系统神经工程综述：神经成像、接口及调控技术研究进展

工程（英文） ›› 2015, Vol. 1 ›› Issue (3) : 292-308.

PDF(9823 KB)
PDF(9823 KB)
工程（英文） ›› 2015, Vol. 1 ›› Issue (3) : 292-308. DOI: 10.15302/J-ENG-2015078
研究论文
Research

系统神经工程综述：神经成像、接口及调控技术研究进展

作者信息 +

Systems Neuroengineering: Understanding and Interacting with the Brain

Author information +
History +

Abstract

In this paper, we review the current state-of-the-art techniques used for understanding the inner workings of the brain at a systems level. The neural activity that governs our everyday lives involves an intricate coordination of many processes that can be attributed to a variety of brain regions. On the surface, many of these functions can appear to be controlled by specific anatomical structures; however, in reality, numerous dynamic networks within the brain contribute to its function through an interconnected web of neuronal and synaptic pathways. The brain, in its healthy or pathological state, can therefore be best understood by taking a systems-level approach. While numerous neuroengineering technologies exist, we focus here on three major thrusts in the field of systems neuroengineering: neuroimaging, neural interfacing, and neuromodulation. Neuroimaging enables us to delineate the structural and functional organization of the brain, which is key in understanding how the neural system functions in both normal and disease states. Based on such knowledge, devices can be used either to communicate with the neural system, as in neural interface systems, or to modulate brain activity, as in neuromodulation systems. The consideration of these three fields is key to the development and application of neuro-devices. Feedback-based neuro-devices require the ability to sense neural activity (via a neuroimaging modality) through a neural interface (invasive or noninvasive) and ultimately to select a set of stimulation parameters in order to alter neural function via a neuromodulation modality. Systems neuroengineering refers to the use of engineering tools and technologies to image, decode, and modulate the brain in order to comprehend its functions and to repair its dysfunction. Interactions between these fields will help to shape the future of systems neuroengineering—to develop neurotechniques for enhancing the understanding of whole-brain function and dysfunction, and the management of neurological and mental disorders.

Keywords

systems neuroengineering / neuroimaging / neural interface / neuromodulation / neurotechnology / brain-computer interface / brain-machine interface / neural stimulation

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用
. . Engineering. 2015, 1(3): 292-308 https://doi.org/10.15302/J-ENG-2015078

