知財求人 - 知財ポータルサイト「IP Force」
▶ ジョージア テック リサーチ コーポレイションの特許一覧
特表2024-526030脳マシンインターフェースのための無線軟質頭皮電子機器及び仮想現実システム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-07-17
(54)【発明の名称】脳マシンインターフェースのための無線軟質頭皮電子機器及び仮想現実システム
(51)【国際特許分類】
G06F 3/01 20060101AFI20240709BHJP
A61B 5/372 20210101ALI20240709BHJP
A61B 5/293 20210101ALI20240709BHJP
A61B 5/262 20210101ALI20240709BHJP
【ＦＩ】
G06F3/01 515
A61B5/372
A61B5/293
A61B5/262
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023573298
(86)(22)【出願日】2022-05-27
(85)【翻訳文提出日】2024-01-24
(86)【国際出願番号】 US2022031432
(87)【国際公開番号】W WO2022251696
(87)【国際公開日】2022-12-01
(31)【優先権主張番号】63/194,111
(32)【優先日】2021-05-27
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】63/311,628
(32)【優先日】2022-02-18
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＢＬＵＥＴＯＯＴＨ
２．ＡＮＤＲＯＩＤ
３．ＦＡＣＥＢＯＯＫ
４．ＭＡＴＬＡＢ
(71)【出願人】
【識別番号】505477235
【氏名又は名称】ジョージア テック リサーチ コーポレイション
(74)【代理人】
【識別番号】100106518
【弁理士】
【氏名又は名称】松谷 道子
(74)【代理人】
【識別番号】100135703
【弁理士】
【氏名又は名称】岡部 英隆
(72)【発明者】
【氏名】ヨ，ウンホン
(72)【発明者】
【氏名】マームード，ムサ
【テーマコード（参考）】
4C127
5E555
【Ｆターム（参考）】
4C127AA03
4C127DD01
4C127GG11
4C127LL08
5E555AA48
5E555BA38
5E555BB38
5E555BC04
5E555BE17
5E555CB70
5E555DA08
5E555EA27
5E555FA00
(57)【要約】
例えば、訓練されたニューラルネットワークを介して、運動画像（ＭＩ）脳信号の、又は定常状態視覚誘発電位（ＳＳＶＥＰ）信号のリアルタイムで継続的な分類を実行することによって、脳マシンインターフェース（ＢＭＩ）又は脳コンピュータインターフェース（ＢＣＩ）のためのコマンドを作動させることができる例示的な無線軟質頭皮電子システム及び方法が、開示される。いくつかの実施形態では、例示的なシステムは、脳マシンインターフェースコントローラ用のＥＥＧ信号を取得することができるマイクロニードル電極を含む、薄型のポータブルシステムとして構成される。マイクロニードル電極は、例えば、ＥＥＧ信号及び信号分類正確度を向上させるために、改善された接触表面積及び低減された電極インピーダンス密度を提供することができる軟質で知覚不能なゲルレス表皮貫通型マイクロニードル電極として構成され得る。マイクロニードル電極は、電極に近接して局所的に装着され得る軟質電子機器と更に統合されて、煩雑な配線を減らし、信号取得品質を改善し得る。
【特許請求の範囲】
【請求項1】
システムであって、無線インターフェース回路に動作可能に接続されたアナログ－デジタル変換器回路に動作可能に接続された可撓性回路基板上に製造された可撓性表皮貫通型マイクロニードル電極のアレイを各々が備える薄型ＥＥＧセンサのセットと、
前記薄型ＥＥＧセンサのセットに動作可能に接続された脳マシンインターフェースと、を備え、前記脳マシンインターフェースが、
プロセッサと、
前記プロセッサに動作可能に接続されたメモリと、を備え、前記メモリが、その上に記憶された命令を有し、前記プロセッサによる前記命令の実行が、前記プロセッサに、
前記薄型ＥＥＧセンサから取得されたＥＥＧ信号を受信することと、
前記取得されたＥＥＧ信号から、訓練されたニューラルネットワークを介して、制御信号として脳信号を継続的に分類することと、
前記制御信号を仮想現実環境コントローラに出力して、対象によって視認される前記仮想現実環境コントローラによって生成されたＶＲシーン内でコマンドを作動させることと、を行わせる、システム。
【請求項2】
前記コマンドが、前記ＶＲシーン内で四肢の動きのセットを引き起こし、前記訓練されたニューラルネットワークが、前記動きのセットのために前記脳信号を分類するように構成されている、請求項１に記載のシステム。
【請求項3】
前記薄型ＥＥＧセンサのセットが、延伸可能な可撓性コネクタのセットを介して前記脳マシンインターフェースに接続されている、請求項１又は２に記載のシステム。
【請求項4】
前記マイクロニードル電極が、拡大された接触表面積及び低減された電極インピーダンス密度を有する、請求項１～３のいずれか一項に記載のシステム。
【請求項5】
低弾性率エラストマーバンドを備えるウェアラブル軟質ヘッドセットを更に備える、請求項１～４のいずれか一項に記載のシステム。
【請求項6】
前記訓練されたニューラルネットワークが、空間畳み込みニューラルネットワークを含む、請求項１～５のいずれか一項に記載のシステム。
【請求項7】
前記薄型ＥＥＧセンサのセットが、運動画像のために頭皮に沿って設置される、請求項１～６のいずれか一項に記載のシステム。
【請求項8】
前記薄型ＥＥＧセンサのセットが、定常状態視覚誘発電位（ＳＳＶＥＰ）測定のために前記頭皮に沿って設置される、請求項１～６のいずれか一項に記載のシステム。
【請求項9】
前記仮想現実環境コントローラが、リアルタイムテキストスペラインターフェースのために仮想シーン内にスプリットアイ非同期刺激（ＳＥＡＳ）を生成するように構成されている、請求項８に記載のシステム。
【請求項10】
前記プロセッサによる前記命令の前記実行が、前記プロセッサに、前記取得されたＥＥＧ信号を、前記訓練されたニューラルネットワークの再訓練動作を実行するリモート又はクラウドコンピューティングデバイスに送信することと、
前記仮想現実環境コントローラのランタイム動作中に、前記リモート又はクラウドコンピューティングデバイスから、更新された訓練されたニューラルネットワークを受信することと、を更に行わせる、請求項１～９のいずれか一項に記載のシステム。
【請求項11】
前記アレイの複数の前記可撓性表皮貫通型マイクロニードル電極が各々、毛深い頭皮に装着されるように高さが少なくとも５００μｍ（例えば、８００μｍ）であり、約３５０μｍのベース幅を有し、かつ約３６ｍｍ２の面積を有する、請求項１～１０のいずれか一項に記載のシステム。
【請求項12】
方法であって、ユーザの頭皮に設置された薄型ＥＥＧセンサのセットを提供することであって、前記薄型ＥＥＧセンサのセットが各々、無線インターフェース回路に動作可能に接続されたアナログ－デジタル変換器回路に動作可能に接続された可撓性回路基板上に製造された可撓性表皮貫通型マイクロニードル電極のアレイを備える、提供することと、
前記薄型ＥＥＧセンサのセットに動作可能に接続されたプロセッサ又は脳マシンインターフェースによって、前記薄型ＥＥＧセンサから取得されたＥＥＧ信号を受信することと、
前記プロセッサによって、前記取得されたＥＥＧ信号から、訓練されたニューラルネットワークを介して、制御信号として脳信号を継続的に分類することと、
前記プロセッサによって、前記制御信号を仮想現実環境コントローラに出力して、対象によって視認される前記仮想現実環境コントローラによって生成されたＶＲシーン内でコマンドを作動させることと、を含む、方法。
【請求項13】
前記薄型ＥＥＧセンサのセットが、導電性ゲル又はペーストなしで前記頭皮上に直接設置される、請求項１２に記載の方法。
【請求項14】
前記薄型ＥＥＧセンサのセットが、ｉ）前記頭皮上の頂点位置に設置された可撓性表皮貫通型マイクロニードル電極の基準アレイと、ｉｉ）運動画像測定のために第１の正面位置、第２の背面位置、及び４つの側面位置で低弾性率エラストマーバンドに取り外し可能に取り付けられた可撓性表皮貫通型マイクロニードル電極の６つのアレイと、を含む、請求項１２又は１３に記載の方法。
【請求項15】
前記薄型ＥＥＧセンサのセットが、ｉ）前記頭皮上の背面位置に設置された可撓性表皮貫通型マイクロニードル電極の基準アレイと、ｉｉ）定常状態視覚誘発電位（ＳＳＶＥＰ）測定のために前記頭皮の背面領域で低弾性率エラストマーバンドに取り外し可能に取り付けられた可撓性表皮貫通型マイクロニードル電極の４つのアレイと、を含む、請求項１２又は１３に記載の方法。
【請求項16】
前記プロセッサによって、前記取得されたＥＥＧ信号を、前記訓練されたニューラルネットワークの再訓練動作を実行するリモート又はクラウドコンピューティングデバイスに送信することと、前記プロセッサによって、前記仮想現実環境コントローラのランタイム動作中に、前記リモート又はクラウドコンピューティングデバイスから、更新された訓練されたニューラルネットワークを受信することと、を更に含む、請求項１２～１５のいずれか一項に記載の方法。
【請求項17】
命令が記憶されている非一時的コンピュータ可読媒体であって、脳マシンインターフェースコントローラのプロセッサによる前記命令の実行が、前記プロセッサに、ユーザの頭皮に設置された薄型ＥＥＧセンサのセットから取得されたＥＥＧ信号を受信することであって、前記薄型ＥＥＧセンサのセットが各々、無線インターフェース回路に動作可能に接続されたアナログ－デジタル変換器回路に動作可能に接続された可撓性回路基板上に製造された可撓性表皮貫通型マイクロニードル電極のアレイを備え、前記薄型ＥＥＧセンサのセットが、導電性ゲル又はペーストなしで前記頭皮上に直接設置される、受信することと、
前記取得されたＥＥＧ信号から、訓練されたニューラルネットワークを介して、制御信号として脳信号を継続的に分類することと、
前記制御信号を仮想現実環境コントローラに出力して、対象によって視認される前記仮想現実環境コントローラによって生成されたＶＲシーン内でコマンドを作動させることと、を行わせる、コンピュータ可読媒体。
【請求項18】
前記薄型ＥＥＧセンサのセットが、ｉ）前記頭皮上の頂点位置に設置された可撓性表皮貫通型マイクロニードル電極の基準アレイと、ｉｉ）運動画像測定のために第１の正面位置、第２の背面位置、及び４つの側面位置で低弾性率エラストマーバンドに取り外し可能に取り付けられた可撓性表皮貫通型マイクロニードル電極の６つのアレイと、を含む、請求項１７に記載のコンピュータ可読媒体。
【請求項19】
前記薄型ＥＥＧセンサのセットが、ｉ）前記頭皮上の背面位置に設置された可撓性表皮貫通型マイクロニードル電極の基準アレイと、ｉｉ）定常状態視覚誘発電位（ＳＳＶＥＰ）測定のために前記頭皮の背面領域で低弾性率エラストマーバンドに取り外し可能に取り付けられた可撓性表皮貫通型マイクロニードル電極の４つのアレイと、を含む、請求項１７に記載のコンピュータ可読媒体。
【請求項20】
前記命令の前記実行が、前記プロセッサに、前記取得されたＥＥＧ信号を、前記訓練されたニューラルネットワークの再訓練動作を実行するリモート又はクラウドコンピューティングデバイスに送信することと、
前記仮想現実環境コントローラのランタイム動作中に、前記リモート又はクラウドコンピューティングデバイスから、更新された訓練されたニューラルネットワークを受信することと、を更に行わせる、請求項１７～１９のいずれか一項に記載のコンピュータ可読媒体。
【発明の詳細な説明】
【技術分野】
【0001】
政府利益の声明
本発明は、米国国立衛生研究所によって授与された認可番号Ｒ２１ＡＧ０６４３０９に基づく政府の支援を受けてなされた。政府は、本発明において特定の権利を有する。
本発明は、米国国立衛生研究所によって授与された認可番号Ｒ２１ＡＧ０６４３０９に基づく政府の支援を受けてなされた。政府は、本発明において特定の権利を有する。
【0002】
関連出願
本ＰＣＴ出願は、２０２１年５月２７日に出願された「ＷＩＲＥＬＥＳＳ ＳＯＦＴ ＳＣＡＬＰ ＥＬＥＣＴＲＯＮＩＣＳ ＡＮＤ ＶＩＲＴＵＡＬ ＲＥＡＬＩＴＹ ＳＹＳＴＥＭ ＦＯＲ ＭＯＴＯＲ ＩＭＡＧＥＲＹ－ＢＡＳＥＤ ＢＲＡＩＮ－ＭＡＣＨＩＮＥ ＩＮＴＥＲＦＡＣＥＳ」と題された米国仮特許出願第６３／１９４，１１１号、及び２０２２年２月１８日に出願された「ＶＩＲＴＵＡＬ ＲＥＡＬＩＴＹ （ＶＲ）－ＥＮＡＢＬＥＤ ＢＲＡＩＮ －ＣＯＭＰＵＴＥＲ ＩＮＴＥＲＦＡＣＥＳ ＶＩＡ ＷＩＲＥＬＥＳＳ ＳＯＦＴ ＢＩＯＥＬＥＣＴＲＯＮ ＩＣＳ」と題された米国仮出願第６３／３１１，６２８号の優先権及び利益を主張し、これらの各々は、その全体が、参照により本明細書に援用される。
本ＰＣＴ出願は、２０２１年５月２７日に出願された「ＷＩＲＥＬＥＳＳ ＳＯＦＴ ＳＣＡＬＰ ＥＬＥＣＴＲＯＮＩＣＳ ＡＮＤ ＶＩＲＴＵＡＬ ＲＥＡＬＩＴＹ ＳＹＳＴＥＭ ＦＯＲ ＭＯＴＯＲ ＩＭＡＧＥＲＹ－ＢＡＳＥＤ ＢＲＡＩＮ－ＭＡＣＨＩＮＥ ＩＮＴＥＲＦＡＣＥＳ」と題された米国仮特許出願第６３／１９４，１１１号、及び２０２２年２月１８日に出願された「ＶＩＲＴＵＡＬ ＲＥＡＬＩＴＹ （ＶＲ）－ＥＮＡＢＬＥＤ ＢＲＡＩＮ －ＣＯＭＰＵＴＥＲ ＩＮＴＥＲＦＡＣＥＳ ＶＩＡ ＷＩＲＥＬＥＳＳ ＳＯＦＴ ＢＩＯＥＬＥＣＴＲＯＮ ＩＣＳ」と題された米国仮出願第６３／３１１，６２８号の優先権及び利益を主張し、これらの各々は、その全体が、参照により本明細書に援用される。
【背景技術】
【0003】
運動画像脳波検査（ＭＩ）は、脳マシンインターフェースのためのメカニズムを提供するために、意識的に身体の動きの態様にアクセスすることによる身体の動きの精神的シミュレーションを指す。運動画像のための従来の脳波検査（ＥＥＧ）は、典型的には、膨大なセットアップ時間を伴い、使い心地が悪い複数の有線電極及びゲルを有するヘアキャップを使用する。最新のＥＥＧ設計は、日常的なモバイルＥＥＧモニタリングのための無線ウェアラブルＥＥＧに向かう傾向にあるが、それにもかかわらず、それらの設計は、邪魔な性質のものであり、ノイズが発生しやすい脳信号検出に起因して低い情報スループットを提供し、かつ限定された記録チャネルを有する、剛性のかさばる回路及びゲルベースの皮膚接触電極を引き続き使用する。
【0004】
同様のＥＥＧハードウェアは、特定の周波数の視覚刺激に対する自然な応答である脳信号である定常状態視覚誘発電位（ＳＳＶＥＰ）の取得にも使用され得る。網膜が、例えば、３．５Ｈｚ～７５Ｈｚの範囲の視覚刺激によって興奮すると、脳は、視覚刺激と同じ（又はその倍数の）周波数で電気活動を生成することができる。
【0005】
脳マシンインターフェース（ＢＭＩ）ハードウェア及びＢＭＩアプリケーションの改善には利点がある。
【発明の概要】
【0006】
例えば、訓練されたニューラルネットワークを介して、運動画像（ＭＩ）脳信号の、又は定常状態視覚誘発電位（ＳＳＶＥＰ）信号のリアルタイムで継続的な分類を実行することによって、脳マシンインターフェース（ＢＭＩ）又は脳コンピュータインターフェース（ＢＣＩ）のためのコマンドを作動させることができる例示的な無線軟質頭皮電子システム及び方法が、開示される。
【0007】
いくつかの実施形態では、例示的なシステムは、脳マシンインターフェースコントローラ用のＥＥＧ信号を取得することができるマイクロニードル電極を含む、薄型のポータブルシステムとして構成される。マイクロニードル電極は、例えば、ＥＥＧ信号及び信号分類正確度を向上させるために、改善された接触表面積及び低減された電極インピーダンス密度を提供することができる、軟質で知覚不能なゲルレス表皮貫通型マイクロニードル電極として構成され得る。マイクロニードル電極は、電極に近接して局所的に装着され得る軟質電子機器と更に統合されて、煩雑な配線を減らし、かつ信号取得品質を改善することができる。
【0008】
例示的な無線軟質頭皮電子システム及び方法は、ＭＩ又はＳＳＶＥＰアプリケーション内のユーザに明確で一貫したビジュアル及び瞬時のバイオフィードバックを提供するために、仮想現実（ＶＲ）／拡張現実（ＡＲ）環境コントローラを備えるＶＲ又はＡＲ訓練システムと組み合わせて動作し得る。いくつかの実施形態では、ＶＲ／ＡＲ環境コントローラは、取得及び分類されたＥＥＧ信号を使用して、ＭＩ訓練中にユーザへのフィードバックとしてユーザによって視認される運動画像（例えば、身体の動きの態様を実行することができる１つ以上の身体オブジェクト）に関連付けられたオブジェクトＶＲ／ＡＲシーンをレンダリングするコマンドを作動させることができる。ＶＲ／ＡＲハードウェア及び脳マシンインターフェースハードウェアを使用して、定常状態視覚誘発電位の取得のための視覚刺激を提供及び取得することができる。ＶＲ／ＡＲハードウェア及び関連付けられた訓練は、例えば、ＭＩ及びＳＳＶＥＰアプリケーションにおいて、検出可能なＥＥＧ応答の変動を低減することができる。本明細書で報告される研究では、頭皮電子システム及び関連付けられた訓練は、運動画像アプリケーションに対して高い分類正確度（４つのクラスに対して９３．２２±１．３３％）を提供し、仮想現実ゲームの無線リアルタイム制御を可能にすることが、観察された。
【0009】
一態様では、脳波ベースの（ＥＥＧ）脳マシンインターフェースを含むシステムが、開示される。システムは、無線インターフェース回路に動作可能に接続されたアナログ－デジタル変換器回路に動作可能に接続された可撓性回路基板上に製造された可撓性表皮貫通型マイクロニードル電極のアレイを各々が備える薄型ＥＥＧセンサのセットと、薄型ＥＥＧセンサのセットに動作可能に接続された脳マシンインターフェースと、を含み、脳マシンインターフェースは、プロセッサと、プロセッサに動作可能に接続されたメモリとを備え、メモリには命令が記憶されており、プロセッサによる命令の実行が、プロセッサに、薄型ＥＥＧセンサから取得されたＥＥＧ信号を受信することと、取得されたＥＥＧ信号から、訓練されたニューラルネットワークを介して、制御信号として脳信号を継続的に分類することと、制御信号を仮想現実環境コントローラに出力して、対象によって視認される仮想現実環境コントローラによって生成されたＶＲシーン内でコマンドを（例えば、訓練のために）作動させることと、を実行させる。
【0010】
いくつかの実施形態では、コマンドは、ＶＲシーン内の四肢の動きのセットを引き起こし、訓練されたニューラルネットワークは、動きのセットのために脳信号を分類するように構成される。
【0011】
いくつかの実施形態では、薄型ＥＥＧセンサのセットは、延伸可能な可撓性コネクタのセットを介して脳マシンインターフェースに接続される。
【0012】
いくつかの実施形態では、マイクロニードル電極は、拡大された接触表面積及び低減された電極インピーダンス密度を有する。
【0013】
いくつかの実施形態では、システムは、低弾性率エラストマーバンドを備えるウェアラブル軟質ヘッドセットを更に含む。
【0014】
いくつかの実施形態では、訓練されたニューラルネットワークは、空間畳み込みニューラルネットワークを含む。
【0015】
いくつかの実施形態では、薄型ＥＥＧセンサのセットは、運動画像のために頭皮に沿って設置される。
【0016】
いくつかの実施形態では、薄型ＥＥＧセンサのセットは、定常状態視覚誘発電位（ＳＳＶＥＰ）測定のために頭皮に沿って設置される。
【0017】
いくつかの実施形態では、仮想現実環境コントローラは、リアルタイムテキストスペラインターフェースのために仮想シーン内にスプリットアイ非同期刺激（ＳＥＡＳ）を生成するように構成されている。
【0018】
いくつかの実施形態では、プロセッサによる命令の実行は、プロセッサに、取得されたＥＥＧ信号を、訓練されたニューラルネットワークの再訓練動作を実行するリモート又はクラウドコンピューティングデバイスに送信させることと、仮想現実環境コントローラのランタイム動作中に、リモート又はクラウドコンピューティングデバイスから更新された訓練されたニューラルネットワークを受信させることと、を更に行わせる。
【0019】
いくつかの実施形態では、アレイの複数の可撓性表皮貫通型マイクロニードル電極は各々、毛深い頭皮に装着されるように高さが少なくとも５００μｍ（例えば、８００μｍ）であり、約３５０μｍのベース幅を有し、かつ約３６ｍｍ２の面積を有する。
【0020】
別の態様では、方法が、開示される。方法は、ユーザの頭皮に設置された薄型ＥＥＧセンサのセットを提供することであって、薄型ＥＥＧセンサのセットが各々、無線インターフェース回路に動作可能に接続されたアナログ－デジタル変換器回路に動作可能に接続された可撓性回路基板上に製造された可撓性表皮貫通型マイクロニードル電極のアレイを含む、提供することと、薄型ＥＥＧセンサのセットに動作可能に接続されたプロセッサ又は脳マシンインターフェースによって、薄型ＥＥＧセンサから取得されたＥＥＧ信号を受信することと、プロセッサによって、取得されたＥＥＧ信号から、訓練されたニューラルネットワークを介して、制御信号として脳信号を継続的に分類することと、プロセッサによって、制御信号を仮想現実環境コントローラに出力して、対象によって視認される仮想現実環境コントローラによって生成されたＶＲシーン内で、コマンドを作動させることと、を含み得る。
