Please wait a minute...
Submit  |   Chinese  | 
Advanced Search
   Home  |  Online Now  |  Current Issue  |  Focus  |  Archive  |  For Authors  |  Journal Information   Open Access  
Submit  |   Chinese  | 
Engineering    2015, Vol. 1 Issue (3) : 292 -308
Research |
Systems Neuroengineering: Understanding and Interacting with the Brain
Bradley J. Edelman1,Nessa Johnson1,Abbas Sohrabpour1,Shanbao Tong2,Nitish Thakor3,4,Bin He1,5,()
1. Department of Biomedical Engineering, University of Minnesota, Minneapolis, MN 55455, USA
2. School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai 200030, China
3. Department of Biomedical Engineering, Johns Hopkins University, Baltimore, MD 21205, USA
4. SINAPSE Institute, National University of Singapore 119077, Singapore
5. Institute for Engineering in Medicine, University of Minnesota, Minneapolis, MN 55455, USA

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     
Corresponding Authors: Bin He   
Just Accepted Date: 30 September 2015   Issue Date: 16 October 2015
E-mail this article
E-mail Alert
Articles by authors
Bradley J. Edelman
Nessa Johnson
Abbas Sohrabpour
Shanbao Tong
Nitish Thakor
Bin He
Cite this article:   
Bradley J. Edelman,Nessa Johnson,Abbas Sohrabpour, et al. Systems Neuroengineering: Understanding and Interacting with the Brain[J]. Engineering, 2015, 1(3): 292 -308 .
URL:     OR
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>.
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
[1] Holger Krueger. Standardization for Additive Manufacturing in Aerospace[J]. Engineering, 2017, 3(5): 585 .
[2] Joe A. Sestak Jr.. High School Students from 157 Countries Convene to Address One of the 14 Grand Challenges for Engineering: Access to Clean Water[J]. Engineering, 2017, 3(5): 583 -584 .
[3] Lance A. Davis. Climate Agreement—Revisited[J]. Engineering, 2017, 3(5): 578 -579 .
[4] Ben A. Wender, M. Granger Morgan, K. John Holmes. Enhancing the Resilience of Electricity Systems[J]. Engineering, 2017, 3(5): 580 -582 .
[5] Jin-Xun Liu, Peng Wang, Wayne Xu, Emiel J. M. Hensen. Particle Size and Crystal Phase Effects in Fischer-Tropsch Catalysts[J]. Engineering, 2017, 3(4): 467 -476 .
[6] Luis Ribeiro e Sousa, Tiago Miranda, Rita Leal e Sousa, Joaquim Tinoco. The Use of Data Mining Techniques in Rockburst Risk Assessment[J]. Engineering, 2017, 3(4): 552 -558 .
[7] Maggie Bartolomeo. Third Global Grand Challenges Summit for Engineering[J]. Engineering, 2017, 3(4): 434 -435 .
[8] Michael Powalla, Stefan Paetel, Dimitrios Hariskos, Roland Wuerz, Friedrich Kessler, Peter Lechner, Wiltraud Wischmann, Theresa Magorian Friedlmeier. Advances in Cost-Efficient Thin-Film Photovoltaics Based on Cu(In,Ga)Se2[J]. Engineering, 2017, 3(4): 445 -451 .
[9] Raffaella Ocone. Reconciling “Micro” and “Macro” through Meso-Science[J]. Engineering, 2017, 3(3): 281 -282 .
[10] Baoning Zong, Bin Sun, Shibiao Cheng, Xuhong Mu, Keyong Yang, Junqi Zhao, Xiaoxin Zhang, Wei Wu. Green Production Technology of the Monomer of Nylon-6: Caprolactam[J]. Engineering, 2017, 3(3): 379 -384 .
[11] Pengcheng Xu, Yong Jin, Yi Cheng. Thermodynamic Analysis of the Gasification of Municipal Solid Waste[J]. Engineering, 2017, 3(3): 416 -422 .
[12] Lei Xu, Jinhui Peng, Hailong Bai, C. Srinivasakannan, Libo Zhang, Qingtian Wu, Zhaohui Han, Shenghui Guo, Shaohua Ju, Li Yang. Application of Microwave Melting for the Recovery of Tin Powder[J]. Engineering, 2017, 3(3): 423 -427 .
[13] Ee Teng Kho, Salina Jantarang, Zhaoke Zheng, Jason Scott, Rose Amal. Harnessing the Beneficial Attributes of Ceria and Titania in a Mixed-Oxide Support for Nickel-Catalyzed Photothermal CO2 Methanation[J]. Engineering, 2017, 3(3): 393 -401 .
[14] Ke Dang, Tuo Wang, Chengcheng Li, Jijie Zhang, Shanshan Liu, Jinlong Gong. Improved Oxygen Evolution Kinetics and Surface States Passivation of Ni-Bi Co-Catalyst for a Hematite Photoanode[J]. Engineering, 2017, 3(3): 285 -289 .
[15] Mu Xiao, Songcan Wang, Supphasin Thaweesak, Bin Luo, Lianzhou Wang. Tantalum (Oxy)Nitride: Narrow Bandgap Photocatalysts for Solar Hydrogen Generation[J]. Engineering, 2017, 3(3): 365 -378 .
Copyright © 2015 Higher Education Press & Engineering Sciences Press, All Rights Reserved.
Today's visits ;Accumulated visits . 京ICP备11030251号-2