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Z. Liu, B. He. fMRI-EEG integrated cortical source imaging by use of time-variant spatial constraints. Neuroimage, 2008, 39(3): 1198–1214
[2]
F. Babiloni, Estimation of the cortical functional connectivity with the multimodal integration of high-resolution EEG and fMRI data by directed transfer function. Neuroimage, 2005, 24(1): 118–131
[3]
G. T. Herman. Fundamentals of Computerized Tomography: Image Reconstruction from Projections. London: Springer Science & Business Media, 2009
[4]
U. Bogdahn, G. Becker, J. Winkler, K. Greiner, J. Perez, B. Meurers. Transcranial color-coded real-time sonography in adults. Stroke, 1990, 21(12): 1680–1688
[5]
P. J. Basser, J. Mattiello, D. LeBihan. MR diffusion tensor spectroscopy and imaging. Biophys. J., 1994, 66(1): 259–267
[6]
K. Uğurbil, ; WU-Minn HCP Consortium. Pushing spatial and temporal resolution for functional and diffusion MRI in the Human Connectome Project. Neuroimage, 2013, 80: 80–104
[7]
K. Setsompop, Pushing the limits of in vivo diffusion MRI for the Human Connectome Project. Neuroimage, 2013, 80: 220–233
[8]
E. M. Sevick-Muraca. Translation of near-infrared fluorescence imaging technologies: Emerging clinical applications. Annu. Rev. Med., 2012, 63: 217–231
[9]
G. J. Tearney, In vivo endoscopic optical biopsy with optical coherence tomography. Science, 1997, 276(5321): 2037–2039
[10]
W. Lau, S. Tong, N. V. Thakor. Spatiotemporal characteristics of low-frequency functional activation measured by laser speckle imaging. IEEE Trans. Neural Syst. Rehabil. Eng., 2005, 13(2): 179–185
[11]
A. Rege, J. Senarathna, N. Li, N. V. Thakor. Anisotropic processing of laser speckle images improves spatiotemporal resolution. IEEE Trans. Biomed. Eng., 2012, 59(5): 1272–1280
[12]
J. Senarathna, A. Rege, N. Li, N. V. Thakor. Laser Speckle Contrast Imaging: Theory, instrumentation and applications. IEEE Rev. Biomed. Eng., 2013, 6: 99–110
[13]
B. Horwitz, K. J. Friston, J. G. Taylor. Neural modeling and functional brain imaging: An overview. Neural Netw., 2000, 13(8−9): 829–846
[14]
B. He, L. Yang, C. Wilke, H. Yuan. Electrophysiological imaging of brain activity and connectivity-challenges and opportunities. IEEE Trans. Biomed. Eng., 2011, 58(7): 1918–1931
[15]
B. He, Grand challenges in mapping the human brain: NSF workshop report. IEEE Trans. Biomed. Eng., 2013, 60(11): 2983–2992
[16]
M. M. Ter-Pogossian, M. E. Phelps, E. J. Hoffman, N. A. Mullani. A positron-emission transaxial tomograph for nuclear imaging (PETT). Radiology, 1975, 114(1): 89–98
[17]
P. H. Murphy, J. A. Burdine, M. Moore, R. J. Jaszcak, W. Thompson, G. DuPuey. Single photon emission computed tomography (SPECT) of the body. J. Nucl. Med., 1978, 19: 683
[18]
N. K. Logothetis. What we can do and what we cannot do with fMRI. Nature, 2008, 453(7197): 869–878
[19]
K. J. Friston. Modalities, modes, and models in functional neuroimaging. Science, 2009, 326(5951): 399–403
[20]
P. A. Bandettini, E. C. Wong, R. S. Hinks, R. S. Tikofsky, J. S. Hyde. Time course EPI of human brain function during task activation. Magn. Reson. Med., 1992, 25(2): 390–397
[21]
K. K. Kwong, Dynamic magnetic resonance imaging of human brain activity during primary sensory stimulation. Proc. Natl. Acad. Sci. U.S.A., 1992, 89(12): 5675–5679
[22]
S. Ogawa, Intrinsic signal changes accompanying sensory stimulation: Functional brain mapping with magnetic resonance imaging. Proc. Natl. Acad. Sci. U.S.A., 1992, 89(13): 5951–5955
[23]
H. Blumenfeld, Cortical and subcortical networks in human secondarily generalized tonic-clonic seizures. Brain, 2009, 132(4): 999–1012
[24]
E. Yacoub, N. Harel, K. Ugurbil. High-field fMRI unveils orientation columns in humans. Proc. Natl. Acad. Sci. U.S.A., 2008, 105(30): 10607–10612
[25]
C. M. Michel, M. M. Murray, G. Lantz, S. Gonzalez, L. Spinelli, R. Grave de Peralta. EEG source imaging. Clin. Neurophysiol., 2004, 115(10): 2195–2222
[26]
