joystick o alcanzaba la comida. ^{[ 38 ]} La BCI funcionaba en tiempo real y podía controlar remotamente un robot independiente. Sin embargo, los monos no recibían retroalimentación ( BCI de bucle abierto ).

Experimentos posteriores con monos rhesus incluyeron retroalimentación y reprodujeron movimientos de alcance y agarre de monos en un brazo robótico. Sus cerebros profundamente hendidos y surcados los convirtieron en mejores modelos para la neurofisiología humana que los monos búho. Los monos fueron entrenados para alcanzar y agarrar objetos en una pantalla de computadora manipulando un joystick mientras los movimientos correspondientes de un brazo robótico estaban ocultos. ^{[ 39 ] [ 40 ]} Posteriormente, se les mostró el robot a los monos y aprendieron a controlarlo observando sus movimientos. La BCI usó predicciones de velocidad para controlar los movimientos de alcance y predijo simultáneamente la fuerza de agarre .

En 2011, O'Doherty y sus colegas demostraron una interfaz cerebro-computadora (BCI) con retroalimentación sensorial en monos rhesus. El mono controlaba la posición del brazo de un avatar mientras recibía retroalimentación sensorial mediante estimulación intracortical directa (ICMS) en el área de representación del brazo de la corteza sensorial . ^{[ 41 ]}

Otros laboratorios que han desarrollado interfaces cerebro-computadora (BCI) y algoritmos para decodificar señales neuronales incluyen a John Donoghue en el Instituto Carney de Ciencias del Cerebro de la Universidad de Brown , Andrew Schwartz en la Universidad de Pittsburgh y Richard Andersen en Caltech . Estos investigadores crearon BCI funcionales utilizando señales registradas de muchas menos neuronas que Nicolelis (15-30 neuronas frente a 50-200 neuronas).

El Instituto Carney informó haber entrenado a monos rhesus para usar una BCI para rastrear objetivos visuales en una pantalla de computadora (BCI de bucle cerrado) con o sin joystick. ^{[ 42 ]} El grupo creó una BCI para el seguimiento tridimensional en realidad virtual y reprodujo el control de la BCI en un brazo robótico. ^{[ 43 ]} El mismo grupo demostró que un mono podía alimentarse por sí mismo con trozos de fruta y malvaviscos usando un brazo robótico controlado por las señales cerebrales del animal. ^{[ 44 ] [ 45 ] [ 46 ]}

El grupo de Andersen utilizó registros de la actividad previa al movimiento de la corteza parietal posterior , incluidas las señales creadas cuando los animales experimentales anticipaban recibir una recompensa. ^{[ 47 ]}

Además de predecir parámetros cinemáticos y cinéticos de los movimientos de las extremidades, se están desarrollando interfaces cerebro-computadora (BCI) que predicen la actividad electromiográfica o eléctrica de los músculos de los primates. ^{[ 48 ]} Dichas BCI podrían restaurar la movilidad en extremidades paralizadas mediante la estimulación eléctrica de los músculos.

Nicolelis y sus colegas demostraron que grandes conjuntos neuronales pueden predecir la posición del brazo. Este trabajo permitió que las interfaces cerebro-computadora (BCI) leyeran las intenciones de movimiento del brazo y las tradujeran en movimientos de actuadores. Carmena y sus colegas ^{[ 39 ]} programaron una BCI que permitió a un mono controlar los movimientos de alcance y agarre mediante un brazo robótico. Lebedev y sus colegas argumentaron que las redes cerebrales se reorganizan para crear una nueva representación del apéndice robótico, además de la representación de las propias extremidades del animal. ^{[ 40 ]}

En 2019, investigadores de la Universidad de San Francisco, California, iniciaron un estudio de interfaz cerebro-computadora (BCI) con el potencial de ayudar a pacientes con trastornos del habla derivados de trastornos neurológicos. Su BCI utilizó electrocorticografía de alta densidad para capturar la actividad neuronal del cerebro del paciente y empleó aprendizaje profundo para sintetizar el habla. ^{[ 49 ] [ 50 ]} En 2021, estos investigadores informaron sobre el potencial de una BCI para decodificar palabras y oraciones en un paciente anárquico que había sido incapaz de hablar durante más de 15 años. ^{[ 51 ] [ 52 ]}

El principal obstáculo para la tecnología BCI es la falta de un sensor que proporcione un acceso seguro, preciso y fiable a las señales cerebrales. El uso de un sensor mejor amplía el abanico de funciones de comunicación que se pueden ofrecer mediante una BCI.

