Аппаратно-программный комплекс нейроинтерфейса на основе спектроскопии в ближнем инфракрасном диапазоне для управления бионическими протезами тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Самандари Али Мирдан Насер

• Самандари Али Мирдан Насер
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Самандари Али Мирдан Насер

Введение

ГЛАВА 1 АНАЛИТИЧЕСКИЙ ОБЗОР

1.1 Клиническая мотивация

1.2 Бионические протезы верхних конечностей

1.3 Обзор нейроинтерфейсов

1.3.1 Электромиография

1.3.2 Электроэнцефалография

1.3.3 Электрокортикография

1.3.4 Магнитоэнцефалография

1.3.5 Ультразвуковые исследования

1.3.6 Функциональная магнитно-резонансная томография

1.3.7 Метод диффузионной оптической томографии

1.3.8 Функциональная спектроскопия ближнего инфракрасного диапазона

1.4 Основные принципы fNIRS и гемодинамический реакция

1.5 Рабочий механизм fNIRS

1.6 Физические основы fNIRS

1.7 Выводы по главе1

ГЛАВА 2 ОБОРУДОВАНИЕ И МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ НЕЙРОИНТЕРФЕЙСОВ НА ОСНОВЕ fNIRS

2.1 fNIRS как нейроинтерфейс

2.2 Механика движения бионического протеза

2.3 Устройства для fNIRS

2.3.1 Устройство OpenNIRS

2.3.2 К^соШ;

2.3.3 Оборудование (NIRSport)

2.4 Программное обеспечение

2.5 Регистрация, обработка и распознавание биологических сигналов

2.5.1 Регистрация сигналов fNIRS

2.5.2 Обработка сигналов

2.5.3 Предварительная обработка сигнала ШГОБ

2.5.4 Извлечение признаков

2.5.5 Подходы к распознаванию паттернов и классификации

2.6 ШШБ для управления протезами

2.7 Выводы по главе

ГЛАВА 3 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ПАТТЕРНОВ ДВИГАТЕЛЬНОЙ АКТИВНОСТИ С ПОМОЩЬЮ РМЯБ

3.1 Методики оценки двигательных функций верхних конечностей

3.2 Сравнение мозговой активации при стимулировании двигательной активности различными триггерами

3.3 Исследование влияния команд-триггеров на паттерны двигательной активности

3.4 Распознавание сигналов ШЖБ

3.5 Выводы по главе

ГЛАВА 4 ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ

4.1 Система автоматизированного управления протезом

4.2 Разработка макета бионического протеза с нейроинтерфейсом на основе МЯБ

4.3 Изготовление экспериментального макета протеза кисти руки

4.4 Перспектива комбинирования ШШБ с другими методами нейровизуализации

4.4.1 МЯБ и ЭМГ

4.4.2 МЯБ и ЭЭГ

4.4.3 МЯБ и ФМРТ........................................,,,,,,,,,,,,,,

4.5 Выводы по главе

Заключение

Список сокращений и условных обозначений

Список литературы

Введение диссертации (часть автореферата) на тему «Аппаратно-программный комплекс нейроинтерфейса на основе спектроскопии в ближнем инфракрасном диапазоне для управления бионическими протезами»

Введение

Актуальность исследований. В настоящее время проблема инвалидности рассматривается как многогранное, многомерное, сложное и междисциплинарное социальное явление во всех культурах и исторических периодах, направленное на повышение осведомленности о жизни людей с ограниченными возможностями и содействие социальным изменениям, которые способствуют позитивным эмоциям без негатива и побуждают их к общайтесь без изоляции.

Потеря нижних и верхних конечностей является одним из наиболее распространенных видов инвалидности, поскольку это наиболее заметные и наиболее часто используемые внешние органы у людей. При этом, более 3 миллионов человек во всем мире страдают от инвалидности в результате ампутации рук из-за травм и болезней. Это является серьезной гуманитарной проблемой, требующей своего решения.

Известно, что для реабилитации людей с ограниченными возможностями, у которых отсутствуют конечности, целесообразно использовать бионические протезы, имеющие электрический привод для осуществления их движений. Они позволяют в значительной степени компенсировать утраченные функции конечностецй и повысить качество жизни инвалидов. В настоящее время нашли применение бионические протезы с управлением от остаточных мышц культи на основе электромиографических (ЭМГ) датчиков. Для управления бионическими протезами при отсутствии или атрофии оставшихся мышц необходимо использовать нейроинтерфейсы, позволяющие считывать управляющие сигналы непосредствено из головного мозга.

Однако анализ научно-технической литературы показал, что, несмотря на имеющиеся теоретические разработки и практические решения по созданию интерфейсов мозг-компьютер (ИМК), или Brain Computer Interfaces (BCI), в настоящее время не существует интерфейсов, которые могли бы эффективно управлять протезами, что является проблемой для многих наук, поскольку

междисциплинарные науки стремятся решить этот вызов. Методы нейровизуализации, такие как электроэнцефалография, электромиография и ункциональной спектроскопии в ближнем инфракрасном диапазоне (fNIRS), являются ведущими и наиболее распространенными в научных исследованиях, направленных на создание искусственных нервных окончаний или нейрореабилитации и восстановление утраченных функций.

Результаты этой работы достигнуты по нескольким направлениям. Предлагаемая новая система управления открывает новый подход к минимально инвазивным церебральным компьютерным интерфейсам и передаче нейронных данных с внутричерепного на экстракраниальный уровень. Постоянное развитие этого предложения позволит в будущем провести исследования, которые помогут приблизить предлагаемую систему к ее окончательному дизайну. Окончательно разработанная новая система управления может открыть коммерческие возможности для продажи устройства или лицензирования конструктивных особенностей. Это могло бы обеспечить платформу для долговременной записи нейронных данных, в частности данных, полученных вручную, что могло бы привести к усовершенствованным моделям преобразования сигналов нейронного управления в полезные функции. Самое главное, это может привести к улучшению функциональности протезов рук, что может значительно улучшить качество жизни людей с ампутированными конечностями.

Степень разработанности темы исследования. Бионические протезы ведут свою историю с середины XX века. В 1957 г. советскими учеными А. Кобринским, Я. Славуцким и В. Гурфинкелем был создан первый бионический протез руки с управлением от ЭМГ датчиков. В 1963 году югославские ученые (Р. Томович и др.) изобрели первый в мире электронный протез руки, который содержал пять пальцев с сенсорными датчиками касания. Лаборатория прикладной физики Университета Johns Hopkins в Лореле разработала прототип первого полностью интегрированного протеза руки, который может естественным образом управляться нервной системой с помощью реиннервации

(F. Christopher и др). Исследованиями в области бионических протезов и экзоскелетов занимались также R. Alter, R. Rothchild, S.C. Jacobsen, С.Ф. Яцун , Л.А. Рыбак и др.

Управление протезами при отсутствии или атрофии остаточных мышц культи возможно лишь с помощью нейроинтерфейсов, считывающих команды непосредственно из головного мозга. Созданием неинвазивных нейроинтерфейсов на основе электроэнцефалографии (ЭЭГ) занимались ряд ученых (J.J. Vidal, S. Bozinovsky, Harshitha Jasti, А.Я. Каплан, Л.А. Станкевич, А.Е. Осадчий, Н.А. Супонева, А.Е. Храмов и др.). Однако, применение данных нейроинтерфейсов для управления протезами затруднительно в силу особенностей самого метода ЭЭГ.

Относительно успешным является применение для управления протезами инвазивного нейроинтерфейса: электрокортикографии (Kennedy P.R., Daniel N.C., Hochberg L.R., Лебедев М.А., и др). Однако, его использование представляет существенную опасность для здоровья пациентов. Данная проблема пока не нашла своего решения, что иллюстрируется неудачами проекта Neurolink известного инноватора И. Маска.

Значительный интерес представляет применение в качестве нейроинтерфейсов для управления протезами функциональной спектроскопии в ближнем инфракрасном диапазоне (fNIRS). Физическим основам методов диффузной оптической спектроскопии и диффузной корреляционной спектроскопии посвящены труды ряда исследователей (C.M. Giselle, А.В. Дунаев, Р.В. Скиданов и др). Нейроинтерфейсы на основе fNIRS рассматривали F.F. Jöbsis, R. Barbour, B. Chance, A. Villringer, M. Cope, D.T. Delpy, E. Gratton, А.Н. Афонин, М.А.Ситникова, Э.В. Крыжановский и др. Сегодня можно найти инвалидные кресла, роботизированные протезы, виртуальные клавиатуры, веб-браузеры, "умные" домашние среды, мини-игры, системы аутентификации и многие другие приложения, оснащенные интерфейсами, управляемыми мозгом. Однако, несмотря на все усилия научного сообщества по созданию функциональных и надежных ИМК, цель разработки бионических

протезов, управляемых нейроинтерфейсами, для повседневного использования не была достигнута. Таким образом, при выполнении исследований решалась следующея научно-техническая задача: Разработка нейроинтерфейса на основе спектроскопии в ближнем инфракрасном диапазоне для системы управления бионического протезом.

Объект исследования: Нейроинтерфейс на базе 1КЖЗ-томографии для системы управления бионического протеза.

Предмет исследования: Методы и алгоритмы управления бионическим протезом за счет выявления паттернов двигательной активности в коре головного мозга с помощью

Цель работы: Повышение эффективности использования и расширение области применения бионических протезов за счет создания нейроинтерфейса на базе -томографии.

Задачи исследования: Для достижения поставленной цели решены следующие задачи:

- Анализ существующих видов нейроинтерфейсов с точки зрения их применимости для управления бионическими протезами.

- Исследование механики протеза верхней конечности с помощью компьютерного моделирования.

- Анализ физических основ активации коры головного мозга при двигательной активности с помощью ШШЗ, подбор оборудования и программного обеспечения для проведения экспериментальных исследований.

