Fascynująca idea połączenia mózgu i maszyny liczy sobie już 50 lat i funkcjonuje na styku wielu dziedzin wiedzy – od medycyny do filozofii. Interfejsy mózg-komputer wykorzystują pomiary aktywności elektrofizjologicznej układu nerwowego do pozamięśniowej komunikacji człowieka z otoczeniem. Dzięki nim możliwe jest odczytanie samej chęci wykonania czynności, bo aktywność mózgowa widoczna w zapisie sygnału EEG podczas np. poruszania ręką jest niemalże taka sama, jak zapis w chwili, gdy osoba badana jedynie wyobraziła sobie ten ruch.

Rys. 1. Początki elektroencefalografii dawniej w zestawieniu z urządzeniami EEG/BCI w czasach obecnych [opracowanie własne]
Mózg człowieka
Najbardziej skomplikowanym „komputerem” na świecie jest ludzki mózg. Pomimo licznych prób, nikomu nigdy nie udało się całkowicie zamodelować jego całościowego działania [1, 2, 3]. Składa się on aż ze 100 miliardów neuronów, a każdy neuron jest w stanie stworzyć aż 10 tysięcy połączeń synaptycznych z innymi komórkami nerwowymi. W konsystencji mózg jest galaretowaty, ponieważ składa się w większości z wody [4]. Jego masa stanowi około 2% całkowitej masy ciała człowieka i zużywa 20% energii wytwarzanej przez organizm. Sam proces myślenia oparty jest na elektryczności i chemii – w stanie aktywnym mózg wytwarza energię o wartości około 25 W, czyli wystarczającą do rozświetlenia żarówki. W chwili obecnej pomimo tak wielu przeprowadzonych badań i tak obszernej wiedzy na temat mózgu, wciąż pozostaje wiele niewiadomych, których poznanie na chwilę obecną jest niemożliwe [2].
W konsekwencji tak wielu rozważań na temat układu nerwowego powstała nowa ścieżka naukowa – neuronauka. Jest ona stosunkowo młodą dziedziną, której początki datowane są na lata siedemdziesiąte ubiegłego wieku [5]. Początkowo skupiała się jedynie na rozważaniach teoretycznych, jednak rozwój medycyny umożliwia obecnie szczegółowe poznanie mechanizmów układu nerwowego. Odpowiedzią na chęć całkowitego poznania pracy ludzkiego umysłu jest kognitywistyka (ang. Cognitive Science, CS), zwana również nauką o procesach poznawczych, takich jak: percepcja, świadomość, pamięć, rozumienie, wnioskowanie, zdolności językowe, rozwiązywanie problemów, inteligencja, procesy komunikacyjne, reprezentacje poznawcze, etc. [6, 7]. Dzięki zdobytej na przestrzeni lat wiedzy oraz połączeniu rozwiązań technicznych z medycyną można monitorować pracę organizmu ludzkiego przy pomocy odpowiedniej aparatury [8, 9].
Elektroencefalografia
Elektroencefalograf to urządzenie zbierające i analizujące sygnał pochodzący z aktywności bioelektrycznej mózgu. Każda z komórek nerwowych wytwarza bardzo słabe pole magnetyczne oraz pole elektryczne [10]. Po przyłożeniu dwóch elektrod do czaszki można zarejestrować występującą między nimi różnicę potencjałów, której wielkość zmienia się nieustannie w czasie. Elektrody rozmieszczone w odpowiednich miejscach czaszki wychwytują te różnice. Zebrany w ten sposób sygnał wymaga wzmocnienia, ponieważ jest bardzo subtelny, a w dalszej kolejności przetworzenia na obraz graficzny. Powstający w ten sposób sygnał EEG podlega dalszej analizie diagnostycznej [11].
Elektroencefalografia miała znaczący wpływ na rozwój neurologii. Pierwszym twórcą urządzenia EEG był John Friedrich Tonnies, który w 1932 roku skonstruował urządzenie przetwarzające aktywność mózgową na zapis sygnału elektroencefalograficznego przy pomocy atramentowych pisaków [12, 13]. Jednak za odkrywcę elektroencefalografu uważa się niemieckiego lekarza Hansa Bergera [10, 11, 14].