El desarrollo e implementación de un sistema BCI es complejo y requiere mucho tiempo. Para abordar este problema, Gerwin Schalk ha estado desarrollando BCI2000 , un sistema de propósito general para la investigación de BCI, desde el año 2000. ^{[ 53 ]}

Un nuevo enfoque "inalámbrico" utiliza canales iónicos activados por luz, como la canalrodopsina, para controlar la actividad de subconjuntos de neuronas genéticamente definidos in vivo . En el contexto de una tarea de aprendizaje simple, la iluminación de células transfectadas en la corteza somatosensorial influyó en la toma de decisiones en ratones. ^{[ 54 ]}

Las interfaces cerebro-computadora (BCI) propiciaron una comprensión más profunda de las redes neuronales y el sistema nervioso central . Las investigaciones han demostrado que, a pesar de la tendencia de los neurocientíficos a creer que las neuronas tienen mayor efecto cuando trabajan en conjunto, las neuronas individuales pueden condicionarse mediante el uso de BCI para activarse en un patrón que permite a los primates controlar las respuestas motoras. Las BCI condujeron al desarrollo del principio de insuficiencia de la neurona individual, que establece que, incluso con una tasa de activación bien ajustada, las neuronas individuales solo pueden transmitir información limitada y, por lo tanto, el mayor nivel de precisión se logra registrando las activaciones de conjuntos neuronales. Otros principios descubiertos con las BCI incluyen el principio de multitarea neuronal, el principio de masa neuronal, el principio de degeneración neuronal y el principio de plasticidad. ^{[ 55 ]}

Se propone que las interfaces cerebro-computadora (BCI) sean utilizadas por usuarios sin discapacidades. Las BCI pasivas permiten evaluar e interpretar los cambios en el estado del usuario durante la interacción persona-computadora (HCI). En un bucle de control secundario e implícito, el sistema se adapta a su usuario, mejorando su usabilidad . ^{[ 23 ]}

Los sistemas BCI pueden utilizarse potencialmente para codificar señales de la periferia. Estos dispositivos BCI sensoriales permiten tomar decisiones en tiempo real y relevantes para el comportamiento, basadas en la estimulación neuronal de bucle cerrado. ^{[ 56 ]}

La investigación sobre interfaces cerebro-computadora invasivas se ha centrado en reparar la visión dañada y proporcionar nuevas funcionalidades a personas con parálisis. Estas interfaces se implantan directamente en la materia gris del cerebro durante una neurocirugía. Debido a su ubicación en la materia gris, los dispositivos invasivos producen señales de la más alta calidad, pero son propensos a la formación de tejido cicatricial , lo que provoca que la señal se debilite o desaparezca a medida que el cuerpo reacciona al objeto extraño. ^{[ 58 ]}

En la ciencia de la visión , los implantes cerebrales directos se han utilizado para tratar la ceguera no congénita (adquirida). Uno de los primeros científicos en producir una interfaz cerebral funcional para restaurar la vista fue el investigador privado William Dobelle . El primer prototipo de Dobelle se implantó en "Jerry", un hombre que quedó ciego en la edad adulta, en 1978. Se implantó una interfaz cerebro-computadora (BCI) de una sola matriz con 68 electrodos en la corteza visual de Jerry , logrando producir fosfenos , la sensación de ver luz. El sistema incluía cámaras montadas en gafas para enviar señales al implante. Inicialmente, el implante le permitía a Jerry ver tonos de gris en un campo de visión limitado a una baja velocidad de fotogramas. Esto también requería que estuviera conectado a una computadora central , pero la miniaturización de la electrónica y la mayor velocidad de las computadoras hicieron que su ojo artificial fuera más portátil y ahora le permiten realizar tareas sencillas sin ayuda. ^{[ 59 ]}

En 2002, Jens Naumann, también ciego en la edad adulta, se convirtió en el primero de una serie de 16 pacientes que pagaron por recibir el implante de segunda generación de Dobelle, uno de los primeros usos comerciales de las BCI. El dispositivo de segunda generación utilizaba un implante más sofisticado que permitía una mejor representación de los fosfenos en la visión coherente. Los fosfenos se distribuyen por el campo visual en lo que los investigadores denominan "el efecto de la noche estrellada". Inmediatamente después de su implante, Jens pudo usar su visión restaurada de forma imperfecta para conducir un automóvil lentamente por el área de estacionamiento del instituto de investigación. ^{[ 60 ]} Dobelle falleció en 2004 antes de que sus procesos y desarrollos fueran documentados, sin dejar a nadie que continuara su trabajo. ^{[ 61 ]} Posteriormente, Naumann y los demás pacientes del programa comenzaron a tener problemas con su visión y finalmente volvieron a perder la vista. ^{[ 62 ] [ 63 ]}

Las interfaces cerebro-computadora (BCI, por sus siglas en inglés) centradas en neuroprótesis motoras tienen como objetivo restaurar el movimiento en personas con parálisis o proporcionar dispositivos que les ayuden, como interfaces con ordenadores o brazos robóticos .