【0021】
いくつかの実施形態では、薄型ＥＥＧセンサのセットは、導電性ゲル又はペーストなしで頭皮上に直接設置される。
【0022】
いくつかの実施形態では、薄型ＥＥＧセンサのセットは、ｉ）頭皮上の頂点位置に設置された可撓性表皮貫通型マイクロニードル電極の基準アレイと、ｉｉ）運動画像測定のために第１の正面位置、第２の背面位置、及び４つの側面位置で低弾性率エラストマーバンドに取り外し可能に取り付けられた可撓性表皮貫通型マイクロニードル電極の６つのアレイと、を含む。
【0023】
いくつかの実施形態では、薄型ＥＥＧセンサのセットは、ｉ）頭皮上の背面位置に設置された可撓性表皮貫通型マイクロニードル電極の基準アレイと、ｉｉ）定常状態視覚誘発電位（ＳＳＶＥＰ）測定のために頭皮の背面領域で低弾性率エラストマーバンドに取り外し可能に取り付けられた可撓性表皮貫通型マイクロニードル電極の４つのアレイと、を含む。
【0024】
いくつかの実施形態では、方法は、プロセッサによって、取得されたＥＥＧ信号を、訓練されたニューラルネットワークの再訓練動作を実行するリモート又はクラウドコンピューティングデバイスに送信することと、プロセッサによって、仮想現実環境コントローラのランタイム動作中に、リモート又はクラウドコンピューティングデバイスから更新された訓練されたニューラルネットワークを受信することと、を更に含み得る。
【0025】
別の態様では、非一時的コンピュータ可読媒体が、開示される。Ａ非一時的コンピュータ可読媒体は、その上に記憶された命令を有し得、脳マシンインターフェースコントローラのプロセッサによる命令の実行が、プロセッサに、ユーザの頭皮に設置された薄型ＥＥＧセンサのセットから取得されたＥＥＧ信号を受信することであって、薄型ＥＥＧセンサのセットが各々、無線インターフェース回路に動作可能に接続されたアナログ－デジタル変換器回路に動作可能に接続された可撓性回路基板上に製造された可撓性表皮貫通型マイクロニードル電極のアレイを含み、薄型ＥＥＧセンサのセットが、導電性ゲル又はペーストなしで頭皮上に直接設置される、受信することと、取得されたＥＥＧ信号から、訓練されたニューラルネットワークを介して、制御信号として脳信号を継続的に分類することと、制御信号を仮想現実環境コントローラに出力して、対象によって視認される仮想現実環境コントローラによって生成されたＶＲシーン内でコマンドを作動させることと、を行わせる。
【0026】
いくつかの実施形態では、薄型ＥＥＧセンサのセットは、ｉ）頭皮上の頂点位置に設置された可撓性表皮貫通型マイクロニードル電極の基準アレイと、ｉｉ）運動画像測定のために第１の正面位置、第２の背面位置、及び４つの側面位置で低弾性率エラストマーバンドに取り外し可能に取り付けられた可撓性表皮貫通型マイクロニードル電極の６つのアレイと、を含む。
【0027】
いくつかの実施形態では、薄型ＥＥＧセンサのセットは、ｉ）頭皮上の背面位置に設置された可撓性表皮貫通型マイクロニードル電極の基準アレイと、ｉｉ）定常状態視覚誘発電位（ＳＳＶＥＰ）測定のために頭皮の背面領域で低弾性率エラストマーバンドに取り外し可能に取り付けられた可撓性表皮貫通型マイクロニードル電極の４つのアレイと、を含む。
【0028】
いくつかの実施形態では、命令の実行は、プロセッサに、取得されたＥＥＧ信号を、訓練されたニューラルネットワークの再訓練動作を実行するリモート又はクラウドコンピューティングデバイスに送信させることと、仮想現実環境コントローラのランタイム動作中に、リモート又はクラウドコンピューティングデバイスから更新された訓練されたニューラルネットワークを受信させることと、を更に行わせる。
【0029】
当業者は、以下に記載される図面が、例示のみを目的としていることを理解するであろう。
【図面の簡単な説明】
【0030】
【図1】例示的な一実施形態による、例示的な脳波ベースの脳マシンインターフェースシステムを示す。
【図2】例示的な一実施形態による、運動画像（ＭＩ）訓練又は動作のための薄型ＥＥＧセンサ式軟質頭皮電子デバイスとして構成された例示的なＥＥＧ脳マシンインターフェースシステムを示す。
【図3A】例示的な一実施形態による、ＳＳＶＥＰ訓練又は動作のための薄型ＥＥＧセンサ式軟質頭皮電子デバイスとして構成された例示的なＥＥＧ脳マシンインターフェースシステムの態様をそれぞれ示す。
【図3B】例示的な一実施形態による、ＳＳＶＥＰ訓練又は動作のための薄型ＥＥＧセンサ式軟質頭皮電子デバイスとして構成された例示的なＥＥＧ脳マシンインターフェースシステムの態様をそれぞれ示す。
【図3C】例示的な一実施形態による、ＳＳＶＥＰ訓練又は動作のための薄型ＥＥＧセンサ式軟質頭皮電子デバイスとして構成された例示的なＥＥＧ脳マシンインターフェースシステムの態様をそれぞれ示す。
【図4A】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを動作させる方法を示す。
【図4B】例示的な一実施形態による、ランタイム動作中に例示的なＥＥＧ脳マシンインターフェースシステムを構成及び再構成するための動作の例示的な方法を示す。
【図5A】例示的な実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムの構成要素を製造する例示的な方法をそれぞれ示す。
【図5B】例示的な実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムの構成要素を製造する例示的な方法をそれぞれ示す。
【図5C】例示的な実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムの構成要素を製造する例示的な方法をそれぞれ示す。
【図5D】例示的な実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムの構成要素を製造する例示的な方法をそれぞれ示す。
【図5E】例示的な実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムの構成要素を製造する例示的な方法をそれぞれ示す。
【図6A】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、運動画像訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図6B】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、運動画像訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図6C】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、運動画像訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図6D】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、運動画像訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図6E】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、運動画像訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図7A】例示的な実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムの構成要素の機械的特性評価結果を示す。
【図7B】例示的な実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムの構成要素の機械的特性評価結果を示す。
【図8A】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、ＳＳＶＥＰ訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図8B】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、ＳＳＶＥＰ訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図8C】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、ＳＳＶＥＰ訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図8D】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、ＳＳＶＥＰ訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図8E】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、ＳＳＶＥＰ訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図8F】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、ＳＳＶＥＰ訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【図8G】例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用した、ＳＳＶＥＰ訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様をそれぞれ示す。
【発明を実施するための形態】
【0031】
様々な特許、特許出願、及び刊行物を含み得るいくつかの参考文献が、参考文献リストに引用され、本明細書に提供される開示において考察される。そのような参考文献の引用及び／又は考察は、開示される技術の説明を明確にするためにのみ提供され、そのような参考文献が、本明細書に記載され、開示される技術の任意の態様に対する「先行技術」であることを認めるものではない。表記上、［ｎ］は、リスト内のｎ番目の参考文献に対応する。例えば、［１］は、リスト内の一番目の参考文献を指す。本明細書において引用され考察される全ての参考文献は、参照によりそれらの全体が、あたかも各参考文献が参照により個々に援用されたかと同程度に本明細書に援用される。
【0032】
例示的なシステム
図１は、例示的な一実施形態による、例示的な、脳波ベースの（ＥＥＧ）脳マシンインターフェースシステム１００（「ＥＥＧ ＢＭＩ」システム１００）を示す。システム１００は、各々が、可撓性回路基板１０８上に製造された可撓性表皮貫通型マイクロニードル電極１０６のアレイ１０４を備える、薄型ＥＥＧセンサ１０２（１０２ａ、１０２ｂ、１０２ｃ、１０２ｄとして示される）のセットを含む。図１に示される例では、第１のＥＥＧセンサ１０２ａは、ニューラルネットワーク１１４（「空間ＣＮＮ」１１４として示される）を介して、コンピューティングデバイス又はマシン１１６への制御信号を生成するように分類するＢＭＩ制御システム１１２とインターフェースする可撓性フロントエンド電子機器アセンブリ１１０に可撓性コネクタ１０９を介して接続される基準電極として示されている。コンピューティングデバイス又はマシン１１６は、ＶＲ／ＡＲ訓練システム１１８及び／又はマシンコンピュータシステム１１９を含み得る。次に、ＶＲ／ＡＲ訓練システム１１８及び／又はマシン／コンピュータシステム１１９は、ＶＲ／ＡＲアプリケーション１２１を実行するように構成され得る。仮想現実アプリケーション１２１は、ＢＭＩレンダリング及びＵＩモジュール１２２と、ゲーム環境パラメータ１２４を含むモジュールとを含み得る。「ＶＲ／ＡＲ」という用語は、仮想現実システム、拡張現実システム、又はその両方を提供することができるシステムを指す。
図１は、例示的な一実施形態による、例示的な、脳波ベースの（ＥＥＧ）脳マシンインターフェースシステム１００（「ＥＥＧ ＢＭＩ」システム１００）を示す。システム１００は、各々が、可撓性回路基板１０８上に製造された可撓性表皮貫通型マイクロニードル電極１０６のアレイ１０４を備える、薄型ＥＥＧセンサ１０２（１０２ａ、１０２ｂ、１０２ｃ、１０２ｄとして示される）のセットを含む。図１に示される例では、第１のＥＥＧセンサ１０２ａは、ニューラルネットワーク１１４（「空間ＣＮＮ」１１４として示される）を介して、コンピューティングデバイス又はマシン１１６への制御信号を生成するように分類するＢＭＩ制御システム１１２とインターフェースする可撓性フロントエンド電子機器アセンブリ１１０に可撓性コネクタ１０９を介して接続される基準電極として示されている。コンピューティングデバイス又はマシン１１６は、ＶＲ／ＡＲ訓練システム１１８及び／又はマシンコンピュータシステム１１９を含み得る。次に、ＶＲ／ＡＲ訓練システム１１８及び／又はマシン／コンピュータシステム１１９は、ＶＲ／ＡＲアプリケーション１２１を実行するように構成され得る。仮想現実アプリケーション１２１は、ＢＭＩレンダリング及びＵＩモジュール１２２と、ゲーム環境パラメータ１２４を含むモジュールとを含み得る。「ＶＲ／ＡＲ」という用語は、仮想現実システム、拡張現実システム、又はその両方を提供することができるシステムを指す。
【0033】
他のＥＥＧセンサ（「センサアレイ」１０２ｂ、１０２ｃ、１０２ｄとして示される）は、ハードウェア又はソフトウェアを介して、基準センサ１０２ａに関連して測定され、図１の例では、基準ＥＥＧセンサアセンブリ１０２ａを通して、可撓性ケーブル配線１２６を介して接続される。システム１００は、２つ以上の基準センサアセンブリ（例えば、１０２ａ）を使用し得る。
【0034】
図１の例では、可撓性ケーブル配線１２６は、レーザー加工された延伸可能な可撓性の相互接続部１２８のセットを含む。相互接続部１２８は、相互接続部１２８が延伸されるか又は曲げられることを可能にする曲折又は蛇行パターン１３０に形成された導電体を有し得る。可撓性コネクタ１０９は、基準センサ１０２ａの可撓性アセンブリを可撓性フロントエンド電子機器アセンブリ１１０に接続する。
【0035】
可撓性フロントエンド電子機器アセンブリ１１０は、可撓性ケーブル１２６を通して、ニードル電極１０２ｂ １０２ｃ １０２ｄのアレイ１０４に動作可能に接続されている１つ以上のアナログ－デジタル変換器１３２を含み得る。ＡＤＣ１３２は、ニードル電極１０２ａの基準アレイからの、及びセンサアレイ（例えば、１０２ｂ、１０２ｃ、１０２ｄ）からのアナログ信号をデジタル信号に変換することができる。デジタル信号は、ネットワークインターフェース１３４によって、ＢＭＩ制御システム１１２内のネットワークインターフェース１３５に送信され得る。更に、可撓性フロントエンド電子機器アセンブリ１１０は、エネルギー貯蔵装置１３８、ＡＤＣ１３２、及びネットワークインターフェース１３４の動作を制御するように構成され得るコントローラ１３６を含むことができる。
【0036】
ＢＭＩ制御システム１１２は、取得されたＥＥＧ信号から、訓練されたニューラルネットワークを介して、制御信号として脳信号を継続的に分類するように構成される。ＢＭＩ制御システム１１２は、例えば、車両（例えば、電動車椅子）又はロボット義肢などを操作するために、制御信号をマシン１１９に提供することができる。
【0037】
ＢＭＩ制御システム１１２は、訓練されたニューラルネットワーク１１４、ネットワークインターフェース１３５、コントローラ１３７、フィルタモジュール１４０、及びスケーリングモジュール１４２を含み得る。訓練されたニューラルネットワーク１１４は、取得されたＥＥＧ信号を分類して、コンピューティングデバイス又はマシン１１６への制御信号を生成するように構成される。図１に示される例では、訓練されたニューラルネットワーク１１４は、空間ＣＮＮとして構成される。訓練されたニューラルネットワークは、例えば、本明細書に記載又は参照されるように、他のＣＮＮ及びＡＩシステムとして構成され得る。
【0038】
いくつかの実施形態では、ＢＭＩ制御システム１１２は、ランタイム動作中に再構成されるように構成される。図１に示される例では、ＢＭＩ制御システムは、ニューラルネットワーク訓練システム１４６を有して構成されたクラウドシステム１４４に接続されて示されている。クラウドシステム１４４は、ＢＭＩ制御システム１１２から取得されたＥＥＧ信号を受信し、ニューラルネットワーク１１４のローカルバージョンを再訓練するように構成される。ニューラルネットワーク訓練システム１４６は、再訓練されたニューラルネットワーク１４８が、以前のニューラルネットワーク１１４を改善しているかどうかを判定する。そのような判定が行われると、ニューラルネットワーク訓練システム１４６が、再訓練されたニューラルネットワーク１４８をＢＭＩ制御システム１１２に提供し、ＢＭＩ制御システム１１２は、（例えば、そのコントローラ１３７を介して）ニューラルネットワーク１１４を更新されたバージョンに置き換える。
【0039】
分類のためのＥＥＧ信号を提供するために、ＢＭＩ制御システム１１２は、通信して、可撓性フロントエンド電子機器アセンブリ１１０のネットワークインターフェース１３４から受信するためのネットワークインターフェース１３５を含む。フィルタモジュール１４０及びスケーリングモジュール１４２は、分類動作の前に、取得されたＥＥＧ信号を前処理するように構成される。いくつかの実施形態では、フィルタモジュール１４０は、例えば、バターワースバンドパスフィルタを使用して、取得されたＥＥＧデータをフィルタリングするように構成され、スケーリングモジュール１４２は、例えば、線形アップスケーリングオペレータを使用して、フィルタリングされたＥＥＧデータをアップスケールするように構成される。
【0040】
図１に示される例では、ＢＭＩ制御システム１１２は、分類された制御信号を使用して、ユーザに表示されるＶＲシーン内でコマンドのセットを作動させることができるＶＲ／ＡＲ環境コントローラ（図示せず）を備えるＶＲ／ＡＲ訓練システム１１８で動作するように構成され得る。ＶＲ／ＡＲ環境は、ＶＲ／ＡＲヘッドセット及びＶＲ／ＡＲソフトウェアを使用して実装され得る。ＶＲ／ＡＲ環境は、ＶＲ／ＡＲヘッドセット内にＶＲ／ＡＲグラフィックスを表示するようにコンピューティングデバイスを構成するために、ＶＲソフトウェア（例えば、Ｕｎｉｔｙ）とともに動作し得る。ＶＲ／ＡＲヘッドセット（例えば、Ｓａｍｓｕｎｇ Ｇｅａｒ ＶＲ）は、スマートフォンに接続され得る。例示的な一実装例では、ＶＲソフトウェアは、ＭＩの視覚化を容易にするために、手及び足、又は他の幾何学的オブジェクトの３Ｄモデル（Ｍａｙａ）をレンダリングし得る。
【0041】
この例示的な実装例を参照して説明されるアニメーションソフトウェア、ＶＲ／ＡＲソフトウェア、ＶＲ／ＡＲヘッドセット、及び様々なコンピューティングデバイスは全て、非限定的な例として意図されていること、及び本開示は、任意の好適なアニメーションソフトウェア、スマートフォン（又は他のコンピューティングデバイス）、ＶＲ（又はＡＲ）ヘッドセット、及び／又は任意のＡＲ若しくはＶＲソフトウェアパッケージを使用して実装され得ることを理解されたい。同様に、説明されるゲームは、非限定的な例であること、及び本開示の実施形態は、任意のコンピューティングデバイスからの出力を制御及び受信するために使用され得ることを理解されたい。
【0042】
コンピューティングデバイスは、コンピューティングデバイスの動作に必要な算術演算及び論理演算を実行する標準のプログラマブルプロセッサであってもよい処理ユニットを含み得る。複数のプロセッサが、使用されてもよい。本明細書で使用される場合、処理ユニット及びプロセッサは、例えば、以下に限定されないが、マイクロプロセッサ（ＭＣＵ）、マイクロコントローラ、グラフィカル処理ユニット（ＧＰＵ）、及び特定用途向け回路（ＡＳＩＣ）を含む、入力に対して機能を実行し、出力を作成するために、符号化された命令を実行する物理ハードウェアデバイスを指す。したがって、命令は、プロセッサによって実行されるように論じられ得る一方、命令は、同時に、連続的に、又はさもなければ１つ以上のプロセッサによって、実行され得る。コンピューティングデバイスはまた、コンピューティングデバイスの様々な構成要素間で情報を通信するためのバス又は他の通信機構を含み得る。
【0043】
上述の論理演算は、（１）コンピューティングシステム上で動作するコンピュータ実施動作若しくはプログラムモジュールのシーケンスとして、及び／又は（２）コンピューティングシステム内の相互接続されたマシン論理回路若しくは回路モジュールとして実装され得ることを理解されたい。実装例は、コンピューティングシステムの性能及び他の要件に依存する選択の問題である。したがって、本明細書に記載される論理演算は、ステート演算、動作、又はモジュールと様々に称される。これらの演算、動作、及び／又はモジュールは、ソフトウェア、ファームウェア、特殊目的のデジタル論理、ハードウェア、並びにそれらの任意の組み合わせで実装され得る。また、図に示され、本明細書に記載されるよりも多くの又は少ない動作が実行され得ることを理解されたい。これらの動作はまた、本明細書に記載の順序とは異なる順序で実行され得る。
【0044】
