Интегрированная система и программное обеспечение интерфейса мозг-компьютер-виртуальная реальность тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Иванов Александр Дмитриевич

• Иванов Александр Дмитриевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Иванов Александр Дмитриевич

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ ИССЛЕДОВАНИЯ

Вводные замечания

1.1. Критический анализ неврологических состояний, психических расстройств и расстройств поведения

1.2. Инструментальные методы диагностики неврологических заболеваний

1.3. Технические средства медицинской реабилитации

1.4.Перспективы интеграции нейроинтерфейсов в технические средства реабилитации

1.5. Современный анализ и проблем психофизиологического профотбора

Выводы по главе

ГЛАВА 2. СПОСОБ ФУНКЦИОНИРОВАНИЯ ИНТЕРФЕЙСА «МОЗГ-КОМПЬЮТЕР-ВИРТУАЛЬНАЯ РЕАЛЬНОСТЬ» И СИСТЕМА ДЛЯ ЕГО РЕАЛИЗАЦИИ

Вводные замечания

2.1. Способ функционирования интерфейса «мозг-компьютер-виртуальная реальность»

2.2. Система для синхронной регистрации электрической активности головного мозга и визуализации сцен виртуальной реальности

2.3.Обзор технических и программных решений синхронной регистрации электрической активности головного мозга

2.4. Техническое исполнение нейроинтерфейса

2.5. Разработка программного обеспечения «интерфейса мозг - компьютер -виртуальная реальность»

Выводы по главе

ГЛАВА 3. СИСТЕМА ТЕСТИРОВАНИЯ И ИСПЫТАНИЯ НЕЙРОИНТЕРФЕЙСА

Вводные замечания

3.1. Обоснование разработки системы испытаний

3.2. Обзор существующих решений

3.3. Принцип работы системы тестирования и испытания нейроинтерфейса

3.4. Структурная реализация системы тестирования и испытания нейроинтерфейса

Выводы по главе

ГЛАВА 4. ПЛАТФОРМА СИМУЛЯЦИИ ДВИЖЕНИЯ ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ

Вводные замечания

4.1. Анализ известных платформ симуляции движения

4.2. Обзор существующих решений платформ симуляции движения виртуальной реальности

4.3.Выбор и обоснование элементной базы платформы

4.4. Макетные испытания платформы симуляции движения

Выводы по главе

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А. ЛИСТИНГ ПРОГРАММЫ СИНХРОННОЙ РЕГИСТРАЦИИ ЭЛЕКТРИЧЕСКОЙ АКТИВНОСТИ ГОЛОВНОГО МОЗГА И ВИЗУАЛИЗАЦИИ СЦЕН ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ

ПРИЛОЖЕНИЕ Б. ЛИСТИНГ ЛИСТИНГ ПРОГРАММЫ ИСПЫТАНИЯ НЕЙРОИНТЕРФЕЙСА

ПРИЛОЖЕНИЕ В. ЛИСТИНГ ПРОГРАММЫ УПРАВЛЕНИЯ ПЛАТФОРМОЙ СИМУЛЯЦИИ ДВИЖЕНИЯ ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ

ПРИЛОЖЕНИЕ Г. ДОКУМЕНТЫ, ПОДТВЕРЖДАЮЩИЕ ИСПОЛЬЗОВАНИЕ И ВНЕДРЕНИЕ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

ПРИЛОЖЕНИЕ Д. ДОКУМЕНТЫ, СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ИССЛЕДОВАНИЯ

Введение диссертации (часть автореферата) на тему «Интегрированная система и программное обеспечение интерфейса мозг-компьютер-виртуальная реальность»

ВВЕДЕНИЕ

Актуальность работы. Анатомо-физиологические изменения головного мозга представляют собой серьёзную медицинскую проблему, занимающую ключевые позиции в структуре смертности населения во всём мире. В структуру таких заболеваний включены неврологические и психиатрические патологии, особое место среди которых занимают расстройства поведения и когнитивные дисфункции, приводящие к профнепригодности, утрате трудоспособности, снижению качества жизни и инвалидизации населения. В настоящее время, в рамках проведения Специальной военной операции, частота данных проявлений возросла вследствие значительного увеличения числа пациентов с посттравматическим стрессовым расстройством, приобретенным во время выполнения боевых задач и после завершения службы.

Для диагностики таких заболеваний применяют различные инструментальные методы, которые позволяют анализировать структуру и функциональное состояние головного мозга с помощью специализированных стационарных и мобильных медицинских устройств и комплексов. Известные методы магнитно-резонансной и компьютерной томографии получили широкое распространение благодаря формированию трехмерных изображений внутренних структур головного мозга. Однако наряду с этими методами важную роль занимает электроэнцефалография, позволяющая оперативнее регистрировать электрическую активность головного мозга и выявлять функциональные нарушения в режиме реального времени. Среди многообразия известных энцефалографов особое внимание уделяется нейроинтерфейсам, обеспечивающим длительный мониторинг работы головного мозга в условиях полной свободной двигательной активности пациента. Известные ученые в России Каплан А.Я., Велецкий Е.В., Дорохов В.Л. и за рубежом Alvarez J., Hatsopoulos N., Donoghue J. уже более полувека накапливают опыт практического использования нейроинтерфейсов в

клинической практике. Однако по-прежнему существует ряд нерешенных проблем, связанных с отсутствием инструментов их сопряжения с техническими средствами медицинской реабилитации, среди которых значимым представляется технология виртуальной реальности.

Виртуальная реальность позволяет моделировать безопасную контролируемую среду, обеспечивая комплексное воздействие на зрительные, слуховые и сенсорные каналы восприятия пациента. Так, специалисты Федерального центра мозга и нейротехнологий ФМБА России, Балтийского центра нейротехнологий и искусственного интеллекта БФУ им. Канта и другие, активно применяют виртуальную реальность для лечения неврологических патологий, в частности на этапе восстановления когнитивных функций пациента после инсульта. Несмотря на значительный прогресс в области развития технологий виртуальной реальности, остается ряд нерешенных проблем, ограничивающих их широкое применение в медицинской практике. Среди которых отмечается отсутствие технических решений для обеспечения синхронизации виртуального пространства к особенностям психического и когнитивного поведения пациента. Для решения данной проблемы предлагается интегрировать нейроинтерфейс в устройства и технологии виртуальной реальности. Это позволит обеспечить динамическую адаптацию виртуальной среды к состоянию человека и расширить возможности применения технологий в медицинских приложениях. Создание интегрированной системы позволит обеспечить повышение эффективности и оперативности проведения испытательных, тренировочных и реабилитационных мероприятий, и контроль воздействия визуальных, акустических и тактильных стимулов с объективной оценкой состояния человека по данным электрической активности головного мозга.

Целью диссертационного исследования является научное обоснование и разработка технического решения интерфейса «мозг-компьютер-виртуальная реальность», обеспечивающего адаптацию виртуального

пространства к результатам регистрации электрической активности головного мозга в режиме реального времени и свободной двигательной активности.

Задачи исследования:

1. Разработка способа функционирования интерфейса «мозг-компьютер-виртуальная реальность», обеспечивающего синхронную обработку сигналов электрической активности головного мозга в результате реакций пользователя на имитацию воздействия внешней среды для персонализированной настройки виртуального пространства в режиме реального времени.

2. Создание системы и специализированного программного обеспечения для одновременной регистрации электрической активности головного мозга и воспроизведения сцен виртуальной реальности с возможностью адаптивного изменения сценариев взаимодействия с пользователем.

3. Проектирование системы для тестирования и испытания нейроинтерфейсов, обеспечивающей оценку эффективности функционирования измерительного канала системы.

4. Создание программно-аппаратной платформы для симуляции движения человека в виртуальной реальности, обеспечивающей согласованное с виртуальным аватаром изменение положения пользователя в пространстве с учетом его реакций на внешние стимулы.

Научная новизна:

1. Разработан способ функционирования интерфейса «мозг-компьютер-виртуальная реальность», отличающийся наличием персонализированных этапов, обеспечивающих адаптацию сцен виртуальной реальности к значимым параметрам ритмов электрической активности головного мозга человека.

2. Создан интерфейс «мозг-компьютер-виртуальная реальность», отличающийся наличием синхронизированных узлов системы:

нейроинтерфейса, платформы и сцен виртуальной реальности, в рамках единого специализированного программного обеспечения.

3. Предложена система для испытания нейроинтерфейса, отличающаяся наличием инструментов имитации ритмов электрической активности головного мозга при моделировании воздействий внешней среды.

4. Разработана платформа для симуляции движения в виртуальной реальности, отличающаяся наличием инструментов имитации воздействий внешней среды с обратной связью.

Практическая значимость исследования:

1. Разработан способ функционирования интерфейса «мозг-компьютер-виртуальная реальность», направленный на повышение эффективности проведения профессиональных испытаний, диагностики и реабилитации пациентов, в том числе людей с ограниченными возможностями здоровья, за счет обеспечения комплексной стимуляции зрительных, слуховых и сенсорных функций.

