美国大学神经工程方向代表教授介绍
斯坦福大学
-
Krishna Shenoy (1963到2023, 遗存影响巨大)
-
贡献:脑机接口领域的奠基人之一,在运动神经解码和BCI临床转化方面做出里程碑式工作。
-
研究方向:运动BCI、神经解码算法、神经假肢。其实验室是侵入式BCI研究的全球中心。
-
-
E. J. Chichilnisky
-
贡献:视觉神经回路与假体top,致力于通过理解视网膜电路来开发仿生眼。
-
研究方向:视觉神经编码、视网膜假体、计算神经科学。
-
-
Paul Nuyujukian
-
贡献:Krishna Shenoy的门生与继承者,专注于将BCI算法转化为临床可用的系统。
-
研究方向:临床脑机接口、实时神经解码、人机交互系统。
-
-
Ada Poon
-
贡献:无线与可植入生物电子器件领域的领军人物,开发微型、无线的体内供电与通讯技术。
-
研究方向:无线生物电子、电磁能量传输、微型植入式设备。
-
麻省理工学院
-
Polina Anikeeva
-
贡献:材料科学与神经工程交叉的先驱,开发新型柔性纤维,用于同时进行神经记录、刺激和药物递送。
-
研究方向:多功能神经界面材料、光遗传学/化学遗传学工具、抑郁与帕金森病研究。
-
-
Edward S. Boyden
-
贡献:光遗传学主要发明者之一,扩展工具集(如扩张显微镜)以观察和操控大脑。
-
研究方向:合成神经生物学、工具开发(光遗传学、显微成像)、全脑测绘。
-
-
Li-Huei Tsai
-
贡献:神经退行性疾病机制与干预研究top,以利用特定脑波(伽马振荡)改善阿尔茨海默病症状的突破性工作闻名。
-
研究方向:神经退行性疾病、神经振荡调控(如GENUS技术)、认知修复。
-
加州大学伯克利分校
-
Jose M. Carmena
-
贡献:脑机接口(特别是运动和学习机制)领域的top,在神经可塑性与BCI融合方面有开创性研究。
-
研究方向:学习与控制的神经基础、闭环BCI、神经假肢。
-
-
Michel M. Maharbiz
-
贡献:生物微机电系统top,“甲虫无人机”和“神经尘埃”无线神经记录技术的发明者。
-
研究方向:微型化无线神经接口、神经尘埃、生物混合系统。
-
卡内基梅隆大学
-
Douglas Weber
-
贡献:专注于通过电刺激调控神经回路以恢复感觉和运动功能,与匹兹堡大学医疗中心有紧密合作。
-
研究方向:外周神经接口、感觉反馈、脊髓刺激、康复工程。
-
-
Maysam Chamanzar
-
贡献:开发用于高分辨率脑成像和神经调控的新型光学与超声器件。
-
研究方向:非侵入/微创神经接口、光声成像、神经技术。
-
哥伦比亚大学
-
Ken Shepard
-
贡献:生物电子集成电路top,致力于将CMOS技术与生命系统结合,创造“生物电子的芯片实验室”。
-
研究方向:生物CMOS集成、大规模神经记录、基于芯片的生物传感。
-
-
Qi Wang
-
贡献:计算神经科学与机器学习top,专注于通过理论和模型理解海马体与新皮层的动态编码。
-
研究方向:计算神经工程、海马体编码、神经形态计算。
-
加州大学圣地亚哥分校
-
Gert Cauwenberghs
-
贡献:神经形态计算与VLSI(超大规模集成电路)领域的top,研究类脑芯片和低功耗神经处理系统。
-
研究方向:神经形态工程、自适应智能系统、低功耗神经接口。
-
-
Shadi A. Dayeh
-
贡献:新型电极阵列材料与结构的设计者,开发高密度、柔性的脑电记录设备。
-
研究方向:高密度神经电极、柔性电子、材料工程。
-
宾夕法尼亚大学
-
Brian Litt
-
贡献:临床神经工程top,专注于癫痫的预测、检测和闭环干预,并开发用于脑部诊疗的柔性电子设备。
-
研究方向:癫痫神经工程、闭环神经调控、可穿戴/可植入生物电子。
-
-
Flavia Vitale
-
贡献:开发用于大脑和周围神经系统的新型软性、导电材料与传感器。
-
研究方向:柔性生物电子、神经疾病监测、可拉伸电极。
-
密歇根大学
-
Cynthia A. Chestek
-
贡献:在侵入式BCI领域,特别是在使用小型、高密度阵列记录单个运动神经元活动方面成果卓著。
-
研究方向:高密度微线电极阵列、神经解码、运动控制。
-
-
Jamie Tyler
-
贡献:利用超声、电磁等能量形式进行无创神经调控的开拓者。
-
研究方向:无创神经调控技术(如经颅聚焦超声)、脑状态调控。
-
重要特点与研究趋势
-
临床转化导向:许多top团队(如斯坦福、宾大)与医院深度合作,推动BCI、神经调控技术从实验室走向病床。
-
工具驱动创新:突破常源于新工具的开发(如MIT的材料与基因工具,伯克利的“神经尘埃”)。
-
多尺度整合:研究覆盖从分子、细胞(MIT Anikeeva)到环路、系统(斯坦福 Shenoy)再到全脑(MIT Tsai)的多个层次。
-
计算与算法核心:强大的神经解码算法(机器学习/深度学习)是BCI性能提升的关键。
-
无线化与微型化:技术发展的明确趋势,以减轻患者负担、提高系统实用性。
微信扫一扫









