Beyin Bilgisayar Arayüzleri: Zihin ve Teknoloji’nin Buluşması

Son yıllarda nörobilim ve biyoinformatik alanlarında kaydedilen muazzam ilerleme beyin-bilgisayar arayüzlerinde (BCI) gerçekleşen ilerlemelerin önünü açmıştır. Disiplinler arası bu alanlar, beyin sinyallerini anlamak ve kontrol etmek için yeni fırsatlar yaratmak ve nihayetinde insanların teknolojiyle nasıl etkileşime girdiğini iyileştirmek için bir araya gelmiştir. Sinirbilim ve biyoinformatiğin kesişimi, beyin-bilgisayar etkileşimlerini değiştirmek için muazzam bir potansiyele sahip olan nöromühendislik ve nöroteknolojilerin doğuşuyla sonuçlanmıştır. Bu yeni teknolojiler, son teknoloji donanım, güçlü sinyal işleme ve nöral cihazlarla kapalı döngü etkileşimlere verilen fizyolojik tepkilerin kapsamlı bir şekilde anlaşılmasını sağlamaktadır. Araştırmacılar, elektrot-doku arayüzünde kalan engelleri aşarak, yerleşik hesaplama ile implante edilebilir donanım geliştirerek ve nöral dokuyu hassas bir şekilde aktive etmek için stimülasyon yöntemlerini geliştirerek beyin fonksiyonunu anlama ve çok çeşitli nörolojik bozuklukları tedavi etme konusunda önemli ilerlemeler kaydetmektedir^1-3.

Şekil 1. Beyin-bilgisayar arayüz mekanizması²⁰. Döngü, beyin aktivitesine neden olan bir uyaranla başlar. Aktivite çeşitli yollarla toplanır ve daha sonra ön işleme için bir bilgisayara iletilmektedir. Veriler işlendikten sonra, belirli özellikler çıkarılır ve sınıflandırılır ve bir çıktı üretilmektedir ve iletilmektedir. Çıktı yeni bir uyaran için geri bildirim oluşturduğunda döngü yeniden başlamaktadır.

BCI alanı, başlangıçtaki terapötik uygulamaların ötesine geçerek çok çeşitli olası uygulamaları içerecek şekilde önemli ölçüde büyümüştür. Giyilebilir ve mobil biyosensörler, nörobilim, hesaplama ve analitik teknikler ve yaygın bilgi işlem alanındaki ilerlemelerle birlikte, standart insan-bilgisayar arayüzlerinin ötesine geçen beyin tabanlı teknolojilerin yaratılmasına zemin hazırlamıştır. Bu teknolojiler, bilgisayarlarla ve çevremizle etkileşim şeklimizi değiştirme potansiyeline sahiptir ve beyin işlevini geri kazanmanın, geliştirmenin ve hatta artırmanın yeni yollarını açmaktadır Bu bulgular BCI sistemlerinin tasarımını etkilemiş, sinirsel sinyallerin, sinyal işleme algoritmalarının ve beyin aktivitesini kontrol komutlarına etkili bir şekilde çevirebilen geri bildirim mekanizmalarının seçimini yönlendirmiştir¹.

Araştırmalar, motor korteks gibi çeşitli beyin bölgelerinin, istemli hareketlerin planlanması ve yürütülmesi sırasında benzersiz faaliyet modelleri sergilediğini göstermiştir. Bu nöral parmak izleri, elektroensefalografi veya implante elektrotlar gibi invazif olmayan yöntemlerle tanınabilmektedir. Kullanıcıların sadece istenen davranışı hayal ederek bilgisayar arayüzlerini veya yardımcı ekipmanı çalıştırmasına olanak tanımaktadır. Beynin uyum sağlama ve öğrenme yeteneği üzerine yapılan araştırmalar, kullanıcının sinirsel tepkilerine göre performanslarını ince ayarlayabilen ve böylece zaman içinde genel sistem performansını ve kullanılabilirliğini artıran uyarlanabilir BCI algoritmalarının geliştirilmesiyle sonuçlanmıştır^4-5.