2. Создан интерфейс «мозг-компьютер-виртуальная реальность», предназначенный для синхронной регистрации сигналов электрической активности головного мозга в лобных отведениях и визуализации виртуальной реальности, средствами графического моделирования, в виде конечного устройства и понятийного пользовательского интерфейса для использования в психодиагностике и оценки профессиональной профпригодности.

3. Создана система для испытания нейроинтерфейсов, предназначенная для генерации и имитации сигналов электрической активности головного мозга и создания необходимых условий, обеспечивающих эффективную разработку, настройку и испытание интерфейса «мозг - компьютер - виртуальная реальность».

4. Разработана платформа виртуальной реальности, предназначенная для повышения оперативности реабилитации пациентов психиатрического профиля, в том числе лиц с ограниченными возможностями здоровья, за счет

использования трехосевого вращения в условиях свободной двигательной активности и имитации физического воздействия внешней среды.

Методы исследования. В работе использованы методы регистрации сигналов электрической активности головного мозга; программирование и моделирование в средах Visual Studio, PyCharm, MATLAB и Unreal Engine.

Объект исследования: нейроинтерфейс и устройства виртуальной реальности.

Предмет исследования: сигналы электрической активности головного мозга и сцены виртуальной реальности.

На защиту выносятся:

1. Способ функционирования интерфейса «мозг-компьютер-виртуальная реальность», обеспечивающий плавное и устойчивое взаимодействие пользователя с виртуальной средой путем динамической адаптации виртуального пространства не более чем за 20 мс к результатам регистрации электрической активности головного мозга в режиме реального времени с задержкой обратной связи не более 40 мс (2.2.12, п. 13).

2. Система и специализированное программное обеспечение для синхронной регистрации электрической активности головного мозга и визуализации сцен виртуальной реальности, обеспечивающие регистрацию, обработку и выделения значимых параметров сигналов электрической активности головного мозга, ввод корректирующих параметров и синхронизацию сцен виртуальной реальности посредством интеграции со средствами графического и математического моделирования (2.2.12, п. 22).

3. Система для испытания нейроинтерфейса, включающая генератор электрической активности головного мозга, позволяющий выполнять проверку целостности измерительного тракта: отсутствие обрывов в цепи, корректность смещения нуля и функционирование каналов регистрации (2.2.12, п. 1).

4. Платформа виртуальной реальности с гироскопической конструкцией, развивающая угловую скорость до 180 °/с, ускорение до 300 °/с2

и погрешность позиционирования 0.1°, обеспечивающая плавную регулировку углов поворота и свободное перемещение пользователя по трём осям, позволяющая совершать полный 360° оборот и воспроизводить движения виртуального объекта в реальном времени, что способствует повышению реалистичности воспроизведения сценариев движения (2.2.12, п. 13).

Обоснованность и достоверность положений, выносимых на защиту, подтверждаются тем, что в теоретических построениях диссертационной работы использовались законы и положения, справедливость которых общепризнанна. Достоверность и обоснованность научных положений подтверждена результатами моделирования и натурного эксперимента.

Основные результаты диссертационной работы получены при выполнении следующих НИОКР:

1. Социально-средовая, социально-педагогическая и социально-психологическая реабилитация лиц-инвалидов с психическими расстройствами и расстройствами поведения (госзадание РФ). №2 FSGE-2023-0006, 2023-2025 гг.

2. Нейро-УЯ, ректорские гранты. Приказ от 20 марта 2024 г. № 245/о «О результатах конкурса «Ректорские гранты» ПГУ», 2024 г.

3. Интеллектуальная система программного управления многоосевой платформой для виртуальной реальности с имитацией воздействия внешней среды и обратной связью (АНО «ИРР»). № ИС/6, 2022-2023 гг.

4. Система оценки поведения космических туристов при возникновении тревожных, стрессовых или внештатных ситуаций на космических станциях в среде виртуальной реальности (Фонд содействия развитию малых форм предприятий в научно-технической сфере, Студстартап), 2022-2023 гг.

Реализация результатов исследования. Результаты диссертационного исследования использованы и внедрены в виде:

1. генератора сигналов, позволяющего выполнять проверку прецизионных низкочастотных измерительных трактов в АО «ФНПЦ «ПО Старт» им. М. В. Проценко»;

2. аппаратно-программного интерфейса для решения задач в рамках научно-исследовательских и опытно-конструкторских работ по тематике предприятия АО «НИИФИ»;

3. специализированного программного обеспечения для оказания помощи слабовидящим людям на этапе стимуляции зрительных, слуховых и сенсорных функций в частном учреждении «Нижегородский областной центр реабилитации инвалидов по зрению «Камерата»;

4. специализированного программно-аппаратного комплекса для регистрации электрической активности головного мозга и визуализации виртуальной реальности в МБОУ СОШ №30 г. Пенза;

5. программно-аппаратных решений для проведения профессиональных испытаний и тренировочных мероприятий на базе школы робототехники и программирования «Парадигма».

6. теоретических и практических результатов при подготовке студентов технических специальностей Пензенского государственного университета по направлениям 12.03.01, 12.04.01 «Приборостроение», 11.05.01 «Радиоэлектронные системы и комплексы», 30.05.03 «Медицинская кибернетика»; магистрантов, аспирантов и научных работников.

Документы о внедрении представлены в приложении Г диссертации.

Апробация работы. Основные положения работы были представлены на международных и всероссийских конференциях, выставках: IX национальном форуме реабилитационной индустрии и универсального дизайна «Надежда на технологии» (г. Москва, 2024); региональной выставке, посвященной празднованию дня российского науки (г. Пенза 2024, 2025); всероссийском молодёжном форуме законодательных инициатив «Идея-5И» (г. Пенза, 2025г); всероссийской конференции, посвященной Дню радио. «РЭУС-ИТ 2024» (г. Москва, 2024); всероссийском аспирантско-магистерском научном семинаре,

посвященном Дню энергетика и 55-летию КГЭУ (г. Казань, 2023); международной молодежной научной конференции «Тинчуринские чтения, энергетика и цифровая трансформация» (г. Казань, 2023); международной научно-практической конференции «Научные исследования молодых ученых» (Пенза, 2020); International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE) (г. Казань, 2025).

Публикации. По теме диссертации опубликовано 16 печатных трудов, из них 3 статьи в журналах, рекомендованных ВАК при Минобрнауки России, 1 статья в журнале, индексируемом базой данных Scopus, 2 публикации в изданиях, индексируемых международными базами данных, 4 свидетельства на программы для ЭВМ и баз данных, 6 публикаций в материалах конференций, из них 3 без соавторов.

Личный вклад. Все основные результаты диссертационного исследования получены лично автором или при его непосредственном участии. Автором выполнена постановка целей и задач, разработаны основные теоретические положения, реализованы программные и технические решения, проведены экспериментальные исследования и анализ их результатов.

Структура и объем диссертации. Диссертационная работа состоит из введения, 4 глав, выводов, библиографического списка из 150 наименований и 4 приложений. Общий объем работы без приложений - 156 страниц, включая 44 рисунка и 5 таблиц.

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ

ИССЛЕДОВАНИЯ

Вводные замечания

Неврологические и психические заболевания являются одной из ведущих медико-социальных проблем современности. По данным глобальных исследований, заболевания головного мозга занимают ключевые позиции в структуре инвалидности и смертности населения во всем мире. В частности, неврологические болезни в совокупности стали лидирующей причиной инвалидизации и второй по значимости причиной смерти среди всех заболеваний. За последние десятилетия абсолютное число случаев неврологических нарушений и связанных с ними летальных исходов неуклонно увеличивается, что объясняется ростом численности населения.

1.1. Критический анализ неврологических состояний, психических расстройств и расстройств поведения

Анализ неврологических заболеваний, психических расстройств и расстройств поведения невозможен без сопоставления их масштабов, структуры и динамики. Эти параметры определяют приоритеты диагностики, профилактики и реабилитации. Нарушения головного мозга формируют существенный процент в числе общих патологий человека [1]. Это обусловлено не только смертностью, но и длительной утратой трудоспособности, когнитивными дефицитами и социальной дезадаптацией. По данным международных сводных исследований, неврологические заболевания остаются одной из ведущих причин ухудшения здоровья, причём значительная доля приходится на хронические неинфекционные состояния, которые чаще диагностируются в среднем и пожилом возрасте [1]. Результат данных исследований представлен на рисунке 1. В последние годы возраст-стандартизованные показатели для ряда нозологий снижаются за счёт

профилактики и лечения, тогда как абсолютное число случаев продолжает расти из-за старения и увеличения численности населения [2].

Рисунок 1 - Глобальные индексы заболеваемости неврологическими расстройствами в разбивке по возрасту

Инсульт сохраняет центральное значение в неврологии. Это одна из ключевых причин смертности и инвалидизации, а также фактор риска последующих когнитивных и аффективных нарушений. Исследования [3] показывают рост абсолютного числа случаев при одновременной стабилизации или умеренном снижении стандартизованных показателей в ряде регионов. Для практики это означает акцент на своевременную верификацию типа инсульта, проведение вмешательств и обязательный

скрининг постинсультных когнитивных нарушений, депрессии и тревоги в маршруте наблюдения пациента.