Kennedy y Bakay fueron los primeros en implantar un cerebro humano que producía señales de calidad suficiente para simular el movimiento. Su paciente, Johnny Ray (1944-2002), desarrolló el síndrome de enclaustramiento tras un accidente cerebrovascular en el tronco encefálico en 1997. El implante de Ray se instaló en 1998 y vivió lo suficiente como para empezar a trabajar con él, llegando a aprender a controlar el cursor de un ordenador; falleció en 2002 a causa de un aneurisma cerebral . ^{[ 64 ]}

Matt Nagle, tetrapléjico, se convirtió en la primera persona en controlar una mano artificial mediante una interfaz cerebro-computadora (BCI) en 2005, como parte del primer ensayo clínico de nueve meses del implante de chip BrainGate de Cyberkinetics . Implantado en la circunvolución precentral derecha de Nagle (área de la corteza motora para el movimiento del brazo), el implante de 96 electrodos le permitió controlar un brazo robótico con solo pensar en mover su mano, así como el cursor de una computadora, las luces y el televisor. ^{[ 65 ]} Un año después, Jonathan Wolpaw recibió el premio de la Fundación Altran para la Innovación por desarrollar una interfaz cerebro-computadora con electrodos ubicados en la superficie del cráneo, en lugar de directamente en el cerebro. ^{[ 66 ]}

Equipos de investigación liderados por el grupo BrainGate y otro en el Centro Médico de la Universidad de Pittsburgh , ambos en colaboración con el Departamento de Asuntos de Veteranos de los Estados Unidos (VA), demostraron el control de extremidades protésicas con muchos grados de libertad utilizando conexiones directas a conjuntos de neuronas en la corteza motora de pacientes con tetraplejia. ^{[ 67 ] [ 68 ]}

En mayo de 2021, un equipo de la Universidad de Stanford informó de una prueba de concepto exitosa que permitió a un participante tetrapléjico producir oraciones en inglés a aproximadamente 86 caracteres por minuto y 18 palabras por minuto. El participante imaginó mover su mano para escribir letras, y el sistema realizó el reconocimiento de escritura a mano en señales eléctricas detectadas en la corteza motora, utilizando modelos ocultos de Markov y redes neuronales recurrentes . ^{[ 69 ] [ 70 ]} Desde que los investigadores de la UCSF iniciaron un estudio de interfaz cerebro-computadora (BCI), se han hecho numerosos informes. En 2021, informaron que un hombre paralizado y con anartria pudo comunicarse quince palabras por minuto utilizando un dispositivo implantado que examinó las células nerviosas que controlan los músculos del tracto vocal. ^{[ 71 ] [ 72 ]} Además, en 2022 se anunció que su implante también podría usarse para deletrear palabras y oraciones completas sin hablar en voz alta. Se informó que la primera neuroprótesis de habla bilingüe fue desarrollada por el mismo equipo en la Universidad de San Francisco en 2024. ^{[ 73 ] [ 74 ] [ 75 ]} A principios de 2025, se publicó un artículo. Los investigadores de la UCSF informaron que un hombre pudo controlar un brazo robótico solo con el pensamiento.

En un artículo de revisión, los autores se preguntaron si las tasas de transferencia de información humana pueden superar las del lenguaje con las interfaces cerebro-computadora (BCI). La investigación lingüística ha informado que las tasas de transferencia de información son relativamente constantes en muchos idiomas. Esto podría reflejar el límite de procesamiento de información del cerebro. Alternativamente, este límite podría ser intrínseco al lenguaje mismo, como modalidad de transferencia de información. ^{[ 76 ]}

En 2023, dos estudios utilizaron BCI con red neuronal recurrente para decodificar el habla a una velocidad récord de 62 palabras por minuto y 78 palabras por minuto. ^{[ 77 ] [ 78 ] [ 79 ]}

