L’émergence des technologies neurales directes transforme radicalement notre compréhension de l’interaction entre la cognition humaine et les dispositifs computationnels. En établissant une passerelle bidirectionnelle entre le substrat neurobiologique et l’ingénierie informatique, cette discipline redéfinit les frontières du corps, de l’agentivité et de la réhabilitation motrice. Cet article propose une exploration systématique des fondements neurophysiologiques, computationnels, cliniques et éthiques de ce domaine d’avant-garde.
Interface cerveau-machine (ICM)
1. Définition concise
Une interface cerveau-machine (ICM), fréquemment désignée sous l’acronyme anglais BCI (Brain-Computer Interface) ou ICO (Interface Cerveau-Ordinateur), est un système matériel et logiciel qui capte, analyse et traduit les signaux électrophysiologiques émis par le système nerveux central en commandes opérationnelles destinées à piloter des dispositifs externes sans solliciter les voies neuromusculaires périphériques traditionnelles.
Sur le plan psychologique et neurocognitif, l’ICM ne constitue pas un simple transducteur passif de signaux biologiques, mais un système cybernétique en boucle fermée fondé sur un apprentissage mutuel. L’utilisateur ajuste volontairement son activité cérébrale par le biais de processus attentionnels et d’imagerie motrice guidés par une rétroaction sensorielle immédiate, tandis que des algorithmes adaptatifs optimisent le décodage statistique des intentions de l’opérateur en temps réel.
Ce paradigme contourne les effecteurs anatomiques endommagés ou absents, offrant un canal de communication et d’action supplétif. De la restauration motrice chez les personnes tétraplégiques à l’augmentation cognitive en neuro-ergonomie, l’interface cerveau-machine redéfinit la relation entre intention consciente, dynamique neurale et environnement physique.
2. Étymologie et origine linguistique
L’expression française « interface cerveau-machine » est un calque direct du syntagme terminologique anglophone brain–machine interface (BMI). Le terme « interface » trouve son origine dans le préfixe latin inter- (signifiant « entre », marquant la réciprocité ou l’espacement) et le substantif facies (visage, forme, surface externe), conceptualisé au XIXe siècle dans la physique des fluides pour désigner une surface commune de séparation entre deux états de la matière, avant de migrer vers l’informatique.
Le vocable « cerveau » dérive du latin populaire cerebellum, diminutif de cerebrum, désignant l’organe central logé dans la boîte crânienne. Le mot « machine » provient quant à lui du latin machina, emprunté au grec ancien mêkhanê (moyen, expédient ingénieux, appareil mécanique). L’introduction formelle du concept dans la littérature scientifique moderne est attribuée aux travaux fondateurs de Jacques J. Vidal à l’Université de Californie à Los Angeles (UCLA) au début des années 1970, sous la dénomination initiale de Brain-Computer Interface.
Dans l’usage contemporain francophone, les spécialistes distinguent parfois l’interface cerveau-ordinateur (privilégiant le traitement algorithmique et la communication textuelle) de l’interface cerveau-machine au sens strict (souvent réservée au pilotage d’actionneurs physiques, d’orthèses, de prothèses mécatroniques ou d’exosquelettes), bien que les deux désignations soient fréquemment employées de manière interchangeable dans les publications académiques.
3. Prononciation et forme grammaticale
L’expression s’énonce selon la transcription phonétique internationale : /ɛ̃.tɛʁ.fas sɛʁ.vo ma.ʃin/. L’acronyme correspondant s’articule /i.se.ɛm/ pour ICM, ou alternativement /i.se.o/ pour ICO.
Sur le plan grammatical, il s’agit d’une locution nominale féminine composée. Au pluriel, la locution prend la marque graphique aux deux premiers termes variables ou s’accorde sous la forme « des interfaces cerveau-machine » ou « des interfaces cerveaux-machines », l’usage dominant dans les revues neuroscientifiques francophones retenant l’invariabilité de « machine » lorsqu’elle est appréhendée comme un concept générique d’effecteur.
