目前，脑部计算机界面（BCI）是神经科学领域的研究重点和热点。相关技术被广泛用于各种情况，例如临床使用，康复，工程和日常生活。BCI使用不同的大脑信号，记录方法和信号处理算法来在大脑与外部软件/硬件平台之间构建链接。随着硬件（例如BCI芯片，可穿戴设备）和算法（例如机器学习，深度学习）的开发，BCI变得越来越实用和稳定。我们发布了此研究主题，以收集BCI的全球最新研究。来自世界各地的研究人员积极参与并贡献了许多手稿。经过仔细和专业审查所有提交的内容后，接受了14项高质量手稿。在此主题中，一些贡献着重于在BCI中使用深度学习，其中卷积神经网络（CNN）是最广泛使用的。Zhang等。 为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。 实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。 Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Zhang等。为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Qiu等。使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Deng等。 提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。 计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。 Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。 该算法在基于脑电图的动作解码中提供了高可变性和跨主题。 在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。 Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Deng等。提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。该算法在基于脑电图的动作解码中提供了高可变性和跨主题。在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen L.等。将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。元转移学习（MTL）用于避免耗时的校准。Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen G.等。探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。