بسم الله الرحمن الرحیم
واسط مغز-رایانه (brain–computer interface) (مخفف: BCI)، که برخی مواقع به آن واسط مغز-ماشین (BMI) نیز گفته می‌شود، یک مسیر مستقیم ارتباطی بین فعالیت‌های الکتریکی مغزی و یک دستگاه خارجی است که اغلب یک کامپیوتر یا عضو رباتیک می‌باشد. واسط‌های مغز و رایانه اغلب برای چنین اهدافی به کار می‌روند: تحقیقات، نگاشت مغزی، یاریگری، ازدیاد توانایی انسان، ترمیم ادراک انسانی یا عملکردهای حسی-حرکتی.[۱] دامنه پیاده‌سازی‌های BCIها در چنین مواردی است: EEG، MEG، EOG، MRI، که برحسب این که الکترودها تا چه میزان نزدیک بافت عصبی باشند، برخی تاحدی تهاجمی (مثل ECoG و درون-عروقی) و برخی دیگر تهاجمی (مثل آرایه میکروالکترودی) هستند.[۲]
تحقیقات بر روی BCIها در دهه ۱۹۷۰ میلادی توسط «ژاک وایدال» (Jacques Vaidal) در دانشگاه کالیفرنیا در لس آنجلس (UCLA) تحت کمک هزینه از سوی بنیاد ملی علوم و در پی بسته شدن قراردادی با دارپا شروع شد.[۳][۴] مقاله ۱۹۷۳ میلادی وایدال، اولین ظهور عبارت «واسط مغز-کامپیوتر» در متون علمی است.
بر اساس قابلیت انعطاف‌پذیری غشای خارجی مغز، پیامهایی که از اندام‌های ساختگی کاشته شده ارسال می‌گردند، پس از سازگاری، می‌توانند مانند ارتباطات طبیعی حسی-حرکتی توسط مغز کنترل شوند.[۵] پس از سال‌ها آزمایش بر روی جانوران، اولین دستگاه‌های نوروپروستتیک کاشته شده در انسان‌ها طی اواسط دهه ۱۹۹۰ میلادی ظهور پیدا کردند.
اخیراً مطالعاتی در زمینهٔ تعامل انسان و رایانه صورت گرفته که در آن از یادگیری ماشین برای تحلیل داده‌های آماری زمانی استخراج شده از لوب پیشانی (نوار مغزی EEG) استفاده کرده‌اند و در نتیجه آن موفقیت بالایی در رده‌بندی حالات ذهنی (استراحت، خنثی، تمرکز)،[۶] حالات هیجانی ذهنی (منفی، خنثی، مثبت)[۷] و دیسریتمیای تالاموکورتیکال بدست آمده‌است.[۸]
با انفجار عظیم فناوری در چند دهه اخیر، مرز بین انسان و ماشین باریک‌تر شده است. مرزهای این روش‌های جدید، واسط مغز-کامپیوتر (BCI) و هوش مصنوعی (AI) است. پارادایم‌های تجربی برای BCI و AI معمولاً مستقل از یکدیگر توسعه یافته و اعمال می‌شوند. با این حال اکنون دانشمندان ترجیح می‌دهند BCI و AI را ترکیب کنند که استفاده موثر از سیگنال‌های الکتریکی مغز برای مانور دادن دستگاه‌های خارجی ممکن میکند.
واسط مغز-کامپیوتر (BCI) که گاهی اوقات واسط عصبی مستقیم یا واسط مغز-کامپیوتر (BMI) نامیده می‌شوند. آن تکنولوژی است که به مغز انسان و یک دستگاه خارجی اجازه می‌دهد با یکدیگر صحبت کنند و سیگنال‌ها را مبادله کنند. این روند، توانایی به انسان می‌دهد تا مستقیماً ماشین‌ها را بدون محدودیت‌های فیزیکی کنترل کند. بنابراین آن دستگاهی است که اطلاعات عصبی را به دستوراتی تبدیل میکند که قادر به کنترل نرم افزار یا سخت افزار خارجی مانند کامپیوتر یا بازوی رباتیک است. BCIها اغلب به عنوان وسایل کمکی برای زندگی افراد دارای اختلالات حرکتی یا حسی استفاده می‌شوند.
