發佈日期:2016-03-21

腦機介面趨勢發展分析

作者:陳柏中

前瞻研究腦機介面輔助溝通神經科學Brain-Computer InterfaceAugmentative and Alternative CommunicationNeuroscience

文章圖片所有權:https://flic.kr/p/qVDJ2K,Created by Fondazione Santa Lucia
版權適用聲明:姓名標示─非商業性─相同方式分享

前言

腦機介面 (Brain-Computer Interface, BCI) 是一種腦與裝置間的溝通系統,包含五個元件,1.腦部活性(brain activity)感測裝置2.訊號特徵萃取(feature extraction)3.訊號轉譯演算(translation algorithm) 4.輸出裝置 (output device) 5.操作程序(operation protocol)(註1)。其特徵在將量測到與認知狀態相關的腦部活性解碼傳輸至體外,進行與裝置間的溝通或命令控制,但不透過周邊神經與肌肉移動。BCI的腦部活性訊號量測方式可分為侵入式(invasive)與非侵入式(non-invasive) (註2)。侵入式主要藉由植入式電極進行腦皮層神經元活性(cortical neuronal activity)的電位量測。非侵入式量測工具,主要包括高時間解析度(ms)的腦電圖(Electro-Encephalography, EEG),擷取的腦波型態主要為visual evoked potentials, slow cortical potential、P300 evoked potential、sensorimotor rhythms; 近紅外光(Near-Infrared Spectroscopy, NIRS)量測腦部皮層組織的氧活性;腦磁圖(Magneto-Encephalograph, MEG); 以及高空間解析度的功能性核磁共振造影(Functional Magnetic Resonance Imaging, fMRI)量測腦部血流。

腦機介面的應用發展,早期是以幫助神經肌肉系統失能(neuromuscular disability)的病人,例如,肌萎縮性脊髓側索硬化症(amyotrophic lateral sclerosis) 、脊隨損傷(spin cord injury) 、腦中風(brain stem stroke)患者,重建其控制功能為目標(註1)。例如,應用腦波進行螢幕指標的選字控制與溝通,利用EEG based BCI,藉由眼部的空間目標選擇,從腦部的視覺皮層(visual cortex),產生可經由頭皮(scalp)紀錄的visual evoked potential,將EEG訊號經由演算法解碼(encoded)為訊息,進行控制; 另一種方式,可藉由rare event實驗設計產生相關的P300 evoked potential,進行腦波控制。而需高可靠度的輪椅控制與高複雜度機械控制的neuroprosthetic limbs等輔具亦是其發展方向。

近年來,低價消費性電子的 EEG產品出現,拓展了BCI應用由原本的醫療領域至娛樂領域,未來可能應用於日常生活中(註3),並造成電腦控制與溝通介面的革新。本研究針對目前各國BCI學術發展現況,腦機介面的發展方向,美歐日的腦科技政策,產業現況進行探討。並藉由專家訪談,提出台灣腦機介面發展的建議。

各國的學術發展能量

1964年,Grey Walter 首先利用非侵入的EEG訊號進行slide projector 的控制(註4)。1971年美國加州大學的Jaceques J. Vidal教授,提出了腦與電腦溝通的概念研究,並認為心智決定可藉由收集EEG訊號被探索,且EEG應由許多小波組合而成(註5)。直到1990中期,腦機介面研究逐漸增加(註6)。以Brain-Computer Interface 關鍵字於 Web of ScienceTM 搜尋相關論文,1980年至2015年9月,總共有2824個相關文獻,其中157篇為回顧文獻。分析其個別發表國家的研究能量,如表一,美國為領先國(871 篇),其次為德國(477篇)與中國(311篇),而台灣自2005年開始才有BCI關鍵字為主題的研究發表(排名第13,82篇),亦落後於日本(159篇)與韓國(147篇)。

以各國文獻被引用次數除以發表總數,則奧地利為平均被引次數最多的國家(53.1),其次為義大利(41.4),德國(39.0),愛爾蘭(36.3),而發表總數第一的美國,其平均被引次數為36.1,其回顧(review)文獻74篇,而總數第三的中國,其平均被引次數僅有12.0,其回顧文獻5篇,而台灣則為10.0。義大利發表總數較少(191篇),其中回顧文獻為23篇,由於2000年的美德義奧學者合著的一篇高被引用數回顧文獻(被引用次數2118),拉高其平均被引用次數。愛爾蘭發表總數僅有23篇,其中一篇為回顧文獻,但至今僅被用1次。