Dans le discours clinique et technique, elle s’emploie fréquemment précédée d’adjectifs relationnels précisant son degré d’invasivité (« interface cerveau-machine invasive », « semi-invasive » ou « non invasive ») ou son mode de traitement (« asynchrone », « passive », « active »).
4. Explication conceptuelle détaillée
Le fonctionnement fondamental d’une interface cerveau-machine repose sur une chaîne séquentielle de traitement de l’information articulée autour de quatre modules indissociables : l’acquisition des signaux cérébraux, le prétraitement et le filtrage du bruit, l’extraction et la sélection des caractéristiques pertinentes, et enfin la classification ou la régression algorithmique produisant la commande effective.
La phase d’acquisition enregistre les variations électrophysiologiques, métaboliques ou magnétiques générées par de vastes populations de neurones ou par des cellules individuelles. Ces données brutes sont inévitablement corrompues par des artefacts d’origine physiologique (clignements oculaires, potentiels myographiques d’origine musculaire, pulsations cardiaques) et environnementale (bruit de ligne à 50 Hz). Le prétraitement applique des filtres spatio-temporels (filtres passe-bande, décompositions en composantes indépendantes, filtrage spatial commun) afin d’isoler les signatures neurales associées aux intentions de l’utilisateur.
L’extraction de caractéristiques isole des descripteurs mathématiques robustes au sein du signal dépouillé. Ces descripteurs peuvent consister en la puissance spectrale dans des bandes de fréquences ciblées (ondes mu, bêta, gamma), en la déflexion temporelle de potentiels évoqués synchronisés (comme l’onde P300), ou en des profils de trains de potentiels d’action enregistrés par micro-électrodes. Ces vecteurs de caractéristiques sont ensuite transmis à des décodeurs computationnels fondés sur l’apprentissage automatique (réseaux de neurones artificiels, machines à vecteurs de support, décodeurs de Kalman), chargés d’inférer la variable cinématique ou l’instruction sémantique sous-jacente.
La boucle se clôt par la transmission de cette commande à un effecteur physique ou virtuel, accompagnée d’un retour sensoriel direct fourni à l’utilisateur (visuel, auditif ou haptique). Cette boucle fermée conditionne la dynamique fonctionnelle de l’ICM : le cerveau adapte ses patterns de décharge en observant les conséquences de ses commandes, établissant ainsi une véritable symbiose computationnelle où l’algorithme et le cortex apprennent simultanément l’un de l’autre.
5. Développement historique
L’histoire des interfaces cerveau-machine s’enracine dans la découverte de l’activité bioélectrique du système nerveux central. En 1924, le neuropsychiatre allemand Hans Berger enregistre le premier électroencéphalogramme humain, ouvrant la voie à l’objectivation des états mentaux par l’enregistrement de surface des oscillations corticales.
À la fin des années 1960, Eberhard Fetz conduit des expériences pionnières chez le primate non humain, démontrant qu’un singe peut apprendre, par conditionnement opérant avec récompense biofeedback, à moduler délibérément la fréquence de décharge d’un seul neurone du cortex moteur primaire. Cette découverte capitale prouva la flexibilité opérationnelle du cerveau et sa capacité à contrôler des unités motrices isolées sans mouvement musculaire visible.
L’acte de naissance conceptuel de l’ingénierie des ICM survient en 1973 avec les publications séminales de Jacques J. Vidal à l’UCLA. Dans son article fondateur intitulé Toward Direct Brain-Computer Communication, Vidal pose l’hypothèse audacieuse que des signaux électroencéphalographiques peuvent servir de canal de contrôle direct pour naviguer au sein d’environnements computationnels, introduisant officiellement le terme « Brain-Computer Interface ».