ارتباط بین مغز و BCI یک پیوند دو طرفه است (یک واسط دوطرفه). یک جهت شامل BCIای است که فعالیت مغز را به کامپیوتر می‌فرستد و کامپیوتر، فعالیت مغز را به دستورات حرکتی به نام Passive BCI تبدیل میکند. ارتباط همچنین ممکن است در جهت دیگری اتفاق بیفتد-جایی که کامپیوتر، اطلاعات را مستقیماً به مغز کاربر می‌فرستد. این Active BCI است.
مغز انسان مملو از سلول‌هایی است که نورون نامیده می‌شود. هر بار که فکر می‌کنیم، حرکت می‌کنیم، احساس می‌کنیم یا چیزی را به یاد می‌آوریم، این نورون‌ها در کار هستند و اطلاعات را به شکل سیگنال‌های بیوشیمیایی و الکترویکی از یک قسمت بدن به قسمت دیگر منتقل می‌کنند. این سیگنال‌های الکتریکی گاهی با حداکثر سرعت 150 متر بر ثانیه حرکت می‌کنند. مسیر سیگنال عمدتاً عایق است اما برخی از سیگنال‌ها از این عایق فرار می‌کنند. این سیگنال‌های الکتریکی فراری همان چیزی هستند که دستگاه‌های BCI سعی می‌کنند با استفاده از الکتروانسفالوگرافی (EEG) شناسایی و تفسیر کنند. EEG می‌تواند سیگنال‌های مغز انسان را بخواند و به تقویت کننده‌ها بفرستد. سپس سیگنال‌های تقویت شده توسط یک برنامه‌ی کامپیوتری BCI تفسیر می‌شوند که از سیگنال‌ها برای کنترل یک دستگاه استفاده میکند.
به گفته‌ی Davide Valeriani، محقق فوق دکترا در واسط‌های مغز-کامپیوتر در دانشگاه Essex «ترکیب انسان و فناوری می‌تواند قدرتمندتر از هوش مصنوعی شود. برای مثال، هنگامی که ما بر اساس ترکیبی از ادراک و استدلال تصمیم گیری می‌کنیم، فناوری‌های عصبی می‌توانند برای بهبود درک ما استفاده شوند. این می‌تواند در موقعیت‌هایی مانند دیدن یک تصویر بسیار تار از دوربین امنیتی و تصمیم گیری در مورد مداخله یا عدم مداخله به ما کمک میکند.»
سه نوع BCI بر اساس الکترودهای مورد استفاده برای سنجش فعالیت مغز وجود دارند. آنها تهاجمی، نیمه تهاجمی و غیرتهاجمی هستند.
BCIهای تهاجمی به طور مستقیم در ماده خاکستری مغز در طول جراحی مغز و اعصاب کاشته می‌شوند. دانشمندان با استفاده از تراشه‌های کاشته شده روی مغز می‌توانند شلیک صدها نورون در مغز را بخوانند. سپس زبان شلیک عصبی به مترجم کامپیوتری ارسال می‌شود که از الگوریتم‌های ویژه‌ای برای رمزگشایی زبان عصبی به زبان کامپیوتر استفاده میکند. سپس به کامپیوتر دیگری ارسال می‌شود که اطلاعات ترجمه شده را دریافت میکند. و به دستگاه می‌گوید که چه کاری انجام دهد. هنگامی که دستگاه‌های تهاجمی در ماده‌ی خاکستری قرار می‌گیرند، سیگنال‌های با بالاترین کیفیت از دستگاه‌های BCI تولید می‌کنند اما ممکن است بافت اسکار شوند که باعث می‌شود سیگنال تحت تأثیر قرار بگیرد یا حتی از بین برود زیرا بدن به یک جسم خارجی در مغز پاسخ می‌دهد.