Головная боль - один из самых распространённых синдромов в клинической неврологии. Систематические оценки показывают, что мигрень входит в число ведущих причин длительной нетрудоспособности, а головная боль, несмотря на более мягкую индивидуальную переносимость, чрезвычайно распространена и формирует значительную нагрузку на систему здравоохранения [3]. Обновлённые обзоры, учитывающие методологические различия первичных исследований, подтверждают очень высокую распространённость головной боли и подчёркивают, что оценки зависят от дизайна экспериментов, инструментария и диагностических критериев. Это важно учитывать при планировании скрининга и мониторинга [4].

Эпилепсия сочетает риск летальных исходов и стойких ограничений жизнедеятельности. Исследования [5, 6] показывают существенную вариабельность показателей распространённости и заболеваемости между регионами и возрастными группами. При этом потребность в направлении пациентов в специализированные центры для длительного ЭЭГ-мониторинга и точной нейровизуализации остаётся высокой [5]. Болезнь Паркинсона демонстрирует устойчивый рост показателей на глобальном уровне. Это связывают с увеличением продолжительности жизни и возможным вкладом факторов окружающей среды. Растёт потребность в ранней дифференциальной диагностике треморных синдромов, учёте немоторных признаков и нарушений поведения во сне ЯЕМ-фазы [6].

Прогнозы [7] указывают почти на трёхкратный рост числа людей, живущих с деменцией к середине 21 века при относительной стабильности возраст-стандартизованной распространённости. Это подчёркивает роль демографических факторов и необходимость раннего выявления, модификации факторов риска и устойчивых сценариев повышения качества жизни. Диагностические исследования должны включать не только

нейропсихологические тесты, но и скрининг депрессии, тревоги и нарушений сна как частых ранних сигналов когнитивного нарушения [7].

Психические расстройства оказывают существенное влияние на показатели инвалидизации, а в ряде возрастных групп - более выраженное по сравнению с соматическими заболеваниями. Период пандемии СОУГО-19 сопровождался значимым ростом распространённости депрессивных и тревожных расстройств, особенно у женщин и молодёжи, что усилило требования к системной диагностике аффективной симптоматики в первичном звене и к ранним предпосылкам к доказательным вмешательствам [8]. По наиболее распространённым нозологиям выявляются существенные региональные различия, связанные с доступностью медицинской помощи и социально-экономическими факторами, что важно учитывать при интерпретации показателей и планировании ресурсов [9].

Возраст начала психических расстройств - ключевой ориентир для скрининга. Мета-анализ, представленный в работе [10] показывает, что существенная доля расстройств сосредоточена в возрасте до 25 лет (рисунок 2). Более ранними оказываются расстройства нейроразвития и тревожного спектра, тогда как расстройства настроения чаще возникают позднее [10]. Данные международных опросов [11] подтверждают, что первые симптомы нередко возникают в подростковом и юношеском возрастах, а задержка диагностики и начала терапии может составлять годы. Это напрямую связано с худшими исходами и нарастанием сопутствующих состояний [11].

Аналитические исследования в области развития синдрома двигательной активности показывают [12] зависимость распространённости от диагностических критериев, источников информации и периода наблюдения. Во многих странах стабильно фиксируется значимая доля детей и подростков, нуждающихся в комплексной оценке внимания, исполнительных функций и сопутствующей аффективной симптоматики [12]. В отношении расстройств аутистического спектра современная литература указывает на глобальную распространённость порядка одного процента

детского населения при высокой межстрановой вариабельности. Это требует многоуровневых диагностических процедур с применением клинико-психологических исследований, наблюдательных шкал и оценки сенсорных профилей [13].

Рисунок 2 - Метааналитическое распределение возраста начала развития

психических расстройств

Психотические расстройства и шизофрения встречаются реже в мире, но их влияние на качество жизни непропорционально велико. Современная оценка исследований подчёркивает значительную методологическую гетерогенность и вариабельность показателей, что требует осторожности при планировании скрининга, верификации диагноза и динамического наблюдения с использованием валидированных инструментов [14]. В условиях вооружённых конфликтов и в постконфликтной среде доля депрессии, тревожных расстройств и посттравматического стрессового

расстройства существенно выше среднего, поэтому диагностические шкалы требуют адаптации и корректной калибровки порогов чувствительности [15].

Систематические оценки расстройств, связанные с употреблением психоактивных веществ фиксируют высокие показатели заболеваемости и смертности, а также выраженные межрегиональные различия, обусловленные доступностью психоактивных веществ, экономическими и культурными факторами и политикой общественного здоровья. Для диагностики это означает необходимость многоканального скрининга, сочетания валидированных анкет и биомаркёров и обязательной оценки суицидального риска [16].

Коморбидность неврологических и психических состояний - типичная клиническая ситуация. Характерный пример - депрессия после инсульта. Обзоры [17, 18] показывают, что это состояние встречается у значительной доли пациентов на разных этапах постинсультного периода и связано с худшими функциональными исходами и меньшей приверженностью реабилитации. Следовательно, сосудистые центры и реабилитационные клиники должны включать регулярный скрининг аффективной и когнитивной симптоматики и проводить междисциплинарные исследования [17]. На популяционном уровне депрессия стабильно относится к ведущим причинам длительной нетрудоспособности, что задаёт приоритет раннего выявления, стратификации по тяжести и учёта сопутствующих состояний [18].

Современные исследования по различным заболеваниям показывают смещение к хроническим неинфекционным состояниям и рост лет, прожитых с инвалидностью [19]. В этой структуре неврологические и психические расстройства занимают ключевые позиции. Эти данные усиливают требования к ранней диагностике, непрерывному мониторингу и персонализации подходов оказания помощи [19]. Суицидальная смертность хотя и снижается в возраст-стандартизованном выражении в ряде регионов, остаётся значимой причиной в статистике смертности. Риск актов суицида выше при недиагностированных психических расстройствах и употреблении

психоактивных веществ, поэтому точность скрининга и корректная маршрутизация пациентов с депрессией, биполярным расстройством, психозами и зависимостями критически важны [20].

Современная диагностика опирается на сочетание клинических шкал, нейропсихологического тестирования, биомаркёров, электроэнцефалографии (ЭЭГ) и нейровизуализации, а также на длительный мониторинг функций организма в естественных условиях. Классические инструменты не всегда чувствительны к динамическим изменениям и вариабельности. Перспективны интегративные подходы, которые объединяют длительную регистрацию электрической активности головного мозга и поведенческих маркёров с алгоритмами цифровой обработки сигналов и машинного обучения. Амбулаторные записи ЭЭГ, сопряжённые с когнитивными пробами и сенсомоторными задачами, позволяют фиксировать маркеры пароксизмальной активности, аффективных колебаний, когнитивной усталости и нарушений сна. Учитывая высокую распространённость головной боли, депрессии и тревожных расстройств, а также позднюю диагностируемость, такие системы рассматриваются как способ повышения эффективности ранней диагностики. Другая задача - возрастная стратификация диагностических протоколов. В детско-подростковом возрасте приоритетом является выявление СДВГ, тревожных и ранних аффективных нарушений, расстройств сна и головной боли. При расстройствах аутистического спектра требуются многоуровневые процедуры и междисциплинарная оценка. В молодом и среднем возрасте особое внимание уделяется расстройствам настроения и тревожного спектра с учётом типичных сроков начала. В пожилом возрасте фокус смещается к когнитивному скринингу, дифференциации депрессии и деменции, сосудистым когнитивным нарушениям и болезни Паркинсона. Во всех возрастных группах обязательны скрининг употребления психоактивных веществ и оценка суицидального риска.

Список литературы диссертационного исследования кандидат наук Иванов Александр Дмитриевич, 2025 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Feigin V. L., Nichols E., Alam T., Bannick M. S., Beghi E., Blake N., et al. Global, regional, and national burden of neurological disorders, 1990-2016: a systematic analysis for the Global Burden of Disease Study 2016 // The Lancet Neurology. - 2019. - Vol. 18, No. 5. - P. 459-480. - DOI: 10.1016/S1474-4422(18)30499-X.

2. GBD 2021 Stroke Collaborators; Feigin V. L., et al. Global, regional, and national burden of stroke and its risk factors, 1990-2021 // The Lancet Neurology. -2024. - Vol. 23, No. 10. - P. 973-1003. - DOI: 10.1016/S1474-4422(24)00369-7.

3. GBD 2016 Headache Collaborators. Global, regional, and national burden of migraine and tension-type headache, 1990-2016: a systematic analysis for the Global Burden of Disease Study 2016 // The Lancet Neurology. - 2018. - Vol. 17, No. 11. - P. 954-976. - DOI: 10.1016/S1474-4422(18)30322-3.

4. Stovner L. J., Hagen K., Linde M., Steiner T. J. The global prevalence of headache: an update, with analysis of the influences of methodological factors on prevalence estimates // The Journal of Headache and Pain. - 2022. - Vol. 23. - Art. 34. - DOI: 10.1186/s 10194-022-01402-2.