B. He, T. Musha, Y. Okamoto, S. Homma, Y. Nakajima, T. Sato. Electric dipole tracing in the brain by means of the boundary element method and its accuracy. IEEE Trans. Biomed. Eng., 1987, 34(6): 406–414
[27]
A. M. Dale, M. I. Sereno. Improved localizadon of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: A linear approach. J. Cogn. Neurosci., 1993, 5(2): 162–176
[28]
R. D. Pascual-Marqui, C. M. Michel, D. Lehmann. Low resolution electromagnetic tomography: A new method for localizing electrical activity in the brain. Int. J. Psychophysiol., 1994, 18(1): 49–65
[29]
C. M. Michel, B. He. EEG mapping and source imaging. In: D. L. Schomer, F. H. Lopes da Silva, eds. Niedermeyer’s Electroencephalography: Basic Principles, Clinical Applications, and Related Fields. 6th ed. New York: Lippincott Williams & Wilkins, 2011: 1179–1202
[30]
B. L. P. Cheung, B. A. Riedner, G. Tononi, B. D. Van Veen. Estimation of cortical connectivity from EEG using state-space models. IEEE Trans. Biomed. Eng., 2010, 57(9): 2122–2134
[31]
L. Qin, L. Ding, B. He. Motor imagery classification by means of source analysis for brain-computer interface applications. J. Neural Eng., 2004, 1(3): 135–141
[32]
B. Edelman, B. Baxter, B. He. EEG source imaging enhances the decoding of complex right hand motor imagery tasks. IEEE Trans. Biomed. Eng., 2015 (in press)
[33]
M. Ferrari, V. Quaresima. A brief review on the history of human functional near-infrared spectroscopy (fNIRS) development and fields of application. Neuroimage, 2012, 63(2): 921–935
[34]
J. D. Briers. Laser speckle contrast imaging for measuring blood flow. Opt. Appl., 2007, 37(1−2): 139–152
[35]
A. M. Dale, Dynamic statistical parametric mapping: Combining fMRI and MEG for high-resolution imaging of cortical activity. Neuron, 2000, 26(1): 55–67
[36]
Z. Liu, N. Zhang, W. Chen, B. He. Mapping the bilateral visual integration by EEG and fMRI. Neuroimage, 2009, 46(4): 989–997
[37]
J. Gotman, C. Grova, A. Bagshaw, E. Kobayashi, Y. Aghakhani, F. Dubeau. Generalized epileptic discharges show thalamocortical activation and suspension of the default state of the brain. Proc. Natl. Acad. Sci. U.S.A., 2005, 102(42): 15236–15240
[38]
B. Horwitz. The elusive concept of brain connectivity. Neuroimage, 2003, 19(2): 466–470
[39]
G. Pfurtscheller, F. H. Lopes da Silva. Event-related EEG/MEG synchronization and desynchronization: Basic principles. Clin. Neurophysiol., 1999, 110(11): 1842–1857
[40]
C. W. J. Granger. Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 1969, 37(3): 424–438
[41]
M. J. Kamiński, K. J. Blinowska. A new method of the description of the information flow in the brain structures. Biol. Cybern., 1991, 65(3): 203–210
[42]
L. A. Baccalá, K. Sameshima. Partial directed coherence: A new concept in neural structure determination. Biol. Cybern., 2001, 84(6): 463–474
[43]
M. S. Roulston. Estimating the errors on measured entropy and mutual information. Physica D, 1999, 125(3−4): 285–294
[44]
C. J. Stam, B. W. van Dijk. Synchronization likelihood: An unbiased measure of generalized synchronization in multivariate data sets. Physica D, 2002, 163(3−4): 236–251
[45]
L. Astolfi, Comparison of different cortical connectivity estimators for high-resolution EEG recordings. Hum. Brain Mapp., 2007, 28(2): 143–157
[46]
O. David, D. Cosmelli, K. J. Friston. Evaluation of different measures of functional connectivity using a neural mass model. Neuroimage, 2004, 21(2): 659–673
[47]
A. R. McLntosh, F. Gonzalez-Lima. Structural equation modeling and its application to network analysis in functional brain imaging. Hum. Brain Mapp., 1994, 2(1−2): 2–22
[48]
K. J. Friston, L. Harrison, W. Penny. Dynamic causal modelling. Neuroimage, 2003, 19(4): 1273–1302
[49]
J. Daunizeau, O. David, K. E. Stephan. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. Neuroimage, 2011, 58(2): 312–322
[50]
M. H. Lee, C. D. Smyser, J. S. Shimony. Resting-state fMRI: A review of methods and clinical applications. AJNR Am. J. Neuroradiol., 2013, 34(10): 1866–1872