１つ以上のプログラムが、例えば、アプリケーションプログラミングインターフェース（ＡＰＩ）、再利用可能な制御などの使用を通じて、ここに開示される主題に関連して説明されるプロセスを実装又は使用し得る。そのようなプログラムは、コンピュータシステムと通信するために、高レベルの手続き型又はオブジェクト指向型プログラミング言語で実装され得る。また一方、プログラムは、必要に応じて、アセンブリ言語又は機械言語で実装され得る。いずれにせよ、言語は、コンパイル又は解釈された言語であり得、ハードウェア実装と組み合わされ得る。
【0045】
例＃２ 運動画像ベースの脳マシンインターフェース
図２は、例示的な一実施形態による、ＶＲ／ＡＲヘッドセット２０２（２０２ａとして示される）とインターフェースする、運動画像（ＭＩ）訓練又は動作のための薄型ＥＥＧセンサ式軟質頭皮電子機器（ＳＳＥ）デバイスとして構成された可撓性フロントエンド電子機器アセンブリ１１０（１１０ａとして示される）を含む例示的なＥＥＧ ＢＭＩシステム１００（１００ａとして示される）を示す。ＳＳＥデバイス１１０ａは、ユーザの頭皮に沿って設置され得、（ｉ）可撓性基板上の完全にポータブルな信号取得電子機器と、（ｉｉ）可撓性マイクロニードルアレイ１０４（１０４ａ、１０４ｂ、１０４ｃ、１０４ｄ、１０４ｅ、及び１０４ｆとして示される）のセットに接続する延伸可能なインターコネクタ１２８とを含む。
図２は、例示的な一実施形態による、ＶＲ／ＡＲヘッドセット２０２（２０２ａとして示される）とインターフェースする、運動画像（ＭＩ）訓練又は動作のための薄型ＥＥＧセンサ式軟質頭皮電子機器（ＳＳＥ）デバイスとして構成された可撓性フロントエンド電子機器アセンブリ１１０（１１０ａとして示される）を含む例示的なＥＥＧ ＢＭＩシステム１００（１００ａとして示される）を示す。ＳＳＥデバイス１１０ａは、ユーザの頭皮に沿って設置され得、（ｉ）可撓性基板上の完全にポータブルな信号取得電子機器と、（ｉｉ）可撓性マイクロニードルアレイ１０４（１０４ａ、１０４ｂ、１０４ｃ、１０４ｄ、１０４ｅ、及び１０４ｆとして示される）のセットに接続する延伸可能なインターコネクタ１２８とを含む。
【0046】
軟質頭皮電子システム１１０ａは、頭部着用型ストラップ２０６を介して脳信号を継続的に記録することによって、持続的ＢＭＩのためのＭＩ脳信号検出用に構成され得る。ＳＳＥシステム１１０ａは、取得されたＥＥＣ信号を、無線接続を介して（又は有線接続を介して）外部コンピューティングデバイスに提供するように構成され、外部コンピューティングデバイスは、次に、取得されたＥＥＧ信号を、例えば、ＭＩアプリケーションのための、又は没入型視覚化訓練のための信号として分類する。
【0047】
図２に示される例では、ＢＭＩシステム１００ａは、分類性能を犠牲にすることなく、例えば、従来のＥＥＧアプリケーションと比較して、簡単にセットアップできてセットアップ使用の複雑さを低減する、低減された数のＥＥＧ電極を含む。
【0048】
一態様では、図２に示される例では、ＳＳＥシステム１１０ａは、可撓性マイクロニードル電極（ＦＭＮＥ）（例えば、１０４）に接合された、統合された延伸可能なインターコネクタ１２８のアレイを含む。軟質頭皮電子システム１１０ａは、高い機械的コンプライアンスを有するように、可撓性膜回路を使用して製造され得る。可撓性膜回路は、電子チップ（例えば、フロントエンド取得ＩＣ及びネットワークインターフェースＩＣ）と一体化され、機械的コンプライアンスを維持するためにカプセル化され得る。
【0049】
図２に示される例では、ＦＭＮＥのアレイ（例えば、１０４）の各々は、例えば２超（例えば、３５０μｍのベース幅で高さ８００μｍ）の高アスペクト比のニードルのセットを含む。他のニードルのベース対高さ比、例えば、１、１．１、１．２、１．３、１．４、１．５、１．６、１．７、１．８、１．９、２．０を用いてもよい。いくつかの実施形態では、ニードルのベース対高さ比は、２超であり得る。
【0050】
図２に示される例では、軟質頭皮電子システム１１０ａは、ウェアラブルヘッドストラップ２０６に取り付けられるか又は固定されており、ウェアラブルヘッドストラップ２０６は、ユーザの頭皮上のＭＩ位置で複数のＦＭＮＥを固定するために、一緒に成形され得る低弾性率エラストマーバンドのセット２０８と統合され得る。一次バンド２０６は、側頭葉上に５つのＦＭＮＥを固定するために（基準ＦＭＮＥ１０４ａ（「Ｃｚ」）、第１の軸方向ＦＭＮＥ１０４ｂ（「Ｃ２」）、第２の軸方向ＦＭＮＥ１０４ｃ（「Ｃ３」）、第３の軸方向ＦＭＮＥ１０４ｄ（「Ｃ４」）、及び軸方向の第４のＦＭＮＥ１０４ｅ（「Ｃ５」））、軸平面２１０の周りでユーザの頭部を包み込むことができる。一次バンド２０８は、可撓性相互接続部を介して、イニオンＦＭＮＥ１０４ｆ（「Ｆｚ」）及びナジオンＦＭＮＥ１０４ｇ（「ＰＯｚ」）に接続し、基準電極アレイに関するＥＥＣ測定の６チャネルを提供する。同じものの概略図をプロット２１２に示す。プロット２１２はまた、２０以上の電極を有する標準的なＥＥＧキャップに関連してＦＭＮＥを示す。一次バンド２０８はまた、耳の後ろに設置されるように構成されている接地電極２１４に接続される。７個、８個、９個、１０個、１１個、１２個などを含む他の数の電極アレイが、使用されてもよい。いくつかの実施形態では、電極アレイの数は、１２超であり得る。
【0051】
電極アレイ（例えば、１０４）は、軟質頭皮電子システム１１０ａのＡＤＣフロントエンド回路（１３２ａとして示されるＡＤＣ１３２を含む）に接続される。軟質頭皮電子システムは、取得されたＥＥＣ信号をＢＭＩ制御システム１１２（「タブレット」１１２ａとして示される）に通信することができるネットワークインターフェース１３４（「Ｂｌｕｅｔｏｏｔｈコントローラ」１３４ａとして示される）を含む。図２に示される例では、ＢＭＩ制御システム１１２ａは、ＥＥＧ記録機械学習分類アルゴリズム１１４（「畳み込みニューラルネットワーク」１１４ａとして示される）からのシーケンスを処理して、ＶＲ／ＡＲシステム環境内のＶＲ／ＡＲターゲットを制御するための制御信号として使用され得るＭＩ分類を生成するように構成される。マシンコンピュータシステム１２０ａは、フィルタ動作１４０（１４０ａとして示される）及び再スケーリング動作１４２（１４２ａとして示される）を含む。マシンコンピュータシステム１１２ａは、例えば、別個の手及び両足に関するイベント関連の同期及び脱同期を最適にキャプチャするように、並びに全体的なアルファリズム活動をキャプチャするように構成される。ＭＬモデルは、運動皮質の複数の双極源からの空間的特徴を分解することができる。分類の出力は、コマンド２２０として、ＶＲターゲット２２２として示されるターゲットに送信され得る。
【0052】
例＃３ ＳＳＶＥＰベースの脳マシンインターフェース
図３Ａは、例示的な一実施形態による、ＶＲ／ＡＲヘッドセット２０２（２０２ｂとして示される）とインターフェースする、ＳＳＶＥＰ訓練又は動作のための薄型ＥＥＧセンサ式軟質頭皮電子（ＳＳＥ）デバイスとして構成された可撓性フロントエンド電子機器アセンブリ１１０（１１０ｂとして示される）を含む例示的なＥＥＧ ＢＭＩシステム１００（１００ｂとして示される）を示す。ＳＳＥデバイス１１０ｂはまた、ユーザの頭皮に沿って設置され得、（ｉ）可撓性基板上の完全にポータブルな信号取得電子機器と、（ｉｉ）可撓性マイクロニードルアレイ１０４（１０４’、例えば、１０４ａ’、１０４ｂ’、１０４ｃ’、１０４ｄ’、１０４ｅ’として示される、図３Ｂ参照）のセットに接続する延伸可能なインターコネクタ１２８とを含む。
図３Ａは、例示的な一実施形態による、ＶＲ／ＡＲヘッドセット２０２（２０２ｂとして示される）とインターフェースする、ＳＳＶＥＰ訓練又は動作のための薄型ＥＥＧセンサ式軟質頭皮電子（ＳＳＥ）デバイスとして構成された可撓性フロントエンド電子機器アセンブリ１１０（１１０ｂとして示される）を含む例示的なＥＥＧ ＢＭＩシステム１００（１００ｂとして示される）を示す。ＳＳＥデバイス１１０ｂはまた、ユーザの頭皮に沿って設置され得、（ｉ）可撓性基板上の完全にポータブルな信号取得電子機器と、（ｉｉ）可撓性マイクロニードルアレイ１０４（１０４’、例えば、１０４ａ’、１０４ｂ’、１０４ｃ’、１０４ｄ’、１０４ｅ’として示される、図３Ｂ参照）のセットに接続する延伸可能なインターコネクタ１２８とを含む。
【0053】
脳信号記録のスループットを改善するために、図３Ａに示される例では、ＥＥＧ ＢＭＩシステム１００ｂを使用して、スプリットアイ非同期刺激（ＳＥＡＳ）アプリケーションを介して、各眼に提示されている異なる眼特異的刺激からＳＳＶＥＰ信号を取得する。別個の眼刺激が、より多くの符号化されたチャネルを提供して脳信号記録のスループットを改善することができるユニークな非同期刺激パターンを生成し得る。ＥＥＧ ＢＭＩシステム１００ｂを使用して、例えば、テキストスペリングのために、３０チャネルを超えるポータブルＢＣＩ用の定常状態視覚誘発電位（ＳＳＶＥＰ）のリアルタイムモニタリングを提供することができる。図３Ａに示される例では、ユーザインターフェースパネル３０２は、テキスト要素３０４とともに、例えば、ＶＲ／ＡＲ環境内に提示され、テキスト要素３０４（強調表示された部分）は、異なる定常状態点滅刺激パターンを含む。すなわち、各テキスト要素３０４（３２個の要素）は、固有の定常状態点滅刺激で符号化され得る。ＳＥＡＳでは、定常状態点滅刺激パターンは、現在、左側及び右側ディスプレイ（それぞれ３０８及び３１０として示される）で異なり得る。
【0054】
図３Ｃは、例示的な刺激周波数（３１２）及びターゲット（「ターゲットテキスト」３１４として示される）を示す。図３Ｃに示される例では、刺激周波数３１２は、両方の眼で同じ周波数（３１６及び３１８として示される行「１」及び「３」）又は左眼及び右眼で異なる周波数（３２０、３２２として示される行「２」及び「４」）のいずれかとして提示される。行「２」及び「４」（３２０、３２４）では、第１の数値（３２６）の各々は、左眼によって見られる周波数を表し、第２の数値（３２８）の各々は、右眼によって見られる周波数を表す。他の構成が、使用され得る。例えば、行「１」及び「３」による同じ周波数の出力は、例えば、行「２」及び「４」による異なる周波数が、どこまで非同期的に提示され、一貫して検出され得るかを眼が追跡するための共通の基準を提供する。非同期動作の場合、分類に影響を与える可能性のある、対象内に発生し得るミキシングのため、一意の周波数が、左眼及び右眼の間で使用されるべきである。
【0055】
図３Ｃに示される例は、特定の順序又は増分で配置されている周波数を示しているが、一意の周波数の順序付けの順序は変化し得る（及び依然として同様の性能を提供し得る）ことに留意されたい。
【0056】
本明細書に記載の深層学習アルゴリズム及び軟質電子機器ハードウェアと併せて、ＥＥＧ ＢＭＩシステム１００ｂは、例えば、３３クラスのＳＳＶＥＰ入力に対して、リアルタイムのデータ処理及び分類を提供することができる。本明細書に報告される研究では、ＥＥＧ ＢＭＩシステム１００ｂが、０．８秒の取得ウィンドウ内で７８．９３％及び２秒の取得ウィンドウ内で９１．７３％の正確度で、３３個の識別可能なクラスを提供し得ることが観察された。
【0057】
図３Ａを更に参照すると、ＳＳＥシステム１１０ｂはまた、可撓性マイクロニードル電極（ＦＭＮＥ）１０４’に接合された、統合された延伸可能なインターコネクタのアレイを含み得る。軟質頭皮電子システム１１０ｂは、高い機械的コンプライアンスを有するように、可撓性膜回路を使用して製造され得る。可撓性膜回路は、電子チップ（例えば、フロントエンド取得ＩＣ及びネットワークインターフェースＩＣ）と一体化され、機械的コンプライアンスを維持するためにカプセル化され得る。
【0058】
図３Ａに示される例では、ＦＭＮＥ１０４’のアレイの各々は、例えば２超（例えば、３５０μｍのベース幅で高さ８００μｍ）の高アスペクト比のニードルのセットを含む。他のニードルのベース対高さ比、例えば、１、１．１、１．２、１．３、１．４、１．５、１．６、１．７、１．８、１．９、２．０を用いてもよい。いくつかの実施形態では、ニードルのベース対高さ比は、２超であり得る。
【0059】
図３Ａに示される例では、軟質頭皮電子システム１１０ｂは、ウェアラブルヘッドストラップ２０６（２０６’として示される）に取り付けられた又は固定されたＦＭＮＥ１０４’のアレイに接続される。
【0060】
電極アレイ１０４’は、軟質頭皮電子システム１１０ｂのＡＤＣフロントエンド回路（例えば、ＡＤＣ１３２を備える）に接続される。軟質頭皮電子システム１１０ｂは、取得されたＥＥＣ信号をＢＭＩ制御システム（例えば、１１２）に通信することができるネットワークインターフェース（例えば、１３４）を含む。図３Ａに示される例では、ＢＭＩ制御システム１１２ａは、ＥＥＧ記録機械学習分類アルゴリズム（例えば、１１４）からのシーケンスを処理して、ＶＲ／ＡＲシステム環境内のＶＲ／ＡＲターゲットを制御するための制御信号として使用され得るＳＳＶＥＰ分類を生成するように構成される。
【0061】
刺激の複雑さに対処し、かつ高レベルの分類性能を維持するために、機械学習動作が、セッションごとに実行され得る。図４Ｂは、ランタイム動作中にＢＭＩ制御システム（例えば、１１２）を構成及び再構成するための動作の例示的な方法３３０を示す。
【0062】
図４Ｂに示される例では、方法４３０は、例えば、軟質頭皮電子システム１１０ｂを介してＥＥＧ信号を取得すること（４３２）を含む。ＥＥＧ信号は、較正動作中に取得され得る。複数の訓練試行を実行して、最小限のバイアスで機械学習モデルを訓練するのに十分なデータを取得してもよい。較正動作は、各セッションの前に実行され得る。次いで、方法４３０は、取得された信号を訓練システム（例えば、クラウドインフラストラクチャ）に送信すること（４３４）を含む。訓練システムは、セグメンテーション（４３８）（例えば、０．８秒～２秒の範囲のデータをセグメント化する）、フィルタリング（４４０）（例えば、２．０Ｈｚのコーナー周波数を有する双方向３次ハイパスバターワースフィルタを使用して）、及び再スケーリング動作（４４１）（例えば、－０．５～０．５の範囲の間で線形的に再スケーリングする）を介して取得された信号を前処理する（４３６）ことができる。
【0063】
訓練システムは、ハイパーパラメータ調整（例えば、フィルタのサイズ、フィルタの数、及び畳み込みステップの数）を用いて空間ＣＮＮモデルのバリエーションを訓練することによって、分類動作（４３８）を実行し得る。次いで、訓練システムは、性能が改善されるかどうかを判定する（４４０）。改善されている場合、訓練システムは、次に、モデルパラメータをランタイムシステム（例えば、ＢＭＩ制御システム１１２）に送信する（４４２）。
【0064】
いくつかの実施形態では、ＳＳＶＥＰ用のＥＥＧ ＢＭＩシステム１００ｂは、ＭＩ用のＥＥＧ ＢＭＩシステム１００ａと組み合わせて使用され得る。
【0065】
例示的な動作方法
図４Ａは、制御信号を出力するために、本明細書に開示されるシステムの一実施形態を使用して動作させる方法４００を示す。方法４００は、例えば、図１、図２Ａ、図３Ａ、又は本明細書に記載される他のＢＭＩ構成に関連して説明される薄型ＥＥＧセンサを提供すること（４０２）を含む。
図４Ａは、制御信号を出力するために、本明細書に開示されるシステムの一実施形態を使用して動作させる方法４００を示す。方法４００は、例えば、図１、図２Ａ、図３Ａ、又は本明細書に記載される他のＢＭＩ構成に関連して説明される薄型ＥＥＧセンサを提供すること（４０２）を含む。
【0066】
次に、方法４００は、薄型ＥＥＧセンサのセットに動作可能に接続されたプロセッサ又は脳マシンインターフェースによって、受信している薄型ＥＥＧセンサから取得されたＥＥＧ信号を受信すること（４０４）を含む。データ取得の例が、図１、図２Ａ、及び図３Ａに関連して提供される。
【0067】
次いで、方法４００は、プロセッサによって、取得されたＥＥＧ信号から、訓練されたニューラルネットワークを介して、制御信号として脳信号を継続的に分類すること（４０６）を含む。
【0068】
次いで、方法４００は、プロセッサによって、制御信号を仮想現実環境コントローラに出力して、対象によって視認される仮想現実環境コントローラによって生成されたＶＲシーン内で、コマンドを作動させること（４０８）を含む。
【0069】
例＃１ 可撓性マイクロニードルアレイの製造方法
図５Ａは、本開示の例示的な一実施形態による、電極のアレイを基板上に製造する方法５００を示す。図５Ａの例では、各電極アレイの面積は、約３６ｍｍ２であり得、それにより、典型的には導電性ゲルを必要とする従来の大型カップ電極（１００ｍｍ２）よりもＥＥＧ空間分解能を改善することができる。他のアレイサイズ、例えば、約１０ｍｍ２、約１５ｍｍ２、約２０ｍｍ２、約２５ｍｍ２、約３０ｍｍ２、約３５ｍｍ２、約４０ｍｍ２、約４５ｍｍ２、約５０ｍｍ２を用いることができ、ここで、「約」は、±１ｍｍ、±２ｍｍ、又は±２．５ｍｍの範囲を指す。いくつかの実施形態では、アレイサイズは、５０ｍｍ２よりもと１００ｍｍ２との間であり得る。導電性ゲルを有する典型的なＥＥＧは、サイズが約１００ｍｍ２である。
図５Ａは、本開示の例示的な一実施形態による、電極のアレイを基板上に製造する方法５００を示す。図５Ａの例では、各電極アレイの面積は、約３６ｍｍ２であり得、それにより、典型的には導電性ゲルを必要とする従来の大型カップ電極（１００ｍｍ２）よりもＥＥＧ空間分解能を改善することができる。他のアレイサイズ、例えば、約１０ｍｍ２、約１５ｍｍ２、約２０ｍｍ２、約２５ｍｍ２、約３０ｍｍ２、約３５ｍｍ２、約４０ｍｍ２、約４５ｍｍ２、約５０ｍｍ２を用いることができ、ここで、「約」は、±１ｍｍ、±２ｍｍ、又は±２．５ｍｍの範囲を指す。いくつかの実施形態では、アレイサイズは、５０ｍｍ２よりもと１００ｍｍ２との間であり得る。導電性ゲルを有する典型的なＥＥＧは、サイズが約１００ｍｍ２である。
【0070】
図５Ａで、プロセス５００は、マスターネガティブＰＤＭＳ（ポリジメチルシロキサン）アレイ金型を提供すること（５０２）を含む。ＰＤＭＳアレイ金型は、ＩＰＡを使用して洗浄され、６０℃で１０分間乾燥され得る。プロセス５００は、ネガティブＰＤＭＳ金型を使用してエポキシポジティブ金型を作製すること（５０４）を含む。ポジティブ金型は、エポキシ樹脂（例えば、Ｓｍｏｏｔｈ Ｏｎ，Ｉｎｃ．によって製造された樹脂ＥｐｏｘＡｃａｓｔ）によって形成され得る。プロセス５００は、エポキシポジティブ金型をスライドガラスに転写すること（５０６）を含む。ＰＤＭＳの接着層として、接着剤を使用してＰＤＭＳネガティブ金型をスライドガラスに接着することができる。画像５０６’は、ポジティブエポキシ金型を示す。プロセス５０２～５０６を繰り返して、エポキシポジティブ金型の追加のコピーを形成することができる。いくつかの実施形態では、ＰＤＭＳネガティブ金型は、周囲空気プラズマで処理（例えば、２分間）され得る。
【0071】
プロセス５００は、エポキシポジティブ金型のコピーをトレイ内のアレイ内に位置付けること（５０８）を含む。プロセス５００は、追加のＰＤＭＳをトレイに追加して、ネガティブ金型の新しいセットを形成すること（５１０）を含む。ステップ５０８に示される金型は、４×２のアレイであるが、ステップ５０２～５０６で作製された任意の数のエポキシ金型が使用され得ることを理解されたい。プロセス５００は、ステップ５０８及び５１０で使用されたトレイからＰＤＭＳネガティブ金型を剥離すること（５１２）を含む。画像５１２’は、ＰＤＭＳから形成されたナガティブシリコーン金型を示す。画像５２２’は、最終的なコーティングされた電極を示す。金型の構成要素は、ステップ５０２～５１２で形成される。
【0072】
ニードルを製造するために、プロセス５００は、まず、希釈されたポリイミド（ＰＩ）溶液をＰＤＭＳネガティブ金型に添加すること（５１４）を含み、次いで、軟焼成され得る（例えば、８０℃で１０分間）。プロセス５００は、第２の希釈されたポリイミド溶液を５１６の金型に添加すること（５１６）を含み、次いで、この金型が、硬焼成され得る（例えば、２００℃で１時間）。図５Ａに示される例では、第１の希釈されたポリイミド溶液は、３：１比の溶液であり、第２の希釈されたポリイミド溶液は、２：１の溶液である。他の比率及び処理時間を使用することができる。プロセス５００は、金型からＰＩニードルを除去すること（５１８）、例えば、ＰＤＭＳ金型からポリイミドマイクロニードルアレイ（ＰＩ ＭＮＡ）をはがすことを含む。
【0073】
次いで、ＰＩニードルが、導電層でコーティングされ得る。プロセス５００は、ＰＤＭＳコーティングされたスライド上にＰＤＭＳニードルを設置すること（５２０）を含み得る。ポリイミド（ＰＩ）の薄層（例えば、ＨＤ Ｍｉｃｒｏｓｙｓｔｅｍｓにより商標ＰＩ ２６１０で販売されているＰＩ）が、軟焼成前にかみそりの刃でこすることによって、ネガティブＰＤＭＳ金型に塗布され得る。ＰＩは、例えば、８００ＲＰＭで６０秒間、金型上にスピンコーティングされ得る。次いで、プロセス５００は、例えば、Ｃｒコーティング及び次いでＡｕコーティングを介して、スパッタ堆積を使用してＰＩニードルをコーティングすること（５２２）を含み、ここで、ＣＲ及びＡＵの深さは、それぞれ５ｎｍ及び２００ｎｍである。スパッタリングは、複数のステップで実行され得る。例えば、ＰＩニードルの上面又は底面が、１つのステップでスパッタコーティングされ得、次いで、残りの表面が、次のステップでスパッタコーティングされ得る。
【0074】
例＃２ 可撓性マイクロニードルアレイの製造方法