Uyarlanabilir ve Kişiselleştirilmiş BCI Sistemleri

BCI, beyin ve harici ekipman arasında doğrudan bağlantıya izin veren ve nörolojik uyarıları kullanarak bilgisayarları, protezleri ve diğer yardımcı teknolojileri kontrol etmeyi mümkün kılan yıkıcı bir teknolojidir. Uyarlanabilir ve kişiselleştirilmiş BCI sistemlerinin oluşturulması, özellikle klinik ve rehabilitasyon ortamlarında kullanıcı deneyimini ve bu arayüzlerin etkinliğini artırmak için kritik öneme sahiptir. Uyarlanabilir BCI’lar, kullanıcının değişen zihinsel durumuna, performansına ve ortam faktörlerine yanıt olarak çalışmalarını değiştirmek üzere tasarlanmıştır. Bu uyarlanabilirlik, özellikle elektroensefalografi  (EEG) sinyallerinin özelliklerinin zaman içinde önemli ölçüde değişebileceği durağan olmayan bağlamlarda arayüzün duyarlılığını ve doğruluğunu artırmak için kritik öneme sahiptir. Örneğin, uyarlanabilir algoritmalar, kullanıcının bilişsel durumundaki veya sinyal kalitesindeki değişiklikleri hesaba katmak için sistemi gerçek zamanlı olarak yeniden kalibre edebilir ve genel performansı artırabilmektedir^6-10.

Uyarlanabilir BCI’lar, arayüzü kontrol etmekle ilgili bilişsel zorlanmayı azaltırken kullanıcı katılımını artırma kapasiteleri nedeniyle önemlidir. Hızlı geri bildirim sağlayan ve kullanıcının ihtiyaçlarına tepki veren uyarlanabilir BCI’lar, daha sezgisel katılımı teşvik edebilmektedir; bu durum onları özellikle motor engelli veya nörolojik hastalıkları olan kişiler için yararlı hale getirebilmektedir. Uyarlanabilirlik özelliği, beraberinden daha iyi rehabilitasyon sonuçlarını, kullanıcıların motive olmalarını ve terapilere olan ilgisinin artmasını da beraberinde getirebilme olasılığını artırmaktadır^11-13.

Kişiselleştirilmiş BCI Sistemleri

Kişiselleştirilmiş BCI sistemleri, arayüzü her kullanıcının kendine özgü niteliklerine, tercihlerine ve ihtiyaçlarına göre kişiselleştirerek ilgili teknolojiyi ileri taşımaktadır. Bu kişiselleştirme, kullanıcının bireyler arasında büyük farklılıklar gösterebilen belirli beyin aktivitesi modellerine bağlı olarak sınıflandırma algoritmalarının değiştirilmesini içerebilmektedir. Örneğin, birkaç seanstan elde edilen EEG verilerini değerlendirmek için makine öğrenimi teknikleri kullanılabilmektedir böylece sistemin zaman içinde kullanıcının benzersiz nöral parmak izlerini öğrenmesi ve bunlara uyum sağlaması mümkün olmaktadır^14-16.

Kişiselleştirilmiş BCI’ların oluşturulması, arayüzün etkinliğinin hasta sonuçları üzerinde büyük bir etkiye sahip olabileceği rehabilitasyon ortamlarında özellikle önemlidir. Uygulayıcılar, BCI deneyimini kişiselleştirerek, sistemin hastaların bilişsel ve fiziksel kapasitelerine uygun olmasını sağlayarak hastalar için terapötik avantajları artırabilmektedir. Bununla birlikte, kişiselleştirilmiş BCI’lar, beyin sinyali modellerindeki bireysel farklılıklar nedeniyle bazı kullanıcıların arayüzün kontrolünü elde etmekte zorlandığı BCI cehaleti sorununu çözmeye yardımcı olabilmektedir^17-18.

Mevcut BCI Teknolojileri ve Yöntemleri

BCI, kaslar ve sinirler gibi geleneksel kanalları atlayarak beyin ve harici ekipman arasında doğrudan iletişime izin veren teknolojide önemli bir yeniliktir. Bu çığır açan teknik, beyin aktivitesini yakalamak için invazif olmayan bir yöntem olarak öncelikle EEG kullanmaktadır ve özellikle engelli kişilerin tekerlekli sandalye, bilgisayar ve nöroprotez gibi cihazları düşünceleriyle çalıştırmasına olanak tanımaktadır¹⁹.