[51]
L. Ding, G. A. Worrell, T. D. Lagerlund, B. He. Ictal source analysis: Localization and imaging of causal interactions in humans. Neuroimage, 2007, 34(2): 575–586
[52]
C. Wilke, G. Worrell, B. He. Graph analysis of epileptogenic networks in human partial epilepsy. Epilepsia, 2011, 52(1): 84–93
[53]
L. Yang, C. Wilke, B. Brinkmann, G. A. Worrell, B. He. Dynamic imaging of ictal oscillations using non-invasive high-resolution EEG. Neuroimage, 2011, 56(4): 1908–1917
[54]
L. Lemieux, Event-related fMRI with simultaneous and continuous EEG: Description of the method and initial case report. Neuroimage, 2001, 14(3): 780–787
[55]
M. S. Judenhofer, Simultaneous PET-MRI: A new approach for functional and morphological imaging. Nat. Med., 2008, 14(4): 459–465
[56]
L. V. Wang, S. Hu. Photoacoustic tomography: In vivo imaging from organelles to organs. Science, 2012, 335(6075): 1458–1462
[57]
Y. Xu, B. He. Magnetoacoustic tomography with magnetic induction (MAT-MI). Phys. Med. Biol., 2005, 50(21): 5175–5187
[58]
J. Liu, X. Zhang, S. Schmitter, P. F. van de Moortele, B. He. Gradient-based electrical properties tomography (gEPT): A robust method for mapping electrical properties of biological tissues in vivo using magnetic resonance imaging. Magn. Reson. Med., 2015, 74(3): 634–646
[59]
D. A. Boas, C. E. Elwell, M. Ferrari, G. Taga. Twenty years of functional near-infrared spectroscopy: Introduction for the special issue. Neuroimage, 2014, 85(1): 1–5
[60]
A. K. Dunn. Laser speckle contrast imaging of cerebral blood flow. Ann. Biomed. Eng., 2012, 40(2): 367–377
[61]
Q. Liu, Y. Li, H. Lu, S. Tong. Real-time high resolution laser speckle imaging of cerebral vascular changes in a rodent photothrombosis model. Biomed. Opt. Express, 2014, 5(5): 1483–1493
[62]
S. Moeller, Multiband multislice GE-EPI at 7 tesla, with 16-fold acceleration using partial parallel imaging with application to high spatial and temporal whole-brain fMRI. Magn. Reson. Med., 2010, 63(5): 1144–1153
[63]
S. Haufe, V. V. Nikulin, A. Ziehe, K. R. Müller, G. Nolte. Combining sparsity and rotational invariance in EEG/MEG source reconstruction. Neuroimage, 2008, 42(2): 726–738
[64]
A. Gramfort, D. Strohmeier, J. Haueisen, M. S. Hämäläinen, M. Kowalski. Time-frequency mixed-norm estimates: Sparse M/EEG imaging with non-stationary source activations. Neuroimage, 2013, 70: 410–422
[65]
L. Ding, B. He. Sparse source imaging in electroencephalography with accurate field modeling. Hum. Brain Mapp., 2008, 29(9): 1053–1067
[66]
A. Ale, V. Ermolayev, E. Herzog, C. Cohrs, M. H. de Angelis, V. Ntziachristos. FMT-XCT: In vivo animal studies with hybrid fluorescence molecular tomography-X-ray computed tomography. Nat. Methods, 2012, 9(6): 615–620
[67]
K. Deisseroth, G. Feng, A. K. Majewska, G. Miesenböck, A. Ting, M. J. Schnitzer. Next-generation optical technologies for illuminating genetically targeted brain circuits. J. Neurosci., 2006, 26(41): 10380–10386
[68]
E. S. Boyden, F. Zhang, E. Bamberg, G. Nagel, K. Deisseroth. Millisecond-timescale, genetically targeted optical control of neural activity. Nat. Neurosci., 2005, 8(9): 1263–1268
[69]
J. H. Lee, Global and local fMRI signals driven by neurons defined optogenetically by type and wiring. Nature, 2010, 465(7299): 788–792
[70]
J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, T. M. Vaughan. Brain-computer interfaces for communication and control. Clin. Neurophysiol., 2002, 113(6): 767–791
[71]
B. He, S. Gao, H. Yuan, J. R. Wolpaw. Brain-computer interface. In: B. He, ed. Neural Engineering. 2nd ed. Boston, MA: Springer US, 2013: 87–151
[72]
B. He, B. Baxter, B. J. Edelman, C. C. Cline, W. W. Ye. Noninvasive brain-computer interfaces based on sensorimotor rhythms. P. IEEE, 2015, 103(6): 907–925
[73]
H. Yuan, B. He. Brain-computer interfaces using sensorimotor rhythms: Current state and future perspectives. IEEE Trans. Biomed. Eng., 2014, 61(5): 1425–1435