دستگاه‌های BCI نیمه تهاجمی در داخل جمجمه کاشته می‌شوند اما در خارج از مغز قرار می‌گیرند نه در ماده‌ی خاکستری. آن سیگنال‌ها، وضوح بهتری نسبت به BCIهای غیرتهاجمی تولید می‌کنند که در آن بافت استخوانی جمجمه، سیگنال‌ها را منحرف می‌کنند و تغییرشکل می‌دهد. به این ترتیب خطر کمتری برای تشکیل بافت اسکار در مغز نسبت به BCIهای کاملاً تهاجمی دارد.
الکتروکورتیکوگرافی (ECoG)، فعالیت الکتریکی مغز از زیرجمجمه به روشی مشابه با الکتروانسفالوگرافی غیرتهاجمی گرفته می‌شود اما الکترودها در یک پد پلاستیکی نازک در بالای قشر قرار می‌گیرند.
ساده‌ترین و کم تهاجمی‌ترین روش اکتساب سیگنال، مجموعه‌ای از الکترودهاست و این دستگاه به عنوان الکتروانسفالوگراف شناخته می‌شود (EEG) و روش‌های دیگر MEG (مگنتوانسفالوگرافی) هستند. الکترودها می‌توانند سیگنال‌های مغزی را بخوانند. صرف نظر از محل قرارگیری الکترودها، مکانیسم اصلی یکسان است: الکترودها تفاوت‌های دقیقه‌ای در ولتاژ بین نورون‌ها را محاسبه می‌کنند. سپس سیگنال تقویت شده و فیلتر می‌شود. در سیستم‌های BCI موجود، سپس سیگنال توسط یک برنامه‌ی کامپیوتری تفسیر می‌شود.
یک الکتروانسفالوگرافی (EEG) با استفاده از دیسک‌های فلزی کوچک (الکترود) متصل به پوست سر، فعالیت الکتریکی مغز را تشخیص می‌دهد. سلول‌های مغز شما از طریق ایمپالس‌های الکتریکی با هم ارتباط برقرار می‌کنند و همیشه فعال هستند. حتی زمانی که خواب هستید. این فعالیت به صورت خطوط موجی در ثبت EEG نشان داده می‌شوند.
فعالیت مغز با استفاده از توالی مراحل پردازش به سیگنال کنترلی برای یک دستگاه خارجی تبدیل می‌شود. کاربر، بازخورد را از دستگاه دریافت میکند و حلقه را می‌بندد.
دو راه برای تولید این سیگنال‌های مغزی وجود دارد:
این سیگنال‌ها را میتوان با ارائه محرک به سابجکت تولید کرد و یا اینکه سابجکت این حرکات را تصور کند.
حال تنها کاری که باید کرد این است که امواج مغزی که قبلاً توسط سابجکت ایجاد شده‌اند را بخوانیم.
روش‌های مختلفی برای تشخیص سیگنال‌های مغزی وجود دارد. شناخته شده‌ترین آنها EEG, FMRI هستند اما موارد دیگری نیز وجود دارند. EEG فعالیت الکتریکی مغز را اندازه گیری میکند FMRI فعالیت مغز را با تشخیص تغییرات مربوط به جریان خون در مغز اندازه گیری میکند.
هر یک از این روش‌ها مزایا و معایب خود را دارند. برخی از آنها رزولوشن زمانی بهتری دارند و برخی رزولوشن مکانی بهتری دارند.
یکی از مسائلی که هنگام کار با داده‌های مغزی با آنها مواجه خواهیم شد این است که این داده‌ها نویز زیادی دارند. به عنوان مثال هنگام استفاده از EEG، مواردی مانند ساییدن دندان‌ها و همچنین حرکات چشم در داده‌ها مشخص می‌شوند. این نویز باید فیلتر شود.
اکنون میتوان از داده برای تشخیص سیگنال‌های واقعی استفاده کرد. زمانی که سابجکت به طور فعال سیگنال تولید میکند ما معمولاً از نوع سیگنال‌هایی که می‌خواهیم تشخیص دهیم آگاه هستیم. یک مثال موج P300 است که به اصطلاح یک پتانسیل مربوط به رویداد است و می‌توانید با استفاده از تکنیک‌های مختلف یادگیری ماشین آنها را تشخیص دهید.