図５Ｂは、本開示の例示的な一実施形態による、電極のアレイを基板上に製造する別の方法５３０を示す。方法５３０は、例えば、図５Ａに関連して説明されたように、ＰＤＭＳネガティブ金型（５１２）を作製することを含む。次に、プロセス５３０は、エポキシの薄層（例えば、ＥＰ４ＣＬ－８０ＭＥＤ、Ｍａｓｔｅｒ Ｂｏｎｄ Ｉｎｃ．）を追加してニードル５３３を形成すること（５３２）を更に含む。エポキシは、高い引張強度及び圧縮強度、並びにその生体適合性を有する一液型エポキシであり得る。一液型エポキシは、溶媒なしで使用され得、それにより、エポキシが泡立つのを防ぐことができ、混合ステップを必要とせず、混合によってエポキシに空気が混入するのを回避する。次いで、プロセス５３０は、穿孔ポリイミドシート（５３５）をニードルに追加すること（５３４）を含む。画像５３４”は、穿孔ポリイミドシートの例示的な設計を示し、画像５３４’は、高いコンプライアンス及び可撓性を有する、製造された例示的な穿孔ポリイミドシートを示す。次いで、プロセス５３０は、低温硬化を実行すること（５３６）（例えば、１００℃で１時間）を含む。低温硬化を使用して、金型をより多くのレプリカ成形サイクルにわたって繰り返し使用することを可能にし得る。対照的に、いくつかの実施形態では、高温ＰＩ硬化は、わずか３回の製造サイクルでＰＤＭＳ金型を破壊する可能性がある。
図５Ｂは、本開示の例示的な一実施形態による、電極のアレイを基板上に製造する別の方法５３０を示す。方法５３０は、例えば、図５Ａに関連して説明されたように、ＰＤＭＳネガティブ金型（５１２）を作製することを含む。次に、プロセス５３０は、エポキシの薄層（例えば、ＥＰ４ＣＬ－８０ＭＥＤ、Ｍａｓｔｅｒ Ｂｏｎｄ Ｉｎｃ．）を追加してニードル５３３を形成すること（５３２）を更に含む。エポキシは、高い引張強度及び圧縮強度、並びにその生体適合性を有する一液型エポキシであり得る。一液型エポキシは、溶媒なしで使用され得、それにより、エポキシが泡立つのを防ぐことができ、混合ステップを必要とせず、混合によってエポキシに空気が混入するのを回避する。次いで、プロセス５３０は、穿孔ポリイミドシート（５３５）をニードルに追加すること（５３４）を含む。画像５３４”は、穿孔ポリイミドシートの例示的な設計を示し、画像５３４’は、高いコンプライアンス及び可撓性を有する、製造された例示的な穿孔ポリイミドシートを示す。次いで、プロセス５３０は、低温硬化を実行すること（５３６）（例えば、１００℃で１時間）を含む。低温硬化を使用して、金型をより多くのレプリカ成形サイクルにわたって繰り返し使用することを可能にし得る。対照的に、いくつかの実施形態では、高温ＰＩ硬化は、わずか３回の製造サイクルでＰＤＭＳ金型を破壊する可能性がある。
【0075】
次いで、プロセス５３０は、ニードル構造体を金型から剥離して、ニードル構造体を、ＰＤＭＳコーティングされたスライド上に設置すること（５３８）を含む。ニードルは、ニードル構造体の両側にＣｒ／ＡＵをスパッタリングすることによってコーティングされ得る（５４０）。画像５３８’は、Ｃｒ／ＡＵコーティング前のニードルアセンブリを示し、画像５４０’は、Ｃｒ／ＡＵコーティング後のニードルアセンブリを示す。
【0076】
可撓性主回路の例示的な製造方法
図５Ｃ及び図５Ｄは、例示的な一実施形態による、例示的な可撓性主回路を製造する方法５５０を示す。可撓性主回路は、電極の湾曲が頭皮表面に適合することを可能にするのに十分に薄くあり得るポリイミド基板を含み得る。
図５Ｃ及び図５Ｄは、例示的な一実施形態による、例示的な可撓性主回路を製造する方法５５０を示す。可撓性主回路は、電極の湾曲が頭皮表面に適合することを可能にするのに十分に薄くあり得るポリイミド基板を含み得る。
【0077】
方法５５０は、洗浄されたシリコンウェハ上にＰＤＭＳをスピンコーティングすること（５５２）（例えば、３０００ｒｐｍで３０秒間）を含む。ＰＤＭＳコーティングされたウェハは、硬化され得る（例えば、１５０℃のホットプレート上で５分間）。酸素プラズマ処理が、ＰＤＭＳを親水性にするために実施され得る。図５５２’は、スピンコーティングされたＰＤＭＳを示す。次いで、方法５５０は、ポリイミドをスピンコーティングすること（５５３）（例えば、４０００ｒｐｍで１分間）及び真空オーブン内での焼成（例えば、２５０℃で３時間、ランピングステップを含む）を含む。画像５５３’は、第１のポリイミドスピンコートウェハを示す。
【0078】
次いで、方法５５０は、第１の金属層のために銅をスパッタリングすること（例えば、５００ｎｍ銅）（５５４）を含む。画像５５４’は、第１の銅堆積ウェハを示す。
【0079】
次いで、方法５５０は、フォトレジスト（例えば、ＳＣ１８２７）をスピンコーティングし（例えば、３０００ｒｐｍで３０秒間）、かつそれを焼成すること（例えば、１１０℃のホットプレート上で１分間）と、マスクアライナ（例えば、ＭＡ６）を使用し、第１の金属パターン（研磨されている）を用いてＵＶを露光することと、現像剤（例えば、ＭＦ－３１９）で、露光したフォトレジストを現像することと、によってウェハをパターン化すること（５５５）を含む。
【0080】
次いで、方法５５０は、露出した銅を銅エッチング剤（ＡＰＳ－１００、ＤＩ水で１：１に希釈）でエッチングすること（５５６）を含み、フォトレジストをストリップする。画像５５６’は、Ｃｕエッチングが実行された底部Ｃｕエッチング回路を示す。次に、方法５５０は、ポリイミドをスピンコーティングすること（５５７）（例えば、８５０ｒｐｍで１分間）、及び真空オーブン内でそれを焼成すること（例えば、２５０℃で３時間、ランピングステップを含む）を含む。画像５５７’は、第２のポリイミドスピンコートウェハを示す。
【0081】
次いで、方法５５０は、フォトレジスト（例えば、ＡＺＰ４６２０）をスピンコーティングし（例えば、１０００ｒｐｍで３０秒間）、かつそれを焼成すること（例えば、９５℃のホットプレート上で４分間）と、現像剤（例えば、ＡＺ４００Ｋ、４部のＤＩ水で希釈）で、露光したフォトレジストを現像することと、によってウェハをパターン化すること（５５８）を含む。次いで、方法５５０は、反応性イオンエッチング（Ｐｌａｓｍａ－Ｔｈｅｒｍ）を使用して、ＰＩを酸素プラズマエッチングに曝露すること（５５９）、及びフォトレジストを除去することを含む。図５５９’は、ビアを有してエッチングされたポリイミド回路を示す。
【0082】
次いで、方法５５０は、スパッタリングによって第２のＣｕ層を堆積させること（５６０）（例えば、第２の金属層のための１．５μｍの銅）を含む。画像５６０’は、第２の堆積ウェハを示す。
【0083】
次いで、方法５５０は、例えば３０００ｒｐｍで３０秒間、フォトレジスト（例えば、ＡＺＰ４６２）をスピンコーティングし、かつそれを焼成すること（例えば、９５℃のホットプレート上で４分間）と、マスクアライナ（例えば、ＭＡ６）を使用し、第２の金属パターンを用いてＵＶを露光することと、現像剤（例えば、ＡＺ４００Ｋ、４部のＤＩ水で希釈）で、露光したフォトレジストを現像することと、によってウェハをパターン化すること（５６１）を含む。次いで、方法５５０は、露出した銅を銅エッチング剤（ＡＰＳ－１００、ＤＩ水で１：１に希釈）でエッチングすること（５６２）、及びそれらにフォトレジストを除去することを含む。画像５６２’は、上部Ｃｕエッチング回路を示す。
【0084】
次いで、方法５５０は、ポリイミドをスピンコーティングすること（５６３）（例えば、４０００ｒｐｍで１分間）及び真空オーブン内での焼成（例えば、２５０℃で３時間、ランピングステップを含む）を含む。画像５６３’は、第３のポリイミドスピンコートウェハを示す。
【0085】
次いで、方法５５０は、例えば２０００ｒｐｍで３０秒間、フォトレジスト（ＡＺＰ４６２）をスピンコーティングし、かつそれを焼成すること（例えば、９５℃のホットプレート上で４分間）と、現像剤（ＡＺ４００Ｋ、４部のＤＩ水で希釈）で、露光したフォトレジストを現像することと、によってウェハをパターン化すること（５６４）を含む。次いで、方法５５０は、反応性イオンエッチング（Ｐｌａｓｍａ－Ｔｈｅｒｍ）を使用して、酸素プラズマエッチング曝露ＰＩを実行すること（５６５）、及び最終的な可撓性回路を生成するために、フォトレジストをストリップすることを含む。画像５６５’は、露出したＣｕ堆積層を有するポリイミドエッチングされた上部回路を示す。
【0086】
次いで、方法５５０は、回路をスライドガラスに転写すること（画像５６６’参照）と、チップ構成要素上にはんだをリフローしてＩＣを組み込むこと（画像５６６”参照）と、エラストマー中に全回路（例えば、１１０）をカプセル化すること（画像５６６”’を参照）と、によって可撓性回路上にＩＣを組み込むこと（５６６）を含む。図５Ｄは、スライドガラス上に曲げられた、最終的に製造された可撓性回路を示す。代替方法の説明が、Ｍａｈｍｏｏｄ ｅｔ ａｌ．２０２１、Ｍａｈｍｏｏｄ ｅｔ ａｌ．２０１９、Ｚａｖａｎｅｌｌｉ ｅｔ ａｌ．２０２１に記載されている。
【0087】
例＃１ 延伸可能な相互接続部の製造方法
図５Ｅは、例示的な一実施形態による、例示的な可撓性相互接続部（例えば、１２８）を製造する方法５７０を示す。（例えば、クリーンルーム内での従来の微細製造と比較して）スループットを改善し、製造コードを低減するために、方法５７０は、微細加工プロセスを使用して延伸可能な相互接続部（例えば、１２８）を製造するために、フェムト秒レーザーカッター（ＷＳ－Ｆｌｅｘ ＵＳＰ、ＯＰＴＥＣ）を使用し得る。方法５７０は、３つの主な製造プロセス（ポリイミドフィルムのためのＰＥＴ基板調製、ポリイミドフィルム上でのＣｒ／Ａｕのスパッタリング、及びレーザーカットパターニング）を含み得る。
図５Ｅは、例示的な一実施形態による、例示的な可撓性相互接続部（例えば、１２８）を製造する方法５７０を示す。（例えば、クリーンルーム内での従来の微細製造と比較して）スループットを改善し、製造コードを低減するために、方法５７０は、微細加工プロセスを使用して延伸可能な相互接続部（例えば、１２８）を製造するために、フェムト秒レーザーカッター（ＷＳ－Ｆｌｅｘ ＵＳＰ、ＯＰＴＥＣ）を使用し得る。方法５７０は、３つの主な製造プロセス（ポリイミドフィルムのためのＰＥＴ基板調製、ポリイミドフィルム上でのＣｒ／Ａｕのスパッタリング、及びレーザーカットパターニング）を含み得る。
【0088】
ＰＩフィルムのためのＰＥＴ基板を調製するために、方法５７０は、ＰＥＴシート上にＰＤＭＳ（Ｓｙｌｇａｒｄ１８４、Ｄｏｗ Ｃｏｒｎｉｎｇ）をスピンコーティングすること（５７２）（例えば、７００ｒｐｍで６０秒間）と、それを硬化させること（例えば、７０℃で３０分間）と、次いで、調製されたＰＩシート上のＣｒ／ＡｕをＰＤＭＳ上に貼り付ける（例えば、それが完全に接着し、気泡又は波紋がないことを確実にする）ことと、を含み得る。次いで、方法５７０は、過剰なＰＩ ２６１０を堆積させて（５７３）スピンコーティングし（例えば、３０００ｒｐｍで１分間）、ホットプレート上で第１の焼成ステップ（例えば、７０℃で３０分間）を実行することと、第１の焼成ステップの後にＰＤＭＳ／ＰＥＴ基板からＰＩフィルムを除去し、ＰＩフィルムを清浄なホットプレートに直接テーピングして（５７６）熱によるカール及び収縮を防止すること）と、次いで、第２の焼成操作（例えば、１００℃で１５分間、次に１５０℃で１５分間、次に２００℃で１５分間、次に２５０℃で１５分間）を進めること（５７８）と、を含む。
【0089】
Ｃｒ／ＡｕをＰＩフィルム上にスパッタリングするために、方法５７０は、まず、ＰＩフィルム（Ｋａｐｔｏｎ ＨＮ Ｆｉｌｍ、０．５ミル、ＤｕＰｏｎｔ）の０．５ミルシートを取り、それを、例えば、最初にＩＰＡで、次いでアセトンで徹底的に洗浄し、各洗浄後に乾燥させることを含み得る。次いで、方法５７０は、ＰＩフィルムを、スパッタマシン内に収まるように６インチ×４インチのサイズのシートに切断することを含み得る。次いで、方法５７０は、ＰＩフィルム上にＣｒ／Ａｕ（１０ｎｍ／２００ｎｍ）をスパッタリングすること（５７４）を含み得る。
【0090】
レーザーカッターでパターン化する（５８０）ために、方法５７０は、ＰＥＴ基板上のＰＤＭＳ上にＰＩフィルムサンドイッチを再貼り付けすること、及びフェムト秒レーザーカッター（ＷＳ－Ｆｌｅｘ ＵＳＰ、ＯＰＴＥＣ）を使用することを含み、真空を使用して材料をステージに固定する。次いで、方法５７０は、マスクされた領域が設計の相互接続端部と整列するように、材料をステージと整列させ、レーザーヘッドをゼロにすることによって、材料を調整することを含み得る。パターンは、例えば、ＩＦＯＶモード、６０ｋＨｚパルス、６０の移動速度、６０のジャンプ速度、１２％パワー、及び２回の反復（合計３パス）によって、切断され得る。次いで、方法５７０は、先の細いピンセットを使用して、ＰＤＭＳ基板から最終的な切断された相互接続部をはがす（例えば、手動ではがす）こと（５８２）を含み得る。画像５８２’は、はがされる前のパターン化されたインターコネクタを示す。画像５８４は、はがされているときのパターン化されたインターコネクタを示す。画像５８４は、０％、５０％、及び１００％延伸（それぞれ５８４ａ、５８４ｂ、及び５８４ｃ）における可撓性相互接続部（例えば、１２８）の例示的な延伸性特性を示す。プロット５８６は、サイクルのセットにわたる可撓性相互接続部（例えば、１２８）の機械試験結果を示し、プロット５８８は、可撓性相互接続部（例えば、１２８）のひずみ／抵抗曲線を示す。試験は、２５０％の引張延伸後に機械的破壊を示す。
【0091】
例＃２ 延伸可能な相互接続部の製造方法
インターコネクタ用の基板は、２ミルＰＩフィルム（２００ＨＰＰ－ＳＴ、ＤｕＰｏｎｔ）上でＣｒ／Ａｕ（５ｎｍ／２００ｎｍ）を電子ビーム蒸発させることによって調製される。次に、金属コーティングされたＰＩフィルムを、ＰＤＭＳコーティングされたＰＥＴフィルム上に積層して、レーザー切断プロセス中、材料を保持することができる。延伸可能なインターコネクタのアレイが、金属コーティングされたＰＩフィルム上にパターン化されると、パターン化されたインターコネクタ以外の余分な材料を、ＰＤＭＳコーティングされたＰＥＴフィルムから手動ではがすことができる。水溶性テープを用いて、インターコネクタが、軟質エラストマー基板（Ｅｃｏｆｌｅｘ ００－３０、Ｓｍｏｏｔｈ－Ｏｎ，Ｉｎｃ．）上に転写印刷され、それらの接触パッド以外の領域が、追加のエラストマーの層でカプセル化される。インターコネクタは、銀ペイント（Ｆａｓｔ Ｄｒｙｉｎｇ Ｓｉｌｖｅｒ Ｐａｉｎｔ、Ｔｅｄ Ｐｅｌｌａ）で電極及びセンサに電気的に接続される。
インターコネクタ用の基板は、２ミルＰＩフィルム（２００ＨＰＰ－ＳＴ、ＤｕＰｏｎｔ）上でＣｒ／Ａｕ（５ｎｍ／２００ｎｍ）を電子ビーム蒸発させることによって調製される。次に、金属コーティングされたＰＩフィルムを、ＰＤＭＳコーティングされたＰＥＴフィルム上に積層して、レーザー切断プロセス中、材料を保持することができる。延伸可能なインターコネクタのアレイが、金属コーティングされたＰＩフィルム上にパターン化されると、パターン化されたインターコネクタ以外の余分な材料を、ＰＤＭＳコーティングされたＰＥＴフィルムから手動ではがすことができる。水溶性テープを用いて、インターコネクタが、軟質エラストマー基板（Ｅｃｏｆｌｅｘ ００－３０、Ｓｍｏｏｔｈ－Ｏｎ，Ｉｎｃ．）上に転写印刷され、それらの接触パッド以外の領域が、追加のエラストマーの層でカプセル化される。インターコネクタは、銀ペイント（Ｆａｓｔ Ｄｒｙｉｎｇ Ｓｉｌｖｅｒ Ｐａｉｎｔ、Ｔｅｄ Ｐｅｌｌａ）で電極及びセンサに電気的に接続される。
【0092】
実験結果及び例＃１
２つの研究が、仮想現実脳マシンインターフェースを開発及び評価するために実施され、第１の研究では、運動画像ＢＭＩを使用し、第２の研究では、定常状態視覚誘発電位（ＳＳＶＥＰ）を使用した。
２つの研究が、仮想現実脳マシンインターフェースを開発及び評価するために実施され、第１の研究では、運動画像ＢＭＩを使用し、第２の研究では、定常状態視覚誘発電位（ＳＳＶＥＰ）を使用した。
【0093】
運動画像研究の概要。図６Ａ、図６Ｂ、図６Ｃ、図６Ｄ、及び図６Ｅは各々、例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用する、運動画像訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様を示す。具体的には、図６Ａは、ビデオゲームデモンストレーションの運動画像訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の概要を示す。本研究では、少なくとも３つの主要な構成要素、１）毛深い頭皮に装着するための複数の可撓性マイクロニードル電極、２）レーザー加工された延伸可能で可撓性の相互接続部、及び３）薄型の可撓性回路、を含む、完全にポータブルな無線の軟質頭皮電子機器を評価した。本研究はまた、運動視覚化を支援するための便利な没入型の訓練環境を可能にし得る仮想現実（ＶＲ）構成要素を含んだ。これらの構成要素は、運動アーチファクトを最小化し、信号品質を最大化するために最適化されたモノリシックＥＥＧシステムとして、研究で使用された。頭皮上に最適なインピーダンス密度を提供し、信号対ノイズ比を改善し、ＭＩ記録のための空間分解能を改善するために、表皮貫通型電極が、使用された。全体として、本研究は、例示的なデバイス及びシステムの実施形態が、強力な機械学習アルゴリズム及び仮想現実環境でうまく動作し得る高性能ＢＭＩシステムへの実現可能なアプローチを提供することを示した。加えて、本研究は、本開示の実施形態が、たった６つのＥＥＧチャネルしか有しない知覚不能なヘアウェアラブルシステムを使用することができ、４つのヒト対象で、２３．０２ビット／分のピーク情報転送速度を有する４つのクラスについて９３．２２±１．３３％の高い正確度を達成し得ることを示した。
【0094】
方法論。本研究では、６つのチャネルのＭＩ信号のリアルタイムで継続的な運動画像分類を提供するように構成された、カスタマイズされたＡｎｄｒｏｉｄアプリケーションを開発した。Ａｎｄｒｏｉｄアプリケーションは、ＶＲの訓練及び試験プロセスを評価するために使用された。訓練システムでは、システムは、ＭＩ応答試験用に設計されたテキスト及びアニメーションプロンプトを伴うＶＲビジュアルの修正ビュー（６３０）を対象に提示した。図６Ａに示される例では、ＶＲ画面６３２は、胴体から切り離された手及び足を含む例示的なＶＲシーンである。ＶＲ画面６３３は、明確な色分けされた視覚キューと、運動画像を介してユーザによって作動され得るテキストプロンプトとを含む例示的なＶＲシーンである。開発されたアプリケーションは、測定機器によって観察された、関連付けられたＥＥＧ信号６３７とともにＶＲシーン６３５を示した。プロット６１９は、Ａｎｄｒｏｉｄアプリケーションのインターフェースのうちの１つから取得されたＥＥＧ信号６３７を示す。
【0095】
本開示の例示的な実施形態の結果は、訓練器具としてのＶＲ環境の優れた性能を実証する（４人の対象からの２２４０個のサンプル、対象当たり５６０個のサンプル、ウィンドウ長ｗ＝４秒）。ＦＭＮＥ及びＶＲのセットアップで、更なる正確度の改善も観察された。向上した正確度は、胴体から切り離された手及び足が、対象の視野内で対象の現実の四肢とほぼ同じ位置に示される（６３２）没入型ＶＲ訓練プログラムに起因し得る。本研究で、対象は、頭を優しく回転させたり傾けたりして、ＶＲアプリケーション内で自分の手や足を視覚化することができた。
【0096】
ニューラルネットワーク訓練。図６Ｂは、本研究で使用されたＭＩ分類システムのニューラルネットワーク訓練を示す。図６Ｂに示される例では、運動画像分類のための空間畳み込みニューラルネットワークのための訓練が示されている。システムは、６つのＥＥＧチャネル（６１８）を取得し、それらを運動皮質の複数の双極源からの空間的特徴に分解した。入力（６１８）は、事前定義されたサンプルサイズ（１０００個のサンプルとしてこのサンプルに示されている）を有する６つのＥＥＧデータを含んだ。研究で使用された空間畳み込みニューラルネットワークは、いくつかの隠れ層（６３４）（「２Ｄ畳み込み」６３４ａ及び「２Ｄ空間畳み込み」６３４ｂ、６３４ｃ、６３４ｄ、６３４ｅとして示される）を含んだ。ステップ６３７において、平坦化ステップを実行して、高密度出力層を生成することができる。
【0097】
分類結果。図６Ｃは、本研究において図６Ｂの空間ＣＮＮを使用した分類結果（Ｎ＝４人の対象）を示す。図６Ｃは、生データ、ハイパスフィルタデータ（ＨＰＦ）、バンドパスフィルタデータ（Ｂａｎｄｐａｓｓ）、及びパワースペクトル密度分析（ＰＳＤＡ）を含む、４つの分析ベース間の空間ＣＮＮ分類正確度の比較プロット６４０を含む。分析が実施され、複数のウィンドウ長（１、２、及び４秒）にわたって提示されている。エラーバーは、４人の対象からの標準誤差を示す。
【0098】
図６Ｃはまた、従来のＡｇ／ＡｇＣｌゲル電極を使用するものと例示的なＦＭＮＥとの間の空間ＣＮＮ分類正確度の第２の比較プロット６４２を含む。分析はまた、複数のウィンドウ長（１、２、及び４秒）にわたって実施され、エラーバーは、４人の対象からの標準誤差を示す。
【0099】