- Исследование влияния различных видов триггеров на формирование паттернов двигательной активности в коре головного мозга с помощью ШШЗ

- Разработка алгоритмов и методов обработки сигналов и распознавания паттернов двигательной активности в коре головного мозга с помощью ШШЗ.

- Разработка прототипа системы управления бионическим протезом с нейроинтерфейсом на основе ШШЗ.

Научная новизна исследования. В работе получены следующие результаты, характеризующиеся научной новизной:

> Имитационная компьютерная 3D модель бионического протеза кисти руки, разработанная с использованием российской программы T-FLEX Динамика, и отличающаяся тем, что позволяет рассчитывать траектории, углы поворота, скорости и ускорения движущихся элементов пальцев и действующие на них силы с учетом углов поворота фаланг, и тем самым дает возможность определять кинематические характеристики протеза верхней конечности, необходимые для проектирования системы его управления.

> Сравнительный анализ характера влияния текстовых, графических и звуковых разновидностей команд-триггеров на формирование паттернов двигательной активности в моторной коре головного мозга, отличающийся тем, что позволил впервые установить, что попеременное выполнение физических и мысленно представляемых движений в сочетании с использованием триггеров разной природы позволяет усилить регистрируемые fNIRS-сигналы;

> Анализ влияния времени между подачей триггеров в диапазоне от 8 до 15 с на релаксацию при формирование паттернов двигательной активности в моторной коре головного мозга, отличающийся тем, что позволил установить, что время реакции нейроинтерфейса бионического протеза на мысленную команду составит 3-4 с, что превышает скорость работы нейроинтерфейсов, основанных на регистрации с помощью ЭЭГ волны р300;

> Алгоритмы и методы предварительной обработки данных ШШБ методом скользящего среднего, а так же алгоритмы и методы распознавания паттернов двигательной активности в коре головного мозга, основанные на использовании искусственных нейронных сетей архитектуры LSTM, отличающиеся тем, что нейронные сети были обучены на выборках данных, полученных с помощью экспериментов с использованием триггеров различной природы, что обеспечило снижение погрешности распознавания мысленных команд.

Теоретическая и практическая значимость работы состоит в том, что получены динамические характеристики бионических протезов верхней конечности, позволяющие определить требования к системе управления ими.

Впервые выявлен характер влияния разновидностей триггеров на формирование паттернов двигательной активности в коре головного мозга.

Разработана методика предварительной обработки данных ШГОЗ для последующего распознавания паттернов движений. Разработаны алгоритмы и методы распознавания паттернов двигательной активности в коре головного мозга с помощью технологий искусственного интеллекта.

Разработан прототип нейроинтерфейса системы управления бионическим протезом на основе ШГОЗ, который может быть использован в клинической практике и в медицинском приборостроении. Работа выполнена в рамках реализации программы развития ФГАОУ ВО «Белгородский государственный национальный исследовательский университет» программы стратегического академического лидерства «Приоритет-2030» и в соответствии с научным направлением НИУ «БелГУ» «Адаптивное моделирование в живых и неживых системах». Результаты работы внедрены в образовательный процесс НИУ «БелГУ» при подготовке магистров по направлению 12.04.04 «Биотехнические системы и технологии».

Методология и методы исследования. В диссертационной работе использованы методы теории вероятностей и математической статистики, теории передачи информации, компьютерного моделиоования механических систем и методы обработки биологических сигналов с использованием искусственных нейронных сетей.

Положения, выносимые на защиту.

Конструкция бионического протеза верхней конечности с нейроинтерфейсом на основе спектроскопии в ближнем инфракрасном диапазоне.

Имитационная компьютерная модель бионического протеза верхней конечностей, позволяющая исследовать их кинематические и динамические характеристики.

Ш-— Способы повышения эффективности формирования в коре головного мозга паттернов двигательной активности за счет использования триггеров различной природы.

активности в коре головного мозга, основанные на использовании искусственных нейронных сетей.

Степень достоверности и апробация _работы. Результаты исследования показали возможность воспроизводимости в разных условиях, согласованность сметодами обработки и распознавания тсигналов, теорией искусственных нейронных сетей, а также аналогичными результатами анализа мозговой активации, которые были получены другими исследователями. Итоги экспериментальных исследований не противоречат ранее опубликованным научным данным по теме диссертации. Основные теоретические положения и научные результаты диссертационной работы излагались, обсуждались, а также получили положительную оценку на 12 Всероссийских и Международных конференциях: «Робототехника и искусственный интеллект» (Белгород - 2022); «Информационные

технологии и инжиниринг» (Белгород - 2023); «Современные научные исследования: технические и естественные науки» (Москва -

2023); «Научные исследования молодых учёных» (Пенза - 2023); «Актуальные вопросы науки и образовани» (Москва - 2023); «Актуальные проблемы общества, экономики и права в контексте глобальных вызовов» (Москва - 2023); «Forthcoming Networks and Sustainability in the lot Era:» (Турция - 2024); «Информационные технологии и инжиниринг» (Белгород -

2024); «Современные тенденции в научных исследованиях » (Москва - 2024). Публикации. По теме диссертации опубликовано 16 работ, в числе

которых 6 статей в рецензируемых изданиях, рекомендованных ВАК РФ (K1, K2), 1 в наукометрической базе Scopus, 8 работ в материалах научных конференций, 1 свидетельство о государственной регистрации программы для

горитмы и методы распознавания паттернов двигательной

ЭВМ.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка литературы. Работа изложена на 172 страницах машинописного текста, диссертация содержит 76 рисунков, 9 таблиц и список литературы из 177 наименования.

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР

Человеческое тело - это системная структура, прекрасная сама по себе, и потеря любой части человеческого тела совершенно невосполнима, поэтому поддержание структуры тела является важнейшей мерой, которой должен следовать каждый. Но, признавая конкретную реальность, следует отметить, что природные катаклизмы, такие как землетрясения и другие, человеческие катастрофы, такие как войны и другие, дорожно-транспортные происшествия, болезни и другие, оставляют после себя множество повреждений в различных частях тела.

Нижние и верхние конечности являются наиболее заметными внешними конечностями. Поэтому из всех возможных вариантов при авариях именно эти конечности чаще всего теряются или становятся инвалидами. В настоящее время естественные органы, как правило, не заменяются искусственными с такой же точностью, и потеря конечности сама по себе является большой утратой. Ампутанты теряют свободу передвижения, у них могут развиться психические заболевания, что изолирует их от социальных контактов.

Кроме того, понятие инвалидности нельзя сводить только к физической потере, это тяжелое и скучное чувство, которое влияет на человека всю его жизнь и постоянно усиливается у людей с инвалидностью, а они могут быть умственно отсталыми, и это чувство может довести их до самоубийства. Углубление понимания инвалидности - многогранного, многомерного, сложного, междисциплинарного социального явления во всех культурах и исторических периодах, содействие большей осведомленности об опыте людей с инвалидностью и пропаганда социальных изменений, способствующих развитию положительных эмоций без негатива и поощряющих их к общению без изоляции [1, 2].

Потеря нижних и верхних конечностей является одним из наиболее распространенных видов инвалидности, поскольку это наиболее заметные и

наиболее часто используемые внешние органы у людей, более 3 миллионов человек во всем мире страдают от инвалидности в результате ампутации руки (и это число определенно растет из-за того, что мы наблюдаем в нашем мире, в котором живем сейчас) [3].

Инвалидность в целом варьируется от человека к человеку, и чтобы не выходить за рамки темы диссертации, мы рассмотрим инвалидность верхних конечностей, которая может быть разделена на пять частей (рис. 1.1) [4].

Рисунок 1.1 - Положения для ампутации верхней конечности

Несомненно, потеря внешней конечности нарушает красоту строения тела, поэтому ампутированная часть должна быть заменена, чтобы придать телу силу и красоту.

В соответствии с этим протезы ранее использовались в декоративных и косметических целях, о чем свидетельствует древняя история Египта, где был найден большой искусственный палец ноги, который носила египтянка, сделанный из дерева, и это было три тысячи лет назад [5]. Огромная революция технического прогресса повлияля и на ортопедическое сообщество в его

стремлении найти альтернативную систему для ампутированных конечностей, чтобы улучшить жизнь ампутантов.

В последнее время технологии медицинской визуализации начали появляться в различных областях, особенно в медицине. Различные методы медицинской визуализации направлены на тщательное изучение всех органов и компонентов тела с целью диагностики, лечения, активации или реабилитации пораженного органа или компонента в соответствии с потребностями этого органа и с большей пользой: методы нейровизуализации сосредоточены на изучении мозговой активности.

Обратите внимание, что эти методы медицинской визуализации не ограничены одной научной концепцией.

Кроме того, это относится к междисциплинарной концепции. Например, нейронные интерфейсы и их разработка тесно связаны с концепцией линейной физики [6]; а концепция технологий медицинской визуализации связана с биологическими концепциями, инженерией и искусственным интеллектом.

На стыке наук методы медицинской визуализации, особенно метод функциональной спектроскопии в ближней инфракрасной области (fNIRS), являются наглядным примером того, как эти науки пересекаются в соответствии с концепцией Интерфейс Мозг-Компьютер (ИМК), или написанный на английском языке (Brain Computer Interfaces (BCI)).

Использование методов нейровизуализации, таких как электроэнцефалография (ЭЭГ), магнитоэнцефалография (МЭГ), функциональная магнитно-резонансная томография (фМРТ) и fNIRS, на основе ИМК, функционально зависящих от обнаружения в реальном времени характерных волн или паттернов активности мозга и динамического преобразования полученной информации в команды управления для внешних устройств, которые стали широко использоваться, таких как инвалидные кресла, протезы и другие.

1.1 Клиническая мотивация

В современных областях научных исследований изучение функций мозга приобретает огромное значение для многих ученых, исследователей и тех, кто заинтересован в этой цели, особенно с учетом огромного технического прогресса, который затмил медицинские технологии, заинтересованные в обнаружении записи мозговых сигналов и преобразовании их в реальные команды. Человеческий мозг латерализован на доминирующие или недоминирующие полушария и управляется с помощью крупномасштабных нейронных сетей между коррелированными областями коры.