Les décennies 1990 et 2000 marquent le passage à l’expérimentation invasive de haute densité grâce aux travaux de Miguel Nicolelis et John Donoghue. Les équipes de Nicolelis démontrent chez le rat puis le singe le décodage prédictif de trajectoires motrices tridimensionnelles à partir de centaines de neurones corticaux, permettant à l’animal de contrôler un bras robotique situé à distance. Simultanément, Donoghue et ses collaborateurs initient les essais cliniques du consortium BrainGate chez l’être humain tétraplégique, prouvant en 2006 qu’un implant intracortical permet à un patient paralysé de déplacer un curseur d’ordinateur, d’ouvrir des courriels et de manipuler une pince mécanique par la simple force de sa pensée.
Depuis les années 2010, le domaine connaît une accélération sans précédent grâce à la convergence des nanotechnologies, des réseaux neuronaux profonds et des investissements industriels massifs, matérialisés par le développement d’interfaces à très haut débit dotées de milliers de canaux d’enregistrement miniaturisés.
6. Fondements théoriques
Le fonctionnement des interfaces cerveau-machine s’appuie sur la théorie de la plasticité neuronale dépendante de l’activité. L’intégration prolongée d’un effecteur artificiel au sein de la dynamique motrice modifie les cartes somatotopiques du cortex. L’effecteur externe n’est plus traité par les réseaux neuronaux comme un objet tiers, mais comme une extension fonctionnelle et proprioceptive du schéma corporel de l’opérateur, un phénomène connu sous le nom d’incorporation prothétique (embodiment).
Sur le plan neurophysiologique, les modèles de contrôle moteur basés sur le contrôle optimal et les modèles internes prédictifs (développés notamment par Daniel Wolpert et Mitsuo Kawato) offrent un cadre explicatif rigoureux. Le système nerveux génère en permanence des copies d’efférence de ses commandes motrices, prédisant les conséquences sensorielles de l’action avant même leur accomplissement. Dans une ICM performante, les décodeurs algorithmiques cherchent à intercepter ces signaux pré-moteurs afin de minimiser les délais de latence inhérents au traitement externe.
L’assise formelle des ICM emprunte également de manière fondamentale à la cybernétique de Norbert Wiener et à la théorie mathématique de la communication de Claude Shannon. L’interface constitue un canal de transmission d’information caractérisé par un débit binaire (Information Transfer Rate), une entropie source et un niveau de bruit. La stabilité de ce canal repose sur l’efficacité des boucles de rétroaction négative permettant au sujet de corriger instantanément ses erreurs de trajectoire ou de sélection.
7. Composantes clés, typologies et dimensions
La classification des interfaces cerveau-machine s’articule selon plusieurs dimensions physiologiques et technologiques complémentaires :
- Selon le degré d’invasivité chirurgicale :
- ICM non invasives : Fondées majoritairement sur l’électroencéphalographie (EEG) de surface ou la spectroscopie dans le proche infrarouge fonctionnelle (fNIRS). Elles offrent une excellente sécurité clinique et un déploiement aisé, mais souffrent d’une résolution spatiale modeste et d’une forte atténuation des hautes fréquences par la boîte crânienne.
- ICM semi-invasives : Exploitant l’électrocorticographie (ECoG), où les grilles d’électrodes sont insérées sous le crâne (en position épidurale ou sous-durale) sans pénétrer la masse du parenchyme cortical. Elles assurent un compromis remarquable entre résolution spatiale et stabilité tissulaire à long terme.
- ICM invasives : Reposant sur des faisceaux de micro-aiguilles pénétrantes (matrices de microélectrodes intracorticales) insérés directement au sein de la substance grise. Elles capturent les potentiels d’action neuronaux individuels (single-unit activity) et les potentiels de champ locaux (LFP), conférant une précision cinématique inégalée au prix de contraintes neurochirurgicales et de réactions inflammatoires locales.
- Selon le paradigme de contrôle cérébral :
- ICM actives : Exigent un effort intentionnel conscient et endogène de l’utilisateur, généralement par imagerie motrice (par exemple, s’imaginer serrer la main droite pour induire une désynchronisation des rythmes sensorimoteurs mu et bêta).