歐盟的BCI研究類型多為非侵入式,美國則包含侵入式與非侵入式。另分析台灣BCI研究文獻內容,多為非侵入式以及演算法研究。

表一 Top 25 腦機介面學術文獻發表國家。使用資料庫: Thomson Reuters ISI Web of Knowledge,分析年份:1980-2015.09,關鍵字: Brain-Computer Interface。

發表國家發表總數被引用次數總和每個項目平均引用次數
美國8713142536.1
德國4771860039.0
中國311373712.0
奧地利2091110753.1
義大利191790241.4
日本159 183611.5
英國156 318520.4
南韓1471119 7.6
加拿大120 282123.5
法國108 234321.7
西班牙107 129812.1
荷蘭106233322.0
台灣82 82110.0
瑞士76189725.0
新加坡71 140719.8
比利時5873312.6
波蘭503777.5
澳洲4168016.6
丹麥37108829.4
印度30 167 5.6
俄國28 853.0
伊朗27 117 4.3
以色列25 72529.0
蘇格蘭23 1596.9
愛爾蘭2383436.3

技術發展方向

目前腦機介面裝置技術仍未成熟,未來發展重點項目預期為神經生物學、醫學、心理學、工程學、應用數學、電腦科學的整合與創新,腦波訊號的辨識,腦波訊號特徵的演算法,腦波干擾雜訊的訊號處理,個體內與個體間的腦波訊號差異,腦機介面裝置的可靠度與控制速度(註1)。

非侵入性可穿戴式的腦活性感測裝置EEG,其傳統的濕式感測電極(wet electrode),需要導電凝膠提供其電極與頭皮組織間較佳的電訊號傳遞能力,以提高接收的腦波訊號品質,滿足研究需求。然而,大部分的一般使用者認為傳統的凝膠電極使用上並不方便,不舒適以及需要清理。因而發展符合一般使用者實際需求的感測器電極介面,有助於拓展其市場規模。乾式感測電極(dry electrode)是目前的主流發展方向之一(註3、7),主要包括1.乾式微機電電極(dry microelectromechanical system) 2.乾式fabric based 感測電極3.混合式乾式感測電極 4.非接觸電容式EEG感測器。

非接觸的BCI感測器可不需接觸頭部的皮膚取得腦部的活性訊號,對使用者的舒適度較高,常見的非接觸式腦部活性感測器,包含fMRI、MEG與NIRS。然而,fMRI與MEG為非可攜式的大型裝置且價格與維護成本高昂,僅見於大型醫院或研究機構。NIRS量測腦部metabolic活性訊號,其時間解析度約為1秒(註2),無法提供較即時的訊號。使得非接觸式的BCI,多用於診斷與基礎科學研究。

侵入式的腦機介面研究,根據BNCI Horizon 2020的報告,預期將是未來BCI的主要發展項目之一(註8)。最近,Nature News報導了人類的記憶力可以藉由植入式電極的電刺激改善的可能性與研究進展(註9)。然而,植入式電極易受到免疫反應使得其訊號品值衰減的問題,以及電極陣列本身的品質問題,亦是必須突破的關鍵技術之一,對侵入式BCI的使用者,使用年限影響其手術意願。另一方面,依據目前各國政府積極投入大腦相關的基礎研究科學政策,預期藉由進一步解析時間與空間的腦部神經元訊號,在未來的5-10年,侵入式的BCI將有相當程度的躍進。

另外,腦機介面感測器的人因工程設計,應依據ISO 9241-210:2010 guideline進行產品的工程開發(註6)。其基本工程規格應包含尺寸、重量、取樣頻率、頻寬、反應時間、無線裝置、電力、使用時間、可用的環境溫濕度範圍及穿戴定位方式等。此外,一般使用情境下因移動(dynamic environment)所造成的雜訊、使用者疲倦、眨眼造成的訊號干擾、感測電極的表面汙染以及個體差異等,皆是需克服的實際工程問題。至今腦機介面仍缺乏客觀評估量化標準,應而不同系統間比較困難。

BCI 的精準度、控制速度及可靠度(reliability)是未來研究發展的重點,目前在非侵入式的BCI應用上,仍有部分的人無法使用腦機介面(註10)。為改善其精準度,控制速度以及實際利用情境,例如,mental state的影響(註11)以及不同的工作環境狀態,機器學習的演算法、侵入式BCI或是藉由多種訊號的hybrid BCI亦是可能改善可靠度的發展方向。

