Abstract Brain-computer interface (BCI) technologies aim to provide a bridge between the human brain and external devices. Prior research using non-invasive BCI to control virtual objects, such as computer cursors and virtual helicopters, and real-world objects, such as wheelchairs and quadcopters, has demonstrated the promise of BCI technologies. However, controlling a robotic arm to complete reach-and-grasp tasks efficiently using non-invasive BCI has yet to be shown. In this study, we found that a group of 13 human subjects could willingly modulate brain activity to control a robotic arm with high accuracy for performing tasks requiring multiple degrees of freedom by combination of two sequential low dimensional controls. Subjects were able to effectively control reaching of the robotic arm through modulation of their brain rhythms within the span of only a few training sessions and maintained the ability to control the robotic arm over multiple months. Our results demonstrate the viability of human operation of prosthetic limbs using non-invasive BCI technology.

Goal: Sensorimotor-based brain-computer interfaces (BCIs) have achieved successful control of real and virtual devices in up to three dimensions; however, the traditional sensor-based paradigm limits the intuitive use of these systems. Many control signals for state-of-the-art BCIs involve imagining the movement of body parts that have little to do with the output command, revealing a cognitive disconnection between the user's intent and the action of the end effector. Therefore, there is a need to develop techniques that can identify with high spatial resolution the self-modulated neural activity reflective of the actions of a helpful output device. Methods: We extend previous EEG source imaging (ESI) work to decoding natural hand/wrist manipulations by applying a novel technique to classifying four complex motor imaginations of the right hand: flexion, extension, supination, and pronation. Results: We report an increase of up to 18.6% for individual task classification and 12.7% for overall classification using the proposed ESI approach over the traditional sensor-based method. Conclusion: ESI is able to enhance BCI performance of decoding complex right-hand motor imagery tasks. Significance: This study may lead to the development of BCI systems with naturalistic and intuitive motor imaginations, thus facilitating broad use of noninvasive BCIs.

Noninvasive neuroimaging and increased user engagement improve EEG-based neural decoding and facilitate real-time 2D robotic device control.

Brain-computer interfaces (BCIs) have been explored in the field of neuroengineering to investigate how the brain can use these systems to control external devices. We review the principles and approaches we have taken to develop a sensorimotor rhythm EEG based brain-computer interface (BCI). The methods include developing BCI systems incorporating the control of physical devices to increase user engagement, improving BCI systems by inversely mapping scalp-recorded EEG signals to the cortical source domain, integrating BCI with noninvasive neuromodulation strategies to improve learning, and incorporating mind-body awareness training to enhance BCI learning and performance. The challenges and merits of these strategies are discussed, together with recent findings. Our work indicates that the sensorimotor-rhythm-based noninvasive BCI has the potential to provide communication and control capabilities as an alternative to physiological motor pathways.

Abstract In severe epileptic encephalopathies, epileptic activity contributes to progressive cognitive dysfunction. Several epileptic encephalopathies share the trait of spike-wave activation during non-rapid eye movement sleep (EE-SWAS), a state dominated by sleep oscillations known to coordinate offline memory consolidation. How epileptic activity impacts these thalamocortical sleep oscillations has not been directly observed in humans. Using a unique dataset of simultaneous human thalamic and cortical recordings in subjects with and without EE-SWAS, we reconcile prior conflicting observations about how epileptic spikes coordinate with sleep oscillations and provide direct evidence for epileptic spike interference of sleep spindle production. We find that slow oscillations facilitate both epileptic spikes and sleep spindles during stage 2 sleep (N2) at different phases of the slow oscillation. We show that sleep activated cortical epileptic spikes propagate to the thalamus (thalamic spike rate is increased after a cortical spike, p∼0). Thalamic spikes increase the spindle refractory period (p<1.5e-21). In patients with EE-SWAS, the abundance of thalamic spikes result in downregulation of spindles for 30 seconds after each thalamic spike (p=3.4e-11) and decreased overall spindle rate across N2 (p=2e-7). These direct human thalamocortical observations identify a novel mechanism through which epileptiform spikes could impact cognitive function, wherein sleep-activated epileptic spikes inhibit thalamic sleep spindles in epileptic encephalopathy.