Existen varios desafíos técnicos para registrar la actividad cerebral con BCI invasivas. Los avances en la tecnología CMOS están impulsando y posibilitando diseños de BCI invasivas integradas con menor tamaño, menores requisitos de energía y mayores capacidades de adquisición de señales. ^{[ 80 ]} Las BCI invasivas implican electrodos que penetran el tejido cerebral en un intento de registrar señales de potencial de acción (también conocidas como espigas) de neuronas individuales o pequeños grupos de neuronas cerca del electrodo. La interfaz entre un electrodo de registro y la solución electrolítica que rodea a las neuronas se ha modelado utilizando el modelo de Hodgkin-Huxley . ^{[ 81 ] [ 82 ]}

Las limitaciones electrónicas de las BCI invasivas han sido un área activa de investigación en las últimas décadas. Mientras que los registros intracelulares de neuronas revelan voltajes de potencial de acción en la escala de cientos de milivoltios, las BCI invasivas crónicas dependen del registro de voltajes extracelulares que suelen ser tres órdenes de magnitud menores, existiendo en cientos de microvoltios. ^{[ 83 ]} Más aún, el desafío de detectar señales en la escala de microvoltios se suma al hecho de que la interfaz electrodo-tejido tiene una alta capacitancia a voltajes pequeños. Debido a la naturaleza de estas pequeñas señales, para los sistemas BCI que incorporan funcionalidad en un circuito integrado, cada electrodo requiere su propio amplificador y ADC , que convierten los voltajes extracelulares analógicos en señales digitales. ^{[ 83 ]} Debido a que un potencial de acción neuronal típico dura un milisegundo, las BCI que miden picos deben tener frecuencias de muestreo que van desde 300  Hz hasta 5  kHz. Otra preocupación más es que las BCI invasivas deben ser de baja potencia, para disipar menos calor al tejido circundante; En el nivel más básico, tradicionalmente se necesita más potencia para optimizar la relación señal-ruido . ^{[ 82 ]} El diseño óptimo de baterías es un área activa de investigación en las BCI. ^{[ 84 ]}

Los desafíos existentes en el área de la ciencia de los materiales son fundamentales para el diseño de las BCI invasivas. Se han observado comúnmente variaciones en la calidad de la señal a lo largo del tiempo con microelectrodos implantables. ^{[ 85 ]} También es difícil mantener registros estables durante largos períodos, especialmente porque el cuerpo reacciona a los electrodos implantados y afecta la calidad de la señal. ^{[ 86 ]} Las características mecánicas y de material óptimas para la estabilidad de la señal a largo plazo en las BCI invasivas han sido un área activa de investigación. ^{[ 87 ]} Se ha propuesto que la formación de cicatrices gliales , secundarias al daño en la interfaz electrodo-tejido, es probablemente responsable de la falla del electrodo y la reducción del rendimiento de registro. ^{[ 88 ]} La investigación ha sugerido que la fuga de la barrera hematoencefálica , ya sea en el momento de la inserción o con el tiempo, puede ser responsable de la reacción inflamatoria y glial a los microelectrodos crónicos implantados en el cerebro. ^{[ 88 ] [ 89 ]} Como resultado, se han investigado y desarrollado diseños flexibles ^{[ 90 ] [ 91 ] [ 92 ] y similares a los tejidos [ 93 ] [ 94 ]} para minimizar la reacción a cuerpos extraños mediante la igualación del módulo de Young del electrodo más cercano al del tejido cerebral. ^{[ 93 ]}

Una revisión sistemática publicada en 2020 detalló múltiples estudios clínicos y no clínicos que investigaban la viabilidad de las BCI endovasculares. ^{[ 96 ]}

En 2010, investigadores afiliados a la Universidad de Melbourne comenzaron a desarrollar una interfaz cerebro-computadora (BCI) que podía insertarse a través del sistema vascular. El neurólogo australiano Thomas Oxley concibió la idea de esta BCI, llamada Stentrode, y obtuvo financiación de DARPA . Se realizaron estudios preclínicos para evaluar la tecnología en ovejas. ^{[ 3 ]}

Stentrode es una matriz de electrodos de stent monolítica diseñada para ser introducida a través de un catéter intravenoso bajo guía de imágenes en el seno sagital superior , en la región que se encuentra adyacente a la corteza motora . ^{[ 97 ]} Esta proximidad permite a Stentrode medir la actividad neuronal. El procedimiento es muy similar a cómo se colocan los stents del seno venoso para el tratamiento de la hipertensión intracraneal idiopática . ^{[ 98 ]} Stentrode comunica la actividad neuronal a una unidad de telemetría sin batería implantada en el tórax, que se comunica de forma inalámbrica con una unidad de telemetría externa capaz de transferir energía y datos. Si bien una BCI endovascular se beneficia de evitar una craneotomía para la inserción, existen riesgos como la coagulación y la trombosis venosa .