BCI’lar, sinyal yakalama, ön işleme, özellik çıkarma, özellik çevirisi ve cihaz çıkışı olmak üzere beş aşamada çalışmaktadır. Bahsedilen aşamalar, beyin bilgilerini eyleme geçirilebilir talimatlara dönüştürmek için kritik öneme sahiptir. Örneğin, EEG verileri nöronal elektriksel aktiviteyi izlemek için kafa derisine yerleştirilen elektrotlar kullanılarak kaydedilmektedir. Gelişmiş algoritmalar daha sonra kullanıcının niyetini belirlemek için bu sinyalleri değerlendirerek gerçek zamanlı cihaz kontrolüne olanak tanır. Sabit durum görsel uyarılmış potansiyeller (SSVEP’ler) gibi çeşitli paradigmalar, BCI sistemlerinin doğruluğunu ve verimliliğini artırmak için sıklıkla kullanılmaktadır^20-21.

Makine öğrenimi tekniklerinin BCI’a dahil olması beyin-bilgisayar arayüzlerinin gelişimine katkı sunmuştur. Makine öğrenimi algoritmaları, beyin aktivitesindeki örüntüleri tespit etmek için eğitilebilmektedir, böylece daha gelişmiş kontrol mekanizmaları ve bireyselleştirilmiş kullanıcı deneyimleri sağlanabilmektedir. Uyarlanabilirlik özelliği,  kullanıcılar BCI’ları kullanmayı öğrendikçe daha önemli hale gelmektedir ve etkili iletişim için kullanıcı eğitiminin ve sistem optimizasyonunun önemini vurgulamaktadır. Hem kullanıcının hem de sistemin birbirinden öğrendiği BCI kullanımının işbirliğine dayalı doğası, bu arayüzlerin vaatlerini tam olarak gerçekleştirmek için kritik öneme sahiptir²².

Biyoinformatik ve Nörobilim (Sinirbilim) Entegrasyonu

Biyoinformatik ve sinirbilimin entegrasyonu, sinir sistemi ve ilişkili bozuklukları anlayışımızı geliştirmek için hesaplama araçları ve metodolojilerinden yararlanan ve hızla gelişen bir alandır. Disipliner arası bu yaklaşım, karmaşık biyolojik soruları ele almak ve kişiselleştirilmiş tıbbı ilerletmek için gerekmektedir. Bu iki alanın yakınsaması, büyük veri kümelerinin analizini kolaylaştırarak araştırmacıların yalnızca geleneksel yöntemlerle elde edilmesi zor olan kalıpları ve içgörüleri ortaya çıkarmasını sağlamaktadır. Entegrasyonun temel hedeflerinden biri, araştırmacıların veri paylaşmasına ve daha etkili bir şekilde işbirliği yapmasına olanak tanıyan çerçeveler oluşturmaktır. NIF(Neuronal Intermediate Filament/Nöronal Ara Filament), sinirbilimle ilgili veri ve araçların aranabilir bir koleksiyonunu sağladığı için bu açıdan değerli bir kaynaktır. NIF, genetik ve biyoinformatik gibi alanlarda daha bütüncül çalışmalara olanak tanıyarak çoklu veri tabanlarına erişimi geliştirmeyi amaçlamaktadır. Bu tür çerçeveler, işbirliğini teşvik etmek ve değerli verileri daha geniş bir bilimsel topluluğun kullanımına sunmak için kritik öneme sahiptir ve her iki alanda da araştırmaları ilerletmek için gereklidir^23-25.

Bu yaklaşımlar, nörolojik hastalıkların temelini oluşturan moleküler süreçlerin kapsamlı bir resmini sunmak için genomlar, proteomikler ve metabolomikler dahil olmak üzere çoklu biyolojik katmanlardan elde edilen verileri birleştirmektedir. Örneğin son zamanlarda yapılan araştırmalara göre, nöroproteomiklerin nörotravma için biyobelirteçleri ve terapötik hedefleri belirlemedeki vaadini vurgulayarak daha bireyselleştirilmiş tedavi seçeneklerinin önünü açmıştır. Bu bütüncül bakış açısı, nörolojik bozukluklara katkıda bulunan genetik, çevresel ve moleküler faktörlerin karmaşık bağlantılarını anlamak için kritik öneme sahiptir^26-28.