Двигательные и сенсорные функции человека контролируются тесно связанными нейронными сетями, а корковые и подкорковые структуры каждой нейронной сети участвуют в обработке различных фрагментов информации.

Интерфейс мозг-компьютер или нейроинтерфейс - это интегрированная система взаимодействия (аппаратно-программное обеспечение), функционально основанная на обнаружении в реальном времени характерных сигналов (паттернов) мозговой активности с использованием методов нейровизуализации таких, как fNIRS, и на преобразовании полученной информации в команды управления для внешних устройств, например протезирования, инвалидная коляска и другие [7-9].

Подобно этим концепциям, мотивацией данного исследования является исследование и разработка системы управления протезами для улучшения жизни тех, кто потерял конечности, и мы ограничимся верхними конечностями в соответствии с масштабом исследования.

1.2 Бионические протезы верхних конечностей

В 1993 году Chas. A. Blatchford & Sons, Ltd. является первым, кто разработал интеллектуальный протез [10]. А улучшенная версия в 1995 году получила название интеллектуальный протез плюс [1 1]. Протезы - это

медицинские устройства, которые обычно используются для рук, ног и ступней. Они бывают двух типов: пассивные и активные протезы (рис. 1.2).

Рисунок 1.2 - Различные типы протезов

Двигательные функции руки могут быть улучшены при повторных двигательных тренировках, так как это приводит к нейропластическим изменениям, которые создают новую нейронную сеть в области неповрежденной коры головного мозга, которая заменяет функцию поврежденной области, особенно в области верхней конечности, которая повреждена на 70% у людей, которые перенес инсульт [12].

Примечательно, что биологи используют роботов (полностью или частично) в качестве физических моделей для проверки гипотез о биологических взаимосвязях между структурой и функцией, и эти роботы (вдохновленные биологией) являются незаменимыми физическими моделями для улучшения функционального понимания структуры, экологии, неврологии и других областей [13, 14].

В физике роботы использовались в качестве инструментов для изучения концепций биомеханики движения, особенно на сложных уровнях. Впервые появился термин "робофизика" [15, 16]. Однако наиболее важной целью является то, что неврологические технологии также разрабатываются для оказания помощи

людям с ограниченными возможностями, таким как люди с ампутированными конечностями или люди с параличом конечностей [17, 18].

Имитаторы протезов имеют конструкцию и методы приведения в действие, идентичные реальным протезам. Основной функцией этих протезных имитаторов было воспроизведение приведения в действие и общей функции частичных кистевых и транслучевых протезов у типично развивающихся детей, таким образом, протезный имитатор был установлен в недоминирующую руку типично развивающейся группы.

Частичный ручной имитатор позволял типично развивающимся детям положить свою существующую руку поверх кисти имитатора, слегка вытянув запястье. К кисти была прикреплена толкающая платформа, расположенная над частичным имитатором кисти, для иммобилизации пальцев и обеспечения возможности активного сгибания и пассивного разгибания запястья для облегчения приведения в действие кисти.

Таким образом, трансрадиальный имитатор включал в себя те же функции, что и протезное устройство, с добавлением ручки, которая позволяла обычно развитым детям приводить устройство в действие сгибанием локтя . Протезные имитаторы, использованные в исследовании, имитируют конструкцию и механизм управления протезом. Имитатор частичного протезирования кисти позволил типично развивающимся детям положить свою существующую руку поверх кисти-имитатора, слегка разгибая запястье. Толкающая платформа, расположенная над кистью, позволяла активно сгибать и пассивно разгибать запястье для облегчения приведения в действие кисти.

Таким образом, трансрадиальные имитаторы включали в себя те же функции, что и трансрадиальный протез, с добавлением ручки, которая позволяла нормально развитым детям приводить устройство в действие сгибанием локтя [19]. Межмануальный перенос, передача двигательных навыков от тренированной руки к нетренированной, может быть использован для тренировки навыков протезирования верхних конечностей

[https://doi.org/10.1371/journal.pone.0188362.g002].

Протезы с приводом от тела обладают более высоким уровнем производительности и большей долговечностью, чем электромышечные протезы и косметические протезы. Таким образом, они являются ценными устройствами для пользователей, которые придают большое значение функциональности. Для оценки контроля протеза использовался имитатор с приводом от тела (рис. 1.3). Протезный имитатор с приводом от тела.

а. Протезный имитатор с приводом от тела состоит из ручного крюка, стержня, гнезда, кабеля и жгута проводов.

б. Имитатор был надет на левую верхнюю конечность. Управление имитатром осуществлялось с помощью кабеля, подсоединенного к плечевому ремню безопасности в форме восьмерки.

с и ё. Имитатор представляет собой самопроизвольно открывающийся протез с приводом от тела.

Руководство начинается со сгибания левого плеча и отведения лопатки и заканчивается разгибанием левого плеча и приведением лопатки.

Рисунок 1.3 - Протезный имитатор с приводом от тела [20].

Имитаторы в M at lab показало, что кинематика конструкции цифра подходит для применения в протезах с несколькими степенями свободы, и позволило правильно определить размеры и выбрать узлы двигателя и зубчатой передачи [21]. Современные бионические протезы имеют приводы, которые выполняют задачи движений, и для управления этими движениями используются нейроинтерфейсы - программно-аппаратный комплекс для функциональной взаимосвязи между биологическим объектом (животным или человеком) и машиной для прямого обмена информацией между нервной системой человека и электронным устройством - для управления приводами таких бионических протезов [6].

Нейронные интерфейсы имеют долгую историю [22]; но первые нейронные интерфейсы упомянутые в научной литературе, были разработаны исследовательской группой в 1973-1977 годах [23]; для управления протезами, которые могли бы стать потенциальной альтернативой и отличной возможностью для людей с ампутированными конечностями участвовать в своей повседневной деятельности.

Список литературы диссертационного исследования кандидат наук Самандари Али Мирдан Насер, 2025 год

Список литературы

1. Philip, M.F. Disability Studies: What Is It and What Difference Does It Make? / M.F. Philip // Research & Practice for Persons with Severe Disabilities 2012, Vol. 37, No. 2, 70-80.

2. Tomas, B. Employment opportunities for persons with different types of disability / B. Tomas, K. Anders, et al. // Alter. 2014.11.003. http://dx.doi.org/10.1016Zj (2015).

3. Kansal, S. A novel deep learning approach to predict subject arm movements from EEG-based signals Neural Computing and Applications / S. Kansal, D. Garg, A. Upadhyay, et al. // Neural Comput & Applic 35, 11669-11679 (2023). https://doi.org/10.1007/s00521-023-08310-9

4. Sattar, N.Y. fNIRS-Based Upper Limb Motion Intention Recognition Using an Artificial Neural Network for Transhumeral Amputees / N.Y. Sattar, Z. Kausar, S.A. Usama, U. Farooq, M.F. Shah, S. Muhammad, R. Khan, M. Badran (2022) // Sensors, 22(3), 726. https://doi.org/10.3390/s22030726.

5. Nerlich, A.G. Ancient Egyptian prosthesis of the big toe / A.G. Nerlich , A. Zink, U. Szeimies, H.G Hagedorn // Lancet 2000, Vol 356, 2176-2179.

6. Hramov, A.E. Physical principles of brain-computer interfaces and their applications for rehabilitation, robotics and control of human brain state / A.E Hramov, V.A. Maksimenko, A.N. Pisarchik // Physics Reports. 2021. vol. 918, pp. 1-133.

7. Liao, W. A composite improved attentionconvolutional network for motor imagery EEG classification / W. Liao, Z. Miao, S. Liang, L. Zhang, C. Li // Front. Neurosci (2025). 19:1543508.doi: 10.3389/fnins.2025.1543508.

8. Raissi, M. Physics-informed neural networks: A deeplearning framework for solving forward and inverse problems involving nonlinear partialdifferential equations / M. Raissi, P. Perdikaris, G.E. Karniadakis // Journal of Computational Physics, Feb. 2019.

9. Samandari, A.M. The possibility of unifying neural interfaces to create an integrated control system for prostheses: a brief review / A.M. Samandari, A.N.

Afonin // Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta. Serija: Upravlenie,vychislitel'naja tekhnika, informatika. Meditsinskoe priborostroenie = Proceedings of the Southwest State University. Series: Control, Computer Engineering, Information Science. Medical Instruments Engineering. 2024;14(2):60-71. (In Russ.) https://doi.org/10.21869/2223-1536-2024-14-2-60-71.

10. Nayak, S. Application of Artificial Intelligence (AI) in Prosthetic and Orthotic Rehabilitation / S. Nayak, R.K Das // Service Robotics. IntechOpen, Nov. 26, 2020. doi: 10.5772/intechopen.93903.

11. Awad, M.I. Inertia Properties ofa Prosthetic Knee Mechanism / M.I. Awad, A,A, Dehghani-Sanij, D. Moser,et al. In: Dixon, C and Tuyls, K, (eds.) Towards Autonomous Robotic Systems: Proceedings. 16th Annual Conference, TAROS 2015, 08-10 Sep 2015,Liverpool, UK. Lecture Notes in Computer Science (9287) // Springer , Cham, Switzerland ,pp. 38-43. ISBN 978-3-319-22415-2. (2015).

12. Kim, D.H. Increasing motor cortex activation during grasping via novel robotic mirror hand therapy: a pilot fNIRS study / D.H Kimet, et al. // Journal of NeuroEngineering and Rehabilitation (2022) 19:8https://doi.org/10.1186/s12984-022-00988-7.

13. Рыбак, Л.А. Имальный синтез структуры и параметров роботизированной системы для восстановительной механотерапией на базе параллельных механизмов / Л.А. Рыбак, А.А. Волошин, В.С. Перевузник, Д.И. Малышев // Известия ЮФУ. Технические науки. 2024. OI 10.18522/2311-31032024-1-88-100.

