The ability to use electrophysiological brain signals to decode various parameters of voluntary movement is a central question in Brain Machine Interface (BMI) research. Invasive BMI systems can successfully decode movement trajectories from the spiking activity of neurons in primary motor cortex and posterior parietal cortex. It has long been assumed that non-invasive techniques do not provide sufficient signal resolution to decode the kinematics of complex time-varying movements. This view stems from the hypothesis that movement parameters such as direction, position, velocity, or acceleration are primarily encoded by neuronal firing in motor cortex. Consequently, the fact that such signals cannot be detected using non-invasive techniques such as Electroencephalography (EEG) or Magnetoencephalography (MEG) has led to the claim that fine movement properties cannot be decoded with non-invasive methods. However, this view has been proven wrong by numerous studies in recent years. First, a growing body of research over the last decade has shown that the local field potential (LFP) signal, which represents the summed activity of a neuronal population, can encode movement parameters at a level comparable to unit recordings. These findings were confirmed in humans by the successful use of electrocorticography (ECoG) to achieve continuous movement decoding via invasive human BMI approaches. Very recently, a number of non-invasive studies were able to provide striking evidence that even surface-level MEG or EEG data can contain sufficient information on hand movement in order to infer movement direction and hand kinematics from brain signals recorded using non-invasive methods. Here we provide a brief review of this recent literature and discuss its importance on the future of BMI research and its implications on the development of novel motor rehabilitation strategies.

Décoder les paramètres d’un mouvement volontaire à partir de l’activité cérébrale électrophysiologique est un enjeu majeur pour les recherches dans le domaine des interfaces cerveau-machine (ICM). Les ICM invasives permettent déjà de décoder la trajectoire d’un mouvement à partir du taux de décharge des neurones du cortex moteur primaire et du cortex pariétal postérieur. En revanche, il a été longtemps admis que la résolution offerte par les ICM non invasives était insuffisante pour permettre de décoder les paramètres de cinématique d’un mouvement complexe. Cette affirmation découle de l’hypothèse que ces paramètres tels que la direction, la position, la vitesse ou encore l’accélération sont principalement encodés par les potentiels d’action des neurones du cortex moteur, lesquels ne peuvent être enregistrés à l’aide de techniques non-invasives telles que l’électroencéphalographie (EEG) et la magnétoencéphalographie (MEG). Cependant, plusieurs études récentes contredisent l’idée selon laquelle les caractéristiques d’un mouvement ne peuvent être estimées de manière fine et précise à partir de mesures non-invasives. Ainsi, au cours de ces dix dernières années, de plus en plus de travaux ont montré que les potentiels de champs locaux, qui reflètent l’activité d’une population de neurones, encodent une information sur les paramètres de mouvement comparable à celle révélée par les enregistrements unitaires. Ces résultats ont été confirmés chez l’homme à travers l’utilisation de l’électrocorticographie pour décoder en temps-réel les paramètres de mouvements et commander une ICM. Enfin, très récemment, plusieurs études ont montré que les enregistrements de surface (MEG ou EEG) contiennent des informations suffisantes pour en déduire la direction et la cinématique d’un mouvement de la main. Cet article propose une brève revue de cette littérature récente et discute de l’importance de ces résultats pour l’avenir des ICM ainsi que leurs implications pour le développement de nouvelles stratégies de réhabilitation motrice.