5. Fiest K. M., Sauro K. M., Wiebe S., Patten S. B., Kwon C. S., Dykeman J., et al. Prevalence and incidence of epilepsy: a systematic review and meta-analysis of international studies // Neurology. - 2017. - Vol. 88, No. 3. - P. 296-303. - DOI: 10.1212/WNL.0000000000003509.

6. GBD 2016 Parkinson's Disease Collaborators; Dorsey E. R., Elbaz A., Nichols E., et al. Global, regional, and national burden of Parkinson's disease, 19902016: a systematic analysis for the Global Burden of Disease Study 2016 // The Lancet Neurology. - 2018. - Vol. 17, No. 11. - P. 939-953. - DOI: 10.1016/S1474-4422(18)30295-3.

7. GBD 2019 Dementia Forecasting Collaborators. Estimation of the global prevalence of dementia in 2019 and forecasted prevalence in 2050: an analysis for

the Global Burden of Disease Study 2019 // The Lancet Public Health. - 2022. - Vol. 7, No. 2. - P. e105-e125. - DOI: 10.1016/S2468-2667(21)00249-8.

8. Santomauro D. F., Mantilla-Herrara A. M., Shadid J., et al. Global prevalence and burden of depressive and anxiety disorders in 204 countries and territories in 2020 due to the COVID-19 pandemic // The Lancet. - 2021. - Vol. 398, No. 10312. - P. 1700-1712. - DOI: 10.1016/S0140-6736(21)02143-7.

9. Global Burden of Disease 2019 Mental Disorders Collaborators. Global, regional, and national burden of 12 mental disorders in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019 // The Lancet Psychiatry. - 2022. - Vol. 9, No. 2. - P. 137-150. - DOI: 10.1016/S2215-0366(21)00395-3.

10. Solmi M., Radua J., Olivola M., et al. Age at onset of mental disorders worldwide: large-scale meta-analysis of 192 epidemiological studies // Molecular Psychiatry. - 2022. - Vol. 27, No. 1. - P. 281-295. - DOI: 10.1038/s41380-021-01161-7.

11. Kessler R. C., Angermeyer M., Anthony J. C., et al. Lifetime prevalence and age-of-onset distributions of mental disorders in the World Health Organization's World Mental Health Survey Initiative // World Psychiatry. - 2007. -Vol. 6, No. 3. - P. 168-176. PMID: 18188442; PMCID: PMC2174588.

12. Polanczyk G. V., Willcutt E. G., Salum G. A., Kieling C., Rohde L. A. ADHD prevalence estimates across three decades: an updated systematic review and meta-regression analysis // Journal of Child Psychology and Psychiatry. - 2014. -Vol. 55, No. 10. - P. 1036-1052. - DOI: 10.1093/ije/dyt261.

13. Zeidan J., Fombonne E., Scorah J., et al. Global prevalence of autism: a systematic review update // Autism Research. - 2022. - Vol. 15, No. 5. - P. 778790. - DOI: 10.1002/aur.2696.

14. Moreno-Kustner B., Martin C., Pastor L. Prevalence of psychotic disorders and its association with methodological issues. A systematic review and meta-analyses // PLoS ONE. - 2018. - Vol. 13, No. 4. - e0195687. - DOI: 10.1371/journal.pone.0195687.

15. Charlson F., van Ommeren M., Flaxman A., Cornett J., Whiteford H., Saxena S. New WHO prevalence estimates of mental disorders in conflict settings: a systematic review and meta-analysis // The Lancet. - 2019. - Vol. 394, No. 10194.

- P. 240-248. - DOI: 10.1016/S0140-6736(19)30934-1.

16. Degenhardt L., Charlson F., Ferrari A., Santomauro D., Erskine H., Mantilla-Herrara A., et al. The global burden of disease attributable to alcohol and drug use in 195 countries and territories, 1990-2016: a systematic analysis for the Global Burden of Disease Study 2016 // The Lancet Psychiatry. - 2018. - Vol. 5, No. 12. - P. 987-1012. - DOI: 10.1016/S2215-0366(18)30337-7.

17. Hackett M. L., Pickles K. Part I: Frequency of depression after stroke: an updated systematic review and meta-analysis of observational studies // International Journal of Stroke. - 2014. - Vol. 9, No. 8. - P. 1017-1025. - DOI: 10.1111/ijs. 12357.

18. Ferrari A. J., Charlson F. J., Norman R. E., Patten S. B., Freedman G., et al. Burden of depressive disorders by country, sex, age, and year: findings from the Global Burden of Disease Study 2010 // PLoS Medicine. - 2013. - Vol. 10, No. 11. - e1001547. - DOI: 10.1371/journal.pmed.1001547.

19. Vos T., Lim S. S., Abbafati C., et al. Global burden of 369 diseases and injuries in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019 // The Lancet. - 2020. - Vol. 396, No. 10258.

- P. 1204-1222. - DOI: 10.1016/S0140-6736(20)30925-9.

20. Naghavi M., et al. Global, regional, and national burden of suicide mortality 1990 to 2016: systematic analysis for the Global Burden of Disease Study 2016 // BMJ. - 2019. - Vol. 364. - l94. - DOI: 10.1136/bmj.l94.

21. Willemink M. J., Noël P. B. The evolution of image reconstruction for CT-from filtered back projection to artificial intelligence // European Radiology. -2019. - Vol. 29, No. 5. - P. 2185-2195. - DOI: 10.1007/s00330-018-5810-7.

22. Pearce M. S., Salotti J. A., Little M. P., et al. Radiation exposure from CT scans in childhood and subsequent risk of leukaemia and brain tumours: a

retrospective cohort study // The Lancet. - 2012. - Vol. 380, No. 9840. - P. 499-505. - DOI: 10.1016/S0140-6736(12)60815-0.

23. Perry J. J., Stiell I. G., Sivilotti M. L. A., et al. Sensitivity of computed tomography performed within six hours of onset of headache for diagnosis of subarachnoid haemorrhage: prospective cohort study // BMJ. - 2011. - Vol. 343. -d4277. - DOI: 10.1136/bmj.d4277.

24. Wintermark M., Flanders A. E., Velthuis B., et al. Perfusion-CT assessment of infarct core and penumbra: receiver operating characteristic curve analysis in 130 patients suspected of acute hemispheric stroke // Stroke. - 2006. -Vol. 37, No. 4. - P. 979-985. - DOI: 10.1161/01.STR.0000209238.61459.39.

25. Шульц Е. И., Пронин И. Н., Баталов А. И., Соложенцева К. Д., Павлова Г. В., Дрозд С. Ф., и др. Исследование гемодинамики злокачественных глиом методом КТ-перфузии // Медицинская визуализация. 2020;24(2): 105-118. - DOI: https://doi.org/10.24835/1607-0763-2020-2-105-118.

26. Пронин И. Н., Захарова Н. Е., Фадеева Л. М., Пронин А. И., Шульц Е. И., Баталов А. И. Импульсная последовательность SWI/SWAN в МРТ-диагностике микрокровоизлияний и сосудистых микромальформаций // Онкологический журнал: лучевая диагностика, лучевая терапия. 2018;1(3):49-57. - DOI: https://doi.org/10.37174/2587-7593-2018-1-3-49-57.

27. Нечипай Э.А., Долгушин М.Б., Пронин А.И., Кобякова Е.А., Фадеева Л.М. Магнитно-резонансная томография в режиме динамического контрастирования в дифференциальной диагностике глиальных опухолей головного мозга. // Медицинская визуализация. 2017;(4):88-96. - DOI: https://doi.org/10.24835/1607-0763-2017-4-88-96.

28. Баталов А.И., Захарова Н.Е., Погосбекян Э.Л., и др. Бесконтрастная ASL-перфузия в предоперационной диагностике супратенториальных глиом. // Вопросы нейрохирургии - 2018. - Т. 82, № 6. -С. 15-22. - DOI: 10.17116/neiro20188206115

29. Буклина С.Б., Подопригора А.Е., Пронин И.Н., и др. Функциональные МРТ-исследования доминантности полушария по речи

у больных с опухолями головного мозга // Вопросы нейрохирургии - 2013. - Т. 77, № 5. - С. 30-37.

30. Беляевская А. А., Меладзе Н. В. и др. Современные возможности функциональной магнитно-резонансной томографии в нейровизуализации // Медицинская визуализация. 2018;(1):7-16. - DOI: https://doi.org/10.24835/1607-0763-2018-1-7-16

31. Шестакова А. Н., Буторина А. В., Осадчий А. Е., Штыров Ю. Ю. Магнитоэнцефалография - новейший метод функционального картирования мозга человека // Экспериментальная психология. - 2012. - Т. 5, № 2. - С. 119134.

32. Baillet S. Magnetoencephalography for brain electrophysiology and imaging // Nature Neuroscience. - 2017. - Vol. 20, No. 3. - P. 327-339. - DOI: 10.1038/nn.4504.

33. Pfurtscheller G., Lopes da Silva F. H. Event-related EEG/MEG synchronization and desynchronization: basic principles // Clinical Neurophysiology. - 1999. - Vol. 110, No. 11. - P. 1842-1857. - DOI: 10.1016/S1388-2457(99)00141-8.