Interfejsy Mózg-Komputer

Rys. 2. „Ojciec encefalografii” Hans Berger w swoim laboratorium w zestawieniu z zasobami sprzętowymi Politechniki Opolskiej [opracowanie własne]
Badania nad interfejsami mózg-komputer (ang. Brain-Computer Interfaces – BCI) rozpoczęły się w latach 70. na Uniwersytecie Kalifornijskim w Los Angeles [15, 16]. Prace opublikowane po tych badaniach oznaczają również pierwsze pojawienie się w literaturze naukowej wyrażenia brain-computer interface (interfejs mózg-komputer).

Rys. 3. Podstawowy schemat działania interfejsu mózg-komputer [opracowanie własne]
Wykorzystanie interfejsów BCI umożliwia częściowe lub całkowite zastąpienie urządzeń wyjściowych, takich jak mysz komputerowa, klawiatura, joystick, w celu wykonania czynności [16, 17]. Termin ten odnosi się do systemu mierzącego i wykorzystującego sygnały z centralnego układu nerwowego, co oznacza, że m.in. systemy aktywowane za pomocą mięśni i głosu nie mogą być nazywane BCI, ale mogą współtworzyć tzw. systemy (interfejsy) hybrydowe [16]. BCI umożliwiają użytkownikowi wykonywanie bezpośrednich działań bez angażowania mięśni, jedynie za pomocą aktywności mózgu [18].
Interfejsy mózg-komputer (BCI, ang. Brain-Computer Interfaces) wykorzystują pomiary aktywności elektrofizjologicznej ośrodkowego układu nerwowego (np. sygnałów bioelektrycznych mózgu, takich jak np. EEG) do pozamięśniowej komunikacji człowieka z otoczeniem [17]. Zagadnienie technologii BCI łączy w sobie dziedziny nauki takie jak: medycyna, informatyka, automatyka i robotyka, inżynieria biomedyczna, teoria sygnałów oraz elektronika [15].
Postrzeganie BCI jako urządzeń czytających w myślach jest błędne. Nie jest możliwe wydobywanie od użytkowników niepożądanych informacji lub ich konkretnych myśli. Sygnał mózgowy reprezentuje ogólną aktywność elektrofizjologiczną komórek nerwowych mózgu na powierzchni skóry głowy lub powierzchni korowej. Jest to fluktuacja napięcia generowana przez neurony [19]. Analiza zmian fali elektrycznej na sygnale EEG może odzwierciedlać zmiany różnych stanów organizmu człowieka [20-22].
W ostatnim czasie bardzo szybki rozwój medycyny i technologii informatycznych zapoczątkował erę interfejsów mózg-komputer (BCI), w szczególności ich nieinwazyjnej wersji, opartej na elektroencefalografii (EEG) [16, 17].
Możliwe jest podzielenie BCI na systemy inwazyjne i nieinwazyjne. Zwykle dla każdego typu BCI informacje wymieniane między mózgiem a komputerem stanowią dane przetwarzane w czasie rzeczywistym. W tym celu każda aktywność mózgu musi być mierzona bezpośrednio lub pośrednio. Połączenie bezpośrednie oznacza pomiar aktywności elektrycznej generowanej przez mózg (np. EEG), natomiast połączenie pośrednie można wykonać za pomocą:
- pomiaru poziomu tlenu we krwi,
- rezonansu funkcjonalnego (fMRI),
- funkcjonalnej spektroskopii w podczerwieni (fNIRS), itp.