- ICM réactives : Dépendent d’une stimulation sensorielle externe qui évoque une réponse électrophysiologique mesurable, à l’image des potentiels évoqués visuels à l’état stationnaire (SSVEP) ou de la réponse P300 générée lors de la détection d’une cible rare au sein d’une séquence de distracteurs (paradigme oddball).
- ICM passives : Détectent et interprètent l’activité cérébrale spontanée de l’utilisateur sans aucune intention de contrôle explicite, afin d’évaluer ses états affectifs, sa vigilance, sa charge cognitive ou son niveau de stress en contexte de travail.
- Selon la synchronisation opérationnelle :
- ICM synchrones : L’analyse des signaux est verrouillée sur des créneaux temporels prédéfinis imposés par le système informatique.
- ICM asynchrones (auto-initiées) : L’utilisateur choisit librement le moment précis où il engage ou suspend la commande, exigeant des algorithmes une distinction permanente entre l’état de repos intentionnel et l’état d’action.
8. Exemples et cas illustratifs
Un cas clinique emblématique réside dans l’application des matrices intracorticales BrainGate chez des patients atteints de sclérose latérale amyotrophique (SLA) avancée ou de tétraplégie consécutive à une lésion de la moelle épinière cervicale. Les patients, entièrement privés de mouvement corporel en dessous du cou, apprennent en quelques sessions à moduler les trains de décharge de leur cortex moteur primaire. En visualisant mentalement le déplacement de leur membre paralysé, ils parviennent à mouvoir un bras mécatronique multiaxes dans l’espace pour saisir un verre et s’alimenter de façon autonome.
Dans le domaine de la communication palliative, l’orthographe par onde P300 (P300 Speller) illustre une utilisation non invasive remarquable pour des individus piégés dans leur propre corps (syndrome de désafférentation motrice ou locked-in syndrome). En observant une matrice de lettres dont les lignes et colonnes s’illuminent de manière aléatoire, le patient génère une onde P300 environ 300 millisecondes après chaque illumination de la lettre souhaitée. Le décodeur identifie les coordonnées de l’intersection et transcrit la pensée sous forme de texte, restaurant le lien social et l’autonomie relationnelle.
Un autre exemple révolutionnaire émane des travaux sur le pont digital (digital bridge) menés en réhabilitation spinale. En reliant par voie sans fil une interface ECoG implantée sur le cortex moteur à un neurostimulateur épidural positionné sur la moelle épinière lombaire, les commandes motrices cérébrales de flexion et d’extension des membres inférieurs sont captées, décodées et converties en temps réel en motifs de stimulation électrique des racines nerveuses motrices, permettant à un patient paraplégique de recouvrer une marche fluide et naturelle contrôlée par sa volonté.
9. Mesure et évaluation
L’évaluation quantitative des performances d’une interface cerveau-machine mobilise un ensemble de métriques électrophysiologiques, computationnelles et ergonomiques rigoureusement standardisées.
La métrique computationnelle reine demeure le taux de transfert d’information (ITR, ou Information Transfer Rate), formulé par Wolpaw et ses collègues à partir des travaux de Shannon. Exprimé en bits par minute (ou bits par sélection), il synthétise dans une formule mathématique trois variables interdépendantes : le nombre de commandes alternatives possibles, la précision moyenne de la classification statistique, et la vitesse de sélection (temps de latence du cycle de décision).
La fidélité cinématique du décodage continu s’apprécie à travers le coefficient de corrélation de Pearson ($r$) et le coefficient de détermination ($R^2$) entre la trajectoire réelle de l’effecteur et la trajectoire prédite par l’algorithme, ainsi que par l’erreur quadratique moyenne normalisée (NRMSE).