図６Ｃはまた、従来のＡｇ／ＡｇＣｌ電極によって、及び例示的なＦＭＮＥによって取得された運動画像脳データのリアルタイム正確度試験からの結果を示す２つの混同行列（６４４、６４６）を示す。行列６４４では、従来のＡｇ／ＡｇＣｌ電極の結果は、８９．６５％の全体正確度を示す（Ｎ＝２，２４０個のサンプル、ウィンドウ長＝４秒、及び４つのヒト対象）。行列６４６では、例示的なＦＭＮＥの結果は、９３．２２％の全体正確度を示す（Ｎ＝２，２４０個のサンプル、ウィンドウ長＝４秒、及び４つのヒト対象）。
【0100】
図６Ｃはまた、空間ＣＮＮ分類器を使用して、及び標準のＣＮＮ分類器を使用して取得された、運動画像脳データのリアルタイム正確度試験からの結果を示す２つの追加の混同行列（６４８、６５０）を示す。行列６４８では、空間ＣＮＮ分類器の性能の結果は、ＦＭＮＥデータセットに対して９３．３％の全体正確度を示す（４人の対象からのｎ＝２２４０個のサンプル、対象当たり５６０個のサンプル、ウィンドウ長ｗ＝４秒）。行列６５０では、ＦＭＮＥデータセットに対する標準のＣＮＮ分類器の性能の結果は、６４％の全体正確度を示す（４人の対象からのｎ＝２２４０のサンプル、対象当たり５６０個のサンプル、ウィンドウ長ｗ＝４秒）。
【0101】
図６Ｅは、文献［１５、２０、２５、２６、２７、２１］に報告されているような他のデバイスと例示的な実施形態との比較を示す表を示す。実際、例示的なＢＭＩセンサデバイス及びシステムは、例えば、ＭＩパラダイムを使用した仮想現実ゲームに対して正確な制御を提供することができることが観察され得る。表では、例示的なＢＭＩセンサデバイス及びシステムは、一実装例では、９３％超の正確度を提供して、たった６つ電極を使用して約２３ビット／分のＩＴＲを提供し得ることが示されている。他の構成についての他の性能結果も、本明細書に報告される。
【0102】
チャネル選択の分析。図６Ｄは、最適化されたチャネル数及びチャネルの選択を評価するために本研究で実施された予備分析の結果を示す。この分析のために、先行研究（Ｈｉｇｈ－Ｇａｍｍａ Ｄａｔａｓｅｔ）［１］で実施されたような、１３人の健康で正常な対象からの従来の１２８チャネルからの４４チャネルのデータが、考慮された。分析で、最も有意であった４４個のチャネルから６つの最適なチャネルを決定した。次いで、これらの６つのチャネルが、例えば、図２に関連して示され、説明されるように、感覚アレイセットとして実装された。他のチャネルは、症状のある対象を含む、評価される患者又は対象に応じて、同様に選択され得る。
【0103】
図６Ｄに示される例には、研究で使用された全データセット（６５２）が示されている。４Ｈｚ及び３０Ｈｚのコーナー周波数を有する３次バターワースバンドパスフィルタを使用して、データを前処理し、４秒のウィンドウに分割した。
【0104】
データは、（１０，１）のフィルタサイズを有する、第１の層上の標準畳み込みを有する畳み込みニューラルネットワーク（ＣＮＮ）、それに続く４つの空間畳み込み層を訓練して（６５４）、訓練されたネットワークを生成するために使用された。
【0105】
データ（６５２）はまた、選択されたチャネル上の出力摂動を計算するために、（残りのチャネルを除去しながら）データチャネルを周期的に繰り返すジェネレータを使用して評価された（６５６）。この結果得られたデータが、訓練されたネットワーク（６５４から生成された）に供給された。出力摂動が、真の期待される出力と比較され、そのチャネルの相対的な摂動を生成する（６５８）。これらの相対摂動が、クラスにわたって合計されて（６６２）、チャネルの各々の最終的な摂動値を生成する。
【0106】
次いで、結果が、比較されて、ランク付けされる（６６４）。棒グラフは、上位６つのチャネルにラベルが付けられた状態の、各チャネルの相対摂動を示す。本研究では、低減された数（すなわち、６個）の電極が使用され、それにより、分類性能を著しく低下させることなく、セットアップの複雑さも低下した。
【0107】
実際、分析のために、例示的なＦＭＮＥを使用して、従来のＥＥＧセットアップよりも少ない数のチャネルが使用され得ることが、観察された。標準的な１０－１０電極設置システムに対応する電極のおよその位置が、［１６］で論じられている。
【0108】
マイクロニードル電極の座屈力評価。図７Ａは、例えば、図５Ｂに関連して説明されたプロセスを使用して製造された、例示的なマイクロニードル電極の座屈力性能の研究中に実施された定量的機械試験の結果を示す。具体的には、図７Ａは、単一のマイクロニードル上に軸方向力を介して適用される電動フォースゲージの下で評価される、マイクロニードル電極のＳＥＭ観察（７１０）を示す。プロット（７１２）は、５つの電極の座屈力評価からの力対変位曲線を示す。５つの製造されたＦＭＮＥは、少なくとも６２６ｍＮまでの平均印加力に耐えることができ、これは、単一のマイクロニードルの皮膚挿入力（２０～１６７ｍＮ）を十分に上回ることが、観察された［１７］。
【0109】
マイクロニードル電極の可撓性評価。図７Ｂは、例えば、組織挿入における機械的頑健性を評価するために、例示的なＦＭＮＥの可撓性を評価するためのサイクル曲げ機械試験からの結果を示す。例示的なＦＭＮＥは、その優れた生体適合性のために安全に使用できる、皮膚表面に装着される金ベースの電極として構成された。図７０９は、試験試料の断面の概略図を示す。試験中、電気抵抗の変化を測定しながら、ニードル電極を５ｍｍの曲率半径で最大１００回連続的に曲げた。結果は、０．６Ω未満の無視できる抵抗シフトを示す。
【0110】
マイクロニードルのインピーダンス密度特性評価。表１は、マイクロニードル（ＭＮ）電極のインピーダンス及びインピーダンス密度の比較研究の結果を示す。本研究では、様々な高さの異なるマイクロニードル設計が、評価された。設計は、１４×１４のアレイにおいて、２００μｍの固定ベース幅及び５００μｍのピッチを含んだ。
【表1】
【0111】
インピーダンス密度（ＩＤ、ｋΩ・ｃｍ２）は、測定されたインピーダンス（Ｚ、ｋΩ）に、測定された電極接触面積（Ａ、ｃｍ２）を乗算して計算され得る。ＩＤ＝Ｚ＊Ａ。
【0112】
運動画像の考察。脳マシンインターフェース（ＢＭＩ）は、麻痺などの身体障害、又は同様の運動機能障害をもたらす脳損傷を有する個人のための可能な解決策を提供する。それらの中で、著しく困難な障害が、個人が意識はあるが、移動又はコミュニケーションすることができない閉じ込め症候群である［１］。ここで、ＢＭＩは、これらの個人に対して何らかの機能を回復して、動き及びコミュニケーションのためのより大きな能力を提供し、生活の質を改善することができる場合がある［１、２］。脳波検査（ＥＥＧ）は、脳の電気活動を取得するための最高の非侵襲的方法であり［３～５］、頭皮表面に装着された電極が、表層皮質内のシナプス後電位の合計を記録する。従来の研究グレード及び医療グレードのＥＥＧは、複数の剛性電極を有するヘアキャップ又は大型のヘッドギアを使用して、頭皮で信号を測定する。これらの重くてかさばるシステムは、着用が不快であり、多くの場合、システムに取り付けられるか、又は長いリード線を使用して分離されるかのいずれかの大型の剛性電子機器を必要とする［３］。これらのデバイスは、一貫した皮膚電極インピーダンスに大きく依存し、典型的には、著しい運動アーチファクト及び電磁干渉を被る［３、４］。典型的には、電極は、表面接触を改善し、インピーダンスを低減するために、導電性ゲル又はペーストと組み合わされる。これらの界面材料は、運動アーチファクト又は材料劣化による、これらの位置におけるインピーダンスの変化に起因するノイズ源である。全体的に、従来のシステムは、膨大なセットアップ時間を必要とし、不便で使い心地が悪い。
【0113】
改善された信号取得は、軽量で可撓性の電子機器及び乾燥電極を用いて実行され得る［６、６’、６”］。最新のＥＥＧ設計は、無線ウェアラブルＥＥＧに向かう傾向を示している。これらは、従来の増幅器及びヘアキャップ式ＥＥＧより優れたコンパクトなバッテリ駆動設計で、日常のモバイルＥＥＧモニタリングに好適であり得る。モバイルシステムでは、短いセットアップ時間、皮膚刺激がないこと、及び優れた長期性能のため、乾燥電極が好ましい［７、８］。更に、乾燥電極は、信号品質の低下なしに長期着用性を提供しながら、ゲルベースのＥＥＧセンサよりも優れた性能を発揮することが多い［４、７、９］。生体電位取得の実証のための皮膚インターフェース電極（ｓｋｉｎ－ｉｎｔｅｒｆａｃｅｄ ｅｌｅｃｔｒｏｄｅ）の最近の開発は、オンスキンバイオエレクトロニクスのための新しい戦略及び解決策を実証する［１０］。例として、優れた延伸性及び界面伝導特性を有する、スクリーン印刷された高導電性複合材料［１１］及び溶液中の界面水素結合を介して製造されるナノワイヤベースのネットワーク［１２］の使用が挙げられる。非侵襲性ＥＥＧ ＢＭＩパラダイムのためのいくつかの戦略がある［１３］。定常状態視覚誘発電位（ＳＳＶＥＰ）が、研究され得［３］、対象は、異なる周波数の点滅刺激の間で視線をシフトさせることによって、マシンインターフェースを操作することができる。しかしながら、ＳＳＶＥＰの記録では、オペレータの視界を妨げる視覚刺激のアレイの要件に起因して、実用的な用途は限定されている。また、明るく点滅する刺激は、長期間使用されると、眼精疲労や倦怠感を引き起こす可能性がある。代替的に、運動画像（ＭＩ）は、外部刺激の使用を必要としないため、持続的ＢＭＩのための非常に有利なパラダイムであり、そのクラスは、手を開いたり閉じたり、足を動かしたりするなどの想像上の運動活動に基づく［１４、１５］。ＭＩを使用すると、指定された運動画像タスクが、対応する運動皮質領域内で感覚運動リズムの変動をもたらし得、この変動は、ＥＥＧで測定可能である。
【0114】
実験結果及び例＃２
定常状態視覚誘発電位（ＳＳＶＥＰ）研究の概要。無線軟質生体電子システム及びＶＲベースのＳＳＶＥＰ検出プラットフォームを評価するために、第２の研究が、実施された。図８Ａ、図８Ｂ、図８Ｃ、図８Ｄ、図８Ｅ、図８Ｆ、図８Ｇは各々、例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用する、ＳＳＶＥＰ訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様を示す。
定常状態視覚誘発電位（ＳＳＶＥＰ）研究の概要。無線軟質生体電子システム及びＶＲベースのＳＳＶＥＰ検出プラットフォームを評価するために、第２の研究が、実施された。図８Ａ、図８Ｂ、図８Ｃ、図８Ｄ、図８Ｅ、図８Ｆ、図８Ｇは各々、例示的な一実施形態による、例示的なＥＥＧ脳マシンインターフェースシステムを使用する、ＳＳＶＥＰ訓練及びリアルタイム制御のための仮想現実（ＶＲ）実装を開発するための研究の態様を示す。
【0115】
本研究では、プラットフォームが、スプリットアイ非同期刺激動作用に構成されて、ポータブルな脳コンピュータインターフェース（ＢＣＩ）としての情報スループットについて評価された。本研究では、とりわけ、３３個の刺激クラスを有するＶＲインターフェースが、テキストスペリングのためのＳＳＶＥＰのリアルタイム無線記録で実行され得ることが確認された。軟質ウェアラブルプラットフォームは、可撓性回路、延伸可能なインターコネクタ、及び乾燥ニードル電極を含み、これらが、ＶＲヘッドセットと一緒に動作して、完全にポータブルな無線ＢＣＩを提供した。本研究はまた、皮膚適合電極が、ＳＳＶＥＰの高品質記録のために、生体適合性のある一貫した皮膚－電極接触インピーダンスを提供することを実証した。従来のテザードＥＥＧシステムと比較して、例示的な無線軟質電子システムは、ＳＳＶＥＰ記録で優れた性能を示した。軟質電子機器と統合された空間ＣＮＮ分類法は、リアルタイムのデータ処理及び分類を提供し、９つのヒト対象からの３３クラスの場合、０．８秒で７８．９３％～２秒で９１．７３％の正確度を示した。加えて、たった４つのＥＥＧ記録チャネルしか有しない生体電子システムが、先行研究と比較して、高いＩＴＲ性能（２４３．６±１２．５ビット／分）を実証し、実世界環境でのＶＲテキストスペリング及びナビゲーションの成功裏の実証を可能にした。
【0116】
本研究はまた、最小限のアーチファクトで優れた信号再生が、ＳＳＥ用の軟質回路のモノリシックでコンプライアントな性質によってもたらされる可能性があることを示した。剛性電子機器と非可撓性配線とを有する従来のシステムでは、運動が、皮膚－電極界面に応力集中を引き起こす可能性がある。これらの応力は、従来のゲルベースの電極と組み合わされると、著しい皮膚－電極インピーダンスの変動を引き起こし、運動アーチファクトをもたらす。垂れ下がったワイヤを伴う場合、重力の影響が、これらの問題の度合いを増す。ＳＳＥ用途で研究されたＦＭＮＥは、乾燥した及び死んだ皮膚細胞で構成される最表面の皮膚層を貫通することによって、改善されたＳＮＲを提供することが観察された。これらの層を貫通し、かつ電極の導電性部分を真皮の十分内部に設置することによって、システムは、従来の設定よりも小さい電極を可能にし、ＭＩ検出のための空間分解能を改善しながら、インピーダンス密度を大幅に低減することができる。代表的存在のＡｇ／ＡｇＣｌゲル電極と直接比較した場合に、ＦＭＮＥは、優れたＳＮＲを達成した。
【0117】
方法論：本研究は、ＶＲヘッドセット、乾燥ニードル電極（例えば、１０２）、延伸可能なインターコネクタ（例えば、１０９）、及び無線可撓性回路（例えば、１１０）を含む、複数の構成要素を有する軟質生体電子システムを使用した。本研究では、様々な構成要素の機械的信頼性が、実施された。本研究ではまた、ＳＳＶＥＰ刺激セットアップのための異なる電極の性能が、評価された。
【0118】
訓練のセットアップは、電極の上にストラップが設置されたＶＲヘッドマウントディスプレイ（ＨＭＤ）を着用した対象を伴った。対象は、脳信号を記録するために、ＶＲ ＨＭＤとともに、ヘッドバンドによって固定された乾燥ニードル電極（毛深い部位）及び無線回路（首）を有する軟質電子機器を着用することができる。
【0119】
データは、複数のデータセットのためにカスタム構築されたＥＥＧシステムを使用して、５００Ｈｚでサンプリングされた。ＶＲヘッドセットが対象上に設置されると、アプリケーションが、データ取得Ａｎｄｒｏｉｄデバイスから遠隔制御される。バイアスを避けるために、刺激が、対象に向けて、同時にグリッド内に提示された（Ｘｉａｏ ｅｔ ａｌ．２０２１）。対象は、試行ごとに眼を閉じて開始し、８秒間アルファリズムを記録した。この期間の終わりに、短いビープ音が鳴らされて、対象は、眼を開いて刺激を見た。対象は、大きなクリックノイズによって示されると、２秒ごとに次の刺激に眼を向ける。刺激は、０．６秒間、点滅を一時的に止めて、対象が、それぞれの視線を次のターゲットにシフトすることを可能にする。このプロセスは、全ての刺激が視認されるまで続き、対象は、サイクルを再スタートするために眼を閉じるように促される。より短い時間枠（２秒未満）では、最初の０．８、１．０、又は１．２秒の刺激のみが、データの分類に使用される。したがって、サンプルの数は、各時間枠について同一であり、Ｎ＝Ｓ×４０として計算され得、式中、Ｓは、刺激の数である。本明細書に記載されるサンプルの期間及び数は、非限定的な例としてのみ意図されること、及びいくつかの実施形態では、異なる期間が使用され得ることを理解されたい。
【0120】
図８Ａは、研究中に開発及び評価されたＶＲテキストスペラを示す。写真８０２は、ＢＣＩ実証のための仮想現実ヘッドマウントディスプレイ（ＶＲ ＨＭＤ）及び軟質電子機器８０４を着用した対象を示す。プロット８０６は、Ｂｌｕｅｔｏｏｔｈ（ＢＬＥ）通信を介して中央プロセッサ（Ａｎｄｒｏｉｄ）に転送された、４つのＥＥＧチャネルからの例示的な測定されたＥＥＧデータを示し、中央プロセッサで信号が、リアルタイムで処理及び分類される。
【0121】
コンピュータでレンダリングされた出力（８０８）は、本研究で使用された例示的なシステムによって、ＶＲ環境内で生成されたテキストスペラインターフェースを示す。フロー図（８１０）は、テキストスペラインターフェース（８０８）を生成するために使用された、ＢＣＩ実証のために開発されたＡｎｄｒｏｉｄソフトウェアの動作フローを示す。システムでは、テキストスペラソフトウェア及び刺激オーバーレイをユーザにレンダリングするために、Ｕｎｒｅａｌ Ｅｎｇｉｎｅプログラム（以下で更に論じられる）が、使用された。このソフトウェアは、電動車椅子を使用する、拡張現実視点を介した実世界環境のナビゲーションを可能にするパススルーカメラの操作を含んだ。本研究では、ＶＲ－ＨＭＤビューポート（８１２）及び拡張現実ビューポート（８１４）のハードウェアの２つのセット上にシステムを実装した。拡張現実ビューポートでは、ナビゲーション制御のために、ＳＳＶＥＰコマンドが、使用され得る（８１６）。
【0122】
スプリットアイ非対称刺激（ｓｐｌｉｔ－ｅｙｅ ａｓｙｍｍｅｔｒｉｃ ｓｔｉｍｕｌｉ）（ＳＥＡＳ）プラットフォームは、ＶＲハードウェア（Ｏｃｕｌｕｓ Ｑｕｅｓｔ２、Ｆａｃｅｂｏｏｋ）をターゲットにした広く使用されているクロスプラットフォームのソフトウェア開発エンジン（Ｕｎｒｅａｌ Ｅｎｇｉｎｅ ４．２６、Ｅｐｉｃ Ｇａｍｅｓ Ｉｎｃ．）を使用して生成された。エンジン内の２Ｄ又は３Ｄオブジェクトに適用可能な「マテリアル」プロパティを使用して、研究は、レンダリングされているＶＲパネルのサイズに応じて、異なって見えるマテリアルを作成した。マテリアルは、アニメ化されたラスターグラフィックスである「スプライト」を使用してアニメ化され得、連続したフレームが、ｎ×ｎの「シート」内に配置される。Ｕｎｒｅａｌ Ｅｎｇｉｎｅの内蔵テクスチャアニメーション機能を使用して、これらのフレームが、抽出及びレンダリングされた。これらのマテリアルは、エンジン環境内のほとんどの２Ｄ又は３Ｄオブジェクト及び平坦な表面をアニメ化するために使用された。第１のステップは、フレームレートに基づいて、関連するフレームを有するシートを生成することであった。ここで、正弦波形を生成し、その正弦波形を、正弦波形の振幅に基づいた明るさを有するタイルに変換し、次いでこれらのタイルを、Ｕｎｒｅａｌ Ｅｎｇｉｎｅのテクスチャレンダリングシステム用の１０×１０の「シート」内に配置するために、プログラムが、ＭＡＴＬＡＢで考案された。図８Ｆ及び図８Ｇは、Ｕｎｒｅａｌ ＥｎｇｉｎｅがＶＲインターフェースを生成するための、ＭＡＴＬＡＢコード及び特定の命令を含む。図８Ｇにおいて、刺激タイル生成の一例が、１０×１０のスプライトにおける波形及び対応するタイルレイアウトで示されている。
【0123】
クロスプラットフォームソフトウェア（Ｕｎｒｅａｌ Ｅｎｇｉｎｅ、Ｅｐｉｃ Ｇａｍｅｓ）を使用して、ＶＲパネルの左手側及び右手側で異なって見えるアニメ化されたテクスチャを開発した。試験の第１のセット（「セット１」と呼ばれる）について、ＳＳＶＥＰ刺激の分離性を決定するために、１０．０～１７．２Ｈｚの１０個の標準刺激が、生成された。表２は、左眼及び右眼の周波数及び位相を示す。
【0124】
ＶＲインターフェース用の全ての刺激は、必要な周波数及び位相オフセットに基づいてプログラム的に生成された。本研究で使用された３２個の刺激及びそれらの周波数が、図３Ｃに関連して示され、説明される。３２個の刺激のうちの１６個の刺激には、左眼用の第１の周波数及び右眼用の第２の周波数の２つの周波数が、使用された。
【表2】
【0125】
別の試験セット（「セット２」）は、表３に示されるように、それぞれ、１０．０～１７．７Ｈｚの左眼周波数範囲、及び１６．９～９．２Ｈｚの右眼周波数範囲を含む。
【表3】
【0126】
研究中の刺激の複雑さのために、及び高レベルの分類性能を維持するために、本研究では、機械学習が、セッションごとに実施された。例の説明が、図４Ｂに関して提供される。訓練中、０．８～２秒の範囲で、２．０Ｈｚのコーナー周波数を有する３次ハイパスバターワースフィルタを使用して、データを双方向にフィルタリングした。データは、訓練データセットにわたって［－０．５、０．５］の範囲に線形的に再スケーリングされたため、得られた値は［０、１］の範囲である。このタイプの前処理は、信号振幅が経時的に変化し、電極性能を低下させるため、従来のＡｇ／ＡｇＣｌ電極では問題を引き起こす可能性がある。しかしながら、軟質電子機器の例示的な乾燥ニードル電極は、向上した皮膚接触で、一貫した性能を達成し得る。これにより、分類性能を改善しながら、前処理が、簡素化された。
【0127】
従来のＡｇ／ＡｇＣｌ電極を使用した試験では、全ての電極で１０ｋΩ未満の接触インピーダンスを維持するために、各対象の皮膚が、アルコールワイプで優しくこすることによって洗浄され、死んだ皮膚細胞が、研磨剤ゲル（ＮｕＰｒｅｐ，Ｗｅａｖｅｒ，ａｎｄ Ｃｏ．）を使用して除去された。研磨剤ゲルは、アルコールワイプを使用して除去され、表面が、清浄な紙タオルを使用して乾燥された。ＦＭＮＥの場合、唯一実施された皮膚の調製は、アルコールワイプで電極位置を優しくこすることであった。ＥＥＧデータは、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ無線通信を使用して、Ａｎｄｒｏｉｄ Ｔａｂｌｅｔ（Ｓａｍｓｕｎｇ Ｇａｌａｘｙ Ｔａｂ Ｓ４）上で実行されるカスタムアプリケーションを使用して記録された。
【0128】
予備ＳＳＶＥＰ性能。図８Ｂは、異なる電極位置についての予備性能評価の結果を示す。３２個の刺激でテキストスペラセットアップを実行する前に、ＶＲ環境内で刺激を使用することの実現可能性を試験するために、予備ＳＳＶＥＰ及びＳＥＡＳ試験が、実施された。プロット８１８は、複数の時間窓（０．８～２秒）にわたる２つのＳＳＶＥＰ刺激セットの平均分類正確度を示す。プロット８２０は、８人の対象からの２つのＳＳＶＥＰ刺激セットの平均情報転送速度（ＩＴＲ）を示す（セット１についてはＮ＝４４０、セット２についてはＮ＝３６０）。試験の第１のセット（「セット１」とラベル付けされる、表２による）について、１０．０～１７．２Ｈｚの１０個の標準刺激を生成して、ＳＳＶＥＰ刺激の分離性を決定した（詳細は表Ｓ１）。別の試験セット（「セット２」、表３による）は、それぞれ、１０．０～１７．７Ｈｚの左眼周波数範囲、及び１６．９～９．２Ｈｚの右眼周波数範囲を含む。