Rys. 4. Typy elektrod stosowanych dla urządzeń mózg-komputer (podział według stopnia inwazyjności) [opracowanie własne]
W związku z popularyzacją nowej technologii, jaką pomimo swojej aż ponad półwiecznej historii jest technologia interejsów mózg-komputer, zauważalne są nie tylko plusy tej, wydawało by się, fenomenalnej idei [16]. Można spotkać się z licznymi opiniami podważającymi kwestię etyczną tak szczegółowych badań nad mózgiem. Kontowersję budzi przekroczenie pewnych norm moralnych w przypadku inwazyjnej implementacji elektrod pomiarowych bezpośrednio na powierzchni mózgu osoby badanej. Rozwiązanie to wymusza interwencję w strukturę człowieka, co ma przełożenie na uczucie dyskomfortu psychicznego związanego z wszczepieniem ciała obcego pod tak newralgiczne miejsce jak ludzka czaszka, jak również jest zabiegiem niezwykle ryzykownym i niebezpiecznym [25-27].
Jednak skuteczność tej metody jest nieporównywalnie wysoka, a wszystko to dzięki pominięciu artefaktów wynikających z bariery tworzonej przez czaszkę, warstwę skóry, włosy czy zanieczyszczenia, co umożliwia lepszy odczyt sygnału elektrycznego aktywności mózgowej [18].
Sygnały mózgowe, które reprezentują ogólną aktywność elektrofizjologiczną komórek nerwowych mózgu, są uzyskiwane z powierzchni skóry głowy, jak wyżej wspomniane sygnały EEG, lub bezpośrednio z powierzchni kory. Jest to fluktuacja napięcia generowana przez neurony, która może odzwierciedlać zmiany w różnych stanach organizmu człowieka [28].
Ponieważ większość nieinwazyjnych systemów BCI opiera się na danych EEG, inwazyjne BCI są w większości oparte na sygnałach rejestrowanych bezpośrednio z mózgu, np. elektrokortykografia. Elektrokortykogram (ECoG) jest inwazyjnym sygnałem odzwierciedlającym zapisy aktywności elektrycznej mózgu, które uzyskuje się z makro-elektrod (zwykle o średnicy 2–3 mm) umieszczonych bezpośrednio na powierzchni kory. Została opracowana w 1930 r. przez W. Penfielda, H. Jaspera jako technika stosowana do wykrywania ognisk napadów padaczkowych [29, 30].
Na podstawie dokładnych badań podstawowych można wyróżnić nieinwazyjne interfejsy mózg-komputer inne niż te oparte o wcześniej wspomniane EEG. Jednak ze względu na złożone wymagania techniczne, wysoki koszt, niską przenośność, ograniczone połączenie w czasie rzeczywistym, nie nadają się do codziennego użytku 17, 18]:
- magnetoencefalografia (MEG) – wymaga dużego, nieporęcznego sprzętu;
- funkcjonalne obrazowanie metodą rezonansu magnetycznego (fMRI) – duże, drogie, nieporęczne urządzenie, słaba rozdzielczość czasowa;
- spektroskopia w bliskiej podczerwieni (NIRS) – słaba rozdzielczość czasowa;
- tomografia emisyjna pozytonów (PET) – duży, drogi, nieporęczny sprzęt.
Metody inwazyjne mają jedną przewagę nad metodami nieinwazyjnymi – sygnał jest „silniejszy” i ma większą amplitudę, co-skutkuje dokładniejszymi danymi. Problem w tym, że pozyskanie tych sygnałów jest często ryzykowne, kosztowne i wymaga podjęcia poważnej operacji. Jedną z głównych wad metody inwazyjnej jest to, że można ją założyć tylko na bardzo krótki czas i trzeba ją jak najszybciej usunąć, gdyż może to spowodować uszkodzenie tkanki [18].

Rys. 5. Składowe sygnału EEG [opracowanie własne]
Sygnały EEG można rejestrować za pomocą różnego rodzaju elektrod pokrytych różnymi związkami, takimi jak chlorek srebra czy złoto. Standardowa rezystancja elektrody (impedancja) to zaledwie kilka kΩ. Umieszczenie elektrod na powierzchni skóry głowy badanej osoby jest zgodne z systemem „10/ 20”, Gdzie wartości„ 10 ” i „ 20 ”odnoszą się do odległości pomiędzy punktami pomiarowymi łuków biegnących po trzech płaszczyznach [17].