34. Васильев А. Н., Либуркина С. П., Каплан А. Я. Латерализация паттернов ЭЭГ у человека при представлении движений руками в интерфейсе мозг-компьютер // Журнал высшей нервной деятельности им. И. П. Павлова. -2016. - Т. 66, № 3. - С. 302-312. DOI: 10.7868/S0044467716030126

35. Ганин И. П., Каплан А. Я. Интерфейс мозг-компьютер на основе волны Р300: предъявление комплексных стимулов «подсветка + движение» // Журнал высшей нервной деятельности им. И. П. Павлова. - 2014. - Т. 64, № 1. - С. 32-40. DOI: 10.7868/S0044467714010067

36. Vialatte F. B., Maurice M., Dauwels J., Cichocki A. Steady-state visually evoked potentials: focus on essential paradigms and future perspectives // Prog Neurobiol. 2010 Apr;90(4):418-38. - DOI: 10.1016/j.clinph.2009.12.054.

37. Cavanagh J. F., Frank M. J. Frontal theta as a mechanism for cognitive control // Trends in Cognitive Sciences. - 2014. - Vol. 18, No. 8. - P. 414-421. -DOI: 10.1016/j.tics.2014.04.012.

38. Bleichner M. G., Debener S. Concealed, unobtrusive ear-centered EEG acquisition: cEEGrid for Transparent EEG// Frontiers in Human Neuroscience. -2017. - Vol. 11. - Article 163. - DOI: 10.3389/fnhum.2017.00163.

39. McFarland D. J., Miner L. A., Vaughan T. M., Wolpaw J. R. Mu and beta rhythm topographies during motor imagery and actual movements // Brain Topography. - 2000. - Vol. 12, No. 3. - P. 177-186. - DOI: 10.1023/A:1023437823106.

40. Frolov A. A., Mokienko O., Lyukmanov R., et al. Post-stroke Rehabilitation Training with a Motor-Imagery-Based Brain-Computer Interface (BCI) - Controlled Hand Exoskeleton: A Randomized Controlled Multicenter Trial // Frontiers in Neuroscience. 2017;11:400. DOI: 10.3389/fnins.2017.00400

41. Адаптация интерфейсов виртуальной реальности в приложениях психодиагностики и медицинской реабилитации / А. В. Иващенко, М. В. Александрова, Д. С. Жейков [и др.] // Медицинская техника. - 2023. - № 5(341). - С. 33-35. - EDN UMTNCW.

42. Жейков, Д. С. Организация персонализированной медицинской реабилитации на основе технологий виртуальной реальности с биологической обратной связью / Д. С. Жейков, А. В. Иващенко, А. В. Колсанов // Менеджер здравоохранения. - 2025. - № 5. - С. 155-163. - DOI 10.21045/1811-0185-20255-155-163. - EDN DCLWKO.

43. Иващенко, А. В. Управление погружением пользователя в иммерсивную среду на примере системы психологического тестирования с обратной связью / А. В. Иващенко, М. В. Александрова // Модели, системы, сети в экономике, технике, природе и обществе. - 2024. - № 1(49). - С. 79-93. - DOI 10.21685/2227-8486-2024-1-6. - EDN IBRZMC.

44. Жейков, Д. С. Формально-логическая модель цифрового профиля пациента в задачах когнитивно-поведенческой терапии иммерсивной

реальности / Д. С. Жейков, А. В. Иващенко, А. В. Колсанов // Менеджер здравоохранения. - 2025. - № 4. - С. 92-98. - DOI 10.21045/1811-0185-2025-492-98. - EDN COVKDQ.

45. Патент № 2830938 C1 Российская Федерация, МПК G16H 20/00, A61B 5/05, G06T 15/00. Способ реабилитации пациентов с нарушением двигательной активности с использованием персонифицированного контента клипов виртуальной реальности : № 2024105789 : заявл. 06.03.2024 : опубл. 26.11.2024 / С. А. Филист, А. Е. Пшеничный, О. В. Шаталова [и др.] ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет". - EDN ITENYG.

46. Метод формирования персонифицированного контента клипов виртуальной реальности для реабилитации пациентов с нарушением двигательной активности / Е. В. Петрунина, С. А. Филист, А. Е. Пшеничный [и др.] // Системный анализ и управление в биомедицинских системах. - 2024.

- Т. 23, № 4. - С. 183-194. - DOI 10.36622/1682-6523.2024.23.4.023. - EDN SBIDRZ.

47. Carl E., Stein A. T., Levihn-Coon A., Pogue J. R., Rothbaum B., Emmelkamp P., Asmundson G. J., Carlbring P., Powers M. B. Virtual reality exposure therapy for anxiety and related disorders: a meta-analysis of randomized controlled trials // Journal of Anxiety Disorders. - 2019. - Vol. 61. - P. 27-36. - DOI: 10.1016/j.janxdis.2018.08.003.

48. Hoffman H. G., Patterson D. R., Carrougher G. J., Use of virtual reality for adjunctive treatment of adult burn pain during physical therapy: a controlled study // Clinical Journal of Pain. - 2000. - Vol. 16, No. 3. - P. 244-250. - DOI: 10.1097/00002508-200009000-00010.

49. Mehrholz J., Pohl M., Platz T., Kugler J., Elsner B. Electromechanical and robot-assisted arm training for improving activities of daily living, arm function, and arm muscle strength after stroke // Cochrane Database of Systematic Reviews.

- 2018. - Issue 9. - Art. CD006876. - DOI: 10.1002/14651858.CD006876.pub5.

50. Wolf S. L., Winstein C. J., Miller J. P., et al. Effect of constraint-induced movement therapy on upper extremity function 3 to 9 months after stroke: the EXCITE randomized clinical trial // JAMA. - 2006. - Vol. 296, No. 17. - P. 20952104. - DOI: 10.1001/jama.296.17.2095.

51. Mehrholz J., Thomas S., Elsner B. Treadmill training and body weight support for walking after stroke // Cochrane Database of Systematic Reviews. -2017. - Issue 8. - Art. CD002840. - DOI: 10.1002/14651858.CD002840.pub4.

52. Thieme H., Mehrholz J., Pohl M., Behrens J., Dohle C. Mirror therapy for improving motor function after stroke // Cochrane Database of Systematic Reviews. - 2018. - Issue 7. - Art. CD008449. - DOI: 10.1002/14651858.CD008449.pub3.

53. Kim Y.-M., Chun M.-H., Yun G.-J., Song Y.-J., Young H.-E. The effect of virtual reality training on unilateral spatial neglect in stroke patients// Annals of Rehabilitation Medicine. - 2011. - Vol. 35, No. 3. - P. 309-315. - DOI: 10.5535/arm.2011.35.3.309.

54. Motomura K., Kinoshita S., Sato I., Amimoto K., Numao T., Kaneko F. Effects of a stimulus response task using virtual reality on unilateral spatial neglect: a randomized controlled trial // Archives of Physical Medicine and Rehabilitation. - 2024. - Vol. 105, No. 8. - P. 1449-1457. - DOI: 10.1016/j.apmr.2024.05.009.

55. Тынтерова А. М. Применение технологий виртуальной реальности в реабилитации пациентов с поражением правого и левого полушария в остром периоде ишемического инсульта // Физическая и реабилитационная медицина, медицинская реабилитация. 2024;6(2):109-121. DOI: 10.36425/rehab627186.

56. Коржова Ю. Е., Фукс А. А., Клочков А. С., Хижникова А. Е., Супонева Н. А., Захарова М. Н. Место виртуальной реальности в реабилитации пациентов с рассеянным склерозом // Неврология, нейропсихиатрия, психосоматика. 2023;15(Прил. 1):8-14. DOI: 10.14412/2074-2711-2023-1S-8-14.

57. Лахов А. С., Стариковский М. Ю., Повереннова И. Е., Куров М. В., Перстенёва Н. П. Оценка влияния виртуальной реальности на восстановление двигательной функции в остром периоде ишемического инсульта // Вестник медицинского института «РЕАВИЗ». Реабилитация, Врач и Здоровье. 2024;14(4):60-67. DOI: 10.20340/vmi-rvz.2024.4.CLIN.3.

58. Краснова-Гольева В. В., Гольев М. А. Виртуальная реальность в реабилитации после инсульта: обзор // Современная зарубежная психология. -2015. - Т. 4, № 4. - С. 39-44. - DOI: 10.17759/jmfp.2015040406.

59. Cervera M. A., Soekadar S. R., Ushiba J., Millan J. del R., Liu M., Birbaumer N., Garipelli G. Brain-computer interfaces for post-stroke motor rehabilitation: a meta-analysis // Annals of Clinical and Translational Neurology. 2018;5(5):651-663. DOI: 10.1002/acn3.544.

60. A. D. Ivanov "A system for periodometric analysis of data on brain electrical activity in subjects in virtual space," / D.S. Chernyshov, A. Y. Tychkov, O. S. Simakova, D. L. Ovchinnikov, V. N. Gorbunov, A. K. Alimuradov / Biomed Eng 58, 367-370 (2025), doi: https://doi.org/10.1007/s10527-025-10435.