[74]
J. R. Wolpaw, D. J. McFarland, G. W. Neat, C. A. Forneris. An EEG-based brain-computer interface for cursor control. Electroencephalogr. Clin. Neurophysiol., 1991, 78(3): 252–259
[75]
A. J. Doud, J. P. Lucas, M. T. Pisansky, B. He. Continuous three-dimensional control of a virtual helicopter using a motor imagery based brain-computer interface. PLoS ONE, 2011, 6(10): e26322
[76]
D. J. McFarland, W. A. Sarnacki, J. R. Wolpaw. Electroencephalographic (EEG) control of three-dimensional movement. J. Neural Eng., 2010, 7(3): 036007
[77]
K. LaFleur, K. Cassady, A. Doud, K. Shades, E. Rogin, B. He. Quadcopter control in three-dimensional space using a noninvasive motor imagery-based brain-computer interface. J. Neural Eng., 2013, 10(4): 046003
[78]
D. Morrison. Mind over mechanics. Minneapolis, MN: University of Minnesota. 2013-<month>06</month>-<day>04</day>. http://discover.umn.edu/news/science-technology/brain-computer-interface-allows-mind-control-robots
[79]
T. Carlson, J. del R. Millan. Brain-controlled wheelchairs: A robotic architecture. IEEE Robot. Autom. Mag., 2013, 20(1): 65–73
[80]
H. Ramoser, J. Müller-Gerking, G. Pfurtscheller. Optimal spatial filtering of single trial EEG during imagined hand movement. IEEE Trans. Rehabil. Eng., 2000, 8(4): 441–446
[81]
R. Leeb, L. Tonin, M. Rohm, L. Desideri, T. Carlson, J. D. R. Millan. Towards independence: A BCI telepresence robot for people with severe motor disabilities. P. IEEE, 2015, 103(6): 969–982
[82]
L. A. Farwell, E. Donchin. Talking off the top of your head: Toward a mental prosthesis utilizing event-related brain potentials. Electroencephalogr. Clin. Neurophysiol., 1988, 70(6): 510–523
[83]
M. Middendorf, G. McMillan, G. Calhoun, K. S. Jones. Brain-computer interfaces based on the steady-state visual-evoked response. IEEE Trans. Rehabil. Eng., 2000, 8(2): 211–214
[84]
I. Volosyak. SSVEP-based Bremen-BCI interface—Boosting information transfer rates. J. Neural Eng., 2011, 8(3): 036020
[85]
G. Pfurtscheller, T. Solis-Escalante, R. Ortner, P. Linortner, G. R. Müller-Putz. Self-paced operation of an SSVEP-based orthosis with and without an imagery-based “brain switch:” A feasibility study towards a hybrid BCI. IEEE Trans. Neural Syst. Rehabil. Eng., 2010, 18(4): 409–414
[86]
G. Pfurtscheller, The hybrid BCI. Front. Neurosci., 2010, 4: 30
[87]
A. P. Georgopoulos, A. B. Schwartz, R. E. Kettner. Neuronal population coding of movement direction. Science, 1986, 233(4771): 1416–1419
[88]
M. D. Serruya, N. G. Hatsopoulos, L. Paninski, M. R. Fellows, J. P. Donoghue. Brain-machine interface: Instant neural control of a movement signal. Nature, 2002, 416(6877): 141–142
[89]
D. M. Taylor, S. I. H. Tillery, A. B. Schwartz. Direct cortical control of 3D neuroprosthetic devices. Science, 2002, 296(5574): 1829–1832
[90]
J. M. Carmena, Learning to control a brain-machine interface for reaching and grasping by primates. PLoS Biol., 2003, 1(2): e42
[91]
M. Velliste, S. Perel, M. C. Spalding, A. S. Whitford, A. B. Schwartz. Cortical control of a prosthetic arm for self-feeding. Nature, 2008, 453(7198): 1098–1101
[92]
K. V. Shenoy, J. M. Carmena. Combining decoder design and neural adaptation in brain-machine interfaces. Neuron, 2014, 84(4): 665–680
[93]
A. L. Orsborn, H. G. Moorman, S. A. Overduin, M. M. Shanechi, D. F. Dimitrov, J. M. Carmena. Closed-loop decoder adaptation shapes neural plasticity for skillful neuroprosthetic control. Neuron, 2014, 82(6): 1380–1393
[94]
R. D. Flint, Z. A. Wright, M. R. Scheid, M. W. Slutzky. Long term, stable brain machine interface performance using local field potentials and multiunit spikes. J. Neural Eng., 2013, 10(5): 056005
[95]
S. D. Stavisky, J. C. Kao, P. Nuyujukian, S. I. Ryu, K. V. Shenoy. A high performing brain-machine interface driven by low-frequency local field potentials alone and together with spikes. J. Neural Eng., 2015, 12(3): 036009
[96]
