Brain-Computer Interfaces (BCI) are systems that can translate the brain activity patterns of a user into messages or commands for an 

interactive application, this brain activity being usually measured using Electroencephalography (EEG). BCI technologies proved to be 

promising for a wide range of applications including communication and control for motor impaired users, gaming targeted at the general 

public, real-time mental state monitoring or stroke rehabilitation. Despite this promising potential, BCI are still scarcely used outside 

laboratories, for practical applications.This is mainly due to the low reliability of current BCI. 

In this talk, I will present our research works towards addressing this limitation. First, I will present some EEG signal processing and 

classification algorithms we designed for making BCI more robust to noise, non-stationarities and with minimal calibration times. 

Then, I will show that making BCI more robust can also be achieved by making BCI users better at BCI control. I will notably try to convince

the audience that principles and guidelines from educational psychology and instructional design should and can be used to enable BCI users to 

learn faster and more efficient BCI control. Finally, this talk will present how even not-so-reliable BCI technologies can still be useful for 

pratical applications. For this, this talk will describe our work on neuroergonomics, i.e., on the use of brain signals to estimate passively 

themental state of users (e.g., mental workload levels) during human-computer interaction, in order to assess the rgonomic qualities of this 

user interface.