61. Ramos-Murguialday A., Broetz D., Rea M., Laer L., Yilmaz O., Brasil F. L., et al. Brain-machine interface in chronic stroke rehabilitation: a controlled study // Annals of Neurology. - 2013. - Vol. 74, No. 1. - P. 100-108. - DOI: 10.1002/ana.23879.

62. Biasiucci A., Leeb R., Iturrate I., Perdikis S., Al-Khodairy A., Corbet T., et al. Brain-actuated functional electrical stimulation elicits lasting arm motor recovery after stroke // Nature Communications. - 2018. - Vol. 9. - Art. 2421. - DOI: 10.1038/s41467-018-04673-z.

63. Ang K. K., Chua K. S. G., Phua K. S., Wang C., Chin Z. Y., Kuah C. W. K., Low W., Guan C.A Randomized Controlled Trial of EEG-Based Motor Imagery Brain-Computer Interface Robotic Rehabilitation for Stroke // Clinical EEG and Neuroscience. 2015;46(4):310-320. Epub 2014-04-21. DOI: 10.1177/1550059414522229.

64. Wen D., Fan Y., Hsu S.-H., Xu J., Zhou Y., Tao J., Lan X., Li F. Combining brain-computer interface and virtual reality for rehabilitation in neurological diseases: a narrative review // Annals of Physical and Rehabilitation Medicine. 2021;64(1):101404. DOI: 10.1016/j.rehab.2020.03.015.

65. Vourvopoulos A., Marin Pardo O., Lefebvre S., Neureither M., Saldana D., Jahng E., Liew S.-L. Effects of a Brain-Computer Interface With Virtual Reality (VR) Neurofeedback: A Pilot Study in Chronic Stroke Patients // Frontiers in Human Neuroscience. 2019;13:210. DOI: 10.3389/fnhum.2019.00210.

66. Soekadar S. R., Birbaumer N., Slutzky M. W., Cohen L. G. Brain-machine interfaces in neurorehabilitation of stroke // Neurobiology of Disease. -2015. - Vol. 83. - P. 172-179. - DOI: 10.1016/j.nbd.2014.11.025.

67. Klimesch W. Alpha-band oscillations, attention, and controlled access to stored information // Trends in Cognitive Sciences. - 2012. - Vol. 16, No. 12. - P. 606-617. - DOI: 10.1016/j.tics.2012.10.007.

68. Harmony T. The functional significance of delta oscillations in cognitive processing // Frontiers in Integrative Neuroscience. - 2013. - Vol. 7. - Art. 83. - DOI: 10.3389/fnint.2013.00083.

69. Nathan K., Contreras-Vidal J. L. Negligible motion artifacts in scalp electroencephalography during treadmill walking // Frontiers in Human Neuroscience. - 2016. - Vol. 9. - Art. 708. - DOI: 10.3389/fnhum.2015.00708.

70. Luu T. P., Nakagome S., He Y., Contreras-Vidal J. L. Real-time EEG-based brain-computer interface to a virtual avatar enhances cortical involvement in human treadmill walking // Scientific Reports. - 2017. - Vol. 7. - Art. 8895. - DOI: https://doi.org/10.1038/s41598-017-09187-0.

71. Delorme A., Makeig S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis // Journal of Neuroscience Methods. - 2004. - Vol. 134, No. 1. - P. 9-21. - DOI: 10.1016/j.jneumeth.2003.10.009.

72. Ramoser H., Muller-Gerking J., Pfurtscheller G. Optimal spatial filtering of single trial EEG during imagined hand movement // IEEE Transactions

on Rehabilitation Engineering. - 2000. - Vol. 8, No. 4. - P. 441-446. - DOI: 10.1109/86.895946.

73. Каплан А. Я. Нейрофизиологические основания и практические реализации технологии мозг-машинных интерфейсов в неврологической реабилитации // Физиология человека. - 2016. - Т. 42, № 1. - С. 118-127. - DOI: 10.7868/S0131164616010100.

74. Мокиенко О. А., Люкманов Р. Х., Бобров П. Д., Супонева Н. А., Пирадов М. А. Интерфейсы мозг-компьютер для восстановления движений руки после инсульта: текущий статус и перспективы разработок (обзор) // Современные технологии в медицине. - 2023. - Т. 15, № 6. - С. 63-74. - DOI: 10.17691/stm2023.15.6.07.

75. Свидетельство о государственной регистрации программы для ЭВМ № 2024684873 Российская Федерация. Программный комплекс социально-психологической реабилитации поведенческих стрессовых расстройств в среде виртуальной реальности с обратной связью : № 2024683968 : заявл. 15.10.2024 : опубл. 22.10.2024 / А. В. Колсанов, А. В. Иващенко, Д. С. Жейков [и др.] ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации. - EDN YKURBO.

76. Wilson G. F., Russell C. A. Performance enhancement in an uninhabited air vehicle task using psychophysiologically determined adaptive aiding // Human Factors. - 2007. - Vol. 49, No. 6. - P. 1005-1018. - DOI: 10.1518/001872007X249875.

77. Arico P., Borghini G., Di Flumeri G., Colosimo A., Bonelli S., Golfetti A., Borghini C., Babiloni F. Adaptive Automation Triggered by EEG-Based Mental Workload Index: A Passive Brain-Computer Interface Application in Realistic Air Traffic Control Environment // Frontiers in Human Neuroscience. - 2016. - Vol. 10. - 539. - DOI: 10.3389/fnhum.2016.00539.

78. Hogervorst M. A., Brouwer A.-M., van Erp J. B. F., Heffelaar T., Zimmerman P. H., Oostenveld R. Combining and comparing EEG, peripheral physiology and eye-related measures for the assessment of mental workload // Frontiers in Neuroscience. - 2014. - Vol. 8. - Art. 322. - DOI: 10.3389/fnins.2014.00322.

79. Berka C., Levendowski D. J., Lumicao M. N., Yau A., Davis G., Zivkovic V. T., Olmstead R. E., Tremoulet P. D., Craven P. L. EEG correlates of task engagement and mental workload in vigilance, learning, and memory tasks // Aviation, Space, and Environmental Medicine. - 2007. - T. 78, Suppl. 5. - C. B231-B244. - URL: PubMed (PMID: 17547324).

80. Pagnotta M., Jacobs D. M., de Frutos P. L., Rodriguez R., Ibanez-Gijon J., Travieso D. Task difficulty and physiological measures of mental workload in air traffic control: a scoping review // Ergonomics. - 2022. - T. 65, № 8. - C. 10951118. - DOI: 10.1080/00140139.2021.2016998.

81. Rodrigues S., Dias D., Paiva J. S., Cunha J. P. S. Psychophysiological Stress Assessment Among On-Duty Firefighters // 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). -2018. - P. 4335-4338. - DOI: 10.1109/EMBC.2018.8513250.

82. Perroni F., Guidetti L., Cignitti L., Baldari C. Psychophysiological Responses of Firefighters to Emergencies: A Review // The Open Sports Sciences Journal. - 2014. - Vol. 7 (Suppl-1, M3). - P. 8-15. - DOI: 10.2174/1875399X01407010008.

83. Harris D. J., Arthur T., Kearse J., Olonilua M., Hassan E. K., De Burgh T. C., Wilson M. R., Vine S. J. Exploring the role of virtual reality in military decision training // Frontiers in Virtual Reality. - 2023. - Vol. 4. - Article ID: 1165030. - DOI: 10.3389/frvir.2023.1165030.

84. Binsch O., Bottenheft C., Landman A., Roijendijk L., Vermetten E. H. G. J. M. Testing the applicability of a virtual reality simulation platform for stress training of first responders // Military Psychology. - 2021. - Vol. 33, No. 3. - P. 182196. - DOI: 10.1080/08995605.2021.1897494.

85. Dell'Agnola F., Momeni N., Arza A., Atienza D. Cognitive Workload Monitoring in Virtual Reality Based Rescue Missions with Drones // Virtual, Augmented and Mixed Reality. Design and Interaction (HCII 2020). LNCS 12190. - 2020. - pp. 397-409. - DOI: 10.1007/978-3-030-49695-1_26.

86. Daniel-Watanabe L., Cook B., Leung G., et al. Using a virtual reality game to train biofeedback-based regulation under stress conditions // Psychophysiology. - 2025. - Vol. 62, No. 1. - e14705. - DOI: 10.1111/psyp.14705.

87. Gushin V. I., Ryumin O. O., Karpova O. V., Rozanov I. A., Shved D. M., Yusupova A. V. Prospects for Psychological Support in Interplanetary Expeditions // Frontiers in Physiology. - 2021. - Vol. 12. - Article 750414. - DOI: 10.3389/fphys.2021.750414.

88. Shved D., Supolkina N., Yusupova A. The Communicative Behavior of Russian Cosmonauts: "Content" Space Experiment Result Generalization // Aerospace. - 2024. - 11(2):136. - DOI: 10.3390/aerospace11020136.