BCI 應用於認知(cognition)狀態的偵測(註12),預期對於 neuromarketing以及遊戲產業將有更多的應用。最近,Nature期刊報導了可增加老年人的認知控制的multitask video game訓練(註13)。然而目前透過BCI仍無法準確及可靠的量測心理狀態,例如快樂或悲傷(註14)。因而跨領域的研究包含認知心理學、神經生物學、工程學等必須持續投入,方能有所突破。

BCI 除本身感測與控制裝置的開發,有潛力應用於腦部疾病的診斷與研究(註15),例如,憂鬱症的早期診斷(註16)以及阿茲海默症的退化研究(註17),另一方面,BCI亦可應用於腦部疾病的治療,例如深腦刺激(Deep brain stimulation) (註18)和癲癇發作的即時偵測與控制(註19)。預期BCI將對於腦部相關疾病的診斷治療與預防有所助益。

美歐日腦科學政策及對腦機介面發展的影響

2013年4月美國總統歐巴馬宣佈了BRAIN Initiative計劃,其目的在於增進對於腦科學的了解,並以人類基因體計劃的成果,每1美元的投資,獲得141美元的報酬,作為政府投資基礎科學,對於產業以及人民的生活福祉的促進作為例子(註20)。2014年6月,美國國家衛生研究院提出Brain 2025的前瞻計劃(註21),其2014年相關研究經費為4千6百萬美金,2015年為8千5百萬美金,並預計將逐年增加預算至5億美金。其中,與腦機介面相關的次世代電極為計劃研發重點項目之一。另外BCI將藉由brain’s code (腦波訊號轉譯)的基礎研究,提升其實用性,運動神經迴路的研究將有希望提升義肢的操控性。美國國防高等研究計畫署(Defense Advance Research Project Agency, DARPA)自1974年即開始投資BCI相關前瞻研究,並於Brain Initiative 計劃下,發展新穎BCI技術,其近期研究項目,主要包含restore neural and behavioral function 和improve human training and performance(註4) 。另一方面,2014年11月,美國食品與藥物管理局,召開BCI for patients with paralysis and amputation workshop,將進一步著手規劃BCI draft guideline 與其醫療器材管制規範(註22),管理BCI相關醫療器材。

歐盟於2013年提出Human Brain Project(註23),為期10年,整合歐洲的腦研究學術資源,共135個機構,計畫預算預估為12億歐元,其子計畫如下,SP1 - Strategic Mouse Brain Data SP2 - Strategic Human Brain Data SP3 - Cognitive Architectures SP4 - Theoretical Neuroscience SP5 – Neuroinformatics SP6 - Brain Simulation SP7 - High Performance Computing SP8 - Medical Informatics SP9 - Neuromorphic Computing SP10 – Neurorobotics SP11 – Applications SP12 - Ethics and Society SP13 – Management。將藉由腦的認知神經生物學基礎研究,建構其數學模型與電腦模擬人腦運算。2015年10月,瑞士藍腦(blue brain)團隊初步發表了老鼠腦部局部的感覺皮層(sensory cortex)模型,包含約31,000神經元(註24)。若將來人類腦部的神經迴路模型建立,對於腦部各功能區的交互作用、神經可塑性及生物個體間的腦波差異,將可更精準的描述與掌握,預期可提升腦機介面的可靠度。另一方面,2013年10月,歐盟提出了BNCI Horizon 2020計畫,其參予者包含奧地利、西班牙、德國、瑞士、荷蘭、義大利,企圖發展下個十年腦機介面的roadmap與掌握關鍵議題,提供投資基金與政策決策者建議報告(註6)。

2014 年,日本提出為期十年的Brain Mapping by Integrated Neurotechnologies for Disease Studies計畫,第一年計畫經費為30億日圓,次年為40億元,其計畫目標包括1.Structure and functional mapping of the non-human primate brain (particularly the marmoset brain) 2. Development of novel, cutting-edge technologies that support brain mapping 3. Human brain mapping and clinical research。其計畫中包含腦機介面相關的腦活性感測技術開發。另一方面,相較於歐美的大型計畫,日本提出以絹狨(marmoset)的靈長類動物模型作為切入點,人腦研究的限制以及醫學倫理,相較於小型的實驗老鼠,與人類社會行為更相近的transgenic 絹狨將可更容易地研究brain disorder (註25)。2015年九月,日本科學技術政策研究所提出腦big data的roadmap,其中小型的腦活動計測裝置,是其主要發展項目之一,將可用於居家測量,最終目標希望解決腦相關的精神疾病(註26)。