14. Спиркин, А.Н. Бионические методы управления роботизированным механизмом / А. Н. Спиркин // Измерение. Мониторинг. Управление. Контроль. -2020. - № 4 (34). - С. 84-91. -DOI 10.21685/2307-5538-2020-4-10.

15. Yang, Z. The grand challenges of Science Robotics / Z.G. Yang, B. Jim, et al. // Sci. Robot. 3, eaar7650 (2018) 31 January 2018.

16. Jeffre, A. A review on locomotion robophysics: the study of movement at the intersection of robotics, soft matter and dynamical systems / A. Jeffre, et al. // arXiv :1602.04712v1 [cs.RO] 12 Feb 2016.

17. Siribunyaphat, N. Brain-Computerlnterface Based on Steady-StateVisual Evoked Potential Using Quick-Response Code Pattern for Wheelchair Control / N. Siribunyaphat, Y. Punsawad // Sensors 2023, 23,2069. https://doi.org/10.3390/s23042069.

18. Gannouni, S. A Brain Controlled Command-Line Interface to Enhance the Accessibility of Severe Motor Disabled People to Personnel Computer / S. Gannouni, et al. // Journals / Brain Sciences / Volume 12 / Issue 7 / 10.3390/brainsci12070926.

19. Zuniga, J.M. Brain lateralization in children with upper-limb reduction deficiency / J.M. Zuniga, et al // Journal of NeuroEngineering and Rehabilitation (2021). https ://doi.org/10.1186/s12984-020-00803-1.

20. Yoshimura, M. Virtual reality-based action observation facilitates the acquisition of body-powered prosthetic control skills / M. Yoshimura, H. Kurumadani, et al. // Journal of NeuroEngineering and Rehabilitation (2020). https://doi.org/10.1186/s12984-020-00743-w.

21. Light, C.M. Development of a lightweight and adaptable multiple-axis hand prosthesis / C.M. Light, P.H. Chappell // Medical Engineering & Physics 22 (2000) 679-684. https://doi.org/10.1016/S1350-4533 (01)00017-0 .

22. Лебедев, М.А. Сознание и душа: что добавят нейроинтерфейсы ? / М.А. Лебедев // Теология и современные исследования сознания. Труды кафедры богословия № 2 (4), 2019. DOI: 10.24411/2541-9587-2019-10017.

23. Quitadamo, L. Support vector machines to detect physiological patterns for EEG and EMG-based human-computer interaction: a review / L. Quitadamo, F. Cavrini, L. Sbernini, F. Riillo, L. Bianchi, S. Seri, G. Saggio // J. Neural Eng. 14 (1) (2017) 011001.

24. Singh, S.P. Functional Mapping of the Brain for Brain-Computer Interfacing: A Review / S.P. Singh, S. Mishra, S. Gupta, P. Padmanabhan, L. Jia, T.K.A. Colin, Y.T. Tsai, T. Kejia, P. Sankarapillai, A. Mohan, et al. // Electronics 2023, 12, 604.https://doi.org/10.3390/electronics12030604.

25. Peksa, J. State-of-the-Art on Brain-Computerlnterface Technology / J. Peksa, D. Mamchur // Sensors 2023, 23,6001. https://doi.org/10.3390/s23136001.

26. Wang, H. Brain-Controlled Wheelchair Review: From Wet Electrode to Dry Electrode, from Single Modal to Hybrid Modal, from Synchronous to Asynchronous / H. Wang, et al. // IEEE 55920. vol. 9. Digital Object Identifier 10.1109/ACCESS.2021.3071599.

27. Xu, B. Continuous Hybrid BCI Control for Robotic Arm Using Noninvasive Electroencephalogram, Computer Vision, and Eye Tracking / B. Xu, W. Li, D. Liu, K. Zhang, M. Miao, G. Xu, A. Song // Mathematics 2022, 10, 618. https://doi.org/10.3390/math10040618.

28. Ailsworth, J.W.JR. Development of neurofeedback therapies for hand rehabilitation in stroke / J.W.JR. Ailsworth // PhD Thesis. North Carolina State University; 2023.

29. Lubo, F. EEG-EMG Analysis method in hybrid brain computer interface for hand rehabilitation training / F. Lubo, et al. // Computing and Informatics, Vol. 42, 2023, 741-761, doi: 10.31577/cai 2023 3 741.

30. Kwon, J. Toward acompact hybrid brain-computer interface (BCI): Performance evaluation of multi-class hybrid EEGfNIRS BCIs with limited number of channels / J. Kwon, J. Shin, Im. C-H // PLoSONE 15(3): e0230491. https://doi.org/10.1371/journal.pone.0230491, (2020).

31. Abtahi, M. Hand Motion Detection in fNIRS Neuroimaging Data / M. Abtahi, A.M. Amiri, D. Byrd, K. Mankodiya // Healthcare 2017, 5, 20. https://doi.org/10.3390/healthcare5020020.

32. Gu, C. Long-term flexible penetrating neural interfaces: materials, structures,and implantation / C. Gu, J.J. Jiang, T.H. Tao, et al. // Sci China Inf Sci, 2021, 64(12): 221401, https://doi.org/10.1007/s11432-021-3321-7.

33. Daniel, N. Relationship between EMG and fNIRS during Dynamic Movements / N. Daniel, K. Sybilski, W. Kaczmarek, D. Siemiaszko, J. Malachowski // Sensors 2023,23, 5004. https://doi.org/10.3390/s23115004.

34. Alexander von L. Multimodal Instrumentation and Methods for Neurotechnology Out of the Lab. August 2018. https://doi.org/10.14279/depositonce-7445.

35. Шишкин, С.Л. Улучшение работы интерфейса глаз-мозг-компьютер при использовании частотных компонентов электроэнцефалограммы / С.Л. Шишкин, et al. // Вестник ргму | 2, 2016 | vestnikrgmu.ru.

36. Afonin, A.N. A Rehabilitation Device for Paralyzed Disabled People Based on an Eye Tracker and fNIRS / A.N. Afonin, et al. // In: Kryzhanovsky, B., Dunin-Barkowski, W., Redko, V., Tiumentsev, Y. (eds) Advances in Neural Computation, Machine Learning, and Cognitive Research IV. Neuroinformatics 2020. Studies in Computational Intelligence, vol 925. Springer, Cham. https://doi.org/10.1007/978-3-030-60577-3_7.

37. Abdalmalak, A. Detecting Command-Driven Brain Activity in Patients with Disorders of Consciousness Using TR-fNIRS / A. Abdalmalak // Electronic Thesis and Dissertation Repository. 7055.(2020). https://ir.lib.uwo.ca/etd/7055.

38. Grubov, V. Features of real and imaginary human motor activity with EEG and fNIRS / V. Grubov, A. Badarin, N. Frolov, E. Pitsik // 2020 International Conference Nonlinearity, Information and Robotics (NIR), Innopolis, Russia, 2020, pp. 1-4, doi: 10.1109/NIR50484.2020.9290202.

39. Volkova, K. Decoding Movement From Electrocorticographic Activity: A Review / K. Volkova. M.A. Lebedev, A. Kaplan, A. Ossadtchi // Front. Neuroinform. 13:74.doi: 10.3389/fninf.2019.00074.

40. Hochberg, L. Sensors for brain-computer interfaces / L.R. Hochberg, J.P. Donoghue // in IEEE Engineering in Medicine and Biology Magazine, vol. 25, no. 5, pp. 32-38, Sept.-Oct. 2006, doi: 10.1109/MEMB.2006.1705745.

41. Lazarou, I. EEG-Based Brain-Computer Interfaces for Communication and Rehabilitation of People with Motor Impairment / I. Lazarou, S. Nikolopoulos, P.C. Petrantonakis, I. Kompatsiaris, M. Tsolaki // ANovel Approach of the 21st Century.Front. Hum. Neurosci. 12:14.(2018) doi: 10.3389/fnhum.2018.00014.

42. Junseok, A.K. Magnetoencephalography: physics, techniques, and applications in the basic and clinical neurosciences / A.K. Junseok, D.D. Karen // J Neurophysiol 125: 938-956, 2021.

43. Sommariva, S. Cortical parcellation optimized for magnetoencephalography with aclustering technique / S. Sommariva, S.N. Puthanmadam, L. Parkkonen // Scientific Reports | (2025) 15:6404 | https://doi.org/10.1038/s41598-025-90166-1.

44. Catherine, R.L. Sequences of cortical activation for tactile pattern discrimination using magnetoencephalography / R.L. Catherine, D.J. Hagler, et al. // Neuro Report 20 (10) :p 941-945, July 1, 2009. | DOI: 10.1097/WNR.0b013e32832c5f65.

45. Dimitriadis, S.I. How to Build a Functional Connectomic Biomarker for Mild Cognitive Impairment FromSource Reconstructed MEG Resting-State Activity: The Combination of ROI Representation and Connectivity Estimator Matters / S.I. Dimitriadis, M.E. López, R. Bruña, P. Cuesta, A. Marcos, F. Maestú, E.Pereda //Front. Neurosci. 12:306 (2018).doi: 10.3389/fnins.2018.00306.

46. Naseer, N. Classification of functional near-infrared spectroscopy signals corresponding to the right-and left-wrist motor imagery for development of a brain-computer interface / N. Naseer, K.-S. Hong // Neuroscience Letters 553 (2013) 84-89.

47. Berestov, R.M. Brain-computer interface technologies for monitoring and control of bionic systems / R.M. Berestov, E.A. Bobkov, V.S. Belov, A.V. Nevedin // Journal of Physics:Conference Series (2021) doi:10.1088/1742-6596/2058/1/012030 .37.

48. Kamrani, E. On-Chip Integrated Functional Near Infra-Red Spectroscopy (fNIRS) Photoreceiver for Portable Brain Imaging / E. Kamrani // Ph.D. thesis (2014), ÉcolePolytechnique de Montréal]. PolyPublie. https://publications.polymtl.ca/1346/.