89. Kluge M. G., Maltby S., Walker N., Bennett N., Aidman E., Nalivaiko E., Walker F. R. Development of a modular stress management platform (Performance Edge VR) and a pilot efficacy trial of a bio-feedback enhanced training module for controlled breathing // PLOS ONE. - 2021. - 16(2): e0245068. - DOI: 10.1371/journal.pone.0245068.

90. Караяни А. Г., Караваев А. Ф. Психологические и психофизиологические особенности деятельности операторов боевых беспилотных летательных аппаратов // Психопедагогика в правоохранительных органах. - 2021. - Т. 26, № 1(84). - С. 6-15. - DOI: 10.24412/1999-6241 -2021 -1-84-6-15.

91. Yusupova A., Shved D., Gushin V., Chekalina A., Supolkina N. Style Features in Communication of the Crews With Mission Control // Frontiers in Neuroergonomics. 2021. Vol. 2. Article 768386. DOI: 10.3389/fnrgo.2021.768386.

92. Georgiev D.D., Georgieva I., Gong Z., Nanjappan V., Georgiev G.V. Virtual Reality for Neurorehabilitation and Cognitive Enhancement. Brain Sciences. 2021;11(2):221. DOI: 10.3390/brainsci11020221.

93. A. D. Ivanov, "Development of a Medical Decision Support System for the Assessment of Anxiety-Phobic Disorders Using Virtual Reality Technology," 2023 Systems and Technologies of the Digital HealthCare (STDH) / A. U. Tychkov, D. S. Chernyshov, A. K. Alimuradov, P. P. Churakov and Z. M. Yuldashev / Tashkent, Uzbekistan, 2023, pp. 221-223, doi: 10.1109/STDH59314.2023.10490802.

94. Иванов, А.Д. Применение технологии виртуальной реальности в системах поддержки принятия врачебных решений / А. Ю. Тычков, Д. С. Чернышов, А. Д. Иванов [и др.] // Биомедицинская радиоэлектроника. - 2024. - Т. 27, № 2. - С. 69-74. - DOI 10.18127/j15604136-202402-09. - EDN DNWNQK.

95. Иванов, А. Д. Система определения тревожно-фобических расстройств в среде виртуальной реальности / А. Д. Иванов // XXVII Всероссийский аспирантско-магистерский научный семинар, посвященный Дню энергетика и 55-летию КГЭУ: материалы докладов, Казань, 05-06 декабря 2023 года. - Казань: Казанский государственный энергетический университет, 2023. - С. 555-559. - EDN KWZKUG.

96. Stauffert J.-P., Niebling F., Latoschik M.E. Latency and Cybersickness: Impact, Causes, and Measures. A Review. Frontiers in Virtual Reality. 2020;1:582204. DOI: 10.3389/frvir.2020.582204.

97. Giangrande A., Botter A., Piitulainen H., Cerone G. L. Motion Artifacts in Dynamic EEG Recordings: Experimental Observations, Electrical Modelling, and Design Considerations // Sensors. 2024; 24(19):6363. DOI: 10.3390/s24196363.

98. De Miguel-Rubio A., Gallego-Aguayo I., De Miguel-Rubio M.D., Arias-Avila M., Lucena-Anton D., Alba-Rueda A. Effectiveness of the Combined Use of a Brain-Machine Interface System and Virtual Reality as a Therapeutic Approach in Patients with Spinal Cord Injury: A Systematic Review. Healthcare (Basel). 2023;11(24):3189. DOI: 10.3390/healthcare11243189.

99. Keil A., Debener S., Gratton G., Junghofer M., Kappenman E.S., Luck S.J., Luu P., Miller G.A., Yee C.M. Committee report: Publication guidelines and

recommendations for studies using electroencephalography and magnetoencephalography. Psychophysiology. 2014;51(1): 1-21. DOI: 10.1111/psyp.12147.

100. Иванов, А. Д. Система адаптивной виртуальной реальности с использованием нейроинтерфейса / А. Д. Иванов // Вестник Пензенского государственного университета. - 2023. - № 2(42). - С. 121-126. - EDN CCGNDG.

101. Jungnickel E., Gramann K. Mobile Brain/Body Imaging (MoBI) of Physical Interaction with Dynamically Moving Objects // Frontiers in Human Neuroscience. - 2016. - Vol. 10. - Art. 306. - DOI: 10.3389/fnhum.2016.00306.

102. Gwin J. T., Gramann K., Makeig S., Ferris D. P. Removal of Movement Artifact from High-Density EEG Recorded During Walking and Running // Journal of Neurophysiology. - 2010. - Vol. 103, No. 6. - P. 3526-3534. - DOI: 10.1152/jn.00105.2010.

103. Li H., Shin H., Sentis L., Siu K.-C., Millan J. del R., Lu N. Combining VR with electroencephalography as a frontier of brain-computer interfaces // Device. - 2024. - Vol. 2, No. 6. - Art. 100425. - DOI: 10.1016/j.device.2024.100425.

104. Niso G., Romero E., Moreau J. T., Araujo A., Krol L. R. Wireless EEG: A survey of systems and studies. NeuroImage. 2023;269:119774. DOI: 10.1016/j.neuroimage.2022.119774.

105. Lopez-Gordo M. A., Morillo D. S., Valle F. P. Dry EEG electrodes. Sensors. 2014;14(7): 12847-12870. DOI: 10.3390/s140712847.

106. Иванов, А.Д. Система взаимодействия шлема виртуальной реальности и нейроинтерфейса / А. Д. Иванов, А. Ю. Тычков, О. С. Симакова [и др.] // Биомедицинская радиоэлектроника. - 2024. - Т. 27, № 5. - С. 41-45. -DOI 10.18127/j 15604136-202405-06. - EDN ILLWKN.

107. Иванов, А. Д. Разработка совместимого с VR устройствами беспроводного нейроинтерфейса / А. Д. Иванов // Радиоэлектронные устройства и системы для инфокоммуникационных технологий" ("РЭУС -ИТ 2024"): Доклады Всероссийской конференции, посвященной Дню радио,

Москва, 31 мая 2024 года. - Москва: Российское научно-техническое общество радиотехники, электроники и связи им. А.С. Попова, 2024. - С. 155159. - EDN SREAVD.

108. Hofmann S. M., Klotzsche F., Mariola A., Nikulin V., Villringer A., Gaebler M. Decoding subjective emotional arousal from EEG during an immersive virtual reality experience // eLife. - 2021. - Vol. 10. - Art. e64812. - DOI: 10.7554/eLife.64812.

109. Schalk G., McFarland D. J., Hinterberger T., Birbaumer N., Wolpaw J. R. BCI2000: A General-Purpose Brain-Computer Interface (BCI) System // IEEE Transactions on Biomedical Engineering. - 2004. - Vol. 51, No. 6. - P. 1034-1043.

- DOI: 10.1109/TBME.2004.827072.

110. Renard Y., Lotte F., Gibert G., Congedo M., Maby E., Delannoy V., Bertrand O., Lecuyer A. OpenViBE: An Open-Source Software Platform to Design, Test, and Use Brain-Computer Interfaces in Real and Virtual Environments // Presence: Teleoperators and Virtual Environments. - 2010. - Vol. 19, No. 1. - P. 3553. - DOI: 10.1162/pres.19.1.35.

111. Oostenveld R., Fries P., Maris E., Schoffelen J.-M. FieldTrip: Open Source Software for Advanced Analysis of MEG, EEG, and Invasive Electrophysiological Data // Computational Intelligence and Neuroscience. - 2011.

- Vol. 2011. - Art. 156869. - DOI: 10.1155/2011/156869.

112. Tadel F., Baillet S., Mosher J. C., Pantazis D., Leahy R. M. Brainstorm: A User-Friendly Application for MEG/EEG Analysis // Computational Intelligence and Neuroscience. - 2011. - Vol. 2011. - Art. 879716. - DOI: 10.1155/2011/879716.

113. Gramfort A., Luessi M., Larson E., Engemann D. A., Strohmeier D., Brodbeck C., Goj R., Jas M., Brooks T., Parkkonen L., Hamalainen M. S. MEG and EEG Data Analysis with MNE-Python // Frontiers in Neuroscience. - 2013. - Vol. 7. - Art. 267. - DOI: 10.3389/fnins.2013.00267.

114. Zander T. O., Kothe C. Towards passive brain-computer interfaces: applying brain-computer interface technology to human-machine systems in general

// Journal of Neural Engineering. - 2011. - Vol. 8, No. 2. - Art. 025005. - DOI: 10.1088/1741 -2560/8/2/025005.

115. Mühl C., Allison B.Z., Nijholt A., Chanel G. A survey of affective brain computer interfaces: principles, state-of-the-art, and challenges. Brain-Computer Interfaces. 2014;1(2):66-84. DOI: 10.1080/2326263X.2014.912881.

116. Иванов, А. Д. Программное обеспечение для мониторинга электрической активности головного мозга в условиях погружения в виртуальную реальность / А. Д. Иванов, А. Ю. Тычков, Д. С. Чернышов // Вестник Казанского государственного энергетического университета. - 2024.

- Т. 16, № 2(62). - С. 14-21. - EDN WOBYWX.