Rys. 6. Rozmieszczenie elektrod w układzie 10–20. A – widok z boku. B – widok z góry [Bosak, Magdalena. Atlas elektroencefalografii. Kraków: Wydawnictwo Uniwersytetu Jagiellońskiego, 2017]
Należy również wspomnieć, że sygnały EEG są uważane za niedeterministyczne i nie mają specjalnych cech, takich jak sygnały EKG, co wpływa na ich analizę [17, 18].
Dane biomedyczne (w szczególności sygnały mózgowe – EEG) są bardzo trudne z analitycznego punktu widzenia, głównie ze względu na ich niestacjonarny charakter oraz niską amplitudę i zakres niskich częstotliwości. Ponadto sygnały te są często zaszumione i zanieczyszczone różnymi artefaktami, co negatywnie wpływa na ich potencjalną użyteczność przetwarzania [17, 18] Artefakty EEG można podzielić na dwie następujące kategorie [17]:
Artefakty zewnętrzne:
- błędy aparatury: pęknięty drut elektrody, zły kontakt elektrody z powierzchnią skóry głowy, oderwanie elektrody itp.rtefakt mocy: 50 Hz (Europa), lub 60 Hz (USA).
Artefakty wewnętrzne – fizjologiczne wytwarzane przez ciało osoby badanej:
- artefakty EOG – spowodowane ruchami oczu;
- artefakty sercowe – związane z EKG;
- artefakty mięśniowe – związane z EMG;
- artefakty ruchowe – spowodowane przez ruchy ciała podmiotu;artefakty związane z aktywnością gruczołów potowych;
- artefakty oddechowe.
Na dzień dzisiejszy BCI wykorzystywane są głównie z myślą o pomocy osobom chorym i niepełnosprawnym. Większość badań obecnie prowadzonych na Świecie dotyczy sterowania elektrycznymi wózkami inwalidzkimi, neuroprotezami oraz egzoszkieletami. Istnieje również wiele projektów ściśle komercyjnych wykorzystujących tę technologię, są to między innymi neurogaming i neuromarketing. Powstały też rozwiązania dedykowane dla inteligentnych budynków oparte o technologię mózg-komputer. Należy także przytoczyć szereg utajnionych badań skupiających się na potrzebach branży militarno-wojskowej. Przekrój wykorzysftania BCI jest obszerny i ciągle rozszerza się o nowe zastosowania [16, 23, 24].
Obecnie badanie EEG jest jedną z najpopularniejszych metod diagnostycznych m.in. wymienionych poniżej zaburzeń [18]:
- Padaczka,
- Zespół deficytu uwagi (ADD),
- Zespół z deficytem uwagi / nadpobudliwością (ADHD),
- problemy z koncentracją,
- Choroba Parkinsona (PD),
- Stwardnienie rozsiane,
- problemy ze snem,
- różnego rodzaju zaburzenia psychiczne.
Postrzeganie BCI jako urządzeń czytających w myślach jest błędne. Nie jest możliwe wydobywanie od użytkowników niepożądanych informacji lub ich konkretnych myśli.
Nauka czy fantastyka?
Kolejnym dyskusyjnym tematem jest zjawisko sprzężenia zwrotnego – jedno z podstawowych zagadnień teorii sterowania. Mogłoby ono umożliwić „sterowanie” mózgiem człowieka przy pomocy interfejsu mózg-komputer. Obecny stan wiedzy wyklucza możliwość całkowitego kontrolowania człowiekiem. Badania wykluczyły taką możliwość, ponieważ podczas prowadzenia testów, polegających na bodźcowaniu mózgu impulsami elektrycznymi udowodniono, że mózg przyzwyczaja się do nowej sytuacji. Po kilku seriach bodźcowania mózg reagował coraz słabiej, aż w końcu całkowicie przestał na nie reagować. Jednak istnieje możliwość „wpłynięcia” na zachowanie osoby, poddanej badaniu elektroencefalograficznemu [31, 32].