En 2021, se estaban realizando ensayos en humanos con Stentrode. ^{[ 97 ]} En noviembre de 2020, dos participantes con esclerosis lateral amiotrófica pudieron controlar de forma inalámbrica un sistema operativo para enviar mensajes de texto, correos electrónicos, comprar y realizar operaciones bancarias mediante el pensamiento directo con Stentrode, ^{[ 99 ]} lo que marcó la primera vez que se implantó una interfaz cerebro-computadora a través de los vasos sanguíneos del paciente, eliminando la necesidad de cirugía cerebral. En enero de 2023, los investigadores informaron que no se produjeron eventos adversos graves durante el primer año en los cuatro pacientes, quienes pudieron usarlo para operar computadoras. ^{[ 100 ] [ 101 ]}

La electrocorticografía (ECoG) mide la actividad eléctrica cerebral desde debajo del cráneo de forma similar a la electroencefalografía no invasiva, utilizando electrodos incrustados en una fina almohadilla de plástico colocada sobre la corteza, debajo de la duramadre . ^{[ 102 ]} Las tecnologías ECoG fueron probadas por primera vez en humanos en 2004 por Eric Leuthardt y Daniel Moran de la Universidad de Washington en San Luis . En un ensayo posterior, los investigadores permitieron a un adolescente jugar a Space Invaders . ^{[ 103 ]} Esta investigación indica que el control es rápido, requiere un entrenamiento mínimo y equilibra la fidelidad de la señal y el nivel de invasividad. ^{[ nota 1 ]}

Las señales pueden ser subdurales o epidurales, pero no se obtienen del interior del parénquima cerebral . Los pacientes deben someterse a monitorización invasiva para la localización y resección del foco epileptógeno.

La ECoG ofrece mayor resolución espacial, mejor relación señal-ruido, mayor rango de frecuencia y menores requisitos de entrenamiento que la EEG registrada en el cuero cabelludo, y al mismo tiempo presenta menor dificultad técnica, menor riesgo clínico y puede tener una estabilidad a largo plazo superior a la del registro intracortical de neuronas individuales. ^{[ 105 ]} Este perfil de características y la evidencia del alto nivel de control con requisitos mínimos de entrenamiento muestran potencial para su aplicación en el mundo real para personas con discapacidades motoras. ^{[ 106 ] [ 107 ]}

Edward Chang y Joseph Makin de la UCSF informaron que las señales ECoG podrían usarse para decodificar el habla de pacientes con epilepsia implantados con matrices ECoG de alta densidad sobre las cortezas perisilvianas. ^{[ 108 ] [ 109 ]} Informaron tasas de error de palabras del 3 % (una mejora marcada con respecto a esfuerzos anteriores) utilizando una red neuronal codificador-decodificador , que tradujo los datos ECoG en una de cincuenta oraciones compuestas por 250 palabras únicas.

En 2014, una interfaz cerebro -computadora (BCI) que utilizaba espectroscopia funcional de infrarrojo cercano para pacientes con esclerosis lateral amiotrófica (ELA) en estado de enclaustramiento logró restaurar la capacidad básica de comunicación. ^{[ 110 ]}

Después de que Vidal planteara el desafío de la BCI, los informes iniciales sobre enfoques no invasivos incluyeron el control de un cursor en 2D usando VEP, ^{[ 111 ]} el control de un zumbador usando CNV, ^{[ 112 ]} el control de un objeto físico, un robot, usando un ritmo cerebral (alfa), ^{[ 113 ]} el control de un texto escrito en una pantalla usando P300. ^{[ 114 ] [ 13 ]}

En los inicios de la investigación sobre interfaces cerebro-computadora (BCI), otra barrera importante para el uso del EEG era la necesidad de un entrenamiento extenso. Por ejemplo, en experimentos que comenzaron a mediados de la década de 1990, Niels Birbaumer, de la Universidad de Tubinga ( Alemania) , entrenó a personas paralizadas para que autorregularan los potenciales corticales lentos de su EEG hasta tal punto que estas señales pudieran usarse como una señal binaria para controlar el cursor de una computadora. (Birbaumer ya había entrenado a epilépticos para prevenir ataques inminentes controlando esta onda de bajo voltaje). El experimento entrenó a diez pacientes para mover el cursor de una computadora. El proceso era lento, requiriendo más de una hora para que los pacientes escribieran 100 caracteres con el cursor, mientras que el entrenamiento a menudo duraba meses. El enfoque de los potenciales corticales lentos ha caído en desuso en favor de enfoques que requieren poco o ningún entrenamiento, son más rápidos y precisos, y funcionan para una mayor proporción de usuarios. ^{[ 115 ]}