زمانی که سیگنال‌های جالبی را در داده‌های خود شناسایی کردید، می‌خواهید به بهترین نحو از آنها استفاده کنید. برای مثال یک سابجکت می‌تواند از BCI برای کنترل ماوس استفاده کند و برای این منظور باید سیگنال‌های مغزی تصور حرکتی ایجاد شود. یکی از مشکلاتی که احتمالاً در اینجا با آن مواجه خواهید شد این است که باید از داده‌های سابجکت به بهترین نحو استفاده کنید و در عین حال باید در نظر داشته باشید که ممکن است BCI اشتباه کند. BCIهای فعلی نسبتاً کند هستند و هر چند وقت یکبار اشتباه می‌کنند (به عنوان مثال کامپیوتر فکر میکند شما حرکت دست چپ را تصور می‌کنید در حالیکه شما در واقع حرکت دست راست را تصور کرده بودید.)
اولاً سیگنال‌های مغزی به شدت تحت تأثیر عوامل بیولوژیکی مختلف (مانند پلک زدن چشم، حرکت عضلات، خستگی) و عوامل محیطی (مانند نویز محیطی) قرار می‌گیرند. مشکلات زیادی در کار با EEG وجود دارد. از آنجاییکه وظیفه‌ی اصلی BCI تشخیص سیگنال مغزی است، مدل‌های یادگیری عمیق متمایز از محبوب‌ترین و قدرتمندترین الگوریتم‌ها هستند.
درک فعالیت مغزی که از نورون‌هایی که با یکدیگر صحبت می‌کنند از طریق جمجمه و از مسیر پوست سر و به سختی در حسگر EEG منتشر می‌شوند دشوار است. به طور کلی، داده‌های EEG بسیار نویزی هستند، به این معنا که دریافت سیگنال واضح بسیار دشوار است. بنابراین تقطیر داده‌ها از سیگنال‌های مغزی نویزی و ساخت یک سیستم BCI قوی که در موقعیت‌های مختلف کارایی داشته باشد بسیار مهم است.
علاوه بر این، BCI به دلیل ماهیت غیرثابت بودن (non-stationary) سیگنال‌های الکتروفیزیولوژیکی مغز، SNR پایینی دارد.
در طبقه‌بندی داده‌های الکتروانسفالوگرافی (EEG) در BCI به تعداد کانال‌های اندازه گیری، میزان داده‌های مورد استفاده برای آموزش کلاسبند و نسبت سیگنال به نویز (SNR) بستگی دارد. از بین اینها، تنظیم SNR در کاربردهای دنیای واقعی بسیار دشوار است. اگرچه چندین روش پیش پردازش و مهندسی ویژگی برای کاهش سطح نویز توسعه داده شده است، چنین روش‌هایی (به عنوان مثال انتخاب ویژگی و استخراج هم در حوزه‌ی زمان و هم در حوزه‌ی فرکانس) زمانبر هستند و ممکن است باعث از دست رفتن اطلاعات در ویژگی‌های استخراج شده، شوند.
سوم اینکه مهندسی ویژگی به شدت به تخصص انسان در یک حوزه‌ی خاص بستگی دارند. تجربه‌ی انسانی ممکن است به ثبت ویژگی‌ها در برخی جنبه‌های خاص کمک کند اما در شرایط عمومی‌تر ناکافی است. بنابراین به یک الگوریتم برای استخراج خودکار ویژگی‌های خوب نیاز است.
هوش مصنوعی به ویژگی الگوریتم‌های یادگیری عمیق، گزینه بهتری برای استخراج خودکار ویژگی‌های متمایز ارائه می‌دهند.
علاوه بر این، اکثر تحقیقات فعلی هوش مصنوعی بر روی داده‌های ثابت تمرکز می‌کنند و بنابراین نمی‌توانند سیگنال‌های مغزی که به سرعت در حال تغییر هستند را با دقت طبقه بندی کنند. به طور کلی به روش‌های یادگیری جدید نیاز است تا بتوان با جریانهای داده‌های دینامیکی در سیستم‌های BCI مقابله کرد.