Dzięki obserwacjom możliwe jest odczytanie chęci wykonania czynności. Aktywność mózgowa widoczna w zapisie sygnału EEG podczas np. poruszania ręką jest niemalże taka sama, jak zapis w chwili, gdy osoba badana jedynie wyobraziła sobie ten ruch [33-35] Obecnie jednak nie jest możliwy bezpośredni odczyt myśli człowieka, co również „rozwiewa” chwilowo obawy z tym związane. Być może w przyszłości powstanie algorytm, który to umożliwi [36, 37]. Należy jednak pamiętać, że każdy człowiek jest wyjątkowy i jego mechanizm myślenia może różnić się od mechanizmu myślenia innej osoby. Trzeba również zastanowić się, czy aby na pewno aż tak obszerna i niebezpieczna wiedza jest potrzebna ludzkości?
Prawdziwe badania nad BCI rozpoczęły się w latach siedemdziesiątych XX wieku w Kalifornii (UCLA) od eksperymentów przeprowadzanych na zwierzętach w celu opracowania nowej, bezpośredniej ścieżki komunikacji między środowiskami zewnętrznymi (lub urządzeniami) a mózgiem [18]. W 1973 roku Jacques Vidal opublikował artykuł zatytułowany „Toward Direct Brain-Computer Communications” [38, 39].
Pierwsze testy z rozwojem BCI przeprowadzono na małpach w 1969 i 1970 roku, podczas gdy pierwsze próby na ludziach przeprowadzono w latach 90-tych. Pierwszą pełną definicję BCI podał, Jonathan Wolpaw [39, 40].
W 1998 roku Philip Kennedy wszczepił człowiekowi pierwszy inwazyjny BCI, w 2003 roku wprowadzono pierwszą grę BCI o nazwie „BrainGate”, osobą tą był Matthew Nagle (1980–2007), który to tym samym został pierwszym pacjentem z wszczepionym inwazyjnym systemem BCI. Został on sparaliżowany po dźgnięciu nożem w kręgosłup [41].

Rys. 7. Matthew Nagle [Behm, A., Kollotzek, M. A., & Hüske, F. (2006). Brain Computer Interfaces. Controlling Computers by thoughts.]
Podsumowanie
W ciągu ostatnich kilku dziesięcioleci interfejsy mózg-komputer stopniowo zmierzały do epicentrum zainteresowań naukowych. Wielu naukowców z całego świata wniosło znaczący wkład w tej dziedzinie naukowej, opracowując liczne narzędzia i metody pozyskiwania oraz przetwarzania sygnałów mózgowych. Tak spektakularny postęp nie byłby możliwy bez towarzyszącego mu rozwoju technologicznego, który wyposażył naukowców w odpowiednie urządzenia zapewniające to, co jest absolutnie niezbędne do każdego odkrycia jako rdzeń każdej analizy: dane odzwierciedlają aktywność mózgu. Wspólny wysiłek doprowadził do zepchnięcia całej domeny do punktu, w którym komunikacja między człowiekiem a światem zewnętrznym za pośrednictwem interfejsów BCI nie jest już science fiction, ale rzeczywistością w praktycznie 50-letniej historii tej dziedziny badań. Dążenie do pełnego zrozumienia, jak działa ludzki mózg jest nie lada wyzwaniem i zajmie sporo czasu, aby odnieść sukces.
Obecne i prawdopodobnie przyszłe trendy w rozwoju systemów BCI są silnie związane z rozwojem inteligentnych algorytmów analizy danych biomedycznych (w szczególności sygnałów mózgowych). Istnieje również potrzeba poprawy wydajności już stosowanych metod poprzez skrócenie czasu kalibracji i poprawę dokładności klasyfikacji. Naukowcy starają się również projektować i rozwijać systemy ze zmniejszoną liczbą kanałów [18, 42].
Kolejnym wyłaniającym się trendem w rozwoju systemów BCI tzw. są pasywne BCI. Tradycyjne systemy BCI są aktywne lub reaktywne, co oznacza, że użytkownik musi być zaangażowany w określone zadanie umysłowe, podczas gdy pasywne BCI działają bardziej autonomicznie [18, 43, 44].