Şekil 2. Biyoinformatik ve Sinirbilim Entegrasyonu²⁸. Sistem biyoinformatiği, nörodejeneratif hastalıklarda beyin ağlarının ve patojenik profillerin yeniden yapılandırılmasına katkıda bulunmaktadır. (A) Her bir omik katmanından entegre bir çoklu omik veri ağı elde edilebilmektedir. Bilinen klinik ve görüntüleme özellikleriyle entegre ağların bir kombinasyonu, beyindeki nörodejeneratif hastalık patolojik profillerinin yeniden yapılandırılması için kapsamlı moleküler bilgi sağlayabilmektedir. (B) Nöroinflamasyon, nörodejenerasyon ve nöroimmün düzensizlik gibi farklı hastalık durumları altında heterojen omik profillerin varlığı, omik katman değişikliklerinin farklı kombinasyonlarıyla ayırt edilebilmektedir. (C) Yeniden inşa edilen beyin ağları, belirli hastalık durumları sırasında gerçek biyolojik sistemler ve mikro ortamlarla bağlantılı patolojik profilleri yansıtabilmektedir.

Beyin-Bilgisayar Arayüzleri: Uygulama Alanları ve Örnekler

BCI’lar sağlık, rehabilitasyon, yardımcı teknoloji ve eğlence dahil olmak üzere çeşitli sektörlerde çok sayıda uygulama ile dönüştürücü teknolojiler olarak gelişmiştir. Beyin aktivitesini eyleme geçirilebilir komutlara dönüştürme kapasitesi, kullanıcıların, özellikle de engelli kişilerin çevreleriyle benzersiz şekillerde etkileşim kurmalarına olanak tanımaktadır. En yaygın uygulamalardan biri, özellikle felç gibi nörolojik olaylardan sonra rehabilitasyon için sağlık hizmetleridir. Hastaların fiziksel aktivitelerini gerçekleştirmelerine yardımcı olan robotik ekipmanları çalıştırmak için kullanılabilmektedir; bununla birlikte rehabilitasyon süreçleri iyileştirilmektedir. Yapılan bilimsel araştırmalara göre, serebral aktiviteyi geri bildirim cihazlarıyla senkronize ederek nöroplastisite yoluyla motor fonksiyon iyileşmesini artıran kapalı döngü sistemlerine yol açabilmektedir. Bu yöntem yalnızca motor becerilerin geri kazanılmasına yardımcı olmakla kalmamaktadır;  optimum rehabilitasyon için kritik olan gerçek zamanlı geri bildirim de sağlamaktadır^29-31. Ciddi motor engelleri olan kişilerin yaşam kalitesini artırmak için yardımcı teknolojilerde kullanılmaktadır. Bu teknolojiler, insanların tekerlekli sandalye veya bilgisayar gibi harici cihazları beyin uyarıları yoluyla çalıştırmalarını sağlamaktadır. Örneğin, BCI’lar ALS ve omurilik yaralanması olan kişilerin çevreleriyle iletişim ve etkileşim kurmalarına yardımcı olmak için etkili bir şekilde kullanılmaktadır. non-invaziv EEG teknolojisinin kullanımı, cerrahi müdahale gerektirmeyen kullanıcı dostu arayüzlerin oluşturulmasını sağladığı için bu alanda çok yararlı olmuştur^32-33.

