Brain-Computer Interfaces (BCI's) decoderen hersenactiviteit met het doel een communicatie tot stand te brengen kanaal dat niet afhankelijk is van spiercontrole. BCI's vertrouwen meestal op EEG-signalen die zijn verkregen van de de hoofdhuid van het subject of op elektrofysiologische signalen van hersenimplantaten. De laatste leveren een superieur op decodeerprestaties, maar omdat het implantaat het corticale weefsel beschadigt, is stabiliteit op lange termijn een signaal zorg. EEG vereist geen operatie, maar de doorvoer van informatie van de BCI's is vrij laag en hun geschiktheid voor onafhankelijk dagelijks gebruik eerder beperkt. Electrocorticography (ECoG) biedt nieuwe perspectieven voor BCI. Alhoewel nauwkeurigheid, stabiliteit op lange termijn en onafhankelijk gebruik is al aangetoond, wat er nog steeds ontbreekt, is de mogelijkheid om de vinger of de hand te bedienen
bewegingen van de zelfgenoegzame maar veronderstelde tegenhangers van de patiënt. Dit vat ook de hoofdtekst samen doelstelling van dit project.
Maar motorische beeldvorming is een vaardigheid die moet worden geleerd. Om deze uitdaging aan te gaan, zullen we: 1) bieden natuurlijke feedback naar de patiënt door het tonen van een hand "avatar" bestuurd door motorische beelden; en 2) vul de decoder aan met wat onder geobserveerde beweging werd geleerd maar aangepast door de het vermogen van de patiënt om controle te krijgen. Dit vereist een nieuw type zelfgestuurde ECoG-decoder: een dat is in staat om te helpen en gelijke tred te houden met de opleiding van het onderwerp. We zullen een iteratieve tensor-gebaseerde decoder ontwikkelen met automatische rangselectie om de juistheid te maximaliseren en tegelijkertijd computergebruik en opslag te beperken kosten om on-line prestaties te garanderen.