Ponadto w ostatnich latach nastąpił szereg postępów w technologii BCI, w tym przedsięwzięcia komercyjne, które dążą do wykorzystania BCI w nowatorski sposób. Jednym z takich przykładów jest firma Neuralink, założona przez przedsiębiorcę Elona Muska, której celem jest „fuzja ze sztuczną inteligencją”. Do działalności Muska podchodzono bardzo sceptycznie, głównie ze względu na jego bardzo głośne marketingowo działania [45, 46].
Kontrowersyjna może być także jedna konkretna forma rozwoju BCI, Brain-to-Brain Interface (BBI), gdzie BCI są łączone z interfejsami komputer-mózg (ang. Computer-to-Brain Interfaces, CBI) oraz, w nowszych pracach, interfejsami multi-mózg-mózg [36, 37, 45, 46].
Artykuł jest próbą podsumowania ponad pół wieku interfejsów mózg-komputer, wskazaniem zatarcia granicy pomiędzy nauką a fantastyką. Dodatkowo – nieinwazyjny charakter BCI opartego o EEG sprawił, że stały się one najpopularniejszym rodzajem systemu BCI. Należy jednak wspomnieć, iż głównym celem rozwoju technologii przedstawionej w niniejszej pracy było umożliwienie bezpośredniej komunikacji osobom niepełnosprawnym, a dopiero później pojawiły się rozwiązania przeznaczone do czystej rozrywki.
Podsumowując, BCI ponownie wprowadzili fikcję znaną z literatury science fiction w rzeczywistość, udostępniając pewne sposoby wykorzystania „myśli” do celów kontrolnych. Jednak pomimo tego, że systemy stają się coraz bardziej osiągalne, nadal istnieje problem, który utrudnia ich wyprowadzenie z laboratoriów do codziennego życia. A problemem jest wygoda: długi czas kalibracji, użycie pasty lub żelu ściernego w celu poprawy przewodnictwa oraz czas związany z umieszczeniem słuchawek na skórze głowy są na granicy lub nieco powyżej przeciętnej akceptacji użytkownika. Ostatecznie niektóre z tych problemów mogą być trudne do rozwiązania przez zdrowych użytkowników i prawie niemożliwe do rozwiązania przez osoby z różnymi zaburzeniami motorycznymi. Kiedy te przeszkody zostaną usunięte, BCI, staną się rzeczywistą częścią naszego życia.
Z filozoficznego i etycznego punktu widzenia interakcji mózg-maszyna rodzi się wiele pytań dotyczących podziału i przypisywania odpowiedzialności, podejmowania decyzji, a także stanowi krok w kierunku budowy sztucznej inteligencji [46]. Interakcja między mózgiem a komputerem może pomóc wyjaśnić intencje – ważną cechę cech ludzkich zachowań ukierunkowanych na cel i były one często dyskutowane w filozofii umysłu.
Należy jednak wspomnieć, iż głównym celem rozwoju technologii przedstawionej w niniejszej pracy było umożliwienie bezpośredniej komunikacji osobom niepełnosprawnym, a dopiero później pojawiły się rozwiązania przeznaczone do czystej rozrywki.
Literatura
[1] Von Neumann, J. (2012). The computer and the brain. Yale University Press.
[2] Gao, S., Wang, Y., Gao, X., & Hong, B. (2014). Visual and auditory brain–computer interfaces. IEEE Transactions on Biomedical Engineering, 61(5), 1436-1447.
[3] Chandra, P. (2017). A Survey on Deep Learning its Architecture and Various Applications. Asia Pac. J. Neural Netw. Appl., 1(2), 7-12.
[4] Swanson, L. W. (2012). Brain architecture: understanding the basic plan. Oxford University Press.
[5] Bennett, M. R., Hacker, P. M. S., & Bennett, M. R. (2003). Philosophical foundations of neuroscience (Vol. 79). Oxford: Blackwell.
[6] Thagard, P. (2005). Mind: Introduction to cognitive science. MIT press.
[7] Von Eckardt, B. (1995). What is cognitive science?. MIT press.