Otro parámetro de investigación es el tipo de actividad oscilatoria que se mide. Gert Pfurtscheller fundó el BCI Lab en 1991 y realizó la primera interfaz cerebro-computadora (BCI) en línea basada en características y clasificadores oscilatorios. Junto con Birbaumer y Jonathan Wolpaw en la Universidad Estatal de Nueva York, se centraron en desarrollar tecnología que permitiera a los usuarios elegir las señales cerebrales que les resultaran más fáciles de usar para operar una BCI, incluyendo los ritmos mu y beta .

Otro parámetro importante es el método de retroalimentación utilizado, como se ha demostrado en estudios de señales P300 . Los patrones de ondas P300 se generan involuntariamente ( retroalimentación de estímulo ) cuando las personas ven algo que reconocen, lo que puede permitir que las interfaces cerebro-computadora decodifiquen categorías de pensamientos sin necesidad de entrenamiento.

Un estudio de 2005 informó sobre la emulación de EEG de circuitos de control digital, utilizando un flip-flop CNV. ^{[ 116 ]} Un estudio de 2009 informó sobre el control no invasivo de EEG de un brazo robótico utilizando un flip-flop CNV. ^{[ 117 ]} Un estudio de 2011 informó sobre el control de dos brazos robóticos que resolvieron la tarea de la Torre de Hanoi con tres discos utilizando un flip-flop CNV. ^{[ 118 ]} Un estudio de 2015 describió la emulación de EEG de un disparador Schmitt , un flip-flop, un demultiplexor y un módem . ^{[ 119 ]}

Los avances de Bin He y su equipo en la Universidad de Minnesota sugieren el potencial de las interfaces cerebro-computadora basadas en EEG para realizar tareas similares a las de las interfaces cerebro-computadora invasivas. Utilizando neuroimagen funcional avanzada, incluyendo resonancia magnética funcional BOLD e imágenes de fuentes de EEG , identificaron la covariación y colocalización de señales electrofisiológicas y hemodinámicas . ^{[ 120 ]} Perfeccionada mediante un enfoque de neuroimagen y un protocolo de entrenamiento, diseñaron una interfaz cerebro-computadora no invasiva basada en EEG para controlar el vuelo de un helicóptero virtual en un espacio tridimensional, basándose en la imaginación motora. ^{[ 121 ]} En junio de 2013 anunciaron una técnica para guiar un helicóptero de control remoto a través de una pista de obstáculos. ^{[ 122 ]} También resolvieron el problema inverso del EEG y luego utilizaron el EEG virtual resultante para tareas de BCI. Estudios bien controlados sugirieron las ventajas de una BCI basada en análisis de fuentes. ^{[ 123 ]}

Un estudio de 2014 informó que los pacientes con graves discapacidades motoras podían comunicarse de forma más rápida y fiable con una interfaz cerebro-computadora (BCI) basada en EEG no invasiva que con canales de comunicación basados ​​en músculos. ^{[ 124 ]}

Un estudio de 2019 informó que la aplicación de algoritmos evolutivos podría mejorar la clasificación del estado mental del EEG con un dispositivo Muse no invasivo , lo que permite clasificar los datos adquiridos por un dispositivo de detección de grado de consumo. ^{[ 125 ]}

En una revisión sistemática de 2021 de ensayos controlados aleatorizados que utilizaron BCI para la rehabilitación de las extremidades superiores después de un accidente cerebrovascular, se informó que la BCI basada en EEG tenía eficacia para mejorar la función motora de las extremidades superiores en comparación con las terapias de control. Más específicamente, se informó que los estudios de BCI que utilizaron características de potencia de banda, imaginación motora y estimulación eléctrica funcional fueron más efectivos que las alternativas. ^{[ 126 ]} Otra revisión sistemática de 2021 se centró en la BCI basada en EEG asistida por robot después de un accidente cerebrovascular para la rehabilitación de la mano. Se observó una mejora en las puntuaciones de evaluación motora en tres de once estudios. ^{[ 127 ]}

A principios de la década de 1990, Babak Taheri, de la Universidad de California, Davis, demostró los primeros conjuntos de electrodos activos secos de uno y varios canales. ^{[ 128 ]} Se demostró que el electrodo en matriz tenía un buen rendimiento en comparación con los electrodos de plata / cloruro de plata . El dispositivo constaba de cuatro sitios sensores con electrónica integrada para reducir el ruido mediante la adaptación de impedancia . Las ventajas de dichos electrodos son:

• no se utiliza electrolito,
• sin preparación de la piel,
• tamaño del sensor significativamente reducido,
• Compatibilidad con sistemas de monitorización EEG.