تا به حال، یادگیری عمیق به طور گسترده در برنامه‌های کاربردی BCI به کار گرفته شده است و در رسیدگی به چالش ها موفق عمل کرده است.
یادگیری عمیق سه مزیت عمده دارد. اولاً با کار مستقیم روی سیگنال‌های خام مغزی برای یادگیری اطلاعات قابل تشخیص و از طریق انتشار مجدد، از مراحل زمانبر پیش پردازش و مهندسی ویژگی اجتناب میکند. علاوه بر این، شبکه‌های عصبی عمیق می‌توانند هم ویژگی‌های سطح بالا و هم وابستگی‌های پنهان را از طریق ساختارهای عمیق جذب کنند.
در نهایت نشان داده شده است که الگوریتم‌های یادگیری عمیق نسبت به کلاسبندهای سنتی مانند ماشین بردار پشتیبان (SVM) و LDA قدرتمندتر هستند. این یافته، منطقی است زیرا تقریباً تمام مسائل BCI را میتوان یک مسئله کلاسبندی در نظر گرفت.
CNN محبوب‌ترین مدل یادگیری عمیق در تحقیقات BCI است که می‌تواند از وابستگی‌های مکانی نهان در سیگنال‌های مغزی EEG, fMRI استفاده شود. CNN در برخی از زمینه‌های تحقیقاتی به موفقیت زیادی دست یافته است که آن را به شدت «مقیاس پذیر» و «امکان پذیر» کرده است. بنابراین محققان BCI شانس بیشتری برای درک و استفاده از CNN در آثار خود دارند.
تصویر فوق، پیاده سازی مدل آبشاری CNN-GRU/LSTM مطابق با داده‌های EEG است.
مش بندی اولین گام در تبدیل سیگنال‌های EEG چند کاناله به دنباله‌ای از تصاویر دوبعدی است. سری‌های زمانی مش دو بعدی از لایه‌های CNN و RNN عبور می‌کنند تا بتوان آنها را آموزش، اعتبارسنجی و تست کرد.
مدل‌های یادگیری عمیق مولد (Generative deep learning) برای تولید نمونه‌های آموزش یا افزایش داده (data augmentation) استفاده می‌شوند. به عبارت دیگر، مدل‌های یادگیری عمیق مولد، نقش حمایتی در حوزه‌ی BCI بازی می‌کنند تا کیفیت و کمیت داده‌های آموزشی را افزایش دهند. در حوزه‌ی BCI، الگوریتم‌های مولد به طور گسترده در بازسازی یا تولید دسته‌ای از نمونه‌های سیگنال استفاده می‌شوند تا مجموعه ی آموزشی بهبود یابد. مدل‌های مولد که معمولاً در BCI مورد استفاده قرار می‌گیرند شامل رمزگذار خودکار متغیر (VAE) و شبکه‌های مولد تخاصمی (GAN) هستند.
شبکه‌های باور عمیق (DBN) نیز در BCI برای استخراج ویژگی استفاده می‌شوند. حتی اگر تعداد فزاینده‌ای از مجلات بر اتخاذ مدل‌های CNN یا ترکیبی از یادگیری ویژگی و کلاسبندی تمرکز کرده باشند.
RNN و CNN به ترتیب توانایی استخراج ویژگی‌های زمانی و مکانی عالی از سیگنال‌های مغزی را دارند، طبیعی است که برای یادگیری هر دو نوع ویژگی زمانی و مکانی آنها را با هم ترکیب کنیم.
رابط مغز و رایانه (BCI) یک ابزار ارتباطی قدرتمند است که به انسان اجازه می‌دهد رایانه و سایر وسایل الکترونیکی را با فکر کنترل کند. این رابط یک نوع فناوری کمکی است که با استفاده از سیگنال‌های مغزی یک کانال ارتباطی و کنترلی میان کاربران و ماشین‌ها ایجاد میکند. با مجله فناوری‌های توان‌افزا و پوشیدنی همراه باشید.
