脑机接口或脑机接口(BMI/BCI)是一种新兴的具有挑战性的技术，用于工程和神经科学，其最终目标是通过映射、协助、增强或修复人类的认知或感觉运动功能，提供从大脑到外部世界的通路。近年来出现了许多计算智能方法，如深度学习和迁移学习。深度学习方法在图像和视频分析、自然语言处理、语音识别等领域取得了巨大成功，并开始在BMI/BCI中得到应用。迁移学习利用在解决一个问题中获得的数据或知识来帮助解决一个不同的(尽管是相关的)问题，在BMI/BCI中尤其有用，以应对个体或任务的差异性，加速学习和提高表现。深度学习和迁移学习也可以结合起来，利用这两个领域的优势。

尽管脑机接口的研究利用计算智能方法已经成为更受欢迎,有许多未解决的基本问题,如深度学习表示因为它使得基于脑电图的BMI / BCI来自多个模式的数据,数据从一个模式到另一个映射到实现源BMI / BCI数据交叉分析、识别和利用元素之间的关系从两个或两个以上的不同的信号来源BMI / BCI数据综合分析,融合来自两个或多个信号源的信息来进行更准确的预测，在模态及其表示之间传递知识，并根据观测到的模态数据恢复缺失的模态数据。

在过去的十年中，一些基于脑电图的BMI/BCI方法和技术被开发出来，并在神经科学、医学和康复等实际应用中显示出良好的效果。这导致大量的论文展示和比较这些技术的准确性和性能;然而，其中许多还没有发展到实时翻译或应用。基于上述原因，开发和开发有效的计算智能算法来解决BMI/BCI领域的基本问题是很重要的。

本期特刊旨在为来自BMI/BCI和计算智能的研究人员提供一个论坛，介绍计算智能研究与应用于BMI/BCI数据的最新进展。我们欢迎包含详细实验分析和相关临床翻译的原始研究文章，以及讨论当前技术状态的相关综述文章。

可能的主题包括但不限于以下内容:

• BMI/BCI信号处理的计算智能方法，如独立成分分析(ICA)、共同空间模式(CSP)、典型相关分析(CCA)等
• BMI/BCI特征提取的计算智能方法，如时域、频域、时频域、时空特征等
• 用于BMI/BCI模式识别的计算智能方法，如深度学习、迁移学习、集成学习、强化学习、多任务学习、多视角学习等
• 侵袭性和非侵袭性BCIs
• 在线和离线BCI应用
• BCIs的不同模式，如脑电图(EEG)、脑磁图(MEG)、功能磁共振成像(fMRI)、功能近红外光谱(fNIRS)、皮质电图(ECoG)、spike、局部场电位(LFPs)等