49. Кузьмин, А.А. Автоматизированная классификация абдоминальных ультразвуковых изображений поджелудочной железы на основеспектрального представления контуров ее границы / А.А. Кузьмин, А.Ю. Сухомлинов, Ч.Х.,Р. Аль-Дарраджи, А. Томакова, С.Д. Долженков, Л.В. Шульга // Medical Instruments Engineering. 2024; 14(1): 67-87. (In Russ.) https://doi.org/10.21869/2223- 1536-202414-1-67-87.

50. Filist, S.A. Automated system for classifying pancreatic ultrasound images based on the segment-by-segment spectral analysis method / S.A. Filist, D.S. Kondrashov, A.Y. Sukhomlinov, L.V. Shulga, Ch.H. Al-Darraji, Belozerov V.A. // Modeling, Optimization and Information Technology. 2023;11(1). URL: https://moitvivt.ru/ru/journal/pdf?id= 1302 DOI: 10.26102/2310-6018/2023.40.1.021 (In Russ.).

51. Ekaterina, T. Investigating Conversational Dynamics in Human-Robot Interaction with fMRI / T. Ekaterina, A. Caroline, U. Julia, P. Andre // In M. Goldwater, F.K. Anggoro, B.K. Hayes, & D.C. Ong (Eds.), Proceedings of the 45th Annual Conference of the Cognitive Science. (2023).

52. Joao, P. Multimodal assessment of the spatial correspondence between fNIRS and fMRI hemodynamic responses in motor task / P. Joao, D. Bruno, et al. // Scientifc Reports | (2023) 13:2244 | https://doi.org/10.1038/s41598-023-29123-9. (2023).

53. Sergio, L.N. Revealing the spatiotemporal requirements for accurate subject identification with resting-state functional connectivity: a simultaneous fNIRS-fMRI study / L.N. Sergio, C.C. Alex, et al. // Neurophotonics 013510-1 Jan-Mar 2023 . Vol. 10(1).

54. Abdalmalak, A. Using fMRI to investigate the potential cause of inverse oxygenationreported in fNIRS studies of motor imagery / A. Abdalmalak, D. Milei, D. Cohenet al. // BrainsCAN Publications 9. (2020).https://ir.lib.uwo.ca/brainscanpub/9.

55. Dale, R. System derived spatial-temporal cnn for high-density fNIRS BCI / R. Dale, et al. // IEEE open journal engineering and medicine and biology, VOLUME 4, 2023) Digital Object Identifier 10.1109/OJEMB.2023.3248492.

56. Hayashi, R. Diffuse Optical Tomography Using fNIRS Signals Measured from the Skull Surface of the Macaque Monkey / R. Hayashi, O. Yamashita, T. Yamada1, H. Kawaguchi, N. Higo // Cerebral Cortex Communications, 2022, 3, 1-16.

57. Julie, U. Reliability and similarity of resting state functional connectivity networks imaged using wearable, high-density diffuse optical tomography in the home

setting / U. ulie, B. Borja, E. Vidal-Rosas, L. Collins-Jones, J. C. Robert // NeuroImage Volume 263, November 2022, 119663.

58. Blankertz, B. Classifying Single Trial EEG:Towards Brain Computer Interfacing / B. Blankertz, G. Curio, K.-R. MUller // in: Advances in Neural Information Processing Systems, 2002, pp. 157-164.

59. Yaqub, M.A. Non-Invasive Monitoring of Microvascular Oxygenation and Reactive Hyperemia using Hybrid, Near- Infrared Diffuse Optical Spectroscopy for Critical Care / M.A. Yaqub, M. Zanoletti, L. Cortese, et al. // Journal of Visualized Experiments. DOI:10.3791/66062. May 2024.

60. Ernesto, E. Wearable, high-density fNIRS and diffuse optical tomography technologies: a perspective / E. Ernesto et al. // Neurophotonics 023513-1 Apr-Jun 2023. Vol. 10(2).

61. Bergonzi, K.M. Lightweight sCMOS-based high- density diffuse optical tomography / K.M. Bergonzi, et al. // Neurophotonics 5(3), 035006 (Jul-Sep 2018).

62. Ban, H.Y. Kernel flow: a high channel count scalable TD-fNIRS system / H.Y. Ban, et al. // Proc. of SPIE Vol. 11663 116630B (2021). doi: 10.1117/12.2582888.

63. Конюхов, В.Н. Система для неинвазивной оценки концентрации гемоглобина крови при скрининговых обследованиях / В.Н. Конюхов, , В.П. Захаров , И.Л. Давыдкин , Н.С. Козлова, П.И. Бахтинов, Е.В. Мордвинова, Е.В. Молчков // Медицинская техника. 2017. № 2 (302). С. 13-15.

64. Jobsis, F. Noninvasive, infrared monitoring of cerebral and myocardial oxygen sufficiency and circulatory parameters /F. Jobsis // Science 23 Dec 1977 Vol 198, issue 4323 pp. 1264-1267 DOI:10.1126/science.929199.

65. Felix, S. Systemic physiology augmented functional near-infrared spectroscopy: powerful approach to study the embodied human brain / S. Felix, T. Ilias, W. Martin, W. Ursula // Neurophotonics 030801-1 Jul-Sep 2022 . Vol. 9(3).

66. Wang, Z. Rethinking Delayed Hemodynamic Responses for fNIRS Classification / Z. Wang, J. Fang, J. Zhang // IEEE Transactions on neural systems and rehabilitation engineering, vol. 31, 2023.

67. Самандари, А.М. Этапы развития методов нейровизуализации (fNIRS) от ста открытия до наших дней / А.М. Самандари, А.Н. Афонин // Актуальные проблемы общества, экономики и права в контексте глобальных вызовов. DOI 10.34755/IR0K.2023.42.49.005.

68. Samandari, A.M. State-of-the-Art fNIRS for Clinical Scenarios: A Brief Review / A.M. Samandari, A.N. Afonin // In: Rasheed, J., Abu-Mahfouz, A.M., Fahim, M. (eds) Forthcoming Networks and Sustainability in the AIoT Era. FoNeS-AIoT 2024. Lecture Notes in Networks and Systems, vol 1036. Springer, Cham. https://doi.org/10.1007/978-3-031-62881-8_15.

69. Nishiyori, R. fNIRS: An Emergent Method to Document Functional Cortical Activity during Infant Movements / R. Nishiyori // Front. Psychol. 7:533.doi: 10.3389/fpsyg.2016.00533.

70. Dai, Y. Clinical efficacy of motor imagery therapy based on fNIRs technology in rehabilitation of upper limbfunction after acute cerebral infarction / Y. Dai, F. Huang, Y. Zhu // Pak J Med Sci. 2022;38(7):1980-1985. doi: https://doi.org/10.12669/pjms.38.7.5344.

71. Bonnal, J. Neural Substrates for Hand and Shoulder Movement in Healthy Adults: A Functional near Infrared Spectroscopy Study / J. Bonnal, C. Ozsancak, F. Monnet, et al. // Brain Topography (2023) 36:447-458https://doi.org/10.1007/s10548-023-00972-x.

72. Ejay, N. A pilot exploration on the use of NIR monitored haemodynamics in gesture recognition for transradial prosthesis control / N. Ejay // Intelligent Systems with Applications Volume 9, April 2021, 200045.

73. Zachary, A.V. Neonatal NIRS monitoring: recommendations for data capture and review of analytics / A.V. Zachary, P.M. Jonathan, Y.C. Valerie // Journal of Perinatology (2021) 41:675-688https://doi.org/10.1038/s41372-021-00946-6.

74. Alejandro, A. Biosignal Processing and Classification Using Computational Learning and Intelligence Principles, Algorithms, and Applications / A. Alejandro, A. Carlos et al. // Academic Press is an imprint of Elsevier. (2010) DOI 10.1007/978-3-642-008745-7.

75. Cheng, X. Choosing an optimal wavelength to detect brain activity in functional near-infrared spectroscopy / X. Cheng, E.J. Sie, D.A. Boas, F. Marsili // Opt Lett, 2021 vol. 46, no. 4, p. 924. https://doi.org/10.1364/OL.418284.

76. Huang, Z. Parallel computing sparse wavelet feature extraction for P300 speller BCI / Z. Huang, M. Li, Y. Ma // Hindawi Computational and Mathematical Methods in MedicineVolume 2018, Article ID 4089021, 11 pageshttps://doi.org/10.1155/2018/4089021.

77. Самандари, А.М.Н. fNIRS как нейроинтерфейс для бионических протезов [Текст] / А.М.Н. Самандари, А.Н Афонин // Информационные технологии и инжиниринг : сборник материалов студенческой науч.-практ. конф., Белгород, 11 апр. 2023 г. / НИ БелГУ; под ред. О.А. Иващук. - Белгород, 2023. -С. 22-23.

78. Iroju, O. Prospects and problems of brain computer interface in healthcare / O. Iroju, R. Ikono, G. Ishaya, O.A. Ojerinde, J. Olaleke //Current Journal of Applied Science and Technology 29(6): 1-17, 2018; Article no.CJAST.44358ISSN: 2457-1024 (Past name: British Journal of Applied Science & Technology, Past ISSN: 2231-0843,NLM ID: 101664541).

79. Ma, T. fNIRS Signal Classification Based on Deep Learning in Rock-Paper-Scissors Imagery Task / T. Ma, W. Chen, X. Li, Y. Xia, X. Zhu, S. He // Journals Applied Sciences Volume 11 Issue11 10.3390/app11114922.

80. Elliott, G.M. Designing a Clinically Viable Brain Computer Interface for the Control of Neuroprosthetics / G.M. Elliott // PhD Thesis, University College London. 9 th December 2021.