El conjunto de electrodos activos es un sistema integrado que contiene una matriz de sensores capacitivos con circuitos integrados locales, alojados en baterías para alimentar dichos circuitos. Este nivel de integración fue necesario para lograr el resultado.

El electrodo fue probado en un banco de pruebas y en sujetos humanos en cuatro modalidades, a saber:

• EEG espontáneo,
• potenciales relacionados con eventos sensoriales,
• potenciales del tronco encefálico,
• potenciales cognitivos relacionados con eventos.

Su rendimiento se comparó favorablemente con el de los electrodos húmedos estándar en términos de preparación de la piel, ausencia de requisitos de gel (en seco) y mayor relación señal-ruido. ^{[ 129 ]}

En 1999, Hunter Peckham y otros investigadores de la Universidad Case Western Reserve utilizaron un gorro EEG de 64 electrodos para restaurar movimientos limitados de las manos de un tetrapléjico . Mientras se concentraba en conceptos simples pero opuestos como arriba y abajo, se identificó un patrón básico en su actividad EEG de ritmo beta, que se utilizó para controlar un interruptor: una actividad superior a la media se interpretó como encendido, y una inferior como apagado. Las señales también se utilizaron para activar controladores nerviosos implantados en sus manos, restaurando así parte del movimiento. ^{[ 130 ]}

En 2009, se anunció la diadema de interfaz cerebro-computadora de la NCTU. Estos investigadores también diseñaron electrodos secos de sistema microelectromecánico (MEMS) basados ​​en silicio , diseñados para su aplicación en zonas corporales sin vello. Estos electrodos se fijaban a la placa de adquisición de datos (DAQ) de la diadema mediante soportes de electrodos a presión. El módulo de procesamiento de señales medía la actividad alfa y la transmitía por Bluetooth a un teléfono que evaluaba el estado de alerta y la capacidad cognitiva de los pacientes. Cuando el sujeto se adormecía, el teléfono enviaba señales de alerta al operador para que lo despertara. ^{[ 131 ]}

En 2011, investigadores informaron sobre una BCI basada en células que podía hacer sonar un teléfono. El sistema portátil estaba compuesto por un módulo de adquisición/amplificación de bioseñales de cuatro canales , un módulo de comunicación y un teléfono Bluetooth. Los electrodos se colocaron para captar potenciales evocados visuales de estado estable ( SSVEP ). ^{[ 132 ]} Los SSVEP son respuestas eléctricas a estímulos visuales parpadeantes con tasas de repetición superiores a 6  Hz ^{[ 132 ]} que se encuentran mejor en las regiones parietal y occipital del cuero cabelludo de la corteza visual. ^{[ 133 ] [ 134 ] [ 135 ]} Se informó que todos los participantes del estudio pudieron iniciar la llamada telefónica con una práctica mínima en entornos naturales. ^{[ 136 ]}

Los científicos informaron que un algoritmo de transformada rápida de Fourier (FFT) de un solo canal y análisis de correlación canónica ( CCA ) de sistemas multicanal puede soportar BCI móviles. ^{[ 132 ] [ 137 ]} El algoritmo CCA se ha aplicado en experimentos que investigan BCI con alta precisión y velocidad. ^{[ 138 ]} Se informa que la tecnología BCI celular puede trasladarse a otras aplicaciones, como la captación de ritmos sensoriomotores mu / beta para funcionar como una BCI basada en imágenes motoras. ^{[ 132 ]}

En 2013, se realizaron pruebas comparativas en BCI basadas en teléfonos móviles, tabletas y ordenadores Android , analizando la densidad espectral de potencia de los SSVEP de EEG resultantes. Los objetivos declarados de este estudio fueron "aumentar la practicidad, la portabilidad y la ubicuidad de una BCI basada en SSVEP para uso diario". Se informó que la frecuencia de estimulación en todos los medios era precisa, aunque la señal del teléfono no era estable. Se informó que las amplitudes de los SSVEP para el ordenador portátil y la tableta eran mayores que las del teléfono móvil. Estas dos caracterizaciones cualitativas se sugirieron como indicadores de la viabilidad del uso de una BCI de estimulación móvil. ^{[ 137 ]}

