脑机接口或脑-机接口(BMI / BCI)是一个新兴且富有挑战性的技术用于工程和神经科学的最终目标是提供一个途径从大脑通过映射到外部世界,协助、感觉器官增加,或者修复人类的认知功能。最近,出现了许多计算智能方法,深度学习和转移等学习。深度学习方法等领域都取得了极大的成功图像和视频分析、自然语言处理、语音识别和也已开始在BMI / BCI找到应用程序。转移学习利用获得的数据或知识在解决一个问题,帮助解决不同,尽管相关问题,可以特别有用在BMI / BCI来应对变化在个人或任务,加速学习和提高性能。深度学习和转移学习也可以综合利用两种领域。

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,从两个或两个以上的信号融合信息来源进行更准确的预测,之间的知识转移模式和他们交涉,恢复丢失的形态数据观测到的。

在过去的十年里,因为它使得基于脑电图几个BMI / BCI方法和技术开发并取得了可喜的成果在实际应用,如神经科学、医学和康复。这导致了大量的论文展示和比较这些技术的精度和性能;然而,许多这些没有先进的实时翻译或应用程序。所有上面提到的原因,重要的是利用和开发有效的计算智能算法解决根本问题领域的BMI / BCI。

这个特殊问题的目的是为研究人员提供一个论坛BMI / BCI和计算智能展示对计算智能研究的最新进展与应用BMI / BCI数据。我们欢迎原始研究的文章,包含详细的实验分析和相关临床翻译,以及相关评论文章讨论的当前状态的艺术。

潜在的主题包括但不限于以下:

• 计算智能方法BMI / BCI信号处理,例如,独立分量分析(ICA),常见的空间模式(CSP),典型相关分析(CCA),等等
• BMI / BCI特征提取的计算智能方法,例如,时域、频域、时频域,时空特性,等等
• 计算智能方法BMI / BCI模式识别,例如,深度学习,转移学习,整体学习,强化学习,多任务学习,多视图学习,等等
• 侵入性和非侵入性好像
• 在线和离线BCI的应用程序
• bci的不同形式,例如,脑电图(EEG)、脑磁图(MEG),功能性磁共振成像(fMRI),功能性近红外光谱(fNIRS) Electrocorticography (ECoG)、尖刺、局部场电位(联赛),等等