◆运动辅助/替代

　　脊髓损伤、肌萎缩侧索硬化（ALS）、脑干中风的病人，从大脑到肌肉的神经通路被阻断或损坏，或者肌肉无法正常地完成神经指令-收缩或舒张。因这些病人的大脑神经系统是正常的，那么就可以通过BCI搭建一个外部的”神经通路“来直接控制外部设备来辅助肢体完成意向的动作，如下图中的上肢运动辅助系统。

◆神经功能治疗/调节

　　目前，EEG应用最为广泛的领域在神经科学，尤其用于神经反馈训练（Neurofeedback training）等神经功能治疗/调节。神经（脑电）生物反馈治疗是借助于脑电闭环反馈系统采集大脑皮层各区的脑电活动节律，通过脑电分析使用者的神经状态，并用视觉和听觉信号刺激进行正反馈训练（Reward，给用户带来心理所期望的结果，一般会产生愉悦感），选择性强化某一频段的脑电波以达到预期的治疗目的。美国FDA已经认证的二类医疗器械中，有多种产品使用神经反馈训练来辅助治疗多动症(ADHD)，神经性紊乱等。

　　另外，基于EEG的神经反馈训练以后被有望用于治疗癫痫（Epilepsy）、自闭症（Autism）、老年痴呆症（AD）等多种神经疾病。

◆大脑状态监控/身份识别-脑纹

　　不同频段的脑电特征代表着大脑不同的工作状态。可穿戴的被动式脑电监测系统（Wearable Passive EEG Monitor）可以被用来实时监测癫痫病人的神经活动，并作出实时分析和状态预警（癫痫发作前几秒甚至前十几分钟脑电的模式会异常），当这套系统与实时通讯连接起来，这对突发癫痫的患者和整个医疗系统非常有意义，其在移动医疗中有非常可期待的前景，如下图：

　　脑纹：据美国《赫芬顿邮报》报道，2016年纽约宾厄姆顿大学科研人员用脑电图头套记录了50名志愿者的大脑活动。参与者浏览经过筛选以引起独有反应的500幅图片，研究人员则在参与者观看图片时扫描他们的大脑。研究结果显示，参与者大脑对每幅图片的反应都不一样。由此，研究人员设计的计算机程序能够绘制出每个人的“脑纹”，识别准确率达百分之百。

◆采集的信号质量。由于脑电信号本身很弱，微伏数量级，很容易淹没在各种噪声中。脑电信号的质量（信噪比）主要取决于传感器（电极），硬件电路系统（放大器，处理芯片及整体设计等）。

◆信号解析和反馈/控制算法。脑电信号非常复杂，空间分辨率较低，大部分信号规律性不足，边界模糊，导致信号的解析分类的准确性面临很大挑战，尤其是只用狭义上的EEG作为信号源的系统。基于机器学习的人工智能（AI），如支持向量机SVM等虽能大大提高信号解析的准确性，但因对大量数据的实时性分析等需求对硬件系统的要求变得更高了。

◆人体工程学。目前，基于EEG的BCI系统主要是以电极帽（涂导电膏的湿电极）为采集设备，电脑PC为处理器，多导线连接而成。这种系统不仅无法便携，需要特定的空间，使用者的舒适度和体验感都非常差。从机械设计上来说，使用者希望有一种穿戴舒适（利用干电极），操作轻便和灵敏反应的系统，这不仅对电路、算法系统提出了很高要求，也对产品形态设计、机械设计、生物材料等一系列人体工程学需求提出了挑战。

◆研发和制造成本也是以EEG为基础的BCI主要挑战之一。