【0129】
セット「１」の結果は、短時間のサンプルで高い正確度を示す。例えば、基本的なキューガイドタスクでは、セット１の８人の対象が、わずか０．８秒のウィンドウ長で９１．２５±１．４０％の正確度を実証する。この結果は、２０６．７±７．３ビット／分の高スループットＩＴＲを示す。増大したウィンドウ長では、全体正確度が、１．０秒では９３．８８±１．１１％、１．２秒では９５．０３±０．９７％、及び２．０秒では９８．５０±０．３４％と大幅に増大する。
【0130】
図８Ｂはまた、電極位置の２つの構成（構成「Ａ」８２４、構成「Ｂ」８２６）の評価の結果を示す。プロット８２２は、２つの電極配置間の分類正確度を比較した結果を示す。プロット（８２２）から、構成「Ａ」は、評価された対象について、構成「Ｂ」よりも強い性能を実証したことが観察され得る。グラフ内のエラーバーは、平均の標準誤差を表す。構成「Ａ」８２４では、２つのチャネルは各々、１つのそれぞれの半球にバイアスされる。構成「Ｂ」８２６では、全てのチャネルが、中央基準を共有する。
【0131】
本研究に基づいて、「セット２」のセットアップから学んだように、衝突を最小限に抑え、かつ不正確さを防ぐために、３２個の一意の周波数の組み合わせを使用して、「セット３」の新しい刺激セットアップが、開発された。この刺激セットアップの詳細が、図３Ｃに関連して説明される。
【0132】
ビット毎分で測定される情報転送速度（ＩＴＲ）を使用して、ＢＣＩ性能を評価することができる。ＩＴＲは、ターゲットの数、コマンドを中継するのに必要な平均時間、及び式１による分類正確度に基づいて、計算される。
【数1】
【0133】
式中、Ｎは、ターゲットの数であり、Ａは、正確度であり、ｗは、データ取得時間に加えて、処理、分類、及び実行のレイテンシを含む、コマンドを実行するのに必要な合計時間である。
【0134】
ＣＮＮ分類性能。ＣＮＮを訓練するために、刺激が提示された最初の時間に、試験データが、セグメント化された。各時間枠（０．８～１．２秒）について、第１の期間のみが使用され、残りは、廃棄された。セグメント化後、データが、２．０Ｈｚのコーナー周波数を有する３次バターワースハイパスフィルタを使用して前処理された。データは、訓練及び分類で使用される前に、前処理されなかった。セット「１」及び「２」については、サンプル数Ｎが、クロスフォールド検証のために、１０個のグループに細分割された。セット「３」については、より速いセットアップ時間のために、サンプル数Ｎが、４分割交差検証のための４つのグループに細分割された。分類は、空間畳み込みを有する畳み込みニューラルネットワーク（ＣＮＮ）を使用して実施された（Ｂｅｖｉｌａｃｑｕａ ｅｔ ａｌ．２０１４、Ｍａｈｍｏｏｄ ｅｔ ａｌ．２０２１、Ｒａｖｉ ｅｔ ａｌ．２０２０、Ｗａｙｔｏｗｉｃｈ ｅｔ ａｌ．２０１８）。ＣＮＮについては、１２８個のサンプルのバッチサイズを使用し、訓練は、１００エポックに対して実行されたか、又は１０エポックで検証データの分類が改善されなかった場合、早期に中止された。最も成績の良い分類正確度を有する訓練されたネットワークが、リアルタイム分類で使用するために保存された。
【0135】
図８Ｃは、本研究で使用されたＣＮＮ分類器の分類性能の結果を示す。ＣＮＮ分類器は、空間ＣＮＮ分類を使用した。図８Ｃに、空間ＣＮＮモデルの概要８２８が示されており、このモデルの様々な隠れ層、及び４チャネルＥＥＧ信号の１秒セグメントから抽出されたそれらの特徴を含んでいる。本研究では、８．２Ｈｚの左刺激周波数、及び１３．２Ｈｚの右刺激周波数を有する刺激セットアップを使用した。
【0136】
本研究は、有線Ａｇ／ＡｇＣｌ電極（Ｎｏｒｔｏｎ ｅｔ ａｌ．２０１５）を用いた市販のセットアップ、及び例示的な無線軟質電子機器を使用する実験の２つのセットで実施された。両方のセットアップは、４つのＥＥＧチャネル及び３３個のクラスを使用した。従来のセットアップは、頭皮上のＥＥＧ信号を記録するために、有線の標準電極リードと、導電性ペーストとインターフェースされたＡｇ／ＡｇＣｌ電極とを使用した。例示的な軟質電子システムは、例えば、図２に関連して説明されるように、導電性ゲルなしのヘッドバンドを有する乾燥ニードル電極を使用した。
【0137】
プロット８３０及び８３２は各々、実験の２つのセットの性能結果を示す。プロット８３０は、分類正確度を示し、プロット８３２は、実験の２つのセットの各々の平均ＩＴＲを示す。４分割交差検証を使用して、市販のセットアップは、（それぞれプロット８３０及び８３２を介して）０．８秒のデータから７４．７２±３．０３％の正確度を示した（ＩＴＲ：２２２．４±１５．０ビット／分）。より長い時間長さは、期待されたわずかに高い正確度を提供することが、観察された。対照的に、例示的な軟質電子システムは、（それぞれプロット８３０及び８３２を介して）それぞれ７８．９３±２．３６％及び２４３．６±１２．５ビット／分で、分類正確度及びＩＴＲの実質的増加を示した。全体として、本研究は、必要な皮膚調整及び有線電極を伴う従来のテザードシステムより優れる、乾燥電極を有する無線軟質プラットフォームを使用することの独特の利点を実証する。
【0138】
刺激周波数及び位相シフトの特性評価。図８Ｄは、刺激周波数及び位相シフトの影響の評価の結果を示す。本研究は、従来のセットアップ及び例示的な軟質電子機器のセットアップを使用して実施された。プロット８３４は、視覚化された連続した刺激に対応する左眼及び右眼の周波数応答を示し、プロット８３６は、対応する左眼及び右眼の位相オフセットを示す。
【0139】
プロット８３８は、（９人の対象についての）３３クラスのＳＥＡＳ刺激についての軟質電子機器の結果から生成された混同行列を示す。プロット８４０は、従来のセットアップについての、同じ実験条件下での同じ結果を示す。単一周波数刺激の場合、混同のほとんどは、隣接する周波数からのものであることが観察され得る。対照的に、二重周波数刺激は、単一周波数刺激及び他の二重周波数刺激の両方との様々な混合を有する。この結果は、一方の眼又は他方の眼からの刺激が、視覚野の両方の半球で処理されることを示した。加えて、本研究はまた、分類が実行され得る有意な半球関連の非同期性及び混合が存在することを実証した。結果は、先行研究と比較して、わずか４つのＥＥＧチャネルで、最も高いＩＴＲのうちの１つを高レベルで示す。
【0140】
図８Ｅは、例示的な軟質電子機器と先行研究との間の比較性能の表を示す。表に示されるように、例示的な軟質電子機器は、８０％に近い正確度を有する、４つの電極チャネルを使用する３３個の分類について、２４３．５ビット／分のＩＴＲを達成し得る。
【0141】
ＳＳＶＥＰの考察。閉じ込め症候群（ＬＩＳ）は、まばたき及び眼球の動き以外の完全な麻痺の状態を表す（Ｐａｄｆｉｅｌｄ ｅｔ ａｌ．２０１９）。ここで、脳活動及び認知機能は、通常影響を受けず、対象が、動くこともコミュニケーションすることもできないが、自分たちの意識及び環境に気付いている偽昏睡の状態をもたらす。正常な大脳皮質の活動にもかかわらず、対象は、典型的には下位脳及び脳幹の損傷に起因して、運動機能を制御することができない。以下に限定されないが、脳幹の脳卒中、外傷性脳損傷若しくは出血、中毒、又は薬物の過剰摂取を含む、ヒトにおけるＬＩＳのいくつかの原因がある。脳活動分析は、典型的には、罹患した個体の睡眠覚醒パターンを観察するために、脳波検査（ＥＥＧ）などの器具を用いてＬＩＳを診断するために使用される。ＢＣＩの出現により、対象は、脳活動を監視することによって、コンピュータ又は補綴装置などのマシンを制御することによって、運動機能の要件を迂回することができる。ＢＣＩは、ＬＩＳ又は四肢麻痺などの重度の身体障害を有する対象に見込みのある解決策を提供し、これらの固体の動き及びコミュニケーションを回復し、生活の質を改善する。ＢＣＩのためのＥＥＧ設計は、Ｂｌｕｅｔｏｏｔｈなどの一般的な無線プロトコルの標準化以来、無線機能を有するウェアラブルに向かう傾向がある（Ｌｉｎ ｅｔ ａｌ．２０１０）。乾燥電極は、皮膚の調整、増幅器、シールド、及び電極の構成が適切であれば（Ｌｉ ｅｔ ａｌ．２０１７、Ｓａｌｖｏ ｅｔ ａｌ．２０１２）、ゲルベースの電極と比較して優れた、一貫した長期性能を提供する（Ｎｏｒｔｏｎ ｅｔ ａｌ．２０１５、Ｓａｌｖｏ ｅｔ ａｌ．２０１２、Ｓｔａｕｆｆｅｒ ｅｔ ａｌ．２０１８）。最小限のケーブル配線を備えた軽量センサはまた、適切に構成されていない従来のＥＥＧで、ドラッギング又は動きのアーチファクトを大幅に低減する（Ｔａｌｌｇｒｅｎ ｅｔ ａｌ．２００５）。
【0142】
ＳＳＶＥＰを用いて、様々な周波数及び位相オフセットを有する最大４０個の一意の刺激を、合理的な正確度で識別することができる（Ｎａｋａｎｉｓｈｉ ｅｔ ａｌ．２０１７）。経験的証拠は、ＳＳＶＥＰ信号における著しい半球非対称性を示唆している（Ｍａｒｔｅｎｓ ａｎｄ Ｈｕｂｎｅｒ ２０１３、Ｗｕ ２０１６）。最近の研究で、２つの刺激が、代替位相（ａｌｔｅｒｎａｔｉｖｅ ｐｈａｓｅｓ）で点滅して使用されて、より効率的なＳＳＶＥＰ符号化を実証する、非対称高周波二重刺激ＳＳＶＥＰが、実証された（Ｙｕｅ ｅｔ ａｌ．２０２０）。眼の感覚受容体と視覚野との間の接続の非対称性のために、各眼によって同時に見られる異なる刺激が、いずれかの半球で測れる程度に異なる脳活動を与えることが推測され得る（Ｒｉｃｈａｒｄ ｅｔ ａｌ．２０１８）。
【0143】
本開示の実施形態は、軟質生体電子システムを使用するポータブルＶＲ対応型ＢＣＩ、及びＳＳＶＥＰを使用するＳＥＡＳプラットフォームを含む。ＶＲを使用して、非同期ＳＳＶＥＰ刺激－異なる周波数を各眼に同時に提示することができる。全体的に、軟質ウェアラブル無線デバイスとともにＶＲを伴う新規な刺激を使用することで、高い正確度及び低い制御レイテンシを伴う３３クラスの高スループットＳＳＶＥＰ ＢＣＩが可能になる。たった４つのチャネルを使用して、２４３．６±１２．５ビット／分のピーク情報転送速度に対して、０．８秒間のデータについて７８．９３±１．０５％の正確度が達成されることが観察された。高正確度モードでは、デバイスは、１２６．６±３．７ビット／分のスループットで、２秒間のデータについて９１．７３±０．６８％を達成する。この性能は、フルキーボード型セットアップを使用するリアルタイムテキストスペラインターフェースを使用して実証される。
【0144】
本開示の例示的な実施形態が、本明細書においていくつかの例で詳細に説明されているが、他の実施形態が企図されることを理解されたい。したがって、以下の説明に記載されている、又は図面に示されている構成要素の構成及び配置の詳細に、本開示の範囲が限定されることは、意図されない。本発明は、他の実施形態が可能であり、かつ様々な方法で実践又は実施され得る。
【0145】
本明細書及び添付の特許請求の範囲で使用される場合、単数形「ａ」、「ａｎ」、及び「ｔｈｅ」は、文脈が明示的に別様に示さない限り、複数の参照物を含むことに留意する必要がある。本明細書では、範囲が、「約」若しくは「５およそ」ある特定の値から、及び／又は「約」若しくは「およそ」別の特定の値までのように表現される場合がある。そのような範囲が表現される場合、他の例示的な実施形態は、ある特定の値から、及び／又は他の特定の値までを含む。
【0146】
「含む（ｃｏｍｐｒｉｓｉｎｇ）」、又は「含む（ｃｏｎｔａｉｎｉｎｇ）」、又は「含む（ｉｎｃｌｕｄｉｎｇ）」とは、少なくともその名前の化合物、要素、粒子、又は方法ステップが、組成物、又は物品、又は方法内に存在するが、たとえ、他のそのような化合物、材料、粒子、方法ステップが、名前を挙げられたものと同じ機能を有するとしても、他の化合物、材料、粒子、方法ステップの存在を除外しないことを意味する。
【0147】
例示的な実施形態を説明する際には、用語は、わかりやすくするために用いられるであろう。各用語は、当業者によって理解されるように、その最も広範な意味を企図し、類似の目的を達成するために類似の方法で動作する全ての技術的同等物を含むことが意図される。また、方法の１つ以上のステップの言及は、追加の方法ステップ、又は明示的に識別されたそれらのステップの間に介在する方法ステップの存在を排除するものではないことも理解されるべきである。方法のステップは、本開示の範囲から逸脱することなく、本明細書に記載されるものとは異なる順序で実行され得る。同様に、デバイス又はシステム内の１つ以上の構成要素の言及は、追加の構成要素、又は明示的に識別されたそれらの構成要素の間に介在する構成要素の存在を排除しないことも理解されるべきである。
【0148】
本明細書で論じられる場合、「対象」は、生きているか若しくは死んでいる任意の適切なヒト、動物、若しくは他の生物、又は他の生物学的な若しくは分子の構造体、又は化学的環境であり得、対象の特定の構成要素、例えば、本明細書では「関心領域（ａｒｅａ ｏｆ ｉｎｔｅｒｅｓｔ）」又は「関心領域（ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ）」と称される、対象の特定の組織又は流体（例えば、生きている対象の体の特定の領域内のヒト組織）に関連し得る。
【0149】
本明細書で論じられるように、対象は、ヒト又は任意の動物であり得ることを理解されたい。動物は、哺乳動物、獣医動物、家畜動物、又はペットタイプの動物などを含むがこれらに限定されない、様々な任意の適切な種類のものであり得ることを理解されたい。一例として、動物は、ヒトと同様の特定の特性を有するように具体的に選択された実験動物（例えば、ラット、イヌ、ブタ、サル）などであり得る。対象は、例えば、任意の適切なヒト患者であり得ることを理解されたい。
【0150】
本明細書で使用される場合、「約」という用語は、およそ、の領域内の、概略で、又は、の前後の、を意味する。「約」という用語が数値範囲とともに使用される場合、それは、記載された数値の上及び下の境界を拡張することによってその範囲を修正する。一般に、「約」という用語は、本明細書では、記載された値を１０％の分散だけ上回る及び下回る数値を修飾するために使用される。一態様では、「約」という用語は、その用語が使用される数の数値の±１０％を意味する。したがって、約５０％は、４５％～５５％の範囲内であることを意味する。端点によって本明細書に列挙される数値範囲は、その範囲内に包含される全ての数値及び分数が含まれる（例えば、１～５は、１、１．５、２、２．７５、３、３．９０、４、４．２４、及び５を含む）。
【0151】
同様に、端点によって本明細書に列挙される数値範囲は、その範囲内に包含されるサブ範囲を含む（例えば、１～５は、１～１．５、１．５～２、２～２．７５、２．７５～３、３～３．９０、３．９０～４、４～４．２４、４．２４～５、２～５、３～５、１～４、及び２～４を含む）。それらの全ての数及び分数は、用語「約」によって修飾されると推定されることも理解されるべきである。
【0152】
以下及び本明細書全体にわたって列挙される以下の特許、出願、及び刊行物は、それらの全体が、参照により本明細書に援用される。
［１］Ｎ．Ｐａｄｆｉｅｌｄ，Ｊ．Ｚａｂａｌｚａ，Ｈ．Ｚｈａｏ，Ｖ．Ｍａｓｅｒｏ，Ｊ．Ｒｅｎ，Ｓｅｎｓｏｒｓ ２０１９，１９，１４２３．
［２］Ａ．Ｖｅｎｋａｔａｋｒｉｓｈｎａｎ，Ｇ．Ｅ．Ｆｒａｎｃｉｓｃｏ，Ｊ．Ｌ．Ｃｏｎｔｒｅｒａｓ－Ｖｉｄａｌ，Ｃｕｒｒｅｎｔ ｐｈｙｓｉｃａｌ ｍｅｄｉｃｉｎｅ ａｎｄ ｒｅｈａｂｉｌｉｔａｔｉｏｎ ｒｅｐｏｒｔｓ ２０１４，２，９３．
［３］Ｍ．Ｍａｈｍｏｏｄ，Ｄ．Ｍｚｕｒｉｋｗａｏ，Ｙ．－Ｓ．Ｋｉｍ，Ｙ．Ｌｅｅ，Ｓ．Ｍｉｓｈｒａ，Ｒ．Ｈｅｒｂｅｒｔ，Ａ．Ｄｕａｒｔｅ，Ｃ．Ｓ．Ａｎｇ，Ｗ．－Ｈ．Ｙｅｏ，Ｎａｔｕｒｅ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ ２０１９，１，４１２．
［４］Ｎｏｒｔｏｎ ｅｔ ａｌ，“Ｓｏｆｔ，ｃｕｒｖｅｄ ｅｌｅｃｔｒｏｄｅ ｓｙｓｔｅｍｓ ｃａｐａｂｌｅ ｏｆ ｉｎｔｅｇｒａｔｉｏｎ ｏｎ ｔｈｅ ａｕｒｉｃｌｅ ａｓ ａ ｐｅｒｓｉｓｔｅｎｔ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ，” Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ ２０１５，１１２，３９２０．
［５］Ｈｅｒｂｅｒｔ ｅｔ ａｌ，“Ｓｏｆｔ Ｍａｔｅｒｉａｌ－Ｅｎａｂｌｅｄ，Ｆｌｅｘｉｂｌｅ Ｈｙｂｒｉｄ Ｅｌｅｃｔｒｏｎｉｃｓ ｆｏｒ Ｍｅｄｉｃｉｎｅ，Ｈｅａｌｔｈｃａｒｅ，ａｎｄ Ｈｕｍａｎ－Ｍａｃｈｉｎｅ Ｉｎｔｅｒｆａｃｅｓ，” Ａｄｖａｎｃｅｄ Ｍａｔｅｒｉａｌｓ ２０２０，３２，１９０１９２４； Ｗ．－Ｈ．Ｙｅｏ，Ｙ．Ｌｅｅ，Ｊｏｕｒｎａｌ ｏｆ Ｎａｔｕｒｅ ａｎｄ Ｓｃｉｅｎｃｅ ２０１５，１，ｅ１３２．
［６］Ｌｉｎ ｅｔ ａｌ，“Ｒｅｖｉｅｗ ｏｆ Ｗｉｒｅｌｅｓｓ ａｎｄ Ｗｅａｒａｂｌｅ Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ Ｓｙｓｔｅｍｓ ａｎｄ Ｂｒａｉｎ－Ｃｏｍｐｕｔｅｒ Ｉｎｔｅｒｆａｃｅｓ － Ａ Ｍｉｎｉ－Ｒｅｖｉｅｗ，” Ｇｅｒｏｎｔｏｌｏｇｙ ２０１０，５６，１１２．
［６’］Ｔｉａｎ ｅｔ ａｌ，“Ｌａｒｇｅ－ａｒｅａ ＭＲＩ－ｃｏｍｐａｔｉｂｌｅ ｅｐｉｄｅｒｍａｌ ｅｌｅｃｔｒｏｎｉｃ ｉｎｔｅｒｆａｃｅｓ ｆｏｒ ｐｒｏｓｔｈｅｔｉｃ ｃｏｎｔｒｏｌ ａｎｄ ｃｏｇｎｉｔｉｖｅ ｍｏｎｉｔｏｒｉｎｇ，” Ｎａｔｕｒｅ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ２０１９，３，１９４
［６”］Ｌｉ ｅｔ ａｌ，“Ｒｅｃｅｎｔ Ｄｅｖｅｌｏｐｍｅｎｔｓ ｏｎ Ｇｒａｐｈｅｎｅ－Ｂａｓｅｄ Ｅｌｅｃｔｒｏｃｈｅｍｉｃａｌ Ｓｅｎｓｏｒｓ ｔｏｗａｒｄ Ｎｉｔｒｉｔｅ，” Ｊ．Ｗｕ，Ｙ．Ｘｉａ，Ｙ．Ｗｕ，Ｙ．Ｔｉａｎ，Ｊ．Ｌｉｕ，Ｄ．Ｃｈｅｎ，Ｑ．Ｈｅ，Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ ２０２０，１７，０２６００１．
［７］Ｐ．Ｓａｌｖｏ，Ｒ．Ｒａｅｄｔ，Ｅ．Ｃａｒｒｅｔｔｅ，Ｄ．Ｓｃｈａｕｂｒｏｅｃｋ，Ｊ．Ｖａｎｆｌｅｔｅｒｅｎ，Ｌ．Ｃａｒｄｏｎ，Ｓｅｎｓｏｒｓ ａｎｄ Ａｃｔｕａｔｏｒｓ Ａ： Ｐｈｙｓｉｃａｌ ２０１２，１７４，９６．
［８］Ｇ．Ｌｉ，Ｓ．Ｗａｎｇ，Ｙ．Ｙ．Ｄｕａｎ，Ｓｅｎｓｏｒｓ ａｎｄ Ａｃｔｕａｔｏｒｓ Ｂ： Ｃｈｅｍｉｃａｌ ２０１７，２４１，１２４４．
［９］Ｆ．Ｓｔａｕｆｆｅｒ，Ｍ．Ｔｈｉｅｌｅｎ，Ｃ．Ｓａｕｔｅｒ，Ｓ．Ｃｈａｒｄｏｎｎｅｎｓ，Ｓ．Ｂａｃｈｍａｎｎ，Ｋ．Ｔｙｂｒａｎｄｔ，Ｃ．Ｐｅｔｅｒｓ，Ｃ．Ｈｉｅｒｏｌｄ，Ｊ．Ｖｏｒｏｓ，Ａｄｖ Ｈｅａｌｔｈｃ Ｍａｔｅｒ ２０１８，７，ｅ１７００９９４； Ｍ．Ａ．Ｌｏｐｅｚ－Ｇｏｒｄｏ，Ｄ．Ｓａｎｃｈｅｚ－Ｍｏｒｉｌｌｏ，Ｆ．Ｐ．Ｖａｌｌｅ，Ｓｅｎｓｏｒｓ ２０１４，１４，１２８４７．
［１０］Ｄ．Ｇａｏ，Ｋ．Ｐａｒｉｄａ，Ｐ．Ｓ．Ｌｅｅ，Ａｄｖａｎｃｅｄ Ｆｕｎｃｔｉｏｎａｌ Ｍａｔｅｒｉａｌｓ ２０２０，３０，１９０７１８４； Ｈ．Ｗｕ，Ｇ．Ｙａｎｇ，Ｋ．Ｚｈｕ，Ｓ．Ｌｉｕ，Ｗ．Ｇｕｏ，Ｚ．Ｊｉａｎｇ，Ｚ．Ｌｉ，Ａｄｖａｎｃｅｄ Ｓｃｉｅｎｃｅ ２０２１，８，２００１９３８．
［１１］Ｗ．Ｇｕｏ，Ｐ．Ｚｈｅｎｇ，Ｘ．Ｈｕａｎｇ，Ｈ．Ｚｈｕｏ，Ｙ．Ｗｕ，Ｚ．Ｙｉｎ，Ｚ．Ｌｉ，Ｈ．Ｗｕ，ＡＣＳ ａｐｐｌｉｅｄ ｍａｔｅｒｉａｌｓ ＆ ｉｎｔｅｒｆａｃｅｓ ２０１９，１１，８５６７．
［１２］Ｚ．Ｊｉａｎｇ，Ｍ．Ｏ．Ｇ．Ｎａｙｅｅｍ，Ｋ．Ｆｕｋｕｄａ，Ｓ．Ｄｉｎｇ，Ｈ．Ｊｉｎ，Ｔ．Ｙｏｋｏｔａ，Ｄ．Ｉｎｏｕｅ，Ｄ．Ｈａｓｈｉｚｕｍｅ，Ｔ．Ｓｏｍｅｙａ，Ａｄｖａｎｃｅｄ Ｍａｔｅｒｉａｌｓ ２０１９，３１，１９０３４４６．
［１３］Ｒ．Ａｂｉｒｉ，Ｓ．Ｂｏｒｈａｎｉ，Ｅ．Ｗ．Ｓｅｌｌｅｒｓ，Ｙ．Ｊｉａｎｇ，Ｘ．Ｚｈａｏ，Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ ２０１９，１６，０１１００１．
［１４］Ｇ．Ｐｆｕｒｔｓｃｈｅｌｌｅｒ，Ｃ．Ｎｅｕｐｅｒ，Ｄ．Ｆｌｏｔｚｉｎｇｅｒ，Ｍ．Ｐｒｅｇｅｎｚｅｒ，Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ ａｎｄ ｃｌｉｎｉｃａｌ Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｙ １９９７，１０３，６４２
［１４’］Ｘ．Ｔａｎｇ，Ｗ．Ｌｉ，Ｘ．Ｌｉ，Ｗ．Ｍａ，Ｘ．Ｄａｎｇ，Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ ２０２０，１４９，１１３２８５．
［１５］Ｒ．Ｚｈａｎｇ，Ｑ．Ｚｏｎｇ，Ｌ．Ｄｏｕ，Ｘ．Ｚｈａｏ，Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ ２０１９，１６，０６６００４．