E. C. Leuthardt, G. Schalk, J. R. Wolpaw, J. G. Ojemann, D. W. Moran. A brain-computer interface using electrocorticographic signals in humans. J. Neural Eng., 2004, 1(2): 63–71
[97]
M. S. Fifer, Simultaneous neural control of simple reaching and grasping with the modular prosthetic limb using intracranial EEG. IEEE Trans. Neural Syst. Rehabil. Eng., 2014, 22(3): 695–705
[98]
D. P. McMullen, Demonstration of a semi-autonomous hybrid brain-machine interface using human intracranial EEG, eye tracking, and computer vision to control a robotic upper limb prosthetic. IEEE Trans. Neural Syst. Rehabil. Eng., 2014, 22(4): 784–796
[99]
J. L. Collinger, Collaborative approach in the development of high-performance brain-computer interfaces for a neuroprosthetic arm: Translation from animal models to human control. Clin. Transl. Sci., 2014, 7(1): 52–59
[100]
L. M. McCane, P300-based brain-computer interface (BCI) event-related potentials (ERPs): People with amyotrophic lateral sclerosis (ALS) vs. age-matched controls. Clin. Neurophysiol., 2015 (in press)
[101]
N. J. Hill, A practical, intuitive brain-computer interface for communicating ‘yes’ or ‘no’ by listening. J. Neural Eng., 2014, 11(3): 035003
[102]
M. Severens, M. van der Waal, J. Farquhar, P. Desain. Comparing tactile and visual gaze-independent brain-computer interfaces in patients with amyotrophic lateral sclerosis and healthy users. Clin. Neurophysiol., 2014, 125(11): 2297–2304
[103]
A. Ramos-Murguialday, Brain-machine interface in chronic stroke rehabilitation: A controlled study. Ann. Neurol., 2013, 74(1): 100–108
[104]
K. K. Ang, C. Guan. Brain-computer interface for neurorehabilitation of upper limb after stroke. P. IEEE, 2015, 103(6): 944–953
[105]
F. Pichiorri, Brain-computer interface boosts motor imagery practice during stroke recovery. Ann. Neurol., 2015, 77(5): 851–865
[106]
J. L. Collinger, High-performance neuroprosthetic control by an individual with tetraplegia. Lancet, 2013, 381(9866): 557–564
[107]
L. R. Hochberg, Reach and grasp by people with tetraplegia using a neurally controlled robotic arm. Nature, 2012, 485(7398): 372–375
[108]
B. Wodlinger, J. E. Downey, E. C. Tyler-Kabara, A. B. Schwartz, M. L. Boninger, J. L. Collinger. Ten-dimensional anthropomorphic arm control in a human brain-machine interface: Difficulties, solutions, and limitations. J. Neural Eng., 2015, 12(1): 016011
[109]
C. Ethier, E. R. Oby, M. J. Bauman, L. E. Miller. Restoration of grasp following paralysis through brain-controlled stimulation of muscles. Nature, 2012, 485(7398): 368–371
[110]
C. T. Moritz, S. I. Perlmutter, E. E. Fetz. Direct control of paralysed muscles by cortical neurons. Nature, 2008, 456(7222): 639–642
[111]
N. V. Thakor. Translating the brain-machine interface. Sci. Transl. Med., 2013, 5(210): 210ps17
[112]
M. Gomez-Rodriguez, J. Peters, J. Hill, B. Schölkopf, A. Gharabaghi, M. Grosse-Wentrup. Closing the sensorimotor loop: Haptic feedback facilitates decoding of motor imagery. J. Neural Eng., 2011, 8(3): 036005
[113]
A. Ramos-Murguialday, Proprioceptive feedback and brain computer interface (BCI) based neuroprostheses. PLoS ONE, 2012, 7(10): e47048
[114]
R. Romo, A. Hernández, A. Zainos, E. Salinas. Somatosensory discrimination based on cortical microstimulation. Nature, 1998, 392(6674): 387–390
[115]
J. E. O’Doherty, M. A. Lebedev, T. L. Hanson, N. A. Fitzsimmons, M. A. L. Nicolelis. A brain-machine interface instructed by direct intracortical microstimulation. Front. Integr. Neurosci., 2009, 3: 20
[116]
J. E. O’Doherty, Active tactile exploration using a brain-machine-brain interface. Nature, 2011, 479(7372): 228–231
[117]
D. H. Kim, Epidermal electronics. Science, 2011, 333(6044): 838–843
[118]
B. Blankertz, Neurophysiological predictor of SMR-based BCI performance. Neuroimage, 2010, 51(4): 1303–1309
[119]
K. Cassady, A. You, A. Doud, B. He. The impact of mind-body awareness training on the early learning of a brain-computer interface. Technology (Singap. World Sci.), 2014, 2(3): 254–260
[120]