81. Miyashiro, S. Activation of theorbitofrontal cortex by both meditation andexercise: A near-infrared spectroscopy study / S. Miyashiro, Y. Yamada, T. Muta, H. Ishikawa, T. Abe, M. Hori, et al. // PLoSONE 16(2): e0247685. (2021) https://doi.org/10.1371/journal.pone.0247685.

82. Alexander von, L. Toward a WirelessOpen Source Instrument: FunctionalNear-infrared Spectroscopy in Mobile Neuroergonomics and BCI

Applications / L. Alexander von, H. Christian, H. Dominic, S. Tanja // Front. Hum. Neurosci. 9:617. (2015) .doi: 10.3389/fnhum.2015.00617.

83. Bahnmueller, J. NIRS in motion—unraveling the neurocognitive underpinnings of embodied numerical cognition / J. Bahnmueller, et al. // Frontiers in Psycholo-gy, vol. 5, p. 743, 2014.

84. Paulmurugan, K. Brain-Computer Interfacing UsingFunctional Near-InfraredSpectroscopy (fNIRS) / K. Paulmurugan, V. Vijayaragavan, S. Ghosh, P. Padmanabhan, B. Gulyas // Biosensors 2021,11, 389. https://doi.org/10.3390/bios11100389.

85. Уразбахтин, Р.Р. Математическая модель пальцев руки при совершении операции «Хват» / Р.Р. Уразбахтин, Р.Н. Уразбахтин, П.К. Парфирьев // Вестник новых медицинских технологий - 2019 - Т. 26, № 3 - С. 103-106.

86. Меркурьев, И.В. Разработка модели кинематики пальцев человеческой руки, применяемых в роботизированных перчатках / И.В. Меркурьев, Ч.Т. Чунг, Г.Р. Сайпулаев, М.Р. Сайпулаев, Д. Диб // Механика машин, механизмов и материалов. 2023. № 4(65). - С. 106 - 113.

87. Папенков, М.М. Силовой расчет мехатронного протеза кисти / М.М. Папенков // Сб. трудов по материалам II Международного конкурса научно-исследовательских работ. Уфа, 2020

88. Гусев, О.В. Имитационное моделирование захвата антропоморфной кисти руки / О.В. усев // Вестник кибернетики, 2023, №4. - С. 18 - 25.

89. Мальцева, Э.Ш. Метод решения обратной задачи кинематики пальца бионического протеза кисти на основе адаптивной нейро-нечеткой системы вывода (ANFIS) / Э.Ш. Мальцева, М.А. Шереужев // Известия Кабардино-Балкарского научного центра РАН, 2020, № 4 (96). - С. 11 - 17.

90. Oni, I.K. Multimodal fNIRS-EEG neuroimaging to monitor mild traumatic brain injury / I.K. Oni // Doctoral thesis (2024), University of Calgary, Calgary, Canada). Retrieved from https://prism.ucalgary.ca.https://hdl.handle.net/1880/118408.

91. Shen, Q-Q. Exercise promotes brain health: asystematic review of fNIRS studies / Q-Q. Shen, J-M. Hou , T. Xia, et al. // Front. Psychol. 15:1327822.(2024). doi:10.3389/fpsyg.2024.1327822.

92. Endo, K. Dynamic exercise improves cognitive function in association with increased prefrontal oxygenation / K. Endo, K. Matsukawa, N. Liang, C. Nakatsuka, H. Tsuchimochi, H. Okamura, et al. // The Journal of Physiological Sciences Volume 63, Issue 4, July 2013, Pages 287-298.

93. Ji, Z. Influence of acute combined physical and cognitive exercise on cognitive function: an NIRS study / Z. Ji, T. Feng, L. Mei, A. Li, C. Zhang // PeerJ. 7:e7418. (2019). doi: 10.7717/peerj.7418.

94. Xu, Z. The positive effect of moderate-intensity exercise on the mirror neuron system: an fNIRS study / Z. Xu, M. Hu, Z.R. Wang, J. Li, X.H. Hou, M.Q. Xiang, et al. // Front. Psychol. 10:986. (2019). doi: 10.3389/fpsyg.2019.00986.

95. Stute, K. Shedding light on the effects of moderate acute exercise on working memory performance in healthy older adults: an fNIRS study / K. Stute, N.Hudl, R. Stojan, C. Voelcker-Rehage // Brain Sci. 10:813. (2020). doi: 10.3390/brainsci10110813.

96. Kim, H. Hemodynamic changes in response to aerobic exercise: near-infrared spectroscopy study / H.J. Kim, S. Bae, J.H. Huh, J.W. Lee, D.H. Han // Int. J. Sports Med. 42, 377-385. (2021). doi: 10.1055/a-1198-8465.

97. Kurz, M.J. Stride-time variability and sensorimotor cortical activation during walking / M.J. Kurz, T.W. Wilson, D.J. Arpin // NeuroImage Volume 59, Issue 2, 16 January 2012, Pages 1602-1607.

98. Kriel, Y. The Effect of Active versus Passive Recovery Periods during High IntensityIntermittent Exercise on Local Tissue Oxygenationin 18 - 30 Year Old Sedentary Men / Y. Kriel, H.A. Kerherve, C.D. Askew, C. Solomon // PLoS ONE 11(9): e0163733. (2016). doi:10.1371/journal.pone.0163733.

99. Kenville, R. Hemodynamic response alterations in sensorimotor areas as a function of barbell load levels during squatting: an fNIRS study / R. Kenville, T.

Maudrich, D. Carius, P. Ragert // Front. Hum. Neurosci. 11:241. (2017). doi: 10.3389/fnhum.2017.00241.

100. Herold, F. Towards the Neuromotor Control Processes of Steady-State and Speed-Matched Treadmill and Overground Walking / F. Herold, N. Aye, D. Hamacher, et al. // Brain Topogr 32, 472-476 (2019). https://doi.org/10.1007/s10548-019-00699-8.

101. Carius, D. Characterizing hemodynamic response alterations during basketball dribbling / D. Carius, O. Seidel-Marzi, E. Kaminski, N. Lisson, P. Ragert // PLoS ONE 15(9): e0238318. (2020). https://doi.org/10.1371/journal.pone.0238318.

102. Landowska, A. Testing the Potential of Combining Functional Near-Infrared Spectroscopy with Different Virtual Reality Displays—Oculus Rift and oCtAVE / A. Landowska, S. Royle, P. Eachus, D. Roberts // In: Jung, T., tom Dieck, M. (eds) Augmented Reality and Virtual Reality. Progress in IS. Springer, Cham. (2018). https://doi.org/10.1007/978-3-319-64027-3_21.

103. Juliane, B. Aging affects the phase coherence between spontaneous oscillations in brain oxygenation and neural activity / B. Juliane, L . Gemma, et al. // Brain Research BulletinVolume 201, September 2023, 110704.

104. Ayaz, H. Functional near infrared spectroscopy based brain computer interface /H. Ayaz, et al. // U.S. Patent No. 9,946,344. 17 Apr. 2018.

105. Jezierska, K. Gustatory-Visual Interaction in Human Brain Cortex: fNIRS Study / K. Jezierska, A. Cymbaluk-Ploska, J. Zaleska, W. Podraza // Brain Sci. 2025, 15, 92. https://doi.org/10.3390/ brainsci15010092.

106. Omid, A. Improvement of classification accuracy of functional near-infrared spectroscopysignals for hand motion and motor imagery using a common spatial pattern algorithm /A. Omid, M. Hajihosseini, S. Shirzadi, Z. Einalou, M. Dadgostar // Intelligent Medicine (2025), doi: https://doi.org/10.1016/j.imed.2024.05.004.

107. Самандари, А.М. Научные вопросы о работе технологии fNIRS /А.М. Самандари, А.Н. Афонин // Сборник содержит статьи участников Международной

научно-практической конференции «Современные тенденции в научных исследованиях», состоявшейся 24 июня 2024 г. в г. Москва. 2024. - С. 40-348.

108. Tao, X. Motor Imagery Decoding Enhancement Based on Hybrid EEG-fNIRS Signals / X. Tao, Z. Zhengkang // IEEE Access, vol. 11, pp. 65277-65288, 2023, doi: 10.1109/ACCESS.2023.3289709.

109. Самандари, А.М. fNIRS как гибридная система с ээг и эмг для управления протезами / А.МСамандари // сборник статей xx международной научно-практической конференции. пенза. 2023. mk-1849. с. 31-34.

110. Xu, F. Representation Learningfor Motor Imagery Recognition with Deep Neural Network / F. Xu, F. Rong, Y. Miao, Y. Sun, G. Dong, H. Li, J. Li, Y. Wang, J. Leng // Electronics 2021, 10, 112. https://doi.org/10.3390/electronics10020112.

111. Naseer, N. fNIRS-based brain-computer interfaces: A review / N. Naseer, K.SH. ong // Front. Hum. Neurosci. 2015, 9, 3.Vo lume 9 - 2015 | https://doi.org/10.3389/fnhum.2015.00003.

112. Kirilina, E. Identifying and quantifying main components of physiological noise in functional near infrared spectroscopy on the prefrontal cortex / E. Kirilina, et al. // Front. Hum. Neurosci. 7, 864 (2013).

113. Ke, P. iVR-fNIRS: studying brain functions in a fullyimmersive virtual environment / P. Ke, M. Zahra et al. // Neurophotonics 020601-1 Apr-Jun 2024. Vol. 11(2). DOI: 10.1117/1 .NPh.11.2.020601.

114. Khan, H. Unleashing the potential of fNIRS with machine learning: classification of fine anatomical movements to empower future brain-computer interface / H. Khan, R. Khadka, M.S. Sultan, A.Yazidi, H. Ombao, P. Mirtaheri // Front Hum Neurosci. 2024 Feb 16;18:1354143. doi: 10.3389/fnhum.2024.1354143. PMID: 38435744; PMCID: PMC10904609.

