# BrainGate: Robust Neural Decoding for Veterans with ALS

> **NIH VA I01** · PROVIDENCE VA  MEDICAL CENTER · 2020 · —

## Abstract

Intracortical Brain-­Computer Interfaces (iBCIs) aim to restore communication, mobility, and 
independence to Veterans and others with paralyzing disorders such as amyotrophic lateral sclerosis 
(ALS), stroke, or spinal cord injury. In the late stages of ALS, the progressive loss of mobility is 
accompanied by a loss of speech, resulting in tetraplegia and anarthria, or locked-­in syndrome.   
Though assistive and augmentative communication (AAC) devices partially address this problem, such 
devices become less useful and eventually fail as motor power continues to decline. In contrast, iBCIs 
can record the neural activity associated with intended movement directly from cortex. In this renewal 
Merit Review application, we propose to expand upon the tremendous progress made in the 
development of the investigational BrainGate Neural Interface system toward providing Veterans with 
intuitive, always-­available, wireless point-­and-­click control over a computer, tablet, or any other software-­
based communication system.  
 
In the proposed research, we will recruit two Veterans or other people with ALS at the Providence VA 
Medical Center to participate in the ongoing BrainGate pilot clinical trial. After placement of two 4x4x1.5 
mm, 96-­electrdode Blackrock (Utah) recording arrays in the dominant motor cortex, participants will 
engage in two or three recording sessions per week, in their place of residence. The research, which will 
also leverage other participants in the multi-­site BrainGate trial, will focus over a year or more with 
each participant on the development of improved, robust neural decoders. As a first aim, we will extend 
the stability of neural control by developing a new class of relational decoders with improved flexibility, 
adaptability, and noise tolerance. This will be facilitated by the use of a discriminative rather than 
generative decoding approach that focuses on modeling the probability distribution of the (low-­
dimensional) volitional state outputs based on (high-­dimensional) neural signals. This strategy does not 
rely upon an underlying assumption of cosine tuning to endpoint velocity, and allows for flexible, non-­
linear mapping across different intended movements and effectors with increased tolerance to noise. In 
the second aim, we will develop new strategies to rapidly calibrate and continuously update neural 
decoders. Our new methodology will allow us to transition directly to closed loop control and to calibrate 
functional neural decoders within ~1 minute of activating the system. We will also implement new 
strategies to maintain continuously both intended direction and click decoding by updating the decoder 
after every successful target selection, a useful step toward the design of embedded neuroprosthetic 
systems and practical, independent use of an iBCI. In both of these aims, decoders will be compared to 
the current state of the art approaches for BCI control. Finally, we will develop a cl...

## Key facts

- **NIH application ID:** 10069231
- **Project number:** 5I01RX002295-04
- **Recipient organization:** PROVIDENCE VA  MEDICAL CENTER
- **Principal Investigator:** LEIGH R HOCHBERG
- **Activity code:** I01 (R01, R21, SBIR, etc.)
- **Funding institute:** VA
- **Fiscal year:** 2020
- **Award amount:** —
- **Award type:** 5
- **Project period:** 2017-08-01 → 2023-07-31

## Primary source

NIH RePORTER: https://reporter.nih.gov/project-details/10069231

## Citation

> US National Institutes of Health, RePORTER application 10069231, BrainGate: Robust Neural Decoding for Veterans with ALS (5I01RX002295-04). Retrieved via AI Analytics 2026-05-21 from https://api.ai-analytics.org/grant/nih/10069231. Licensed CC0.

---

*[NIH grants dataset](/datasets/nih-grants) · CC0 1.0*