Teknolojik Gelişmeler ve Gelecek Yönelimleri

BCI teknolojisindeki son gelişmeler, bu sistemlerin uyarlanabilirliğini ve kişiselleştirilmesini artırmaya odaklanmıştır. LDA (Latent Dirichlet allocation/Gizli Dirichlet dağılımı) algoritmaları gibi teknikler, BCI’ların gerçek zamanlı kontrolünü ve sınıflandırma doğruluğunu iyileştirme konusunda umut vaat etmektedir. Ayrıca, sinir sistemi geri dönüş tekniklerinin dahil edilmesi, kullanıcıların beyin aktiviteleri hakkında gerçek zamanlı bilgi almalarını sağlayarak öz düzenlemeyi mümkün kılmakta ve sistemin uyarlanabilirliğini artırmaktadır. Gelecekteki araştırmalar, kullanıcının zihinsel durumları ile BCI performansı arasındaki ilişkinin yanı sıra BCI’ların VR (Virtual reality/Sanal gerçeklik) ve AI (Artificial intelligence/Yapay zeka) gibi diğer teknolojilerle birleştirilmesi olasılığına odaklanmalıdır. Bu bağlantılar, daha sürükleyici ve başarılı rehabilitasyon deneyimleriyle sonuçlanabilmektedir ve sonuçta engelli insanlar için yaşam kalitesini artırabilir^34-35.

Sonuç olarak nörobilim ve biyoinformatik alanındaki hızlı atılımlar, BCI yeni metodolojilerin ve uygulamaların ortaya çıkmasını sağlamıştır. Beyin dürtülerini anlamak ve bunları bilgisayarlarla iletişim kurmak için kullanmak, yalnızca nörorehabilitasyon gibi tedavi sektörlerini değil, aynı zamanda eğitim, eğlence ve günlük yaşamın diğer birçok yönünü de dönüştürme potansiyeline sahiptir. Bu çalışmada sunulan teknoloji ve yöntemler, BCI sistemlerini daha uyarlanabilir, kişiselleştirilmiş ve kullanıcı dostu hale getirme konusunda önemli bir ilerleme olduğunu göstermektedir. BCI’ların kullanıcıya göre uyarlanması ve uyarlanabilir algoritmaların uygulanması, sistem doğruluğunu ve verimliliğini artırarak nörolojik hastalıklardan muzdarip insanlar için muazzam bir umut kaynağı olmuştur. Ayrıca, biyoinformatik ve nörobilimin artan entegrasyonu, veri analizi ve sinyal işleme yaklaşımlarını geliştirerek BCI performansını artıracaktır. Bu bağlamda, gelecekteki araştırmaların BCI’ları yapay zeka ve sanal gerçeklik gibi diğer yeni teknolojilerle birleştirerek uygulama alanlarını genişletmesi beklenmektedir. Son olarak, nörobilim ve biyoinformatik ile işbirliği içinde geliştirilen yeni yaklaşımlar, hem insan-bilgisayar etkileşiminde hem de nörolojik tedavi yöntemlerinde devrim yaratma potansiyeline sahiptir.