[8] Alipour, A., Rezai, A., Hashemi, T., & Yousefpour, N. (2017). The effectiveness of cognitive behavioral therapy focused on lifestyle modification to increase monitoring vital signs and coronary heart disease and psychological well-being. Quarterly Journal of Health Psychology, 5(20), 125-136.
[9] Fioranelli, F., Le Kernec, J., & Shah, S. A. (2019). Radar for health care: Recognizing human activities and monitoring vital signs. IEEE Potentials, 38(4), 16-23.
[10] Shipton, H. W. (1975). EEG analysis: A history and a prospectus. Annual review of biophysics and bioengineering, 4(1), 1-13.
[11] Teplan, M. (2002). Fundamentals of EEG measurement. Measurement science review, 2(2), 1-11.
[12] Millett, D. (2001). Hans Berger: From psychic energy to the EEG. Perspectives in biology and medicine, 44(4), 522-542.
[13] Boch, R. A., & Floeel, L. (2020). In memoriam Jan Friedrich Tönnies. Klinische Neurophysiologie, 51(03), 169-170.
[14] La Vaque, T. J. (1999). The history of EEG hans berger: psychophysiologist. A historical vignette. Journal of Neurotherapy, 3(2), 1-9.
[15] Kübler, A. (2020). The history of BCI: From a vision for the future to real support for personhood in people with locked-in syndrome. Neuroethics, 13(2), 163-180.
[16] Kawala-Sterniuk, A., Browarska, N., Al-Bakri, A., Pelc, M., Zygarlicki, J., Sidikova, M., … & Gorzelanczyk, E. J. (2021). Summary of over Fifty Years with Brain-Computer Interfaces—A Review. Brain Sciences, 11(1), 43.
[17] Kawala-Janik, A. (2013). Efficiency evaluation of external environments control using bio-signals (Doctoral dissertation, University of Greenwich).
[18] Gao, X., Xu, D., Cheng, M., & Gao, S. (2003). A BCI-based environmental controller for the motion-disabled. IEEE Transactions on neural systems and rehabilitation engineering, 11(2), 137-140.
[19] Birbaumer, N. (2006). Breaking the silence: brain–computer interfaces (BCI) for communication and motor control. Psychophysiology, 43(6), 517-532.
[20] Browarska, N., Kawala-Sterniuk, A., & Zygarlicki, J. (2020). Initial study on changes in activity of brain waves during audio stimulation using noninvasive brain–computer interfaces: choosing the appropriate filtering method. Bio-Algorithms and Med-Systems.
[21] Browarska, N., Kawala-Sterniuk, A., Chechelski, P., & Zygarlicki, J. (2021). Analysis of brain waves changes in stressful situations based on horror game with the implementation of virtual reality and brain-computer interface system: A case study. Bio-Algorithms and Med-Systems, 16(4).
[22] Bos, D. O. (2006). EEG-based emotion recognition. The influence of visual and auditory stimuli, 56(3), 1-17.
[23] Lee, W. T., Nisar, H., Malik, A. S., & Yeap, K. H. (2013, June). A brain computer interface for smart home control. In 2013 IEEE International Symposium on Consumer Electronics (ISCE) (pp. 35-36). IEEE.
[24] Holzner, C., Guger, C., Edlinger, G., Gronegress, C., & Slater, M. (2009, June). Virtual smart home controlled by thoughts. In 2009 18th IEEE International Workshops on Enabling Technologies: Infrastructures for Collaborative Enterprises (pp. 236-239). IEEE.
[25] Ideathon, B., Bee, B., Course, S., & Store, M. Brain Computer Interface (BCI).
[26] Burwell, S., Sample, M., & Racine, E. (2017). Ethical aspects of brain computer interfaces: a scoping review. BMC medical ethics, 18(1), 1-11.
[27] Lee, K. Y., & Jang, D. (2013, February). Ethical and social issues behind brain-computer interface. In 2013 International Winter Workshop on Brain-Computer Interface (BCI) (pp. 72-75). IEEE.
