脑机接口或脑电脑接口（BMI / BCI）是工程和神经科学中使用的新兴和具有挑战性的技术，最终目标是通过映射，协助，增强或修理提供从大脑到外部世界的途径人类认知或感觉运动功能。最近，出现了许多计算智能方法，例如深度学习和转移学习。深入学习方法在图像和视频分析，自然语言处理和语音识别等领域取得了巨大成功，并且还开始在BMI / BCI中找到应用程序。转移学习利用在解决一个问题时获得的数据或知识来帮助解决不同，虽然相关的问题，并且在BMI / BCI中可以特别有用，以应对各个或任务的可变性，加速学习和提高性能。深入学习和转移学习也可以集成以利用两个域。

虽然使用计算智能方法的脑机接口研究已经越来越流行，但仍存在许多未解决的基本问题，如将部分基于脑电图的BMI/BCI数据从多种模式进行深度学习表示，将数据从一种模式映射到另一种模式，实现BMI/BCI数据的跨源分析，识别和利用两个或多个不同信号源元素之间的关系进行综合BMI/BCI数据分析，融合两个或多个信号源的信息进行更准确的预测，在模态及其表示之间传递知识，根据观察到的数据恢复丢失的模态数据。

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、医学和康复等现实世界的应用中显示出了良好的结果。这导致了大量展示和比较这些技术的准确性和性能的论文;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领域的基本问题是非常重要的。

此特殊问题旨在为来自BMI / BCI和计算智能的研究人员提供一个关于计算智能研究的进展的论坛，并使用应用于BMI / BCI数据。我们欢迎含有详细的实验分析及相关临床翻译的原始研究文章，以及讨论现有技术状态的相关审查文章。

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)、公共空间模式分析(CSP)、典型相关分析(CCA)等
• 基于计算智能的BMI/BCI特征提取方法，如时域、频域、时频域、时空特征等
• 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、多视图学习等
• 侵入性和非侵入性BCI
• 在线和离线BCI应用程序
• BCI的不同方式，例如脑电图（EEG），磁性脑图（MEG），功能磁共振成像（FMRI），功能近红外光谱（FNIR），电加电（ECOG），尖峰，局部场电位（LFP），以及依此类推