L. Yao, J. Meng, D. Zhang, X. Sheng, X. Zhu. Combining motor imagery with selective sensation toward a hybrid-modality BCI. IEEE Trans. Biomed. Eng., 2014, 61(8): 2304–2312
[121]
L. R. Hochberg, Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature, 2006, 442(7099): 164–171
[122]
V. Aggarwal, M. Mollazadeh, A. G. Davidson, M. H. Schieber, N. V. Thakor. State-based decoding of hand and finger kinematics using neuronal ensemble and LFP activity during dexterous reach-to-grasp movements. J. Neurophysiol., 2013, 109(12): 3067–3081
[123]
S. Schaffelhofer, A. Agudelo-Toro, H. Scherberger. Decoding a wide range of hand configurations from macaque motor, premotor, and parietal cortices. J. Neurosci., 2015, 35(3): 1068–1081
[124]
T. Aflalo, Decoding motor imagery from the posterior parietal cortex of a tetraplegic human. Science, 2015, 348(6237): 906–910
[125]
W. M. Grill, S. E. Norman, R. V. Bellamkonda. Implanted neural interfaces: Biochallenges and engineered solutions. Annu. Rev. Biomed. Eng., 2009, 11: 1–24
[126]
R. Hassler, T. Riechert, F. Mundinger, W. Umbach, J. A. Ganglberger. Physiological observations in stereotaxic operations in extrapyramidal motor disturbances. Brain, 1960, 83(2): 337–350
[127]
M. D. Johnson, Neuromodulation for brain disorders: Challenges and opportunities. IEEE Trans. Biomed. Eng., 2013, 60(3): 610–624
[128]
A. L. Benabid, Long-term suppression of tremor by chronic stimulation of the ventral intermediate thalamic nucleus. Lancet, 1991, 337(8738): 403–406
[129]
M. S. Okun. Deep-brain stimulation for Parkinson’s disease. N. Engl. J. Med., 2012, 367(16): 1529–1538
[130]
J. A. Hyam, M. L. Kringelbach, P. A. Silburn, T. Z. Aziz, A. L. Green. The autonomic effects of deep brain stimulation—A therapeutic opportunity. Nat. Rev. Neurol., 2012, 8(7): 391–400
[131]
W. Penfield, H. Jasper. Epilepsy and the Functional Anatomy of the Human Brain. Boston: Little, Brown and Company, 1954
[132]
J. P. Lefaucheur. Neurophysiology of cortical stimulation. Int. Rev. Neurobiol., 2012, 107: 57–85
[133]
S. Morris, Patient-specific cortical electrodes for sulcal and gyral implantation. IEEE Trans. Biomed. Eng., 2015, 62(4): 1034–1041
[134]
M. J. Morrell; RNS System in Epilepsy Study Group. Responsive cortical stimulation for the treatment of medically intractable partial epilepsy. Neurology, 2011, 77(13): 1295–1304
[135]
T. Wagner, A. Valero-Cabre, A. Pascual-Leone. Noninvasive human brain stimulation. Annu. Rev. Biomed. Eng., 2007, 9(1): 527–565
[136]
T. Krieg, D. J. Mogul. Transcranial magnetic stimulation. In: B. He, ed. Neural Engineering. 2nd ed. Boston, MA: Springer US, 2013: 405–453
[137]
A. T. Barker, R. Jalinous, I. L. Freeston. Non-invasive magnetic stimulation of human motor cortex. Lancet, 1985, 325(8437): 1106–1107
[138]
S. Ueno, T. Tashiro, K. Harada. Localized stimulation of neural tissues in the brain by means of a paired configuration of time-varying magnetic fields. J. Appl. Phys., 1988, 64(10): 5862–5864
[139]
Y. Roth, A. Zangen, M. Hallett. A coil design for transcranial magnetic stimulation of deep brain regions. J. Clin. Neurophysiol., 2002, 19(4): 361–370
[140]
T. Fadini, H-coil: Induced electric field properties and input/output curves on healthy volunteers, comparison with a standard figure-of-eight coil. Clin. Neurophysiol., 2009, 120(6): 1174–1182
[141]
Y. Roth, G. S. Pell, A. V. Chistyakov, A. Sinai, A. Zangen, M. Zaaroor. Motor cortex activation by H-coil and figure-8 coil at different depths. Combined motor threshold and electric field distribution study. Clin. Neurophysiol., 2014, 125(2): 336–343
[142]
J. P. O’Reardon, Efficacy and safety of transcranial magnetic stimulation in the acute treatment of major depression: A multisite randomized controlled trial. Biol. Psychiatry, 2007, 62(11): 1208–1216
[143]
F. Fregni, A. Pascual-Leone. Technology insight: Noninvasive brain stimulation in neurology-perspectives on the therapeutic potential of rTMS and tDCS. Nat. Clin. Pract. Neurol., 2007, 3(7): 383–393