115. Zimmerman, J.E. Design and operation of stable rf-biased superconducting point-contact quantum devices, and a note on the properties of perfectly clean metal contacts / J.E. Zimmerman, P. Thiene, J.T. Harding, J.E. Zimmerman, P. Thiene, J.T. Harding // J. Appl. Phys. 41 (4) (1993) 1572-1580.

116. Самандари, А.М.Н. Различия между отражением реального и мысленно представимого движения кистей рук в моторной коре головного мозга при создании интерфейсов мозг-компьютер / А.М.Н. Самандари // Информационные технологии и инжиниринг. Белгород, 25 апреля 2024 г. НИ БелГУ; под ред. О.А. Иващук. - Белгород, 2024. - С. 27-30.

117. Maher, A. Hybrid EEG-fNIRS brain-computer interface based on the nonlinear features extraction and stacking ensemble learning / A. Maher, S.M. Qaisar, N. Salankar, F. Jiang, R. Tadeusiewicz, P. Plawiak, A.A. Abd El-Latif, M. Hammad // Biocybernetics and Biomedical Engineering. 2023;43(2):463-475. https://doi.org/ 10.1016/j.bbe.2023.05.001.

118. Dinga, Q. Cortical activation and brain network efficiency during dual tasks: An fNIRS study / Q. Dinga, Z. Ouab, S. Yaoa, C. Wuab, J. Chena, J. Shena, Y. Lanc, G. Xu // NeuroImage. 2024;289. https://doi.org/10.1016/j.neuroimage.2024.

119. Varandas, R. Automatic CognitiveFatigue Detection UsingWearable fNIRS and MachineLearning / R. Varandas, R. Lima, I. Bermudez, S. Badia, H. Silva, H. Gamboa // Sensors 2022, 22, 4010.https://doi.org/10.3390/s22114010.

120. Haroon, K. A feasibility study investigating cortical hemodynamic changes during infinity walk with fNIRS / K. Haroon, N. Norman, M. Peyman // IBRO Neuroscience ReportsVolume 16, June 2024, Pages 309-316.

121. Schlögl, A. Characterization of four-class motor imagery EEG data for the BCI-competition / A. Schlögl, et al. // Journal of Neural Engineering, Volume 2, Number 4Citation Alois 2005 J. Neural Eng. 2 L14DOI 10.1088/1741-2560/2/4/L02.

122. Rakotomamonjy, A. BCI Competition III: Dataset II- ensemble of SVMs for BCI P300 speller / A. Rakotomamonjy, V. Guigue // Ieee transactions on biomedical engineering, vol. 55, no. 3, march 2008 1147.

123. O'Neill, G.C. Combining video telemetry and wearable MEG for naturalistic imaging / G.C. O'Neill, R.A. Seymour, S. Mellor, et al.// Imaging Neuroscience, Volume 3, 2025 https://doi.org/10.1162/imag_a_00495.

124. Cao, Z. Calibration of Deep Learning Classification Models in fNIRS / Z. Cao, Z. Luo // IEEE 20th International Conference on Automation Science and

Engineering (CASE), Bari, Italy, 2024, pp. 1965-1970, doi: 10.1109/CASE59546.2024.10711714.

125. Jalalvandi, M. Assessment of Brain Cortical Activation in Passive Movement during Wrist Task Using Functional Near Infrared Spectroscopy (fNIRS) / M. Jalalvandi, S. Hamid, N. Yousof, R.A. Nader // Frontiers in Biomedical Technologies, Vol. 6, No. 2 (2019) 99-105.

126. Jalalvandi, M. Optical Imaging of Brain Motor Cortex Activation During Wrist Movement Using Functional Near-Infrared Spectroscopy (fNIRS) / M. Jalalvandi, A.N. Riahi, H. Sharini // Arch Neurosci. 2019;6(Brain Mapping):e90089. https://doi.org/10.5812/ans.90089.

127. Nicolas-Alonso, L.F. Brain Computer Interfaces, a Review / L.F. Nicolas-Alonso, J. Gomez-Gil // Sensors 2012, 12(2), 12111279; https://doi.org/10.3390/s120201211.

128. Samandari, А.М. Triggers of motor activity measurable by near-infrared functional spectroscopy (fNIRS): a review / А.М. Samandari, A.N. Afonin // Моделирование, оптимизация и информационные технологии. 2024;12(2). URL: https://moitvivt.ru/ru/journal/pdf?id= 1522 DOI: 10.26102/2310-6018/2024.45.2.004.

129. Филист, С.А. Биотехническая система персонифицированной реабилитации пациентов с ограничением двигательных функций / С.А. Филист, Е.В Петрунина, А.Е. Пшеничный, Д.А. Ермаков, Р.А. Крупчатников, В.В. Серебровский // Моделирование, оптимизация и информационные технологии. 2025;13(1). URL: https://moitvivt.ru/ru/journal/pdf?id=1787 DOI: 10.26102/23106018/2025.48.1.002.

130. Самандари, А.М. Все ли триггеры приводят к активации коры головного мозга ? / А.М.Самандари, А.Н. Афонин // Сборник материалов v международной научно-практической конференции «Актуальные вопросы науки и образования» (шифр -МКАВН) г. Москва 6 февраля 2024 года. c131-137. DOI 10.26118/1302.2024.55.36.014.

131. Abdalmalak, A. Effects of Systemic Physiology on Mapping Resting-State Networks Using Functional Near-Infrared Spectroscopy / A. Abdalmalak, S.L. Novi, K.

Kazazian, L. Norton, T. Benaglia, M. Slessarev, D.B. Debicki, K.S. Lawrence, R.C. Mesquita, A.M. Owen // Front. Neurosci. 16:803297 (2022). doi: 10.3389/fnins.2022.803297.

132. Seung, H.L. The difference in cortical activation pattern for complex motor skills: A functional near- infrared spectroscopy study / H.L. Seung, H.J. Sang, A. Jinung // Scientific Reports | (2019) 9:14066 | https://doi.org/10.1038/s41598-019-50644-9.

133. Li, Z. On fractality of functional near-infrared spectroscopy signals: analysis and applications / Z. Li, H. Sasan, N. Laleh, // Neurophoton. 7(2), 025001 (2020), doi: 10.1117/ 1.NPh.7.2.025001.

134. Jalalvandi, M. Brain Cortical Activation during Imagining of the Wrist Movement Using Functional Near Infrared Spectroscopy (fNIRS) / M. Jalalvandi, A.N. Riyahi, H. Sharini, H. Hashemi, M. Nadimi // J Biomed Phys Eng. 2021;11(5):583-594. doi: 10.31661/jbpe.v0i0.1051.

135. Wang, H. Age-related multiscale changes in brain signal variability in pre-task versus post-task resting-state EEG / H. Wang, A.R. Mcintosh, N. Kovacevic, M. Karachalios, A.B. Protzner // J. Cogn. Neurosci. 28 (7) (2016) 971-984.

136. Fubiao, H. Comparison of cortical activation in an upper limb added-purpose task versus a single-purpose task: a near-infrared spectroscopy study / H. Fubiao, H. Daisuke, S. Yun, T. Takamichi // J. Phys. Ther. Sci. 27: 3891-3894, 2015.

137. Дунаев, А.В. Метод и устройство оценки функционального состояния микроциркуляторно-тканевых систем организма человека на основе мультипараметрической оптической диагностики / А.В. Дунаев // Journal of the Russian Universities. Radioelectronics. 2020, vol. 23, no. 3, pp. 77-91.

138. Power, S.D. Automatic single-trial discrimination of mental arithmetic, mental singing and the no-control state from prefrontal activity: Toward a three-state NIRS-BCI / S.D. Power, et al. // BMC Research Notes 2012, 5:141.

139. Alexander, E.H. Functional Near-Infrared Spectroscopy for the Classification of Motor-Related Brain Activity on the Sensor-Level / E.H. Alexander,

G. Vadim, B. Artem, A.M. Vladimir, N.P. Alexander // Sensors 2020, 20, 2362; doi:10.3390/s20082362.

140. Lu, F.-M. Optical mapping of the dominant frequency of brain signal oscillations in motor systems / F.-M. Lu, Y.-F. Wang, Zhang J., H.-F. Chen, Z. Yuan // Scientific Reports. 2017;7(1). https://doi.org/10.1038/s41598-017-15046-9.

141. Asadullaev, R.G. Recognition of patterns of motor activity by a neural network based on continuous optical tomography fNIRS data / R.G. Asadullaev, A.N Afonin, E.S. Shchetinina // Ekonomika. Informatika = Economics. Information technologies. 2021;48(4):735-746. (In Russ.) https://doi.org/10.52575/2687-0932-2021-48-4-735-746.

142. Гунделах, Ф.В. Классификация пространственно-временных паттернов на основе нейроморфных сетей / Ф.В. Гунделах, Л.А. Станкевич // Информатика и автоматизация, 2024, выпуск 23, том 3, 886-908. DOI: 10.15622/ia.23.3.9.

143. Samandari, A.M. Promising systems for controlling prosthetics: a review / A.M. Samandari // Omsk Scientific Bulletin. No. 4 (192). P. 150 -160. DOI: 10.25206/1813-8225- 2024-192-150 -160.

144. Milu, M.H. Improvement of Classification Accuracy of Four-Class Voluntary-Imagery fNIRS Signals using Convolutional Neural Networks Engineering / M.H. Milu, A. Rahman, M.A. Rashid, A. Kuwana, H. Kobayashi // Technology & Applied Science Research Vol. 13, No. 2, 2023, 10425-10431 10426.

145. Li, C. Research on fNIRS Recognition Method of Upper Limb Movement Intention / C. Li, Y. Xu, L. He, Y. Zhu, S. Kuang, L. Sun // Electronics2021, 10, 1239. https://doi.org/10.3390/electronics10111239.

146. Chen, J. Temporal Convolutional Network Enhanced Real-Time Implicit Emotion Recognition with an Innovative Wearable fNIRS-EEG Dual-Modal System /J. Chen, K. Yu, F. Wang, Z. Zhou, Y. Bi, S. Zhuang, D. Zhang // Electronics 2024, 13, 1310.https://doi.org/10.3390/electronics13071310.