[28] Sidikova, M., Martinek, R., Kawala-Sterniuk, A., Ladrova, M., Jaros, R., Danys, L., & Simonik, P. (2020). Vital sign monitoring in car seats based on electrocardiography, ballistocardiography and seismocardiography: a review. Sensors, 20(19), 5699.
[29] Towle, V. L., Syed, I., Berger, C., Grzesczcuk, R., Milton, J., Erickson, R. K., … & Spire, J. P. (1998). Identification of the sensory/motor area and pathologic regions using ECoG coherence. Electroencephalography and clinical Neurophysiology, 106(1), 30-39.
[30] Jasper, H. H. (1964). Some physiological mechanisms involved in epileptic automatisms. Epilepsia, 5(1), 1-20.
[31] Neuper, C., & Pfurtscheller, G. (2009). Neurofeedback training for BCI control. Brain-computer interfaces, 65-78.
[32] Jeunet, C., Lotte, F., Batail, J. M., Philip, P., & Franchi, J. A. M. (2018). Using recent BCI literature to deepen our understanding of clinical neurofeedback: a short review. Neuroscience, 378, 225-233.
[33] Höller, Y., Bergmann, J., Kronbichler, M., Crone, J. S., Schmid, E. V., Thomschewski, A., … & Trinka, E. (2013). Real movement vs. motor imagery in healthy subjects. International journal of psychophysiology, 87(1), 35-41.
[34] Pfurtscheller, G., & Neuper, C. (2001). Motor imagery and direct brain-computer communication. Proceedings of the IEEE, 89(7), 1123-1134.
[35] Canepa, P., Sbragi, A., Saino, F., Biggio, M., Bove, M., & Bisio, A. (2020). Thinking Before Doing: A Pilot Study on the Application of Motor Imagery as a Learning Method During Physical Education Lesson in High School. Frontiers in sports and active living, 2.
[36] Astobiza, A. M., Ausin, T., Ferrer, R. M., & Rainey, S. (2020). THE ETHICS OF BRAIN-COMPUTER INTERFACES (BCI). The Age of Artificial Intelligence: An Exploration, 273.
[37] Laiho, J. (2020). Recognizing Thoughts from Bioelectric Patterns? A Brain-Computer Interface with Deep Learning.
[38] Vidal, J. J. (1973). Toward direct brain-computer communication. Annual review of Biophysics and Bioengineering, 2(1), 157-180.
[39] Miranda, E., & Brouse, A. (2005, May). Toward direct brain-computer musical interfaces. In Proceedings of the 2005 conference on New interfaces for musical expression (pp. 216-219).
[40] Wolpaw, J. R., McFarland, D. J., Neat, G. W., & Forneris, C. A. (1991). An EEG-based brain-computer interface for cursor control. Electroencephalography and clinical neurophysiology, 78(3), 252-259.
[41] Archibald, S. (2005). Opening the BrainGate. Nature Reviews Neuroscience, 6(5), 346-346.
[42] Shukla, P. K., Chaurasiya, R. K., & Verma, S. (2020). Single-Channel Region-Based Speller for Controlling Home Appliances. International Journal of E-Health and Medical Communications (IJEHMC), 11(4), 65-89.
[43] Andreessen, L. M., Gerjets, P., Meurers, D., & Zander, T. O. (2021). Toward neuroadaptive support technologies for improving digital reading: a passive BCI-based assessment of mental workload imposed by text difficulty and presentation speed during reading. User Modeling and User-Adapted Interaction, 31(1), 75-104.
[44] Belo, J., Clerc, M., & Schön, D. (2021). EEG-Based Auditory Attention Detection and Its Possible Future Applications for Passive BCI. Frontiers in Computer Science, 3.
[45] Coin, A., Mulder, M., & Dubljević, V. (2020). Ethical aspects of BCI technology: what is the state of the art?. Philosophies, 5(4), 31.
[46] Hummadi, T., & Chatterjee, I. (2021). An era of brain-computer interface: BCI migration into space. Neuroscience Research Notes, 3(5), 4-12.