綜觀自2013年以來各國政府的腦科學發展政策,皆積極投入腦科學的基礎研究,而具臨床應用的腦機介面裝置,美國、歐洲與日本皆列為發展項目之一,並看好其未來的潛力。台灣科技部人文司約於2009年開始推動心智科學大型研究設備建置及共同使用服務計畫。工程司醫工學門於2014主題式整合型計畫,子項目中重點徵求神經感知/控制之技術之穿戴式/外動力行動輔具。此外,生科司2015年提出「腦科學專案研究計畫」先導計畫,其主題為 (一) 神經退化之早期偵測、(二) 慢性疼痛之機制及治療、(三) 神經科技(neurotechnology)應用於神經退化及慢性疼痛之早期偵測及治療,並希望朝向神經科技的產業化進行推動(註27),並預計2016年與工程司共同推動4年期的「腦科學專案研究計畫」。

產業現況及未來應用情境預測

腦機介面的產業營收預估,根據Frost & Sullivan的調查研究(註28),2014年全球營收為7.6億美元,2015年將為8.5億美元,2016年將為9.5億美元,到2020年預測為15億美元,其營收年化複合成長率為12%。以目前的全球營收來看,其裝置數目與產業應用仍相當有限,位於產業發展初期,但以其營收年化複合成長率12%的預測,其產業有相當的發展性與前景。若以2014年營收10%預估其研發相關投資費用約為7600萬美元。其未來的成長動能,將來自於應用面的擴展。

根據BNCI Horizon 2020所發布的報告(註29),腦機介面的可能應用情境包含五大面向,分別是replace, restore, improve, enhance, researcher tool,舉例如下。

1.可以取代(replace)因為傷害或是疾病所造成的身體功能喪失。例如,溝通和輪椅控制。

2.恢復(restore)身體的功能。例如,電刺激癱瘓病人的肌肉和神經,以恢復膀胱功能。

3.改善(improve)身體功能。例如,中風病人的復健。

4. 增加(enhance)心智功能。例如,精神壓力偵測或注意力降低。藉由偵測學生的腦活性(brain activity),監控其精神狀態,當學生處於疲勞或是挫折狀態,調整其教學難易度,直到精神集中,再給予較複雜的學習材料,達成個人化學習改善的目的。

5. 作為腦功能的研究工具(research tool)。

腦機介面的產業根據BNCI Horizon 2020的市場分析(註8)以及應用情境預測,其產業包含通訊與控制、健康與neurofeedback、輔助科技與家庭控制、安全與防護、娛樂與遊戲、neuromarketing與金融、科學研究。其市場規模依應用情境預測,在replace的情境下,其歐洲市場大小預測為小於五萬人的市場規模,包含spin cord injury以及amyotrophic lateral sclerosis等疾病。在restore的情境下,預估為5-100萬的中型市場,包含了cochlear的植入式裝置等。在improve的情境下,預估為大於100萬的大型市場,包含中風病人。在enhance的情境下,若以教育和遊戲產業作為滲透對象,預估為大於1000萬使用者的非常大型市場。而research的情境,其使用者數目可能介於小型至中型市場。

國內研究計畫

自2004年至2015年,國內BCI研究計畫共補助約1億1千6百萬元(GRB資料庫統計,關鍵字為腦機介面 OR 腦波控制),平均每年補助約1千萬,其研究計畫多為非侵入式腦機介面,其研究性質多屬應用型研究,相關題目主要包含復健、裝置控制、拼字系統、睡眠、專注度、植入式晶片等。國內BCI研究人力與投入經費有限。台灣目前具有BCI設計與製造的能力,包含植入式電極陣列(註30-31)與EEG感測器、演算法和系統設計(註32-34)。

國內專家看法

近年來,腦機介面產業在世界的競爭上已有數十家新創公司成立以及大型公司投入,例如,三星,目前台灣腦機介面的發展正處於critical point,台灣具有優勢的工程技術,有機會可以發展高可靠度的腦機介面IC device,若國家能有計畫地進行長期投資,將有機會提升台灣IT產業的附加價值。

傳統的精神疾病的診斷,是由精神科醫師藉由問卷量表進行診斷。然而,病患的主觀回應,將影響其判斷正確性與治療。腦機介面利用腦波特徵客觀量化診斷精神疾病以及大腦皮質的變異,將有相當的前瞻性,例如,憂鬱症。此外,反應中樞神經變化的腦機介面情緒辨識,將可提供客觀的情緒回饋。