مزیت اصلی رابط‌های مغز و رایانه این است که برای مدیریت نیازی به کنترل عضلانی ندارند. در نتیجه، این فناوری گزینه مناسبی برای افرادی است که توانایی حرکت دادن عضلات خود را از دست داده‌اند. رایج‌ترین روش تصویربرداری عصبی برای رابط‌های مغز و رایانه، الکتروانسفالوگرافی (EEG) است که دارای هزینه‌ی نسبتاً کم و وضوح زمانی بالا است.
این سامانه امکان ارتباط میان مغز و ماشین‌های مختلف را فراهم میکند. این رابط در سه مرحله اصلی کار میکند: ۱)جمع آوری سیگنال‌های مغز؛ ۲)تفسیر آنها؛ ۳)ارسال دستورات به یک ماشین متصل. رابط مغز و رایانه برای کارهای مختلفی مانند نوروفیدبک، بازگرداندن عملکرد حرکتی بیماران معلول، امکان برقراری ارتباط با بیماران قفل شده و بهبود پردازش حسی بکار می‌رود.
جامعه پژوهشی در ابتدا BCIها را با کاربردهای زیست پزشکی توسعه داده است که منجر به دستگاه‌های کمکی می‌شود. رابط‌های مغز و رایانه کاربران ناتوانی را هدف قرار داده‌اند که مشکلات حرکتی یا صحبت کردن دارند. این سامانه بازیابی توانایی حرکتی کاربرانی که از نظر جسمی دچار چالش یا قفل شده‌اند را تسهیل کرده و جایگزین عملکرد حرکتی از دست رفته است.
آینده‌ی امیدوارکننده‌ای که برایBCIها پیش‌بینی شده است، جامعه پژوهشی را تشویق کرده است تا نقش BCI را در زندگی انسان‌های غیرمعلول از طریق کاربردهای پزشکی مطالعه کنند. اکنون دامنه پژوهش‌ها گسترش یافته است تا کاربردهای غیرپزشکی را نیز در برگیرد.
یک سامانه BCI از چهار جزء اصلی تشکیل شده است، دریافت سیگنال، پیش پردازش سیگنال، استخراج ویژگی و طبقه‌بندی. مؤلفه‌ی دریافت سیگنال وظیفه ضبط امواج مغزی و ارسال آنها به بخش پیش پردازش برای بهبود سیگنال و کاهش نویز را بر عهده دارد. مؤلفه استخراج ویژگی، ویژگی‌های متمایزکننده سیگنال بهبود یافته را تولید میکند و مقدار داده اعمال شده برای مؤلفه طبقه‌بندی را کاهش می‌دهد. طبقه‌بندی کننده‌ها ویژگی‌های تولید شده را به دستوراتی برای دستگاه ترجمه می‌کنند.
دو نوع رابط مغز و رایانه وجود دارد: غیرتهاجمی و تهاجمی. در فناوری تهاجمی، الکترودها از طریق جراحی مغز و اعصاب در داخل مغز یا روی سطح مغز کاشته می‌شوند. در فناوری‌های غیرتهاجمی، فعالیت مغز با استفاده از حسگرهای خارجی اندازه‌گیری می‌شود.
در روش‌های غیرتهاجمی، حسگرها روی پوست سر قرار می‌گیرند تا پتانسیل‌های الکتریکی تولید شده توسط روش‌های مختلف مانند تصویربرداری تشدید مغناطیسی کارکردی (fMRI)، طیف‌سنجی عملکردی مادون قرمز نزدیک (fNIRS)، مگنتوانسفالوگرافی (MEG) و الکتروانسفالوگرافی (EEG) را اندازه‌گیری کنند. این روش از رویکردی پیروی میکند که نیازی به کاشت اشیای خارجی در مغز کاربر ندارد. بنابراین نیازی به جراحی نیست.
مگنتوانسفالوگرافی (MEG) یک روش غیرتهاجمی برای تشخیص میدان‌های مغناطیسی تولید شده توسط جریانهای الکتریکی در مغز است. در حال حاضر از دستگاه ابررسانای تداخلی کوانتومی (SQUID) برای به دست آوردن سیگنال مغناطیسی خارج از سر استفاده می‌شود.