Sur le plan électrophysiologique et psychologique, l’évaluation implique la mesure du rapport signal/bruit (SNR) des données brutes, l’analyse temps-fréquence des désynchronisations liées à un événement (ERD) et des synchronisations liées à un événement (ERS), ainsi que la caractérisation de la fatigue cognitive au fil de l’exercice par le biais d’échelles standardisées comme le NASA-TLX (Task Load Index). Une ICM fonctionnelle doit impérativement maintenir une précision constante sans imposer une charge mentale prohibitive au sujet.
10. Applications et portée pratique
Le champ d’application des interfaces cerveau-machine s’étend bien au-delà de la recherche fondamentale en laboratoire pour investir plusieurs secteurs stratégiques de la santé et des technologies :
En neuroréadaptation clinique, les ICM transforment la récupération post-accident vasculaire cérébral (AVC). En associant l’imagerie motrice détectée par EEG à l’activation synchronisée d’un exosquelette de rééducation ou à la stimulation électrique fonctionnelle (FES), le système réactive les circuits corticospinaux résiduels par plasticité hébbienne (« les neurones qui déchargent ensemble se connectent ensemble »), facilitant la récupération motrice active des membres plégiques.
En psychiatrie et en psychologie cognitive, les protocoles de neurofeedback basés sur les ICM permettent l’autorégulation ciblée de motifs neuronaux spécifiques. Utilisés dans les troubles du déficit de l’attention avec hyperactivité (TDAH), les états de stress post-traumatique (ESPT) et la dépression résistante, ils offrent au patient une visualisation directe de ses biomarqueurs neurophysiologiques, l’entraînant à corriger ses déséquilibres d’activation cérébrale.
Dans le domaine de la neuro-ergonomie et de la défense, les ICM passives surveillent les états de vigilance d’opérateurs critiques (pilotes d’aéronefs, aiguilleurs du ciel, conducteurs de train). En identifiant l’apparition subreptice d’ondes thêta frontales ou une baisse de l’onde P300 corrélée à une somnolence cognitive ou à une surcharge attentionnelle, les interfaces peuvent adapter dynamiquement le niveau d’assistance automatisée du véhicule pour prévenir les catastrophes humaines.
11. Recherche et preuves empiriques
La littérature scientifique démontre de manière univoque la viabilité et l’efficacité des ICM, tout en identifiant des axes de perfectionnement cruciaux.
Les études dirigées par Leigh Hochberg et le consortium BrainGate, publiées dans des revues telles que Nature et The New England Journal of Medicine, ont documenté la stabilité sur plusieurs années des signaux de potentiels d’action décodés chez des patients paralysés. Ces recherches ont prouvé qu’en dépit d’une atrophie musculaire périphérique consécutive à de longues années de tétraplégie, les représentations corticales motrices demeurent fonctionnelles, robustes et décodables avec une haute précision cinématique.
Les travaux de José Carmena et de ses collègues ont quant à eux mis en lumière la façon dont le cerveau adapte ses réseaux neuronaux lors de l’apprentissage d’une tâche ICM. Ils ont démontré qu’une population de neurones corticaux dédiée au contrôle d’un effecteur artificiel se réorganise pour créer une nouvelle « carte motrice » stable, similaire à celle acquise lors de l’apprentissage d’un instrument de musique, attestant de l’extraordinaire capacité d’adaptation du cerveau adulte.
Cependant, les recherches contemporaines identifient un phénomène récurrent nommé « analphabétisme BCI » (BCI illiteracy ou deficiency) : selon les estimations, environ 15 à 30 % des utilisateurs humains ne parviennent pas à générer des patrons d’activité cérébrale suffisamment distincts pour piloter une ICM non invasive standard. Les investigations actuelles se focalisent sur l’optimisation des stratégies d’entraînement cognitif, l’amélioration des représentations spatiales par le recalibrage adaptatif et l’intégration de biomarqueurs neuro-anatomiques structurels prédictifs de la performance.
12. Considérations culturelles et interculturelles
La perception et l’acceptabilité sociale des interfaces cerveau-machine varient de façon marquée selon les contextes culturels, philosophiques et religieux mondiaux.
