El control de sistemas utilizando BCI es uno de los desafíos para las opciones futuras de control de sistemas.
BCI tiene más ventajas como privacidad (sin sonidos fuertes, sin gestos visibles) y pocos cálculos (solo se capturan y procesan muy pocos datos comparándolo, por ejemplo, con un vídeo).
Pero BCI tiene en este momento también importantes inconvenientes como la falta de comodidad (se necesita una diadema, un auricular o un casco) y la necesidad de esfuerzo mental (cierto esfuerzo mental, en la mayoría de los casos, es necesario para "generar" las señales de control).
El esquema general del sistema BCI simple se muestra en la Fig. 1. La primera etapa es una adquisición de señal. El EEG mide la actividad cerebral eléctrica durante las excitaciones sinápticas en las neuronas. Las señales de EEG se capturan de forma no invasiva utilizando electrodos en el cuero cabelludo. Después de la adquisición de la señal, las señales deben ser preprocesadas. En general, las señales cerebrales adquiridas están contaminadas por el ruido y otros artefactos causados por señales biológicas o señales externas como la red eléctrica, etc. Después de obtener las señales "sin ruido" en la fase de mejora de la señal, las características esenciales de las señales cerebrales son extraídas. Los métodos de extracción de características más comunes utilizados con señales de EEG incluyen las transformadas ortogonales discretas. Una vez que se extraen las características adecuadas, debe haber un método que clasifique la señal en las clases deseadas. Existen muchas categorías de técnicas de clasificación como: generativas. (Modelo Mixto de Gausianas –GMM del inglés Gaussian Mixture Model), discriminativos (Redes Neuronales- NN del inglés Neural networks, Máquinas de Soporte Vectorial – SVM, del inglés Support Vector machines), no paramétricos es decir basados en muestras (K vecinos próximos – KNN del inglés K nearest neighbour), etc. Cada método tiene sus pros y sus contras y, por lo tanto, debe seleccionarse en función de los requisitos de la aplicación. La etapa de interfaz de control de BCI utiliza la salida de clasificación como una señal de control. Los enfoques se pueden dividir en: endógeno (basado en la autorregulación de los ritmos y potenciales del cerebro sin estímulos externos) y exógeno (utiliza la actividad neuronal provocada en el cerebro por un estímulo externo). Los métodos más utilizados incluyen potenciales corticales lentos (SCP del inglés slow cortical potentials), ritmos sensoriomotores, potenciales evocados visuales (VEP del inglés visual evoked potentials) incluyendo VEPs de estado estacionario (SSVEPs, del inglés Steady-State), y P300. Se pueden operar dispositivos o procesos particulares utilizando la interfaz de control. Los BCI que usan ritmos sensoriomotores usan las ondas cerebrales Mu presentes durante la imaginación de las acciones motoras (por ejemplo, el movimiento de la mano). Esto es BCI endógeno. Por otro lado, el SSVEP es BCI exógeno. SSVEP se basa en la propiedad de que el córtex visual "resonó" de acuerdo con la frecuencia del estímulo visual que observa el sujeto. Por lo tanto, el uso de este método es necesario, por ejemplo, en los botones de control de movimiento de la pantalla, cada uno parpadea con una frecuencia diferente. Cuando el usuario mira un botón en particular, la señal capturada en la corteza visual contiene esta frecuencia, por lo que se puede hacer la estimación de a qué botón está mirando el usuario. Otro método de uso frecuente es el P300. Se basa en el hecho de que un pico positivo aparece en el EEG aproximadamente 300 ms después de la presentación de un estímulo raro. Aunque aquí tenemos un estímulo externo, se considera que el P300 es un BCI endógeno, ya que la aparición del pico no se vincula con los atributos físicos de un estímulo, sino que refleja procesos involucrados en la evaluación o categorización del estímulo.