147. Sanchez-Realid, D. Binary Classification Methods for Movement Analysis from Functional Near-Infrared Spectroscopy Signals / D. Sanchez-Realid, R. Sanchez-

Realid, J.L. Gómez-Servant, A.L. Borja, J.M. Fernandez, A. Fernandez-Caballero II Artificial Intelligence for Neuroscience and Emotional Systems. IWINAC 2024. Lecture Notes in Computer Science, vol 14674. Springer, Cham. https :ll doi .orgl10.1007I978-3-031-61140-7_3 8.

148. Самандари, АМ. Перспективы создания гибридной системы управления протезами: обзор / АМ .Самандари, А.Н. Афонин // Mодели, системы, сети в экономике, технике, природе и обществе. 2024. № 2. С. 102-118. doi: 10.21685I2227-8486-2024-2-7.

149. Li, R. Concurrent fNIRS and EEG for Brain Function Investigation: A Systematic, Methodology-Focused Review I R. Li, D.Yang, F. Fang, K.S. Hong, A.L. Reiss, Y. Zhang II Sensors, MDPI, vol. 22, no. 15. doi: 10.3390ls22155865.

150. Chunfu, L. Multi-channel FES gait rehabilitation assistance system based on adaptive sEMG modulation I L. Chunfu, G. Ruite, T. Zhichuan, F. Xiaoyun, Z. Lekai, Y. Keshuai, X. Xuan II IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2023;31:3652-3663. DOI: 10.1109ltnsre.2023.3313617.

151. Radek, M. Advanced bioelectrical signal processing methods: Past, present, and future approach—part iii: Other biosignals I M. Radek, L. Martina, S. Michaela, J. Rene, B. Khosrow, K. Radana, K.S. Aleksandra II Sensors. 2021 ;21(18). DOI: 10.3390ls21186064.

152. Kimoto, H.F. A wireless multi-layered EMGIMMGINIRS sensor for muscular activity evaluation I H.F. Kimoto, M. Machida II Sensors. 2023;23(3). DOI: 10.3390ls23031539.

153. Atzori, M. Electromyography data for non-invasive naturallycontrolled robotic hand prostheses I M. Atzori, et al. II Sci. Data, 2014, vol. 1, no. 1, pp. 1-13.

154. Самандари, АМ., Афонин А.Н. fNIRS как дополнительный инструмент управления протезами конечностей / АМ. Самандари, А.Н. Афонин // Современные научные исследования: технические и естественные науки: сборник материалов XXXIX-ой международной очно-заочной научно-практической конференции, в 2 т., том 1, 10 ноября, 2023 - Mосквa: Издательство НИЦ «Империя», 2023. - С. 160-163.

155. Wang, Z. Incorporating EEG and fNIRS Patterns to Evaluate Cortical Excitability and MI-BCI Performance During Motor Training / Z. Wang, et al. // in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 31, pp. 2872-2882, , doi: 10.1109/TNSRE.2023.3281855, 2023.

156. Vadim, V.G. Analysis of real and imaginary motor activity with combined EEG and fNIRS / V.G. Vadim, A.B. Artem, S.F. Nikita, N.P. Elena // Proc. SPIE 11459, Saratov Fall Meeting 2019: Computations and Data Analysis: from Nanoscale Tools to Brain Functions, 114590B (9 April 2020); doi: 10.1117/12.2564387.

157. Pinti, P. An analysis framework for the integration of broadband NIRS and EEG to assess neurovascular and neurometabolic coupling / P.Pinti, M.F. Siddiqui, A.D. Levy, E.J.H. Jones, I. Tachtsidis // Sci. Rep. 2021, 11, 3977. https://doi.org/10.1038/s41598-021-83420-9.

158. He, L. Subject-Independent Estimation of Continuous Movements Using CNN-LSTM for a Home-Based Upper Limb Rehabilitation System / L. He, et al. // IEEE Robotics and automation letters , october 2023.vol. 8, no. 10.

159. Яковлев, Л.В. Локализация источников десинхронизации мю-ритма ЭЭГ при тактильном воображении / Л.В. Яковлев // Вестн. моск. ун-та. сер. 16. биология / lomonosov biology journal. 2024. Т. 79. № 2S. C. 105-112.

160. Chen, J. fNIRS-EEG BCIs for Motor Rehabilitation: A Review / J. Chen, Y. Xia, X. Zhou, et al. // Bioengineering 2023, 10, 1393. https://doi.org/10.3390/ bioengineering 10121393.

161. Jin, H. To classify two-dimensional motion state of step length and walking speed by applying cerebral hemoglobin information / H. Jin, C. Li, L. Sun, H. Hu, J. Xu, W. Qu // 10th International Conference on Human System Interactions (HSI), Ulsan, Korea (South), 2017, pp. 216-222, doi: 10.1109/HSI.2017.8005032.

162. Samandari, A.M. Hybrid bionic control system for prostheses: a review / A.M. Samandari, A.N. Afonin // Intellektual'nye sistemy v proizvodstve. 2024, vol. 22, no. 3, pp. 23-30 (in Russ.). DOI: 10.22213/2410-9304-2024-3-23-30.

163. Афонин, А.Н. Перспективы создания отечественной системы управления бионическими протезами на основе fNIRS / А.Н. Афонин, А.М.Н.

Самандари, А.Р. Гладышев // сборник материалов студенческой науч.-практ. конф., Белгород, 11 апр. 2023 г. / НИ БелГУ; под ред. О.А. Иващук. - Белгород, 2023. - С. 133-137.

164. Афонин, А.Н. Анализ данных fNIRS-томографа для управления протезами конечностей с помощью интерфейса мозг-компьютер / А.Н. Афонин, Р.Г. Асадуллаев, М.А. Ситникова // Научно-технический вестник Поволжья №11 2018. С. 182-185. (по-русски).

165. Martha, R. The role of human experience when making sense of brain monitoring: an interdisciplinary case study to assess wearable, non-invasive, brain-monitoring devices for rehabilitation / R. Martha, K. Olga, M. Peyman, B. Arild // Journal of Responsible Innovation, (2023)10:1, 2175476, DOI: 10.1080/23299460.2023.2175476.

166. Si, J. Evaluation of residual cognition in patients with disorders of consciousness based on functional near-infrared spectroscopy / J. Si, et al. // Neurophotonics, vol. 10, no. 02, Apr. 2023, doi: 10.1117/1.nph.10.2.025003.

167. Hamid, H.N. Analyzing Classification Performance of fNIRS-BCI for Gait Rehabilitation Using Deep Neural Networks / H.N Hamid, N.H. Nazeer, M.J. Khan, R.A. Khan, U.Shahbaz Khan // Sensors 2022, 22, 1932. https://doi.org/10.3390/s22051932.

168. Mustafa, A.H.H. A Computationally Efficient Method for Hybrid EEG-fNIRS BCI Based on the Pearson Correlation / A.H.H. Mustafa, U.K. Muhammad, M. Deepti // BioMed Research International, vol. 2020, Article ID 1838140, 13 pages, 2020. https://doi.org/10.1155/2020/1838140.

169. Sial, M.B. A Survey on EEG-fNIRS based Non-invasive hBCIs / M.B. Sial, S. Wang, X. Wang, J. Wyrwa, S. Ali // International Conference on Artificial Intelligence (ICAI), Islamabad, Pakistan, 2021, pp. 240-245, doi: 10.1109/ICAI52203.2021.9445246.

170. Song, T. Review of sEMG forRobot Control: Techniques and Applications / T. Song, Z. Yan, S. Guo, Y. Li, X. Li, F. Xi // Appl. Sci. 2023, 13, 9546.https://doi.org/10.3390/app13179546.

- 171. Arif, A. Hemodynamic response detection using integrated EEG- fNIRS-VPA for BCI / A. Arif, et al. // Computers, Materials and Continua, 2021, vol.70, no. 1, pp. 535-555. doi: 10.32604/cmc.2022.018318.

172. Kwak, Y. FGANet: FNIRS-Guided Attention Network for Hybrid EEG-fNIRS Brain-Computer Interfaces / Y. Kwak, W.J. Song, S.E. Kim // IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2022, vol. 30, pp. 329-339. doi: 10.1109/TNSRE.2022.3149899.

173. Yang, L. A novel motor imagery EEG decoding method based on feature separation / L. Yang, Y. Song, K. Ma, E. Su, L. Xie // J. Neural Eng.2021, 18, 036022. DOI 10.1088/1741-2552/abe39b.

174. Dario, F. The extraction of neural information from the surface EMG for the control of upper-limb prostheses: Emerging avenues and challenges / F. Dario., J. Ning, R. Hubertus, H. Ales, G. Bernhard, D. Hans, C.A. Oskar // IEEE Trans. Neural Syst. Rehabil. Eng., vol. 22, no. 4, pp. 797-809, Jul. 2014.

175. Sattar, N.Y. Enhancing Classification Accuracy of Transhumeral Prosthesis: A Hybrid sEMG and fNIRS Approach / N.Y. Sattar, Z. Kausar, S.A. Usama, et al. // IEEE Access. 2021;9:113246-113257. https://doi.org/10.1109/ACCESS.2021.3099973.

176. Nsugbe, E. Gesture recognition for transhumeral prosthesis control using EMG and NIR / E. Nsugbe, C. Phillips, M.F. Fraser, J. McIntosh // IET Cyber-Syst. Robot., 2020 vol. 2, no. 3, pp. 122131. https://doi.org/10.1049/iet-csr.2020.0008.

177. Samandari, A.M. Functional near-infrared spectroscopy (fNIRS) as a hybrid system: a review / A.M. Samandari // Modeling, Optimization and Information Technology. 2024;12(1). URL: https:// moitvivt.ru/ru/journal/pdf?id =1459 DOI: 10.26102/2310-6018/2024.44.1.005 (In Russ.).