Analysis of the Principles and Potential Effects of BCI Applications in Mental Disorders
Notice bibliographique
Résumé
Brain-computer interfaces (BCIs) are increasingly being explored in clinic settings, with a growing number of studies investigating their feasibility and underlying mechanisms. This paper reviews how BCIs translate neural activity into therapeutic feedback to restore or augment function in mental and neurological disorders. After outlining core closed-loop principles of BCIs, including signal acquisition, feature extraction, and intention-contingent feedback, as well as basic mechanisms of three situations - stroke, ADHD, and addiction - we synthesize evidence. In stroke, EEG motor-imagery (MI) BCIs that trigger robotics or functional electrical stimulation (FES) pair cortical intent with congruent proprioceptive input, yielding clinically meaningful upper-limb gains. In ADHD, neurofeedback targeting oscillations (theta/beta, SMR), slow cortical potentials, or prefrontal hemodynamics shows learnability and symptom reductions in some studies, though meta-analyses report mixed effects on blinded ratings. In addition, real-time fMRI and EEG paradigms reduce cue-reactivity and in-scanner craving by down-modulating ACC/insula activity or cue-specific EEG patterns. Across areas, effect sizes depend on contingency, dose, and protocol fidelity. Key challenges are discussed, including evidence quality and user variability. This paper proposes standardized outcomes, learning verification, and precision-medicine stratification to guide who receives which BCI and how it integrates with conventional care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».