تصویربرداری تشدید مغناطیسی کارکردی (fMRI) تغییرات جریان خون مربوط به فعالیت عصبی در مغز را تشخیص می‌دهد. این روش به تعیین ارتباط فعالیت‌ها و مناطق مربوطه‌ی مغز کمک میکند که به عنوان مشکل محلی‌سازی منبع شناخته می‌شود. این روش تصویربرداری به این واقعیت بستگی دارد که استفاده از هر قسمت مغز مستلزم افزایش جریان خون در آن ناحیه است. چرا که فعالیت نورونی افزایش می‌یابد و تقاضا برای اکسیژن توسط نورون‌ها بالا می‌رود. هموگلوبین حاوی اکسیژن، خاصیت مغناطیسی دارد. این ویژگی خون موجب ایجاد تفاوت کوچک در سیگنال تشدید مغناطیسی می‌شود.
طیف‌سنجی نزدیک به مادون قرمز عملکردی (fNIRS) یکی دیگر از روش‌های غیرتهاجمی است که دینامیک خون در مغز را برای تشخیص فعالیت عصبی اندازه می‌گیرد. جریان خون را با استفاده از نور مادون قرمز تعیین میکند. مزیت این روش ارائه سیگنال‌هایی با وضوح مکانی بالا است.
الکتروانسفالوگرام (EEG) نوسانات ولتاژی را که با فعالیت انتقال عصبی در مغز همراه است برای ثبت فعالیت الکتریکی از روی پوست سر اندازه می‌گیرد. یک دستگاه کلاهک مانند الکترودها را در جای خود نگه می‌دارد. این روش ساده، قابل حمل و مقرون به صرفه است، که آن را برای استفاده تجاری مناسب میکند.
در حالت تهاجمی، حسگرها به طور مستقیم توسط جراحی مغز و اعصاب در ماده خاکستری مغز کاشته می‌شوند. میکروالکترودها در قشر مغز قرار می‌گیرند و فعالیت یک یا چند نورون را اندازه می‌گیرند؛ چه به صورت داخل قشری یا روی سطح قشر مغز. بزرگترین مزیت این روش این است که وضوح زمانی و مکانی بالایی را ارائه و کیفیت سیگنال به دست آمده و نسبت سیگنال به نویز را افزایش می‌دهد.
روش داخل قشری تهاجمی‌ترین روش است که الکترود در زیر سطح قشر مغز کاشته می‌شود. میتوان با استفاده از یک الکترود یا آرایه‌ای از الکترودها، پتانسیل عمل نورون‌ها را به صورت جداگانه اندازه گرفت. نوک الکترودها بسیار نزدیک به منبع سیگنال قرار می‌گیرند و آرایه‌ها باید برای مدت طولانی پایدار باشند.
الکتروکورتیکوگرافی (ECoG) یکی دیگر از گزینه‌های تهاجمی است که شامل کاشت شبکه‌ها یا نوارهای الکترودی روی سطح قشر از طریق یک عمل جراحی است.
متأسفانه، تمام روش‌های تهاجمی مشکلات بسیاری به همراه دارند. آنها مستعد ایجاد بافت اسکار هستند که موجب تضعیف سیگنال می‌شود یا ممکن است سیگنال از بین برود؛ زیرا بدن به یک جسم خارجی در مغز واکنش نشان می‌دهد. سازگاری بدن با جسم جدید ممکن است با شکست مواجه شود و عوارض پزشکی ایجاد کند. مشکلات پایداری ایمپلنت و عفونت نیز ممکن است بوجود آید. پس از کاشت، نمی‌توان الکترودها را برای اندازه‌گیری فعالیت در قسمت دیگری از مغز حرکت داد. بنابراین استفاده از روش تهاجمی به تعداد کمی از کاربران معلول محدود شده است. معمولاً روش‌های تهاجمی برای موقعیت‌های فلج بحرانی استفاده می‌شود که به دقت بالاتری از لحاظ مکانی یا زمانی نیاز است.