［１６］Ｖ．Ｊｕｒｃａｋ，Ｄ．Ｔｓｕｚｕｋｉ，Ｉ．Ｄａｎ，Ｎｅｕｒｏｉｍａｇｅ ２００７，３４，１６００．
［１７］Ｏ．Ｏｌａｔｕｎｊｉ，Ａ．Ｄｅｎｌｏｙｅ，Ｊｏｕｒｎａｌ ｏｆ Ｐｏｌｙｍｅｒｓ ａｎｄ ｔｈｅ Ｅｎｖｉｒｏｎｍｅｎｔ ２０１９，２７，１２５２； Ａ．Ｒｏｍｇｅｎｓ，Ｄ．Ｂａｄｅｒ，Ｊ．Ｂｏｕｗｓｔｒａ，Ｆ．Ｂａａｉｊｅｎｓ，Ｃ．Ｏｏｍｅｎｓ，ｊｏｕｒｎａｌ ｏｆ ｔｈｅ ｍｅｃｈａｎｉｃａｌ ｂｅｈａｖｉｏｒ ｏｆ ｂｉｏｍｅｄｉｃａｌ ｍａｔｅｒｉａｌｓ ２０１４，４０，３９７．
［１８］Ｓ．Ｒｕｓｓｏ，Ｔ．Ｒａｎｚａｎｉ，Ｈ．Ｌｉｕ，Ｓ．Ｎｅｆｔｉ－Ｍｅｚｉａｎｉ，Ｋ．Ａｌｔｈｏｅｆｅｒ，Ａ．Ｍｅｎｃｉａｓｓｉ，Ｓｏｆｔ ｒｏｂｏｔｉｃｓ ２０１５，２，１４６
［１８’］Ｗ．Ｈ．Ｙｅｏ，Ｙ．Ｓ．Ｋｉｍ，Ｊ．Ｌｅｅ，Ａ．Ａｍｅｅｎ，Ｌ．Ｓｈｉ，Ｍ．Ｌｉ，Ｓ．Ｗａｎｇ，Ｒ．Ｍａ，Ｓ．Ｈ．Ｊｉｎ，Ｚ．Ｋａｎｇ，Ａｄｖａｎｃｅｄ ｍａｔｅｒｉａｌｓ ２０１３，２５，２７７３．
［１９］Ｈ．Ｙａｎｇ，Ｓ．Ｓａｋｈａｖｉ，Ｋ．Ｋ．Ａｎｇ，Ｃ．Ｇｕａｎ，ＩＥＥＥ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ａｎｄ Ｂｉｏｌｏｇｙ Ｓｏｃｉｅｔｙ（ＥＭＢＣ）の２０１５年第３７回年次国際会議で発表された“Ｏｎ ｔｈｅ ｕｓｅ ｏｆ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ａｎｄ ａｕｇｍｅｎｔｅｄ ＣＳＰ ｆｅａｔｕｒｅｓ ｆｏｒ ｍｕｌｔｉ－ｃｌａｓｓ ｍｏｔｏｒ ｉｍａｇｅｒｙ ｏｆ ＥＥＧ ｓｉｇｎａｌｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ”，２０１５； Ｓ．Ｃｈａｕｄｈａｒｙ，Ｓ．Ｔａｒａｎ，Ｖ．Ｂａｊａｊ，Ａ．Ｓｅｎｇｕｒ，ＩＥＥＥ Ｓｅｎｓｏｒｓ Ｊｏｕｒｎａｌ ２０１９，１９，４４９４．
［２０］Ｚ．Ｔａｎｇ，Ｃ．Ｌｉ，Ｓ．Ｓｕｎ，Ｏｐｔｉｋ ２０１７，１３０，１１．
［２１］Ｒ．Ｔ．Ｓｃｈｉｒｒｍｅｉｓｔｅｒ，Ｊ．Ｔ．Ｓｐｒｉｎｇｅｎｂｅｒｇ，Ｌ．Ｄ．Ｊ．Ｆｉｅｄｅｒｅｒ，Ｍ．Ｇｌａｓｓｔｅｔｔｅｒ，Ｋ．Ｅｇｇｅｎｓｐｅｒｇｅｒ，Ｍ．Ｔａｎｇｅｒｍａｎｎ，Ｆ．Ｈｕｔｔｅｒ，Ｗ．Ｂｕｒｇａｒｄ，Ｔ．Ｂａｌｌ，Ｈｕｍａｎ ｂｒａｉｎ ｍａｐｐｉｎｇ ２０１７，３８，５３９１．
［２２］Ｐ．Ｗｅｌｃｈ，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ａｕｄｉｏ ａｎｄ ｅｌｅｃｔｒｏａｃｏｕｓｔｉｃｓ １９６７，１５，７０．
［２３］Ｙ．－Ｔ．Ｋｗｏｎ，Ｈ．Ｋｉｍ，Ｍ．Ｍａｈｍｏｏｄ，Ｙ．－Ｓ．Ｋｉｍ，Ｃ．Ｄｅｍｏｌｄｅｒ，Ｗ．－Ｈ．Ｙｅｏ，ＡＣＳ Ａｐｐｌ．Ｍａｔｅｒ．Ｉｎｔｅｒｆａｃｅｓ ２０２０，１２，４９３９８； Ｙ．－Ｔ．Ｋｗｏｎ，Ｊ．Ｊ．Ｎｏｒｔｏｎ，Ａ．Ｃｕｔｒｏｎｅ，Ｈ．－Ｒ．Ｌｉｍ，Ｓ．Ｋｗｏｎ，Ｊ．Ｊ．Ｃｈｏｉ，Ｈ．Ｓ．Ｋｉｍ，Ｙ．Ｃ．Ｊａｎｇ，Ｊ．Ｒ．Ｗｏｌｐａｗ，Ｗ．－Ｈ．Ｙｅｏ，Ｂｉｏｓｅｎｓ．Ｂｉｏｅｌｅｃｔｒｏｎ．２０２０，１６５，１１２４０４．
［２４］Ｍ．Ａｂａｄｉ，Ｐ．Ｂａｒｈａｍ，Ｊ．Ｃｈｅｎ，Ｚ．Ｃｈｅｎ，Ａ．Ｄａｖｉｓ，Ｊ．Ｄｅａｎ，Ｍ．Ｄｅｖｉｎ，Ｓ．Ｇｈｅｍａｗａｔ，Ｇ．Ｉｒｖｉｎｇ，Ｍ．Ｉｓａｒｄ，第１２回｛ＵＳＥＮＩＸ｝オペレーティングシステムの設計及び実装（ｏｐｅｒａｔｉｎｇ ｓｙｓｔｅｍｓ ｄｅｓｉｇｎ ａｎｄ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ）に関するシンポジウム（｛ＯＳＤＩ｝ １６）で発表された“Ｔｅｎｓｏｒｆｌｏｗ： Ａ ｓｙｓｔｅｍ ｆｏｒ ｌａｒｇｅ－ｓｃａｌｅ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ”，２０１６．
［２５］Ｙ．Ｒ．Ｔａｂａｒ，Ｕ．Ｈａｌｉｃｉ，Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ ２０１６，１４，０１６００３．
［２６］Ｎ．Ｌｕ，Ｔ．Ｌｉ，Ｘ．Ｒｅｎ，Ｈ．Ｍｉａｏ，ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｎｅｕｒａｌ ｓｙｓｔｅｍｓ ａｎｄ ｒｅｈａｂｉｌｉｔａｔｉｏｎ ｅｎｇｉｎｅｅｒｉｎｇ ２０１６，２５，５６６．
［２７］Ｚ．Ｓｈｉ，Ｆ．Ｚｈｅｎｇ，Ｚ．Ｚｈｏｕ，Ｍ．Ｌｉ，Ｚ．Ｆａｎ，Ｈ．Ｙｅ，Ｓ．Ｚｈａｎｇ，Ｔ．Ｘｉａｏ，Ｌ．Ｃｈｅｎ，Ｔ．Ｈ．Ｔａｏ，Ｙ．－Ｌ．Ｓｕｎ，Ｙ．Ｍａｏ，Ａｄｖａｎｃｅｄ Ｓｃｉｅｎｃｅ ２０１９，６，１８０１６１７．
［２８］Ｂｅｖｉｌａｃｑｕａ，Ｖ．，Ｔａｔｔｏｌｉ，Ｇ．，Ｂｕｏｎｇｉｏｒｎｏ，Ｄ．，Ｌｏｃｏｎｓｏｌｅ，Ｃ．，Ｌｅｏｎａｒｄｉｓ，Ｄ．，Ｂａｒｓｏｔｔｉ，Ｍ．，Ｆｒｉｓｏｌｉ，Ａ．，Ｂｅｒｇａｍａｓｃｏ，Ｍ．，２０１４．Ａ ｎｏｖｅｌ ＢＣＩ－ＳＳＶＥＰ ｂａｓｅｄ ａｐｐｒｏａｃｈ ｆｏｒ ｃｏｎｔｒｏｌ ｏｆ ｗａｌｋｉｎｇ ｉｎ ｖｉｒｔｕａｌ ｅｎｖｉｒｏｎｍｅｎｔ ｕｓｉｎｇ ａ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．２０１４ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ （ＩＪＣＮＮ），ｐｐ．４１２１－４１２８．ＩＥＥＥ．
［２９］Ｃｈｅｎ，Ｘ．，Ｗａｎｇ，Ｙ．，Ｎａｋａｎｉｓｈｉ，Ｍ．，Ｇａｏ，Ｘ．，Ｊｕｎｇ，Ｔ．Ｐ．，Ｇａｏ，Ｓ．，２０１５．Ｈｉｇｈ－ｓｐｅｅｄ ｓｐｅｌｌｉｎｇ ｗｉｔｈ ａ ｎｏｎｉｎｖａｓｉｖｅ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ．Ｐｒｏｃ Ｎａｔｌ Ａｃａｄ Ｓｃｉ Ｕ Ｓ Ａ １１２（４４），Ｅ６０５８－６０６７．
［３０］Ｋｗａｋ，Ｎ．Ｓ．，Ｍｕｌｌｅｒ，Ｋ．Ｒ．，Ｌｅｅ，Ｓ．Ｗ．，２０１７．Ａ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ｓｔｅａｄｙ ｓｔａｔｅ ｖｉｓｕａｌ ｅｖｏｋｅｄ ｐｏｔｅｎｔｉａｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｎｄｅｒ ａｍｂｕｌａｔｏｒｙ ｅｎｖｉｒｏｎｍｅｎｔ．ＰＬｏＳ Ｏｎｅ １２（２），ｅ０１７２５７８．
［３１］Ｌｉ，Ｇ．，Ｗａｎｇ，Ｓ．，Ｄｕａｎ，Ｙ．Ｙ．，２０１７．Ｔｏｗａｒｄｓ ｇｅｌ－ｆｒｅｅ ｅｌｅｃｔｒｏｄｅｓ： Ａ ｓｙｓｔｅｍａｔｉｃ ｓｔｕｄｙ ｏｆ ｅｌｅｃｔｒｏｄｅ－ｓｋｉｎ ｉｍｐｅｄａｎｃｅ．Ｓｅｎｓｏｒｓ ａｎｄ Ａｃｔｕａｔｏｒｓ Ｂ： Ｃｈｅｍｉｃａｌ ２４１，１２４４－１２５５．
［３２］Ｌｉｎ，Ｃ．Ｔ．，Ｋｏ，Ｌ．Ｗ．，Ｃｈａｎｇ，Ｍ．Ｈ．，Ｄｕａｎｎ，Ｊ．Ｒ．，Ｃｈｅｎ，Ｊ．Ｙ．，Ｓｕ，Ｔ．Ｐ．，Ｊｕｎｇ，Ｔ．Ｐ．，２０１０．Ｒｅｖｉｅｗ ｏｆ ｗｉｒｅｌｅｓｓ ａｎｄ ｗｅａｒａｂｌｅ ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ ｓｙｓｔｅｍｓ ａｎｄ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅｓ－－ａ ｍｉｎｉ－ｒｅｖｉｅｗ．Ｇｅｒｏｎｔｏｌｏｇｙ ５６（１），１１２－１１９．
［３３］Ｍａｈｍｏｏｄ，Ｍ．，Ｋｗｏｎ，Ｓ．，Ｋｉｍ，Ｙ．－Ｓ．，Ｓｉｒｉａｒａｙａ，Ｐ．，Ｃｈｏｉ，Ｊ．，Ｂｏｒｉｓ，Ｏ．，Ｋａｎｇ，Ｋ．，Ｊｕｎ Ｙｕ，Ｋ．，Ｊａｎｇ，Ｙ．Ｃ．，Ａｎｇ，Ｃ．Ｓ．，２０２１．Ｗｉｒｅｌｅｓｓ Ｓｏｆｔ Ｓｃａｌｐ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｖｉｒｔｕａｌ Ｒｅａｌｉｔｙ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｔｏｒ Ｉｍａｇｅｒｙ－ｂａｓｅｄ Ｂｒａｉｎ－Ｍａｃｈｉｎｅ Ｉｎｔｅｒｆａｃｅｓ．Ａｄｖａｎｃｅｄ Ｓｃｉｅｎｃｅ．
［３４］Ｍａｈｍｏｏｄ，Ｍ．，Ｍｚｕｒｉｋｗａｏ，Ｄ．，Ｋｉｍ，Ｙ．－Ｓ．，Ｌｅｅ，Ｙ．，Ｍｉｓｈｒａ，Ｓ．，Ｈｅｒｂｅｒｔ，Ｒ．，Ｄｕａｒｔｅ，Ａ．，Ａｎｇ，Ｃ．Ｓ．，Ｙｅｏ，Ｗ．－Ｈ．，２０１９．Ｆｕｌｌｙ ｐｏｒｔａｂｌｅ ａｎｄ ｗｉｒｅｌｅｓｓ ｕｎｉｖｅｒｓａｌ ｂｒａｉｎ－ｍａｃｈｉｎｅ ｉｎｔｅｒｆａｃｅｓ ｅｎａｂｌｅｄ ｂｙ ｆｌｅｘｉｂｌｅ ｓｃａｌｐ ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ．Ｎａｔｕｒｅ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ １（９），４１２－４２２．
［３５］Ｍａｒｔｅｎｓ，Ｕ．，Ｈｕｂｎｅｒ，Ｒ．，２０１３．Ｆｕｎｃｔｉｏｎａｌ ｈｅｍｉｓｐｈｅｒｉｃ ａｓｙｍｍｅｔｒｉｅｓ ｏｆ ｇｌｏｂａｌ／ｌｏｃａｌ ｐｒｏｃｅｓｓｉｎｇ ｍｉｒｒｏｒｅｄ ｂｙ ｔｈｅ ｓｔｅａｄｙ－ｓｔａｔｅ ｖｉｓｕａｌ ｅｖｏｋｅｄ ｐｏｔｅｎｔｉａｌ．Ｂｒａｉｎ ａｎｄ ｃｏｇｎｉｔｉｏｎ ８１（２），１６１－１６６．
［３６］Ｎａｋａｎｉｓｈｉ，Ｍ．，Ｗａｎｇ，Ｙ．，Ｃｈｅｎ，Ｘ．，Ｗａｎｇ，Ｙ．－Ｔ．，Ｇａｏ，Ｘ．，Ｊｕｎｇ，Ｔ．－Ｐ．，２０１７．Ｅｎｈａｎｃｉｎｇ ｄｅｔｅｃｔｉｏｎ ｏｆ ＳＳＶＥＰｓ ｆｏｒ ａ ｈｉｇｈ－ｓｐｅｅｄ ｂｒａｉｎ ｓｐｅｌｌｅｒ ｕｓｉｎｇ ｔａｓｋ－ｒｅｌａｔｅｄ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ６５（１），１０４－１１２．
［３７］Ｎｏｒｔｏｎ，Ｊ．Ｊ．Ｓ．，Ｌｅｅ，Ｄ．Ｓ．，Ｌｅｅ，Ｊ．Ｗ．，Ｌｅｅ，Ｗ．，Ｋｗｏｎ，Ｏ．，Ｗｏｎ，Ｐ．，Ｊｕｎｇ，Ｓ．－Ｙ．，Ｃｈｅｎｇ，Ｈ．，Ｊｅｏｎｇ，Ｊ．－Ｗ．，Ａｋｃｅ，Ａ．，Ｕｍｕｎｎａ，Ｓ．，Ｎａ，Ｉ．，Ｋｗｏｎ，Ｙ．Ｈ．，Ｗａｎｇ，Ｘ．－Ｑ．，Ｌｉｕ，Ｚ．，Ｐａｉｋ，Ｕ．，Ｈｕａｎｇ，Ｙ．，Ｂｒｅｔｌ，Ｔ．，Ｙｅｏ，Ｗ．－Ｈ．，Ｒｏｇｅｒｓ，Ｊ．Ａ．，２０１５．Ｓｏｆｔ，ｃｕｒｖｅｄ ｅｌｅｃｔｒｏｄｅ ｓｙｓｔｅｍｓ ｃａｐａｂｌｅ ｏｆ ｉｎｔｅｇｒａｔｉｏｎ ｏｎ ｔｈｅ ａｕｒｉｃｌｅ ａｓ ａ ｐｅｒｓｉｓｔｅｎｔ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ １１２（１３），３９２０－３９２５．
［３８］Ｐａｄｆｉｅｌｄ，Ｎ．，Ｚａｂａｌｚａ，Ｊ．，Ｚｈａｏ，Ｈ．，Ｍａｓｅｒｏ，Ｖ．，Ｒｅｎ，Ｊ．，２０１９．ＥＥＧ－ｂａｓｅｄ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅｓ ｕｓｉｎｇ ｍｏｔｏｒ－ｉｍａｇｅｒｙ： Ｔｅｃｈｎｉｑｕｅｓ ａｎｄ ｃｈａｌｌｅｎｇｅｓ．Ｓｅｎｓｏｒｓ １９（６），１４２３．
［３９］Ｒａｖｉ，Ａ．，Ｂｅｎｉ，Ｎ．Ｈ．，Ｍａｎｕｅｌ，Ｊ．，Ｊｉａｎｇ，Ｎ．，２０２０．Ｃｏｍｐａｒｉｎｇ ｕｓｅｒ－ｄｅｐｅｎｄｅｎｔ ａｎｄ ｕｓｅｒ－ｉｎｄｅｐｅｎｄｅｎｔ ｔｒａｉｎｉｎｇ ｏｆ ＣＮＮ ｆｏｒ ＳＳＶＥＰ ＢＣＩ．Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ １７（２），０２６０２８．
［４０］Ｒｉｃｈａｒｄ，Ｂ．，Ｃｈａｄｎｏｖａ，Ｅ．，Ｂａｋｅｒ，Ｄ．Ｈ．，２０１８．Ｂｉｎｏｃｕｌａｒ ｖｉｓｉｏｎ ａｄａｐｔｉｖｅｌｙ ｓｕｐｐｒｅｓｓｅｓ ｄｅｌａｙｅｄ ｍｏｎｏｃｕｌａｒ ｓｉｇｎａｌｓ．ＮｅｕｒｏＩｍａｇｅ １７２，７５３－７６５．
［４１］Ｒｏｄｅｈｅａｖｅｒ，Ｎ．，Ｈｅｒｂｅｒｔ，Ｒ．，Ｋｉｍ，Ｙ．Ｓ．，Ｍａｈｍｏｏｄ，Ｍ．，Ｋｉｍ，Ｈ．，Ｊｅｏｎｇ，Ｊ．Ｗ．，Ｙｅｏ，Ｗ．Ｈ．，２０２１．Ｓｔｒａｉｎ－Ｉｓｏｌａｔｉｎｇ Ｍａｔｅｒｉａｌｓ ａｎｄ Ｉｎｔｅｒｆａｃｉａｌ Ｐｈｙｓｉｃｓ ｆｏｒ Ｓｏｆｔ Ｗｅａｒａｂｌｅ Ｂｉｏｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｗｉｒｅｌｅｓｓ，Ｍｏｔｉｏｎ Ａｒｔｉｆａｃｔ－Ｃｏｎｔｒｏｌｌｅｄ Ｈｅａｌｔｈ Ｍｏｎｉｔｏｒｉｎｇ．Ａｄｖａｎｃｅｄ Ｆｕｎｃｔｉｏｎａｌ Ｍａｔｅｒｉａｌｓ ３１（３６），２１０４０７０．
［４２］Ｒｏｄｅｈｅａｖｅｒ，Ｎ．，Ｋｉｍ，Ｈ．，Ｈｅｒｂｅｒｔ，Ｒ．，Ｓｅｏ，Ｈ．，Ｙｅｏ，Ｗ．－Ｈ．，２０２２．Ｂｒｅａｔｈａｂｌｅ，Ｗｉｒｅｌｅｓｓ，Ｔｈｉｎ－Ｆｉｌｍ Ｗｅａｒａｂｌｅ Ｂｉｏｐａｔｃｈ Ｕｓｉｎｇ Ｎｏｉｓｅ－Ｒｅｄｕｃｔｉｏｎ Ｍｅｃｈａｎｉｓｍｓ．ＡＣＳ Ａｐｐｌｉｅｄ Ｅｌｅｃｔｒｏｎｉｃ Ｍａｔｅｒｉａｌｓ．
［４３］Ｓａｌｖｏ，Ｐ．，Ｒａｅｄｔ，Ｒ．，Ｃａｒｒｅｔｔｅ，Ｅ．，Ｓｃｈａｕｂｒｏｅｃｋ，Ｄ．，Ｖａｎｆｌｅｔｅｒｅｎ，Ｊ．，Ｃａｒｄｏｎ，Ｌ．，２０１２．Ａ ３Ｄ ｐｒｉｎｔｅｄ ｄｒｙ ｅｌｅｃｔｒｏｄｅ ｆｏｒ ＥＣＧ／ＥＥＧ ｒｅｃｏｒｄｉｎｇ．Ｓｅｎｓｏｒｓ ａｎｄ Ａｃｔｕａｔｏｒｓ Ａ： Ｐｈｙｓｉｃａｌ １７４，９６－１０２．
［４４］Ｓｔａｕｆｆｅｒ，Ｆ．，Ｔｈｉｅｌｅｎ，Ｍ．，Ｓａｕｔｅｒ，Ｃ．，Ｃｈａｒｄｏｎｎｅｎｓ，Ｓ．，Ｂａｃｈｍａｎｎ，Ｓ．，Ｔｙｂｒａｎｄｔ，Ｋ．，Ｐｅｔｅｒｓ，Ｃ．，Ｈｉｅｒｏｌｄ，Ｃ．，Ｖｏｒｏｓ，Ｊ．，２０１８．Ｓｋｉｎ Ｃｏｎｆｏｒｍａｌ Ｐｏｌｙｍｅｒ Ｅｌｅｃｔｒｏｄｅｓ ｆｏｒ Ｃｌｉｎｉｃａｌ ＥＣＧ ａｎｄ ＥＥＧ Ｒｅｃｏｒｄｉｎｇｓ．Ａｄｖ Ｈｅａｌｔｈｃ Ｍａｔｅｒ ７（７），ｅ１７００９９４．
［４５］Ｔａｌｌｇｒｅｎ，Ｐ．，Ｖａｎｈａｔａｌｏ，Ｓ．，Ｋａｉｌａ，Ｋ．，Ｖｏｉｐｉｏ，Ｊ．，２００５．Ｅｖａｌｕａｔｉｏｎ ｏｆ ｃｏｍｍｅｒｃｉａｌｌｙ ａｖａｉｌａｂｌｅ ｅｌｅｃｔｒｏｄｅｓ ａｎｄ ｇｅｌｓ ｆｏｒ ｒｅｃｏｒｄｉｎｇ ｏｆ ｓｌｏｗ ＥＥＧ ｐｏｔｅｎｔｉａｌｓ．Ｃｌｉｎ Ｎｅｕｒｏｐｈｙｓｉｏｌ １１６（４），７９９－８０６．
［４６］Ｖｏｌｏｓｙａｋ，Ｉ．，２０１１．ＳＳＶＥＰ－ｂａｓｅｄ Ｂｒｅｍｅｎ－ＢＣＩ ｉｎｔｅｒｆａｃｅ－－ｂｏｏｓｔｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ ｔｒａｎｓｆｅｒ ｒａｔｅｓ．Ｊ Ｎｅｕｒａｌ Ｅｎｇ ８（３），０３６０２０．
［４７］Ｗａｎｇ，Ｙ．，Ｗａｎｇ，Ｙ．Ｔ．，Ｊｕｎｇ，Ｔ．Ｐ．，２０１０．Ｖｉｓｕａｌ ｓｔｉｍｕｌｕｓ ｄｅｓｉｇｎ ｆｏｒ ｈｉｇｈ－ｒａｔｅ ＳＳＶＥＰ ＢＣＩ．Ｅｌｅｃｔｒｏｎｉｃｓ Ｌｅｔｔｅｒｓ ４６（１５）．
［４８］Ｗａｙｔｏｗｉｃｈ，Ｎ．，Ｌａｗｈｅｒｎ，Ｖ．Ｊ．，Ｇａｒｃｉａ，Ｊ．Ｏ．，Ｃｕｍｍｉｎｇｓ，Ｊ．，Ｆａｌｌｅｒ，Ｊ．，Ｓａｊｄａ，Ｐ．，Ｖｅｔｔｅｌ，Ｊ．Ｍ．，２０１８．Ｃｏｍｐａｃｔ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ａｓｙｎｃｈｒｏｎｏｕｓ ｓｔｅａｄｙ－ｓｔａｔｅ ｖｉｓｕａｌ ｅｖｏｋｅｄ ｐｏｔｅｎｔｉａｌｓ．Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ １５（６），０６６０３１．
［４９］Ｗｕ，Ｚ．，２０１６．Ｐｈｙｓｉｃａｌ ｃｏｎｎｅｃｔｉｏｎｓ ｂｅｔｗｅｅｎ ｄｉｆｆｅｒｅｎｔ ＳＳＶＥＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ．Ｓｃｉｅｎｔｉｆｉｃ ｒｅｐｏｒｔｓ ６（１），１－９．
［５０］Ｘｉａｏ，Ｃ．，Ｃｈｉａｎｇ，Ｋ．－Ｊ．，Ｎａｋａｎｉｓｈｉ，Ｍ．，Ｊｕｎｇ，Ｔ．－Ｐ．，２０２１．Ａ Ｃｏｍｐａｒｉｓｏｎ Ｓｔｕｄｙ ｏｆ Ｓｉｎｇｌｅ－ａｎｄ Ｍｕｌｔｉｐｌｅ－Ｔａｒｇｅｔ Ｓｔｉｍｕｌａｔｉｏｎ Ｍｅｔｈｏｄｓ ｆｏｒ Ｅｌｉｃｉｔｉｎｇ Ｓｔｅａｄｙ－Ｓｔａｔｅ Ｖｉｓｕａｌ Ｅｖｏｋｅｄ Ｐｏｔｅｎｔｉａｌｓ．２０２１ １０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＩＥＥＥ／ＥＭＢＳ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇ （ＮＥＲ），ｐｐ．６９８－７０１．ＩＥＥＥ．
［５１］Ｘｉｎｇ，Ｘ．，Ｗａｎｇ，Ｙ．，Ｐｅｉ，Ｗ．，Ｇｕｏ，Ｘ．，Ｌｉｕ，Ｚ．，Ｗａｎｇ，Ｆ．，Ｍｉｎｇ，Ｇ．，Ｚｈａｏ，Ｈ．，Ｇｕｉ，Ｑ．，Ｃｈｅｎ，Ｈ．，２０１８．Ａ ｈｉｇｈ－ｓｐｅｅｄ ＳＳＶＥＰ－ｂａｓｅｄ ＢＣＩ ｕｓｉｎｇ ｄｒｙ ＥＥＧ ｅｌｅｃｔｒｏｄｅｓ．Ｓｃｉｅｎｔｉｆｉｃ ｒｅｐｏｒｔｓ ８（１），１－１０．
［５２］Ｙｕｅ，Ｌ．，Ｘｉａｏ，Ｘ．，Ｘｕ，Ｍ．，Ｃｈｅｎ，Ｌ．，Ｗａｎｇ，Ｙ．，Ｊｕｎｇ，Ｔ．－Ｐ．，Ｍｉｎｇ，Ｄ．，２０２０．Ａ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ ｂａｓｅｄ ｏｎ ｈｉｇｈ－ｆｒｅｑｕｅｎｃｙ ｓｔｅａｄｙ－ｓｔａｔｅ ａｓｙｍｍｅｔｒｉｃ ｖｉｓｕａｌ ｅｖｏｋｅｄ ｐｏｔｅｎｔｉａｌｓ．２０２０ ４２ｎｄ Ａｎｎｕａｌ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ ＩＥＥＥ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ＆ Ｂｉｏｌｏｇｙ Ｓｏｃｉｅｔｙ （ＥＭＢＣ），ｐｐ．３０９０－３０９３．ＩＥＥＥ．
［５３］Ｚａｖａｎｅｌｌｉ，Ｎ．，Ｋｉｍ，Ｈ．，Ｋｉｍ，Ｊ．，Ｈｅｒｂｅｒｔ，Ｒ．，Ｍａｈｍｏｏｄ，Ｍ．，Ｋｉｍ，Ｙ．－Ｓ．，Ｋｗｏｎ，Ｓ．，Ｂｏｌｕｓ，Ｎ．Ｂ．，Ｔｏｒｓｔｒｉｃｋ，Ｆ．Ｂ．，Ｌｅｅ，Ｃ．Ｓ．，２０２１．Ａｔ－ｈｏｍｅ ｗｉｒｅｌｅｓｓ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ａｃｕｔｅ ｈｅｍｏｄｙｎａｍｉｃ ｄｉｓｔｕｒｂａｎｃｅｓ ｔｏ ｄｅｔｅｃｔ ｓｌｅｅｐ ａｐｎｅａ ａｎｄ ｓｌｅｅｐ ｓｔａｇｅｓ ｖｉａ ａ ｓｏｆｔ ｓｔｅｒｎａｌ ｐａｔｃｈ．Ｓｃｉｅｎｃｅ ａｄｖａｎｃｅｓ ７（５２），ｅａｂｌ４１４６．
［１］Ｎ．Ｐａｄｆｉｅｌｄ，Ｊ．Ｚａｂａｌｚａ，Ｈ．Ｚｈａｏ，Ｖ．Ｍａｓｅｒｏ，Ｊ．Ｒｅｎ，Ｓｅｎｓｏｒｓ ２０１９，１９，１４２３．
［２］Ａ．Ｖｅｎｋａｔａｋｒｉｓｈｎａｎ，Ｇ．Ｅ．Ｆｒａｎｃｉｓｃｏ，Ｊ．Ｌ．Ｃｏｎｔｒｅｒａｓ－Ｖｉｄａｌ，Ｃｕｒｒｅｎｔ ｐｈｙｓｉｃａｌ ｍｅｄｉｃｉｎｅ ａｎｄ ｒｅｈａｂｉｌｉｔａｔｉｏｎ ｒｅｐｏｒｔｓ ２０１４，２，９３．
［３］Ｍ．Ｍａｈｍｏｏｄ，Ｄ．Ｍｚｕｒｉｋｗａｏ，Ｙ．－Ｓ．Ｋｉｍ，Ｙ．Ｌｅｅ，Ｓ．Ｍｉｓｈｒａ，Ｒ．Ｈｅｒｂｅｒｔ，Ａ．Ｄｕａｒｔｅ，Ｃ．Ｓ．Ａｎｇ，Ｗ．－Ｈ．Ｙｅｏ，Ｎａｔｕｒｅ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ ２０１９，１，４１２．
［４］Ｎｏｒｔｏｎ ｅｔ ａｌ，“Ｓｏｆｔ，ｃｕｒｖｅｄ ｅｌｅｃｔｒｏｄｅ ｓｙｓｔｅｍｓ ｃａｐａｂｌｅ ｏｆ ｉｎｔｅｇｒａｔｉｏｎ ｏｎ ｔｈｅ ａｕｒｉｃｌｅ ａｓ ａ ｐｅｒｓｉｓｔｅｎｔ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ，” Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ ２０１５，１１２，３９２０．
［５］Ｈｅｒｂｅｒｔ ｅｔ ａｌ，“Ｓｏｆｔ Ｍａｔｅｒｉａｌ－Ｅｎａｂｌｅｄ，Ｆｌｅｘｉｂｌｅ Ｈｙｂｒｉｄ Ｅｌｅｃｔｒｏｎｉｃｓ ｆｏｒ Ｍｅｄｉｃｉｎｅ，Ｈｅａｌｔｈｃａｒｅ，ａｎｄ Ｈｕｍａｎ－Ｍａｃｈｉｎｅ Ｉｎｔｅｒｆａｃｅｓ，” Ａｄｖａｎｃｅｄ Ｍａｔｅｒｉａｌｓ ２０２０，３２，１９０１９２４； Ｗ．－Ｈ．Ｙｅｏ，Ｙ．Ｌｅｅ，Ｊｏｕｒｎａｌ ｏｆ Ｎａｔｕｒｅ ａｎｄ Ｓｃｉｅｎｃｅ ２０１５，１，ｅ１３２．
［６］Ｌｉｎ ｅｔ ａｌ，“Ｒｅｖｉｅｗ ｏｆ Ｗｉｒｅｌｅｓｓ ａｎｄ Ｗｅａｒａｂｌｅ Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ Ｓｙｓｔｅｍｓ ａｎｄ Ｂｒａｉｎ－Ｃｏｍｐｕｔｅｒ Ｉｎｔｅｒｆａｃｅｓ － Ａ Ｍｉｎｉ－Ｒｅｖｉｅｗ，” Ｇｅｒｏｎｔｏｌｏｇｙ ２０１０，５６，１１２．
［６’］Ｔｉａｎ ｅｔ ａｌ，“Ｌａｒｇｅ－ａｒｅａ ＭＲＩ－ｃｏｍｐａｔｉｂｌｅ ｅｐｉｄｅｒｍａｌ ｅｌｅｃｔｒｏｎｉｃ ｉｎｔｅｒｆａｃｅｓ ｆｏｒ ｐｒｏｓｔｈｅｔｉｃ ｃｏｎｔｒｏｌ ａｎｄ ｃｏｇｎｉｔｉｖｅ ｍｏｎｉｔｏｒｉｎｇ，” Ｎａｔｕｒｅ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ２０１９，３，１９４
［６”］Ｌｉ ｅｔ ａｌ，“Ｒｅｃｅｎｔ Ｄｅｖｅｌｏｐｍｅｎｔｓ ｏｎ Ｇｒａｐｈｅｎｅ－Ｂａｓｅｄ Ｅｌｅｃｔｒｏｃｈｅｍｉｃａｌ Ｓｅｎｓｏｒｓ ｔｏｗａｒｄ Ｎｉｔｒｉｔｅ，” Ｊ．Ｗｕ，Ｙ．Ｘｉａ，Ｙ．Ｗｕ，Ｙ．Ｔｉａｎ，Ｊ．Ｌｉｕ，Ｄ．Ｃｈｅｎ，Ｑ．Ｈｅ，Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ ２０２０，１７，０２６００１．