Yazar: Alper DEMİREZEN

Editör: Gülnur UZUN

Referanslar

1. B. J. Lance, S. E. Kerick, A. J. Ries, K. S. Oie and K. McDowell, “Brain–Computer Interface Technologies in the Coming Decades,” in Proceedings of the IEEE, vol. 100, no. Special Centennial Issue, pp. 1585-1599, 13 May 2012, doi: 10.1109/JPROC.2012.2184830. 
2. Moritz CT, Ruther P, Goering S, Stett A, Ball T, Burgard W, Chudler EH, Rao RP. New Perspectives on Neuroengineering and Neurotechnologies: NSF-DFG Workshop Report. IEEE Trans Biomed Eng. 2016 Jul;63(7):1354-67. doi: 10.1109/TBME.2016.2543662
3. Weber C. Identifying Neurotechnology Challenges at NeuroCAS. IEEE Pulse. 2019 May-Jun;10(3):26-30. doi:  10.1109/MPULS.2019.2911809
4. Bonci, A.; Fiori, S.; Higashi, H.; Tanaka, T.; Verdini, F. An Introductory Tutorial on Brain–Computer Interfaces and Their Applications. Electronics 2021, 10, 560. https://doi.org/10.3390/electronics10050560
5. McFarland, D. J., & Wolpaw, J. R. (2011). Brain-Computer Interfaces for Communication and Control. Communications of the ACM, 54(5), 60–66. https://doi.org/10.1145/1941487.1941506
6. Raza, H., Rathee, D., Zhou, S. M., Cecotti, H., & Prasad, G. (2019). Covariate shift estimation based adaptive ensemble learning for handling non-stationarity in motor imagery related EEG-based brain-computer interface. Neurocomputing, 343, 154–166. https://doi.org/10.1016/j.neucom.2018.04.087
7. Raza, H., Rathee, D., Zhou, S. M., Cecotti, H., & Prasad, G. (2019). Covariate shift estimation based adaptive ensemble learning for handling non-stationarity in motor imagery related EEG-based brain-computer interface. Neurocomputing, 343, 154–166. https://doi.org/10.1016/j.neucom.2018.04.087
8. Covariate shift estimation based adaptive ensemble learning for handling non-stationarity in motor imagery related EEG-based brain-computer interface, Neurocomputing. https://doi.org/10.1016/j.neucom.2018.04.087
9. Nann M, Haslacher D, Colucci A, Eskofier B, von Tscharner V, Soekadar SR. Heart rate variability predicts decline in sensorimotor rhythm control. J Neural Eng. 2021 Jul 23;18(4).  doi:10.1088/1741-2552/ac1177
10. Myrden A, Chau T. Effects of user mental state on EEG-BCI performance. Front Hum Neurosci. 2015 Jun 2;9:308. doi: 10.3389/fnhum.2015.00308
11. Foldes ST, Weber DJ, Collinger JL. MEG-based neurofeedback for hand rehabilitation. J Neuroeng Rehabil. 2015 Sep 22;12:85. doi: 10.1186/s12984-015-0076-7
12. Ferrero, L., Quiles, V., Ortiz, M., Iáñez, E., Gil-Agudo, A., & Azorı́n, J. M. (2023). Brain-computer interface enhanced by virtual reality training for controlling a lower limb exoskeleton. iScience, 26(5), 106675. https://doi.org/10.1016/j.isci.2023.106675
13. Mondini V, Mangia AL, Cappello A. EEG-Based BCI System Using Adaptive Features Extraction and Classification Procedures. Comput Intell Neurosci. 2016;2016:4562601. doi: 10.1155/2016/4562601
14. Welter M, Lotte F. Ecological decoding of visual aesthetic preference with oscillatory electroencephalogram features-A mini-review. Front Neuroergon. 2024 Feb 21;5:1341790. doi: 10.3389/fnrgo.2024.1341790
15. Nierhaus T, Vidaurre C, Sannelli C, Mueller KR, Villringer A. Immediate brain plasticity after one hour of brain-computer interface (BCI). J Physiol. 2021 May;599(9):2435-2451. doi: 10.1113/JP278118
16. Meenakshinathan J, Gupta V, Reddy TK, Behera L, Sandhan T. Session-independent subject-adaptive mental imagery BCI using selective filter-bank adaptive Riemannian features. Med Biol Eng Comput. 2024 Nov;62(11):3293-3310 doi: 10.1007/s11517-024-03137-5
17. Alimardani M, Hiraki K. Passive Brain-Computer Interfaces for Enhanced Human-Robot Interaction. Front Robot AI. 2020 Oct 2;7:125. doi: 10.3389/frobt.2020.00125
18. Aliakbaryhosseinabadi S, Farina D, Mrachacz-Kersting N. Real-time neurofeedback is effective in reducing diversion of attention from a motor task in healthy individuals and patients with amyotrophic lateral sclerosis. J Neural Eng. 2020 Jun 22;17(3):036017. doi: 10.1088/1741-2552/ab909c
19. Lotte, F., & Guan, C. (2010). Learning from other subjects helps reducing brain-computer interface calibration time. *Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP)*, 2010, 614–617. https://doi.org/10.1109/ICASSP.2010.5495183