Dans les cultures occidentales, l’accueil des ICM oscille entre l’enthousiasme transhumaniste d’optimisation de la condition humaine et la crainte biopolitique d’une violation de l’autonomie individuelle, du libre arbitre et de la vie privée mentale. Les débats y sont fortement influencés par une conception cartésienne et individualiste du sujet pensant, où le cerveau est sanctuarisé comme le siège exclusif de l’identité personnelle.
En revanche, dans plusieurs traditions philosophiques orientales, notamment au Japon où l’intégration de la robotique collaborative et de l’animisme technologique bénéficie d’une réceptivité sociale favorable, l’ICM est souvent appréhendée avec moins de réticence ontologique. L’interconnexion intime entre le corps organique, l’esprit et la machine y est plus aisément envisagée comme une symbiose harmonieuse plutôt que comme une altération déshumanisante.
Par ailleurs, la disparité d’accès aux innovations biomédicales soulève des interrogations aiguës de justice distributive globale. Si les ICM invasives de dernière génération demeurent l’apanage de systèmes hospitaliers ultra-spécialisés des pays à hauts revenus, le fossé technologique risque d’accentuer dramatiquement les inégalités sanitaires entre les populations des pays développés et celles des pays du Sud global.
13. Critiques, débats et limites
En dépit de leurs succès éclatants, les interfaces cerveau-machine se heurtent à des barrières biologiques, méthodologiques et éthiques substantielles.
Le principal obstacle biologique des dispositifs invasifs réside dans la biocompatibilité à long terme. L’insertion de micro-électrodes métalliques ou siliconées déclenche une réaction immunitaire du tissu nerveux, caractérisée par une activation microgliale et une gliose astrocytaire réactive. Cette formation d’une cicatrice gliale compacte autour des électrodes isole progressivement les capteurs des neurones cibles, entraînant une dégradation inexorable du rapport signal/bruit au bout de quelques mois ou années.
Sur le plan méthodologique, le défi de la non-stationnarité des signaux cérébraux complexifie l’usage quotidien : l’état émotionnel, l’attention, la fatigue ou la transpiration déplacent les signatures bioélectriques, imposant des phases récurrentes de réétalonnage algorithmique fastidieuses pour l’utilisateur.
Enfin, le champ de la neuroéthique soulève des alertes majeures concernant l’intégrité mentale et la responsabilité juridique. Qui est légalement responsable lorsqu’un bras robotique contrôlé par une ICM commet un acte dommageable : l’utilisateur, l’ingénieur ayant conçu le modèle de classification, ou le fabricant du matériel ? De plus, la possibilité théorique de collecter ou d’altérer les données cérébrales d’un individu a conduit des chercheurs et des juristes, sous l’impulsion de Rafael Yuste et du Morningside Group, à militer pour la reconnaissance internationale de « neurodroits » (neurorights), garantissant la confidentialité cognitive, l’intégrité psychologique et la préservation de la continuité identitaire face aux intrusions neuromodulatrices.
14. Termes connexes et distinctions
Pour éviter toute ambiguïté théorique, il convient de distinguer précisément l’ICM de plusieurs concepts neurophysiologiques et technologiques voisins :
- Neuroprothèse : Dispositif biomédical destiné à suppléer une modalité sensorielle ou motrice déficiente. Si toute ICM pilotant une prothèse motrice est une neuroprothèse, certaines neuroprothèses (comme les implants cochléaires ou rétiniens) acheminent l’information du monde extérieur vers le système nerveux sans comporter de chaîne de décodage des intentions motrices cérébrales.
- Biofeedback : Technique d’apprentissage cognitif consistant à rendre perceptible à un sujet une fonction biologique involontaire (rythme cardiaque, résistance cutanée, onde EEG) pour lui apprendre à la moduler. Le biofeedback utilise le signal physiologique comme fin en soi d’autorégulation, alors que l’ICM l’utilise comme moyen de commande d’un système extérieur.