台灣在植入式腦機介面研究的困難點在於缺乏非人靈長類的實驗用動物中心,美國、日本和中國都已設立相關機構。許多腦部疾病相關的治療研究,例如,深腦刺激,都需要非人靈長類的實驗用動物作為實驗模型進行臨床前試驗。國內若能推動此中心的成立,將可促進台灣腦科學與腦機介面的發展。

結論與建議

政府的科技政策,決定財政與學術資源的分佈,對於尚未充分探索的科學領域及萌芽的產業,扮演關鍵的投資角色。台灣大部份的大型企業對於前瞻項目,往往由於2~3年內無法看到營業額的貢獻,使得投資相對保守。而一般資本有限的中小企業,在全球化的競爭下,多半選擇可快速回收,低毛利的代工產品。國家先端科技產業的競爭力部分落後。

從前瞻和永續經營的角度以及台灣有限的小國資源,台灣政府對於可以提升既有產業的潛力領域,應重點性的投資,並作長遠的資源分配規劃,以提高其產品的附加價值。2015年全球半導體產業接近零成長,而新興的腦機介面產業,其每年營收成長率預測將近12%,由此可見,創新的應用面,將可以提供原有電子產業新的成長動能。

台灣擁有消費性腦機介面完整的供應鏈,包含IC設計、晶圓代工、IC封測與產品製造,但腦機介面相關的公司與終端產品,仍非常有限。建議政府長期持續地投入腦機介面相關的基礎研究,提升腦機介面的可靠度,並促進產學合作,使其應用至生活中,帶動國家的產業發展,以及解決台灣腦相關疾病與高齡化的社會問題。