20. Paulmurugan, K., Vijayaragavan, V., Ghosh, S., Padmanabhan, P., & Gulyás, B. (2021). Brain-Computer Interfacing Using Functional Near-Infrared Spectroscopy (fNIRS). Biosensors, 11(10), 389. https://doi.org/10.3390/bios11100389
21. Rocha-Herrera CA, Díaz-Manríquez A, Barron-Zambrano JH, Elizondo-Leal JC, Saldivar-Alonso VP, Martínez-Angulo JR, Nuño-Maganda MA, Polanco-Martagon S. EEG Feature Extraction Using Evolutionary Algorithms for Brain-Computer Interface Development. Comput Intell Neurosci. 2022 Jun 29;2022:7571208. doi: 10.1155/2022/7571208
22. McFarland, D. J. and Wolpaw, J. R. (2018). Brain–computer interface use is a skill that user and system acquire together. PLOS Biology, 16(7), e2006719. https://doi.org/10.1371/journal.pbio.2006719
23. Akil, H., Martone, M. E., & Essen, D. C. V. (2011). Challenges and opportunities in mining neuroscience data. Science, 331(6018), 708-712. https://doi.org/10.1126/science.1199305
24. Imam, F. T., Larson, S., Bandrowski, A., Grethe, J. S., Gupta, A., & Martone, M. E. (2012). Development and use of ontologies inside the neuroscience information framework: a practical approach. Frontiers in Genetics, 3. https://doi.org/10.3389/fgene.2012.00111
25. Vasilevsky, N., Johnson, T., Corday, K., Torniai, C., Brush, M., Segerdell, E., … & Haendel, M. (2012). Research resources: curating the new eagle-i discovery system. Database, 2012(0), bar067-bar067. https://doi.org/10.1093/database/bar067
26. Kobeissy, F., Goli, M., Yadikar, H., Shakkour, Z., Kurup, M., Haidar, M. A., … & Mechref, Y. (2023). Advances in neuroproteomics for neurotrauma: unraveling insights for personalized medicine and future prospects. Frontiers in Neurology, 14. https://doi.org/10.3389/fneur.2023.1288740
27. O’Connor, L., O’Connor, B., Lim, S. B., & Lo, C. H. (2023). Integrative multi-omics and systems bioinformatics in translational neuroscience: a data mining perspective. Journal of Pharmaceutical Analysis, 13(8), 836-850. https://doi.org/10.1016/j.jpha.2023.06.011
28. Zhang, C., Wang, J., & Li, Y. (2023). Integrative multi-omics and systems bioinformatics in translational neuroscience: A data mining perspective. Journal of Pharmaceutical Analysis, 13(8), 836-850. https://doi.org/10.1016/j.jpha.2023.06.011
29. Chowdhury, A. and Andreu-Pérez, J. (2021). Clinical brain–computer interface challenge 2020 (cbcic at wcci2020): overview, methods and results. IEEE Transactions on Medical Robotics and Bionics, 3(3), 661-670. https://doi.org/10.1109/tmrb.2021.3098108
30. Sebastián-Romagosa, M., Cho, W., Ortner, R., Murovec, N., Oertzen, T. J. v., Kamada, K., … & Guger, C. (2020). Brain computer interface treatment for motor rehabilitation of upper extremity of stroke patients—a feasibility study. Frontiers in Neuroscience, 14. https://doi.org/10.3389/fnins.2020.591435
31. Colucci, A., Vermehren, M., Cavallo, A., Angerhöfer, C., Peekhaus, N., Zollo, L., … & Soekadar, S. R. (2022). Brain–computer interface-controlled exoskeletons in clinical neurorehabilitation: ready or not?. Neurorehabilitation and Neural Repair, 36(12), 747-756. https://doi.org/10.1177/15459683221138751
32. Jamil, N., Belkacem, A. N., Ouhbi, S., & Lakas, A. (2021). Noninvasive electroencephalography equipment for assistive, adaptive, and rehabilitative brain–computer interfaces: a systematic literature review. Sensors, 21(14), 4754. https://doi.org/10.3390/s21144754
33. Olszewska, J. I. (2021). Human computer interaction feedback based-on data visualization using mvar and nn. 2021 IEEE 15th International Symposium on Applied Computational Intelligence and Informatics (SACI). https://doi.org/10.1109/saci51354.2021.9465564
34. Wu S, Bhadra K, Giraud AL, Marchesotti S. Adaptive LDA Classifier Enhances Real-Time Control of an EEG Brain-Computer Interface for Decoding Imagined Syllables. Brain Sci. 2024 Feb 21;14(3):196. doi: 10.3390/brainsci14030196
35. Wolpaw, J. R. (2007). Brain-computer interfaces for communication and control. Journal of Clinical Neurophysiology, 18(6), 515-525. https://doi.org/10.1097/WNP.0b013e31815ab473

BIOINFORANGE