- Stimulation cérébrale profonde (SCP) : Méthode neurochirurgicale thérapeutique reposant sur la délivrance d’impulsions électriques au sein de structures sous-corticales (ex. noyau sous-thalamique dans la maladie de Parkinson). Il s’agit classiquement d’un système d’écriture (neuromodulation) unilatérale, alors que l’ICM conventionnelle est historiquement un système de lecture (décodage) de l’activité cérébrale, bien que les nouvelles ICM bidirectionnelles conjuguent aujourd’hui ces deux approches.
- Interface homme-machine (IHM) : Terme générique englobant l’ensemble des moyens matériels et logiciels par lesquels un être humain interagit avec un système informatique (claviers, souris, écrans tactiles, interfaces vocales). L’ICM constitue un sous-ensemble très particulier d’IHM qui exclut tout recours aux muscles périphériques ou aux cordes vocales.
15. Synthèse et points clés
L’interface cerveau-machine incarne l’une des convergences interdisciplinaires les plus spectaculaires de notre époque, nouant intimement neurosciences intégratives, ingénierie biomédicale, sciences informatiques et philosophie de l’esprit. Ses points structurants se résument ainsi :
Elle repose sur l’interception, le décodage et la traduction algorithmique des motifs bioélectriques cérébraux en commandes fonctionnelles destinées à des actionneurs externes, sans transiter par les nerfs moteurs périphériques.
Sa typologie s’échelonne selon son invasivité anatomique (non invasive par EEG/fNIRS, semi-invasive par ECoG, invasive par matrices intracorticales), son paradigme opératoire (actif, réactif, passif) et sa cinétique temporelle (synchrone ou asynchrone).
Ses applications thérapeutiques majeures transforment la prise en charge de la tétraplégie, de la sclérose latérale amyotrophique, de la paraplégie et des accidents vasculaires cérébraux, restaurant l’autonomie motrice et la communication textuelle.
L’avènement d’une symbiose durable et sûre entre le cerveau humain et les systèmes computationnels implique de résoudre les défis de la biocompatibilité tissulaire, d’éliminer l’analphabétisme BCI et de sanctuariser un cadre neuroéthique protégeant la vie privée cognitive et l’agentivité de l’individu.
Références
- Berger, H. (1929). Über das Elektrenkephalogramm des Menschen. Archiv für Psychiatrie und Nervenkrankheiten, 87(1), 527–570. https://doi.org/10.1007/BF01797193
- Fetz, E. E. (1969). Operant conditioning of cortical unit activity. Science, 163(3870), 955–958. https://doi.org/10.1126/science.163.3870.955
- Hochberg, L. R., Serruya, M. D., Friehs, G. M., Mukand, J. A., Saleh, M., Caplan, A. H., Branner, A., Chen, D., Penn, R. D., & Donoghue, J. P. (2006). Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature, 442(7099), 164–171. https://doi.org/10.1038/nature04970
- Nicolelis, M. A. (2001). Actions from thoughts. Nature, 409(6818), 403–407. https://doi.org/10.1038/35053191
- Vidal, J. J. (1973). Toward direct brain-computer communication. Annual Review of Biophysics and Bioengineering, 2(1), 157–180. https://doi.org/10.1146/annurev.bb.02.060173.001105
- Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., & Vaughan, T. M. (2002). Brain–computer interfaces for communication and control. Clinical Neurophysiology, 113(6), 767–791. https://doi.org/10.1016/S1388-2457(02)00057-3
- Yuste, R., Goering, S., Arcas, B. A. Y., Bi, G., Carmena, J. M., Carter, A., Fins, J. J., Friesen, P., Gallant, J., Huggins, J. E., Illes, J., Kellmeyer, P., Klein, E., Marblestone, A., Mitchell, C., Parens, E., Pham, M., Rubel, A., Sadato, N., … Wolpaw, J. R. (2017). Four ethical priorities for neurotechnologies and AI. Nature, 551(7679), 159–163. https://doi.org/10.1038/551159a