參考文獻

  1. Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G. & Vaughan, T. M. Brain-computer interfaces for communication and control. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology 113, 767-791 (2002).
  2. Nicolas-Alonso, L. F. & Gomez-Gil, J. Brain computer interfaces, a review. Sensors 12, 1211-1279, doi:10.3390/s120201211 (2012).
  3. Liao, L. D. et al. Biosensor Technologies for Augmented Brain-Computer Interfaces in the Next Decades. Proceedings of the IEEE 100, 1553-1566, doi:10.1109/JPROC.2012.2184829 (2012).
  4. Miranda, R. A. et al. DARPA-funded efforts in the development of novel brain-computer interface technologies. Journal of neuroscience methods 244, 52-67, doi:10.1016/j.jneumeth.2014.07.019 (2015).
  5. Vidal, J. J. Toward direct brain-computer communication. Annual review of biophysics and bioengineering 2, 157-180, doi:10.1146/annurev.bb.02.060173.001105 (1973).
  6. Brunner, C. et al. BNCI Horizon 2020: towards a roadmap for the BCI community. Brain-Computer Interfaces 2, 1-10 (2015).
  7. Chi, Y. M., Jung, T. P. & Cauwenberghs, G. Dry-contact and noncontact biopotential electrodes: methodological review. IEEE reviews in biomedical engineering 3, 106-119, doi:10.1109/RBME.2010.2084078 (2010).
  8. BNCI Horizon 2020, The Future in Brain/Neural-Computer Interaction: Horizon 2020, Appendix B Industry,2015. available at http://bnci-horizon-2020.eu/roadmap accessed at [2015.10.02].
  9. S., R. Memory-boosting devices tested in humans. Nature 527, 15-16, doi:10.1038/527015a (2015).
  10. Vidaurre, C. & Blankertz, B. Towards a cure for BCI illiteracy. Brain topography 23, 194-198, doi:10.1007/s10548-009-0121-6 (2010).
  11. Myrden, A. & Chau, T. Effects of user mental state on EEG-BCI performance. Frontiers in human neuroscience 9, 308, doi:10.3389/fnhum.2015.00308 (2015).
  12. Zander, T. O. & Kothe, C. Towards passive brain-computer interfaces: applying brain-computer interface technology to human-machine systems in general. Journal of neural engineering 8, 025005, doi:10.1088/1741-2560/8/2/025005 (2011).
  13. Anguera, J. A. et al. Video game training enhances cognitive control in older adults. Nature 501, 97-101, doi:10.1038/nature12486 (2013).
  14. Future BNCI, A Roadmap for Future directions in Brain / Neuronal Computer Interaction, 2012. available at http://bnci-horizon-2020.eu/roadmap accessed at [2015.10.02].
  15. Chatelle, C. et al. Brain-computer interfacing in disorders of consciousness. Brain injury 26, 1510-1522, doi:10.3109/02699052.2012.698362 (2012).
  16. R., M. & D., B. Depression diagnosis and management using EEG-based affective brain mapping in real time. Int. J. of Biomedical Engineering and Technology 18, 115 - 138 (2015).
  17. Liberati, G. et al. Toward a brain-computer interface for Alzheimer's disease patients by combining classical conditioning and brain state classification. Journal of Alzheimer's disease : JAD 31 Suppl 3, S211-220, doi:10.3233/JAD-2012-112129 (2012).
  18. Benabid, A. L. et al. Deep brain stimulation: BCI at large, where are we going to? Progress in brain research 194, 71-82, doi:10.1016/B978-0-444-53815-4.00016-9 (2011).
  19. Liang, S. F., Shaw, F. Z., Young, C. P., Chang, D. W. & Liao, Y. C. A closed-loop brain computer interface for real-time seizure detection and control. Conference proceedings : ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference 2010, 4950-4953, doi:10.1109/IEMBS.2010.5627243 (2010).
  20. White house, Fact Sheet: BRAIN Initiative, 2013. available at https://www.whitehouse.gov/the-press-office/2013/04/02/fact-sheet-brain-initiative , accessed at [2015.10.27].
  21. NIH, BRAIN 2025: A Scientific Vision, 2014. available at http://www.braininitiative.nih.gov/2025/index.htm accessed at [2015.09.16].
  22. FDA, Public Workshop - Brain-Computer Interface Devices for Patients with Paralysis and Amputation, 2014. available at http://www.fda.gov/MedicalDevices/NewsEvents/WorkshopsConferences/ucm410261.htm accessed at [2015.10.27].
  23. European Commission, Human Brain Project, 2013. available at https://www.humanbrainproject.eu/ accessed at [2015.10.27].
  24. Markram, H. et al. Reconstruction and Simulation of Neocortical Microcircuitry. Cell 163, 456-492, doi:10.1016/j.cell.2015.09.029 (2015).
  25. Okano, H., Miyawaki, A. & Kasai, K. Brain/MINDS: brain-mapping project in Japan. Philosophical transactions of the Royal Society of London. Series B, Biological sciences 370, doi:10.1098/rstb.2014.0310 (2015).
  26. 日本科学技術政策研究所, 第10回科学技術予測調査 国際的視点からのシナリオプランニング, 2015. available at http://data.nistep.go.jp/dspace/handle/11035/3079 accessed at [2015.09.22].
  27. 科技部104 年「腦科學專案研究計畫」先導計畫. available at https://www.most.gov.tw/bio/ch/detail?article_uid=dd3c3686-cf39-4e32-8421-f32e0034cd63&menu_id=0fa168d4-1dee-42f2-9f08-6b20c4300eb1&content_type=P&view_mode=listView accessed at [2015.10.21].
  28. Frost & Sullivan, 2015 Top Technologies in Microelectronics, Brain Computer Interface, D674-TI. available at http://www.frost.com/d674 accessed at [2015.09.16].
  29. BNCI Horizon 2020, The Future in Brain/Neural-Computer Interaction: Horizon 2020, 2015. available at http://bnci-horizon-2020.eu/roadmap accessed at [2015.10.02].
  30. Chuang, M. C., Lai, H. Y., Annie Ho, J. A. & Chen, Y. Y. Multifunctional microelectrode array (mMEA) chip for neural-electrical and neural-chemical interfaces: characterization of comb interdigitated electrode towards dopamine detection. Biosensors & bioelectronics 41, 602-607, doi:10.1016/j.bios.2012.09.030 (2013).
  31. Lai, H. Y. et al. Design, simulation and experimental validation of a novel flexible neural probe for deep brain stimulation and multichannel recording. Journal of neural engineering 9, 036001, doi:10.1088/1741-2560/9/3/036001 (2012).
  32. Lin, C. T. et al. Novel dry polymer foam electrodes for long-term EEG measurement. IEEE transactions on bio-medical engineering 58, 1200-1207, doi:10.1109/TBME.2010.2102353 (2011).
  33. Liao, L. D. et al. Gaming control using a wearable and wireless EEG-based brain-computer interface device with novel dry foam-based sensors. Journal of neuroengineering and rehabilitation 9, 5, doi:10.1186/1743-0003-9-5 (2012).
  34. Hsu, W. Y. Continuous EEG signal analysis for asynchronous BCI application. International journal of neural systems 21, 335-350, doi:10.1142/S0129065711002870 (2011).