[144]
A. Priori, A. Berardelli, S. Rona, N. Accornero, M. Manfredi. Polarization of the human motor cortex through the scalp. Neuroreport, 1998, 9(10): 2257–2260
[145]
M. A. Nitsche, W. Paulus. Excitability changes induced in the human motor cortex by weak transcranial direct current stimulation. J. Physiol., 2000, 527(3): 633–639
[146]
A. Datta, V. Bansal, J. Diaz, J. Patel, D. Reato, M. Bikson. Gyri-precise head model of transcranial direct current stimulation: Improved spatial focality using a ring electrode versus conventional rectangular pad. Brain Stimul., 2009, 2(4): 201–207
[147]
E. N. Harvey. The effect of high frequency sound waves on heart muscle and other irritable tissues. Am. J. Physiol., 1929, 91: 284–290
[148]
Y. Tufail, Transcranial pulsed ultrasound stimulates intact brain circuits. Neuron, 2010, 66(5): 681–694
[149]
W. Legon, Transcranial focused ultrasound modulates the activity of primary somatosensory cortex in humans. Nat. Neurosci., 2014, 17(2): 322–329
[150]
S. S. Yoo, Focused ultrasound modulates region-specific brain activity. Neuroimage, 2011, 56(3): 1267–1275
[151]
T. Guo, Neuroprotective pulsed transcranial ultrasound stimulation in ischemic brain injury after distal middle cerebral artery occlusion. IEEE Trans. Biomed. Eng., 2015 (in press)
[152]
H. C. F. Martens, Spatial steering of deep brain stimulation volumes using a novel lead design. Clin. Neurophysiol., 2011, 122(3): 558–566
[153]
Z. D. Deng, S. H. Lisanby, A. V. Peterchev. Electric field depth-focality tradeoff in transcranial magnetic stimulation: Simulation comparison of 50 coil designs. Brain Stimul., 2013, 6(1): 1–13
[154]
L. I. Navarro de Lara, A novel coil array for combined TMS/fMRI experiments at 3 T. Magn. Reson. Med., 2015 (in press)
[155]
A. Roy, B. Baxter, B. He. High-definition transcranial direct current stimulation induces both acute and persistent changes in broadband cortical synchronization: A simultaneous tDCS-EEG study. IEEE Trans. Biomed. Eng., 2014, 61(7): 1967–1978
[156]
D. W. Carmichael, Functional MRI with active, fully implanted, deep brain stimulation systems: Safety and experimental confounds. Neuroimage, 2007, 37(2): 508–517
[157]
A. A. Kühn, High-frequency stimulation of the subthalamic nucleus suppresses oscillatory beta activity in patients with Parkinson’s disease in parallel with improvement in motor performance. J. Neurosci., 2008, 28(24): 6165–6173
[158]
K. Deisseroth. Optogenetics. Nat. Methods, 2011, 8(1): 26–29
[159]
K. M. Tye, K. Deisseroth. Optogenetic investigation of neural circuits underlying brain disease in animal models. Nat. Rev. Neurosci., 2012, 13(4): 251–266
[160]
A. S. Chuong, Noninvasive optical inhibition with a red-shifted microbial rhodopsin. Nat. Neurosci., 2014, 17(8): 1123–1129
[161]
R. Pashaie, R. Falk. Single optical fiber probe for fluorescence detection and optogenetic stimulation. IEEE Trans. Biomed. Eng., 2013, 60(2): 268–280
[162]
M. L. Kringelbach, N. Jenkinson, S. L. F. Owen, T. Z. Aziz. Translational principles of deep brain stimulation. Nat. Rev. Neurosci., 2007, 8(8): 623–635
[163]
B. Cheeran, A common polymorphism in the brain-derived neurotrophic factor gene (BDNF) modulates human cortical plasticity and the response to rTMS. J. Physiol., 2008, 586(23): 5717–5725

Acknowledgements

This work was supported in part by the US National Institutes of Health (NIH) (EB006433, EY023101, EB008389, and HL117664), and by the US National Science Foundation (NSF) (CBET-1450956, CBET-1264782, and DGE-1069104), to Bin He.
Compliance with ethics guidelines
Bradley J. Edelman, Nessa Johnson, Abbas Sohrabpour, Shanbao Tong, Nitish Thakor, and Bin He declare that they have no conflict of interest or financial conflicts to disclose.
基金
本研究获得了美国国家健康研究院 (NIH) (EB006433，EY023101，EB008389，HL117664) 和美国国家科学基金会 (NSF) (CBET-1450956，CBET-1264782，DGE-1069104)的部分支持。()
PDF(9823 KB)

Accesses

Citation

Detail
段落导航
相关文章

/

〈 〉