［７］Ｐ．Ｓａｌｖｏ，Ｒ．Ｒａｅｄｔ，Ｅ．Ｃａｒｒｅｔｔｅ，Ｄ．Ｓｃｈａｕｂｒｏｅｃｋ，Ｊ．Ｖａｎｆｌｅｔｅｒｅｎ，Ｌ．Ｃａｒｄｏｎ，Ｓｅｎｓｏｒｓ ａｎｄ Ａｃｔｕａｔｏｒｓ Ａ： Ｐｈｙｓｉｃａｌ ２０１２，１７４，９６．
［８］Ｇ．Ｌｉ，Ｓ．Ｗａｎｇ，Ｙ．Ｙ．Ｄｕａｎ，Ｓｅｎｓｏｒｓ ａｎｄ Ａｃｔｕａｔｏｒｓ Ｂ： Ｃｈｅｍｉｃａｌ ２０１７，２４１，１２４４．
［９］Ｆ．Ｓｔａｕｆｆｅｒ，Ｍ．Ｔｈｉｅｌｅｎ，Ｃ．Ｓａｕｔｅｒ，Ｓ．Ｃｈａｒｄｏｎｎｅｎｓ，Ｓ．Ｂａｃｈｍａｎｎ，Ｋ．Ｔｙｂｒａｎｄｔ，Ｃ．Ｐｅｔｅｒｓ，Ｃ．Ｈｉｅｒｏｌｄ，Ｊ．Ｖｏｒｏｓ，Ａｄｖ Ｈｅａｌｔｈｃ Ｍａｔｅｒ ２０１８，７，ｅ１７００９９４； Ｍ．Ａ．Ｌｏｐｅｚ－Ｇｏｒｄｏ，Ｄ．Ｓａｎｃｈｅｚ－Ｍｏｒｉｌｌｏ，Ｆ．Ｐ．Ｖａｌｌｅ，Ｓｅｎｓｏｒｓ ２０１４，１４，１２８４７．
［１０］Ｄ．Ｇａｏ，Ｋ．Ｐａｒｉｄａ，Ｐ．Ｓ．Ｌｅｅ，Ａｄｖａｎｃｅｄ Ｆｕｎｃｔｉｏｎａｌ Ｍａｔｅｒｉａｌｓ ２０２０，３０，１９０７１８４； Ｈ．Ｗｕ，Ｇ．Ｙａｎｇ，Ｋ．Ｚｈｕ，Ｓ．Ｌｉｕ，Ｗ．Ｇｕｏ，Ｚ．Ｊｉａｎｇ，Ｚ．Ｌｉ，Ａｄｖａｎｃｅｄ Ｓｃｉｅｎｃｅ ２０２１，８，２００１９３８．
［１１］Ｗ．Ｇｕｏ，Ｐ．Ｚｈｅｎｇ，Ｘ．Ｈｕａｎｇ，Ｈ．Ｚｈｕｏ，Ｙ．Ｗｕ，Ｚ．Ｙｉｎ，Ｚ．Ｌｉ，Ｈ．Ｗｕ，ＡＣＳ ａｐｐｌｉｅｄ ｍａｔｅｒｉａｌｓ ＆ ｉｎｔｅｒｆａｃｅｓ ２０１９，１１，８５６７．
［１２］Ｚ．Ｊｉａｎｇ，Ｍ．Ｏ．Ｇ．Ｎａｙｅｅｍ，Ｋ．Ｆｕｋｕｄａ，Ｓ．Ｄｉｎｇ，Ｈ．Ｊｉｎ，Ｔ．Ｙｏｋｏｔａ，Ｄ．Ｉｎｏｕｅ，Ｄ．Ｈａｓｈｉｚｕｍｅ，Ｔ．Ｓｏｍｅｙａ，Ａｄｖａｎｃｅｄ Ｍａｔｅｒｉａｌｓ ２０１９，３１，１９０３４４６．
［１３］Ｒ．Ａｂｉｒｉ，Ｓ．Ｂｏｒｈａｎｉ，Ｅ．Ｗ．Ｓｅｌｌｅｒｓ，Ｙ．Ｊｉａｎｇ，Ｘ．Ｚｈａｏ，Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ ２０１９，１６，０１１００１．
［１４］Ｇ．Ｐｆｕｒｔｓｃｈｅｌｌｅｒ，Ｃ．Ｎｅｕｐｅｒ，Ｄ．Ｆｌｏｔｚｉｎｇｅｒ，Ｍ．Ｐｒｅｇｅｎｚｅｒ，Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ ａｎｄ ｃｌｉｎｉｃａｌ Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｙ １９９７，１０３，６４２
［１４’］Ｘ．Ｔａｎｇ，Ｗ．Ｌｉ，Ｘ．Ｌｉ，Ｗ．Ｍａ，Ｘ．Ｄａｎｇ，Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ ２０２０，１４９，１１３２８５．
［１５］Ｒ．Ｚｈａｎｇ，Ｑ．Ｚｏｎｇ，Ｌ．Ｄｏｕ，Ｘ．Ｚｈａｏ，Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ ２０１９，１６，０６６００４．
［１６］Ｖ．Ｊｕｒｃａｋ，Ｄ．Ｔｓｕｚｕｋｉ，Ｉ．Ｄａｎ，Ｎｅｕｒｏｉｍａｇｅ ２００７，３４，１６００．
［１７］Ｏ．Ｏｌａｔｕｎｊｉ，Ａ．Ｄｅｎｌｏｙｅ，Ｊｏｕｒｎａｌ ｏｆ Ｐｏｌｙｍｅｒｓ ａｎｄ ｔｈｅ Ｅｎｖｉｒｏｎｍｅｎｔ ２０１９，２７，１２５２； Ａ．Ｒｏｍｇｅｎｓ，Ｄ．Ｂａｄｅｒ，Ｊ．Ｂｏｕｗｓｔｒａ，Ｆ．Ｂａａｉｊｅｎｓ，Ｃ．Ｏｏｍｅｎｓ，ｊｏｕｒｎａｌ ｏｆ ｔｈｅ ｍｅｃｈａｎｉｃａｌ ｂｅｈａｖｉｏｒ ｏｆ ｂｉｏｍｅｄｉｃａｌ ｍａｔｅｒｉａｌｓ ２０１４，４０，３９７．
［１８］Ｓ．Ｒｕｓｓｏ，Ｔ．Ｒａｎｚａｎｉ，Ｈ．Ｌｉｕ，Ｓ．Ｎｅｆｔｉ－Ｍｅｚｉａｎｉ，Ｋ．Ａｌｔｈｏｅｆｅｒ，Ａ．Ｍｅｎｃｉａｓｓｉ，Ｓｏｆｔ ｒｏｂｏｔｉｃｓ ２０１５，２，１４６
［１８’］Ｗ．Ｈ．Ｙｅｏ，Ｙ．Ｓ．Ｋｉｍ，Ｊ．Ｌｅｅ，Ａ．Ａｍｅｅｎ，Ｌ．Ｓｈｉ，Ｍ．Ｌｉ，Ｓ．Ｗａｎｇ，Ｒ．Ｍａ，Ｓ．Ｈ．Ｊｉｎ，Ｚ．Ｋａｎｇ，Ａｄｖａｎｃｅｄ ｍａｔｅｒｉａｌｓ ２０１３，２５，２７７３．
［１９］Ｈ．Ｙａｎｇ，Ｓ．Ｓａｋｈａｖｉ，Ｋ．Ｋ．Ａｎｇ，Ｃ．Ｇｕａｎ，ＩＥＥＥ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ａｎｄ Ｂｉｏｌｏｇｙ Ｓｏｃｉｅｔｙ（ＥＭＢＣ）の２０１５年第３７回年次国際会議で発表された“Ｏｎ ｔｈｅ ｕｓｅ ｏｆ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ａｎｄ ａｕｇｍｅｎｔｅｄ ＣＳＰ ｆｅａｔｕｒｅｓ ｆｏｒ ｍｕｌｔｉ－ｃｌａｓｓ ｍｏｔｏｒ ｉｍａｇｅｒｙ ｏｆ ＥＥＧ ｓｉｇｎａｌｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ”，２０１５； Ｓ．Ｃｈａｕｄｈａｒｙ，Ｓ．Ｔａｒａｎ，Ｖ．Ｂａｊａｊ，Ａ．Ｓｅｎｇｕｒ，ＩＥＥＥ Ｓｅｎｓｏｒｓ Ｊｏｕｒｎａｌ ２０１９，１９，４４９４．
［２０］Ｚ．Ｔａｎｇ，Ｃ．Ｌｉ，Ｓ．Ｓｕｎ，Ｏｐｔｉｋ ２０１７，１３０，１１．
［２１］Ｒ．Ｔ．Ｓｃｈｉｒｒｍｅｉｓｔｅｒ，Ｊ．Ｔ．Ｓｐｒｉｎｇｅｎｂｅｒｇ，Ｌ．Ｄ．Ｊ．Ｆｉｅｄｅｒｅｒ，Ｍ．Ｇｌａｓｓｔｅｔｔｅｒ，Ｋ．Ｅｇｇｅｎｓｐｅｒｇｅｒ，Ｍ．Ｔａｎｇｅｒｍａｎｎ，Ｆ．Ｈｕｔｔｅｒ，Ｗ．Ｂｕｒｇａｒｄ，Ｔ．Ｂａｌｌ，Ｈｕｍａｎ ｂｒａｉｎ ｍａｐｐｉｎｇ ２０１７，３８，５３９１．
［２２］Ｐ．Ｗｅｌｃｈ，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ａｕｄｉｏ ａｎｄ ｅｌｅｃｔｒｏａｃｏｕｓｔｉｃｓ １９６７，１５，７０．
［２３］Ｙ．－Ｔ．Ｋｗｏｎ，Ｈ．Ｋｉｍ，Ｍ．Ｍａｈｍｏｏｄ，Ｙ．－Ｓ．Ｋｉｍ，Ｃ．Ｄｅｍｏｌｄｅｒ，Ｗ．－Ｈ．Ｙｅｏ，ＡＣＳ Ａｐｐｌ．Ｍａｔｅｒ．Ｉｎｔｅｒｆａｃｅｓ ２０２０，１２，４９３９８； Ｙ．－Ｔ．Ｋｗｏｎ，Ｊ．Ｊ．Ｎｏｒｔｏｎ，Ａ．Ｃｕｔｒｏｎｅ，Ｈ．－Ｒ．Ｌｉｍ，Ｓ．Ｋｗｏｎ，Ｊ．Ｊ．Ｃｈｏｉ，Ｈ．Ｓ．Ｋｉｍ，Ｙ．Ｃ．Ｊａｎｇ，Ｊ．Ｒ．Ｗｏｌｐａｗ，Ｗ．－Ｈ．Ｙｅｏ，Ｂｉｏｓｅｎｓ．Ｂｉｏｅｌｅｃｔｒｏｎ．２０２０，１６５，１１２４０４．
［２４］Ｍ．Ａｂａｄｉ，Ｐ．Ｂａｒｈａｍ，Ｊ．Ｃｈｅｎ，Ｚ．Ｃｈｅｎ，Ａ．Ｄａｖｉｓ，Ｊ．Ｄｅａｎ，Ｍ．Ｄｅｖｉｎ，Ｓ．Ｇｈｅｍａｗａｔ，Ｇ．Ｉｒｖｉｎｇ，Ｍ．Ｉｓａｒｄ，第１２回｛ＵＳＥＮＩＸ｝オペレーティングシステムの設計及び実装（ｏｐｅｒａｔｉｎｇ ｓｙｓｔｅｍｓ ｄｅｓｉｇｎ ａｎｄ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ）に関するシンポジウム（｛ＯＳＤＩ｝ １６）で発表された“Ｔｅｎｓｏｒｆｌｏｗ： Ａ ｓｙｓｔｅｍ ｆｏｒ ｌａｒｇｅ－ｓｃａｌｅ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ”，２０１６．
［２５］Ｙ．Ｒ．Ｔａｂａｒ，Ｕ．Ｈａｌｉｃｉ，Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ ２０１６，１４，０１６００３．
［２６］Ｎ．Ｌｕ，Ｔ．Ｌｉ，Ｘ．Ｒｅｎ，Ｈ．Ｍｉａｏ，ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｎｅｕｒａｌ ｓｙｓｔｅｍｓ ａｎｄ ｒｅｈａｂｉｌｉｔａｔｉｏｎ ｅｎｇｉｎｅｅｒｉｎｇ ２０１６，２５，５６６．
［２７］Ｚ．Ｓｈｉ，Ｆ．Ｚｈｅｎｇ，Ｚ．Ｚｈｏｕ，Ｍ．Ｌｉ，Ｚ．Ｆａｎ，Ｈ．Ｙｅ，Ｓ．Ｚｈａｎｇ，Ｔ．Ｘｉａｏ，Ｌ．Ｃｈｅｎ，Ｔ．Ｈ．Ｔａｏ，Ｙ．－Ｌ．Ｓｕｎ，Ｙ．Ｍａｏ，Ａｄｖａｎｃｅｄ Ｓｃｉｅｎｃｅ ２０１９，６，１８０１６１７．
［２８］Ｂｅｖｉｌａｃｑｕａ，Ｖ．，Ｔａｔｔｏｌｉ，Ｇ．，Ｂｕｏｎｇｉｏｒｎｏ，Ｄ．，Ｌｏｃｏｎｓｏｌｅ，Ｃ．，Ｌｅｏｎａｒｄｉｓ，Ｄ．，Ｂａｒｓｏｔｔｉ，Ｍ．，Ｆｒｉｓｏｌｉ，Ａ．，Ｂｅｒｇａｍａｓｃｏ，Ｍ．，２０１４．Ａ ｎｏｖｅｌ ＢＣＩ－ＳＳＶＥＰ ｂａｓｅｄ ａｐｐｒｏａｃｈ ｆｏｒ ｃｏｎｔｒｏｌ ｏｆ ｗａｌｋｉｎｇ ｉｎ ｖｉｒｔｕａｌ ｅｎｖｉｒｏｎｍｅｎｔ ｕｓｉｎｇ ａ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．２０１４ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ （ＩＪＣＮＮ），ｐｐ．４１２１－４１２８．ＩＥＥＥ．
［２９］Ｃｈｅｎ，Ｘ．，Ｗａｎｇ，Ｙ．，Ｎａｋａｎｉｓｈｉ，Ｍ．，Ｇａｏ，Ｘ．，Ｊｕｎｇ，Ｔ．Ｐ．，Ｇａｏ，Ｓ．，２０１５．Ｈｉｇｈ－ｓｐｅｅｄ ｓｐｅｌｌｉｎｇ ｗｉｔｈ ａ ｎｏｎｉｎｖａｓｉｖｅ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ．Ｐｒｏｃ Ｎａｔｌ Ａｃａｄ Ｓｃｉ Ｕ Ｓ Ａ １１２（４４），Ｅ６０５８－６０６７．
［３０］Ｋｗａｋ，Ｎ．Ｓ．，Ｍｕｌｌｅｒ，Ｋ．Ｒ．，Ｌｅｅ，Ｓ．Ｗ．，２０１７．Ａ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ｓｔｅａｄｙ ｓｔａｔｅ ｖｉｓｕａｌ ｅｖｏｋｅｄ ｐｏｔｅｎｔｉａｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｎｄｅｒ ａｍｂｕｌａｔｏｒｙ ｅｎｖｉｒｏｎｍｅｎｔ．ＰＬｏＳ Ｏｎｅ １２（２），ｅ０１７２５７８．
［３１］Ｌｉ，Ｇ．，Ｗａｎｇ，Ｓ．，Ｄｕａｎ，Ｙ．Ｙ．，２０１７．Ｔｏｗａｒｄｓ ｇｅｌ－ｆｒｅｅ ｅｌｅｃｔｒｏｄｅｓ： Ａ ｓｙｓｔｅｍａｔｉｃ ｓｔｕｄｙ ｏｆ ｅｌｅｃｔｒｏｄｅ－ｓｋｉｎ ｉｍｐｅｄａｎｃｅ．Ｓｅｎｓｏｒｓ ａｎｄ Ａｃｔｕａｔｏｒｓ Ｂ： Ｃｈｅｍｉｃａｌ ２４１，１２４４－１２５５．
［３２］Ｌｉｎ，Ｃ．Ｔ．，Ｋｏ，Ｌ．Ｗ．，Ｃｈａｎｇ，Ｍ．Ｈ．，Ｄｕａｎｎ，Ｊ．Ｒ．，Ｃｈｅｎ，Ｊ．Ｙ．，Ｓｕ，Ｔ．Ｐ．，Ｊｕｎｇ，Ｔ．Ｐ．，２０１０．Ｒｅｖｉｅｗ ｏｆ ｗｉｒｅｌｅｓｓ ａｎｄ ｗｅａｒａｂｌｅ ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ ｓｙｓｔｅｍｓ ａｎｄ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅｓ－－ａ ｍｉｎｉ－ｒｅｖｉｅｗ．Ｇｅｒｏｎｔｏｌｏｇｙ ５６（１），１１２－１１９．
［３３］Ｍａｈｍｏｏｄ，Ｍ．，Ｋｗｏｎ，Ｓ．，Ｋｉｍ，Ｙ．－Ｓ．，Ｓｉｒｉａｒａｙａ，Ｐ．，Ｃｈｏｉ，Ｊ．，Ｂｏｒｉｓ，Ｏ．，Ｋａｎｇ，Ｋ．，Ｊｕｎ Ｙｕ，Ｋ．，Ｊａｎｇ，Ｙ．Ｃ．，Ａｎｇ，Ｃ．Ｓ．，２０２１．Ｗｉｒｅｌｅｓｓ Ｓｏｆｔ Ｓｃａｌｐ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｖｉｒｔｕａｌ Ｒｅａｌｉｔｙ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｔｏｒ Ｉｍａｇｅｒｙ－ｂａｓｅｄ Ｂｒａｉｎ－Ｍａｃｈｉｎｅ Ｉｎｔｅｒｆａｃｅｓ．Ａｄｖａｎｃｅｄ Ｓｃｉｅｎｃｅ．
［３４］Ｍａｈｍｏｏｄ，Ｍ．，Ｍｚｕｒｉｋｗａｏ，Ｄ．，Ｋｉｍ，Ｙ．－Ｓ．，Ｌｅｅ，Ｙ．，Ｍｉｓｈｒａ，Ｓ．，Ｈｅｒｂｅｒｔ，Ｒ．，Ｄｕａｒｔｅ，Ａ．，Ａｎｇ，Ｃ．Ｓ．，Ｙｅｏ，Ｗ．－Ｈ．，２０１９．Ｆｕｌｌｙ ｐｏｒｔａｂｌｅ ａｎｄ ｗｉｒｅｌｅｓｓ ｕｎｉｖｅｒｓａｌ ｂｒａｉｎ－ｍａｃｈｉｎｅ ｉｎｔｅｒｆａｃｅｓ ｅｎａｂｌｅｄ ｂｙ ｆｌｅｘｉｂｌｅ ｓｃａｌｐ ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ．Ｎａｔｕｒｅ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ １（９），４１２－４２２．
［３５］Ｍａｒｔｅｎｓ，Ｕ．，Ｈｕｂｎｅｒ，Ｒ．，２０１３．Ｆｕｎｃｔｉｏｎａｌ ｈｅｍｉｓｐｈｅｒｉｃ ａｓｙｍｍｅｔｒｉｅｓ ｏｆ ｇｌｏｂａｌ／ｌｏｃａｌ ｐｒｏｃｅｓｓｉｎｇ ｍｉｒｒｏｒｅｄ ｂｙ ｔｈｅ ｓｔｅａｄｙ－ｓｔａｔｅ ｖｉｓｕａｌ ｅｖｏｋｅｄ ｐｏｔｅｎｔｉａｌ．Ｂｒａｉｎ ａｎｄ ｃｏｇｎｉｔｉｏｎ ８１（２），１６１－１６６．
［３６］Ｎａｋａｎｉｓｈｉ，Ｍ．，Ｗａｎｇ，Ｙ．，Ｃｈｅｎ，Ｘ．，Ｗａｎｇ，Ｙ．－Ｔ．，Ｇａｏ，Ｘ．，Ｊｕｎｇ，Ｔ．－Ｐ．，２０１７．Ｅｎｈａｎｃｉｎｇ ｄｅｔｅｃｔｉｏｎ ｏｆ ＳＳＶＥＰｓ ｆｏｒ ａ ｈｉｇｈ－ｓｐｅｅｄ ｂｒａｉｎ ｓｐｅｌｌｅｒ ｕｓｉｎｇ ｔａｓｋ－ｒｅｌａｔｅｄ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ６５（１），１０４－１１２．
［３７］Ｎｏｒｔｏｎ，Ｊ．Ｊ．Ｓ．，Ｌｅｅ，Ｄ．Ｓ．，Ｌｅｅ，Ｊ．Ｗ．，Ｌｅｅ，Ｗ．，Ｋｗｏｎ，Ｏ．，Ｗｏｎ，Ｐ．，Ｊｕｎｇ，Ｓ．－Ｙ．，Ｃｈｅｎｇ，Ｈ．，Ｊｅｏｎｇ，Ｊ．－Ｗ．，Ａｋｃｅ，Ａ．，Ｕｍｕｎｎａ，Ｓ．，Ｎａ，Ｉ．，Ｋｗｏｎ，Ｙ．Ｈ．，Ｗａｎｇ，Ｘ．－Ｑ．，Ｌｉｕ，Ｚ．，Ｐａｉｋ，Ｕ．，Ｈｕａｎｇ，Ｙ．，Ｂｒｅｔｌ，Ｔ．，Ｙｅｏ，Ｗ．－Ｈ．，Ｒｏｇｅｒｓ，Ｊ．Ａ．，２０１５．Ｓｏｆｔ，ｃｕｒｖｅｄ ｅｌｅｃｔｒｏｄｅ ｓｙｓｔｅｍｓ ｃａｐａｂｌｅ ｏｆ ｉｎｔｅｇｒａｔｉｏｎ ｏｎ ｔｈｅ ａｕｒｉｃｌｅ ａｓ ａ ｐｅｒｓｉｓｔｅｎｔ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ １１２（１３），３９２０－３９２５．
［３８］Ｐａｄｆｉｅｌｄ，Ｎ．，Ｚａｂａｌｚａ，Ｊ．，Ｚｈａｏ，Ｈ．，Ｍａｓｅｒｏ，Ｖ．，Ｒｅｎ，Ｊ．，２０１９．ＥＥＧ－ｂａｓｅｄ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅｓ ｕｓｉｎｇ ｍｏｔｏｒ－ｉｍａｇｅｒｙ： Ｔｅｃｈｎｉｑｕｅｓ ａｎｄ ｃｈａｌｌｅｎｇｅｓ．Ｓｅｎｓｏｒｓ １９（６），１４２３．
［３９］Ｒａｖｉ，Ａ．，Ｂｅｎｉ，Ｎ．Ｈ．，Ｍａｎｕｅｌ，Ｊ．，Ｊｉａｎｇ，Ｎ．，２０２０．Ｃｏｍｐａｒｉｎｇ ｕｓｅｒ－ｄｅｐｅｎｄｅｎｔ ａｎｄ ｕｓｅｒ－ｉｎｄｅｐｅｎｄｅｎｔ ｔｒａｉｎｉｎｇ ｏｆ ＣＮＮ ｆｏｒ ＳＳＶＥＰ ＢＣＩ．Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ １７（２），０２６０２８．
［４０］Ｒｉｃｈａｒｄ，Ｂ．，Ｃｈａｄｎｏｖａ，Ｅ．，Ｂａｋｅｒ，Ｄ．Ｈ．，２０１８．Ｂｉｎｏｃｕｌａｒ ｖｉｓｉｏｎ ａｄａｐｔｉｖｅｌｙ ｓｕｐｐｒｅｓｓｅｓ ｄｅｌａｙｅｄ ｍｏｎｏｃｕｌａｒ ｓｉｇｎａｌｓ．ＮｅｕｒｏＩｍａｇｅ １７２，７５３－７６５．
［４１］Ｒｏｄｅｈｅａｖｅｒ，Ｎ．，Ｈｅｒｂｅｒｔ，Ｒ．，Ｋｉｍ，Ｙ．Ｓ．，Ｍａｈｍｏｏｄ，Ｍ．，Ｋｉｍ，Ｈ．，Ｊｅｏｎｇ，Ｊ．Ｗ．，Ｙｅｏ，Ｗ．Ｈ．，２０２１．Ｓｔｒａｉｎ－Ｉｓｏｌａｔｉｎｇ Ｍａｔｅｒｉａｌｓ ａｎｄ Ｉｎｔｅｒｆａｃｉａｌ Ｐｈｙｓｉｃｓ ｆｏｒ Ｓｏｆｔ Ｗｅａｒａｂｌｅ Ｂｉｏｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｗｉｒｅｌｅｓｓ，Ｍｏｔｉｏｎ Ａｒｔｉｆａｃｔ－Ｃｏｎｔｒｏｌｌｅｄ Ｈｅａｌｔｈ Ｍｏｎｉｔｏｒｉｎｇ．Ａｄｖａｎｃｅｄ Ｆｕｎｃｔｉｏｎａｌ Ｍａｔｅｒｉａｌｓ ３１（３６），２１０４０７０．
［４２］Ｒｏｄｅｈｅａｖｅｒ，Ｎ．，Ｋｉｍ，Ｈ．，Ｈｅｒｂｅｒｔ，Ｒ．，Ｓｅｏ，Ｈ．，Ｙｅｏ，Ｗ．－Ｈ．，２０２２．Ｂｒｅａｔｈａｂｌｅ，Ｗｉｒｅｌｅｓｓ，Ｔｈｉｎ－Ｆｉｌｍ Ｗｅａｒａｂｌｅ Ｂｉｏｐａｔｃｈ Ｕｓｉｎｇ Ｎｏｉｓｅ－Ｒｅｄｕｃｔｉｏｎ Ｍｅｃｈａｎｉｓｍｓ．ＡＣＳ Ａｐｐｌｉｅｄ Ｅｌｅｃｔｒｏｎｉｃ Ｍａｔｅｒｉａｌｓ．
［４３］Ｓａｌｖｏ，Ｐ．，Ｒａｅｄｔ，Ｒ．，Ｃａｒｒｅｔｔｅ，Ｅ．，Ｓｃｈａｕｂｒｏｅｃｋ，Ｄ．，Ｖａｎｆｌｅｔｅｒｅｎ，Ｊ．，Ｃａｒｄｏｎ，Ｌ．，２０１２．Ａ ３Ｄ ｐｒｉｎｔｅｄ ｄｒｙ ｅｌｅｃｔｒｏｄｅ ｆｏｒ ＥＣＧ／ＥＥＧ ｒｅｃｏｒｄｉｎｇ．Ｓｅｎｓｏｒｓ ａｎｄ Ａｃｔｕａｔｏｒｓ Ａ： Ｐｈｙｓｉｃａｌ １７４，９６－１０２．
［４４］Ｓｔａｕｆｆｅｒ，Ｆ．，Ｔｈｉｅｌｅｎ，Ｍ．，Ｓａｕｔｅｒ，Ｃ．，Ｃｈａｒｄｏｎｎｅｎｓ，Ｓ．，Ｂａｃｈｍａｎｎ，Ｓ．，Ｔｙｂｒａｎｄｔ，Ｋ．，Ｐｅｔｅｒｓ，Ｃ．，Ｈｉｅｒｏｌｄ，Ｃ．，Ｖｏｒｏｓ，Ｊ．，２０１８．Ｓｋｉｎ Ｃｏｎｆｏｒｍａｌ Ｐｏｌｙｍｅｒ Ｅｌｅｃｔｒｏｄｅｓ ｆｏｒ Ｃｌｉｎｉｃａｌ ＥＣＧ ａｎｄ ＥＥＧ Ｒｅｃｏｒｄｉｎｇｓ．Ａｄｖ Ｈｅａｌｔｈｃ Ｍａｔｅｒ ７（７），ｅ１７００９９４．
［４５］Ｔａｌｌｇｒｅｎ，Ｐ．，Ｖａｎｈａｔａｌｏ，Ｓ．，Ｋａｉｌａ，Ｋ．，Ｖｏｉｐｉｏ，Ｊ．，２００５．Ｅｖａｌｕａｔｉｏｎ ｏｆ ｃｏｍｍｅｒｃｉａｌｌｙ ａｖａｉｌａｂｌｅ ｅｌｅｃｔｒｏｄｅｓ ａｎｄ ｇｅｌｓ ｆｏｒ ｒｅｃｏｒｄｉｎｇ ｏｆ ｓｌｏｗ ＥＥＧ ｐｏｔｅｎｔｉａｌｓ．Ｃｌｉｎ Ｎｅｕｒｏｐｈｙｓｉｏｌ １１６（４），７９９－８０６．
［４６］Ｖｏｌｏｓｙａｋ，Ｉ．，２０１１．ＳＳＶＥＰ－ｂａｓｅｄ Ｂｒｅｍｅｎ－ＢＣＩ ｉｎｔｅｒｆａｃｅ－－ｂｏｏｓｔｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ ｔｒａｎｓｆｅｒ ｒａｔｅｓ．Ｊ Ｎｅｕｒａｌ Ｅｎｇ ８（３），０３６０２０．
［４７］Ｗａｎｇ，Ｙ．，Ｗａｎｇ，Ｙ．Ｔ．，Ｊｕｎｇ，Ｔ．Ｐ．，２０１０．Ｖｉｓｕａｌ ｓｔｉｍｕｌｕｓ ｄｅｓｉｇｎ ｆｏｒ ｈｉｇｈ－ｒａｔｅ ＳＳＶＥＰ ＢＣＩ．Ｅｌｅｃｔｒｏｎｉｃｓ Ｌｅｔｔｅｒｓ ４６（１５）．
［４８］Ｗａｙｔｏｗｉｃｈ，Ｎ．，Ｌａｗｈｅｒｎ，Ｖ．Ｊ．，Ｇａｒｃｉａ，Ｊ．Ｏ．，Ｃｕｍｍｉｎｇｓ，Ｊ．，Ｆａｌｌｅｒ，Ｊ．，Ｓａｊｄａ，Ｐ．，Ｖｅｔｔｅｌ，Ｊ．Ｍ．，２０１８．Ｃｏｍｐａｃｔ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ａｓｙｎｃｈｒｏｎｏｕｓ ｓｔｅａｄｙ－ｓｔａｔｅ ｖｉｓｕａｌ ｅｖｏｋｅｄ ｐｏｔｅｎｔｉａｌｓ．Ｊｏｕｒｎａｌ ｏｆ ｎｅｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ １５（６），０６６０３１．
［４９］Ｗｕ，Ｚ．，２０１６．Ｐｈｙｓｉｃａｌ ｃｏｎｎｅｃｔｉｏｎｓ ｂｅｔｗｅｅｎ ｄｉｆｆｅｒｅｎｔ ＳＳＶＥＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ．Ｓｃｉｅｎｔｉｆｉｃ ｒｅｐｏｒｔｓ ６（１），１－９．
［５０］Ｘｉａｏ，Ｃ．，Ｃｈｉａｎｇ，Ｋ．－Ｊ．，Ｎａｋａｎｉｓｈｉ，Ｍ．，Ｊｕｎｇ，Ｔ．－Ｐ．，２０２１．Ａ Ｃｏｍｐａｒｉｓｏｎ Ｓｔｕｄｙ ｏｆ Ｓｉｎｇｌｅ－ａｎｄ Ｍｕｌｔｉｐｌｅ－Ｔａｒｇｅｔ Ｓｔｉｍｕｌａｔｉｏｎ Ｍｅｔｈｏｄｓ ｆｏｒ Ｅｌｉｃｉｔｉｎｇ Ｓｔｅａｄｙ－Ｓｔａｔｅ Ｖｉｓｕａｌ Ｅｖｏｋｅｄ Ｐｏｔｅｎｔｉａｌｓ．２０２１ １０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＩＥＥＥ／ＥＭＢＳ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇ （ＮＥＲ），ｐｐ．６９８－７０１．ＩＥＥＥ．
［５１］Ｘｉｎｇ，Ｘ．，Ｗａｎｇ，Ｙ．，Ｐｅｉ，Ｗ．，Ｇｕｏ，Ｘ．，Ｌｉｕ，Ｚ．，Ｗａｎｇ，Ｆ．，Ｍｉｎｇ，Ｇ．，Ｚｈａｏ，Ｈ．，Ｇｕｉ，Ｑ．，Ｃｈｅｎ，Ｈ．，２０１８．Ａ ｈｉｇｈ－ｓｐｅｅｄ ＳＳＶＥＰ－ｂａｓｅｄ ＢＣＩ ｕｓｉｎｇ ｄｒｙ ＥＥＧ ｅｌｅｃｔｒｏｄｅｓ．Ｓｃｉｅｎｔｉｆｉｃ ｒｅｐｏｒｔｓ ８（１），１－１０．
［５２］Ｙｕｅ，Ｌ．，Ｘｉａｏ，Ｘ．，Ｘｕ，Ｍ．，Ｃｈｅｎ，Ｌ．，Ｗａｎｇ，Ｙ．，Ｊｕｎｇ，Ｔ．－Ｐ．，Ｍｉｎｇ，Ｄ．，２０２０．Ａ ｂｒａｉｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ ｂａｓｅｄ ｏｎ ｈｉｇｈ－ｆｒｅｑｕｅｎｃｙ ｓｔｅａｄｙ－ｓｔａｔｅ ａｓｙｍｍｅｔｒｉｃ ｖｉｓｕａｌ ｅｖｏｋｅｄ ｐｏｔｅｎｔｉａｌｓ．２０２０ ４２ｎｄ Ａｎｎｕａｌ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ ＩＥＥＥ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ＆ Ｂｉｏｌｏｇｙ Ｓｏｃｉｅｔｙ （ＥＭＢＣ），ｐｐ．３０９０－３０９３．ＩＥＥＥ．
［５３］Ｚａｖａｎｅｌｌｉ，Ｎ．，Ｋｉｍ，Ｈ．，Ｋｉｍ，Ｊ．，Ｈｅｒｂｅｒｔ，Ｒ．，Ｍａｈｍｏｏｄ，Ｍ．，Ｋｉｍ，Ｙ．－Ｓ．，Ｋｗｏｎ，Ｓ．，Ｂｏｌｕｓ，Ｎ．Ｂ．，Ｔｏｒｓｔｒｉｃｋ，Ｆ．Ｂ．，Ｌｅｅ，Ｃ．Ｓ．，２０２１．Ａｔ－ｈｏｍｅ ｗｉｒｅｌｅｓｓ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ａｃｕｔｅ ｈｅｍｏｄｙｎａｍｉｃ ｄｉｓｔｕｒｂａｎｃｅｓ ｔｏ ｄｅｔｅｃｔ ｓｌｅｅｐ ａｐｎｅａ ａｎｄ ｓｌｅｅｐ ｓｔａｇｅｓ ｖｉａ ａ ｓｏｆｔ ｓｔｅｒｎａｌ ｐａｔｃｈ．Ｓｃｉｅｎｃｅ ａｄｖａｎｃｅｓ ７（５２），ｅａｂｌ４１４６．
【図1】
【図2】
【図3A】
【図3B】
【図4A】
【図4B】
【図5A】
【図5B】
【図5C】
【図5D】
【図5E】
【図6A】
【図6B】
【図6C】
【図6D】
【図6E】
【図7A】
【図7B】
【図8A】
【図8B】
【図8C】
【図8D】
【図8E】
【図8F】
【図8G】
【国際調査報告】