Una de las dificultades con las lecturas de EEG es la susceptibilidad a los artefactos de movimiento. ^{[ 139 ]} En la mayoría de los proyectos de investigación, se pidió a los participantes que se sentaran quietos en un entorno de laboratorio, reduciendo los movimientos de cabeza y ojos tanto como fuera posible. Sin embargo, dado que estas iniciativas estaban destinadas a crear un dispositivo móvil para uso diario, ^{[ 137 ]} la tecnología tuvo que ser probada en movimiento. En 2013, los investigadores probaron la tecnología BCI móvil basada en EEG, midiendo los SSVEP de los participantes mientras caminaban en una cinta de correr. Los resultados informados fueron que a medida que aumentaba la velocidad, la detectabilidad de SSVEP usando CCA disminuía. Se había demostrado que el análisis de componentes independientes (ICA) era eficiente para separar las señales de EEG del ruido. ^{[ 140 ]} Los investigadores afirmaron que los datos CCA con y sin procesamiento ICA eran similares. Concluyeron que CCA demostró robustez a los artefactos de movimiento. ^{[ 134 ]} Las aplicaciones BCI basadas en EEG ofrecen baja resolución espacial. Las posibles soluciones incluyen: conectividad de fuentes de EEG basada en la teoría de grafos , reconocimiento de patrones de EEG basado en Topomap y fusión EEG- fMRI .

Las BCI no invasivas se han aplicado a dispositivos protésicos de extremidades superiores e inferiores en personas con parálisis. Por ejemplo, Gert Pfurtscheller de la Universidad Tecnológica de Graz y sus colegas demostraron un sistema de estimulación eléctrica funcional controlado por BCI para restaurar los movimientos de las extremidades superiores en una persona con tetraplejía debido a una lesión de la médula espinal . ^{[ 141 ]} Entre 2012 y 2013, investigadores de la Universidad de California, Irvine demostraron por primera vez que la tecnología BCI puede restaurar la marcha controlada por el cerebro después de una lesión de la médula espinal . En su estudio , una persona con paraplejía operó una ortesis de marcha robótica BCI para recuperar la deambulación básica. ^{[ 142 ] [ 143 ]} En 2009, el investigador independiente Alex Blainey utilizó el Emotiv EPOC para controlar un brazo robótico de 5 ejes. ^{[ 144 ]} Hizo varias demostraciones de sillas de ruedas controladas por la mente y automatización del hogar .

La magnetoencefalografía (MEG) y la resonancia magnética funcional (fMRI) se han utilizado como interfaces cerebro-computadora no invasivas. ^{[ 145 ]} En un experimento ampliamente difundido, la fMRI permitió a dos usuarios jugar al Pong en tiempo real alterando su respuesta hemodinámica o el flujo sanguíneo cerebral mediante biorretroalimentación . ^{[ 146 ]}

Las mediciones de fMRI de las respuestas hemodinámicas en tiempo real también se han utilizado para controlar brazos robóticos con un retraso de siete segundos entre el pensamiento y el movimiento. ^{[ 147 ]}

En 2008, una investigación desarrollada en los Laboratorios de Neurociencia Computacional de Investigación Avanzada en Telecomunicaciones (ATR) en Kioto , Japón, permitió a los investigadores reconstruir imágenes a partir de señales cerebrales con una resolución de 10x10 píxeles . ^{[ 148 ]}

Un estudio de 2011 informó sobre la reconstrucción segundo a segundo de videos vistos por los sujetos del estudio, a partir de datos de fMRI. ^{[ 149 ]} Esto se logró mediante la creación de un modelo estadístico que relaciona los videos con la actividad cerebral. Este modelo se utilizó para buscar 100 segmentos de video de un segundo en una base de datos de 18 millones de segundos de videos aleatorios de YouTube , haciendo coincidir patrones visuales con la actividad cerebral registrada cuando los sujetos veían un video. Estos 100 extractos de video de un segundo se combinaron en una imagen compuesta que se asemejaba al video. ^{[ 150 ] [ 151 ] [ 152 ]}

La interacción persona-computadora puede aprovechar otras modalidades de registro, como la electrooculografía y el seguimiento ocular. Estas modalidades no registran la actividad cerebral y, por lo tanto, no califican como interfaces cerebro-computadora (BCI). ^{[ 156 ]}