117. Kothe C. A., Makeig S. BCILAB: a platform for brain-computer interface development // Journal of Neural Engineering. - 2013. - Vol. 10, No. 5. -Art. 056014. - DOI: 10.1088/1741-2560/10/5/056014.

118. Lotte F., Bougrain L., Cichocki A., Clerc M., Congedo M., Rakotomamonjy A., Yger F. A review of classification algorithms for EEG-based brain-computer interfaces: a 10-year update // Journal of Neural Engineering. -2018. - Vol. 15, No. 3. - Art. 031005. - DOI: 10.1088/1741-2552/aab2f2.

119. Ivanov A. D. "Adaptive VR Systems Based on EEG and Machine Learning Algorithms," 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE) / A. Y. Tychkov, R. N. Khizbullin, A. K. Alimuradov, D. S. Chernyshov /, Moscow, Russian Federation, 2025, pp. 1-5, doi: 10.1109/REEPE63962.2025.10970853.

120. Urigüen J. A., Garcia-Zapirain B. EEG artifact removal-state-of-the-art and guidelines // Journal of Neural Engineering. - 2015. - Vol. 12, No. 3. - Art. 031001. - DOI: 10.1088/1741-2560/12/3/031001.

121. Tangermann M., Müller K.-R., Aertsen A., Birbaumer N., Braun C., Brunner C., Leeb R., Mehring C., Miller K. J., Müller-Putz G. R., Nolte G., Pfurtscheller G., Preissl H., Schalk G., Schlögl A., Vidaurre C., Waldert S., Blankertz B. Review of the BCI Competition IV // Frontiers in Neuroscience. - 2012.

- Vol. 6. - Art. 55. - DOI: 10.3389/fnins.2012.00055.

122. Krol L. R., Pawlitzki J., Lotte F., Gramann K., Zander T. O. SEREEGA: Simulating Event-Related EEG Activity // Journal of Neuroscience Methods. - 2018. - Vol. 309. - P. 13-24. - DOI: 10.1016/j.jneumeth.2018.08.001.

123. Федотчев А. И., Парин С. Б., Полевая С. А., Великова С. Д. Технологии «интерфейс мозг-компьютер» и нейробиоуправление: современное состояние, проблемы и возможности клинического применения // Современные технологии в медицине. - 2017. - Т. 9, № 1. - С. 175-184. - DOI: 10.17691/stm2017.9.1.22.

124. Akor P., Enemali G., Muhammad U., Crowley J., Desmulliez M., Larijani H. A Cost-Effective 3D-Printed Conductive Phantom for EEG Sensing System Validation: Development, Performance Evaluation, and Comparison with State-of-the-Art Technologies // Sensors. - 2025. - Vol. 25, No. 16. - Art. 4974. -DOI: 10.3390/s25164974.

125. Hunold A., Machts R., Haueisen J. Head phantoms for bioelectromagnetic applications: a material study // BioMedical Engineering OnLine. - 2020. - Vol. 19. - Art. 87. - DOI: 10.1186/s12938-020-00830-y.

126. Collier T. J., Kynor D. B., Bieszczad J., Audette W. E., Kobylarz E. J., Diamond S. G. Creation of a Human Head Phantom for Testing of Electroencephalography Equipment and Techniques // IEEE Transactions on Biomedical Engineering. - 2012. - Vol. 59, No. 9. - P. 2628-2634. - DOI: 10.1109/TBME.2012.2207434.

127. Daru R. R., Rabby M. M., Ko T., Shinglot Y., Raihan R., Adnan A. Electrically Equivalent Head Tissue Materials for Electroencephalogram Study on Head Surrogates // Applied Sciences. - 2024. - Vol. 14, No. 6. - Art. 2495. - DOI: 10.3390/app14062495.

128. Hartmann K. G., Schirrmeister R. T., Ball T. EEG-GAN: Generative adversarial networks for electroencephalographs (EEG) brain signals // arXiv preprint arXiv:1806.01875. - 2018.

129. Magsood H., Hadimani R. L. Development of anatomically accurate brain phantom for experimental validation of stimulation strengths during TMS //

Materials Science & Engineering C: Materials for Biological Applications. - 2021. - Vol. 120. - Art. 111705. - DOI: 10.1016/j.msec.2020.111705.

130. Гуляев С. А. Электроэнцефалография и исследования функциональной активности головного мозга // Российский журнал детской неврологии. - 2021. - Т. 16, № 4. - С. 59-68. - DOI: 10.17650/2073-8803-202116-4-59-68.

131. Иванов А. А. Устройство современного электроэнцефалографа // Эпилепсия и пароксизмальные состояния. - 2022. - Т. 14, № 4. - С. 362-378. -DOI: 10.17749/2077-8333/epi.par.con.2022.138

132. Пятакович Ф. А., Макконен К. Ф., Якунченко Т. И. Биотехническая система генерации ЭЭГ-подобных сигналов // Бюллетень сибирской медицины. - 2013. - Т. 12, № 2. - С. 104-112. - DOI: 10.20538/16820363-2013-2-104-112.

133. Thompson D. E., Quitadamo L. R., Mainardi L., Laghari K. U. R., Gao S., Kindermans P.-J., Simeral J. D., Fazel-Rezai R., Matteucci M., Falk T. H., Bianchi L., Chestek C. A., Huggins J. E. Performance measurement for brain-computer or brain-machine interfaces: a tutorial // Journal of Neural Engineering. -2014. - Vol. 11, No. 3. - Art. 035001. - DOI: 10.1088/1741-2560/11/3/035001

134. Li J.-B., Tang C., Dai M., Liu G., Shi X.-T., Yang B., et al. A new head phantom with realistic shape and spatially varying skull resistivity distribution // IEEE Transactions on Biomedical Engineering. - 2014. - Vol. 61, No. 2. - P. 254263. - DOI: 10.1109/TBME.2013.2288133.

135. Goncharova I. I., McFarland D. J., Vaughan T. M., Wolpaw J. R. EMG contamination of EEG: spectral and topographical characteristics // Clinical Neurophysiology. - 2003. - Vol. 114, No. 9. - P. 1580-1593. - DOI: 10.1016/S1388-2457(03)00093-2.

136. Nwagu C., Alslaity A., Orji R. EEG-Based Brain-Computer Interactions in Immersive Virtual and Augmented Reality: A Systematic Review // Proceedings of the ACM on Human-Computer Interaction (EICS). - 2023. - Vol. 7, No. EICS. - Art. 174. - DOI: 10.1145/3593226.

137. Zhang J., Yang B., Li H., Fu F., Shi X., Dong X., Dai M. A novel 3D-printed head phantom with anatomically realistic geometry and continuously varying skull resistivity distribution for electrical impedance tomography // Scientific Reports. - 2017. - Vol. 7. - Art. 4608. - DOI: 10.1038/s41598-017-05006-8.

138. Tseghai G. B., Malengier B., Fante K. A., Van Langenhove L. A Long-Lasting Textile-Based Anatomically Realistic Head Phantom for Validation of EEG Electrodes // Sensors. - 2021. - Vol. 21, No. 14. - Art. 4658. - DOI: 10.3390/s21144658.

139. Weech S., Kenny S., Barnett-Cowan M. Presence and cybersickness in virtual reality are negatively related: a review // Frontiers in Psychology. - 2019. -Vol. 10. - Art. 158. - DOI: 10.3389/fpsyg.2019.00158.

140. Ng A. K. T., Chan L. K. Y., Lau H. Y. K. A study of cybersickness and sensory conflict theory using a motion-coupled virtual reality system // Displays. -2020. - Vol. 61. - Art. 101922. - DOI: 10.1016/j.displa.2019.08.004.

141. Cherni H., Souliman N., Metayer N. Using virtual reality treadmill as a locomotion technique in a navigation task: Impact on user experience - case of the KatWalk // International Journal of Virtual Reality. - 2021. - Vol. 21, No. 1. - P. 114. - DOI: 10.20870/IJVR.2021.21.1.3046.

142. Hooks K., Ferguson W., Morillo P., Cruz-Neira C. Evaluating the user experience of omnidirectional VR walking simulators // Entertainment Computing. - 2020. - Vol. 34. - Art. 100352. - DOI: 10.1016/j.entcom.2020.100352.

143. Matsuda Y., Nakamura J., Amemiya T., Ikei Y., Kitazaki M. Enhancing virtual walking sensation using self-avatar and synchronous foot vibrations // Frontiers in Virtual Reality. - 2021. - Vol. 2. - Art. 654088. - DOI: 10.3389/frvir.2021.654088.

144. Nakamura J., Ikei Y., Kitazaki M. Effects of self-avatar cast shadow and foot vibration on telepresence, virtual walking experience, and cybersickness from omnidirectional movie // i-Perception. - 2024. - Vol. 15, No. 1. - Art. 20416695241227857. - DOI: 10.1177/20416695241227857.

145. Chakraborty S., Kane A., Gagnon H., McNamara T. P., Bodenheimer B. Comparative effectiveness of an omnidirectional treadmill versus natural walking for navigating in virtual environments // Proceedings of the ACM Symposium on Applied Perception (SAP '24). - 2024. - Dublin, Ireland, 30-31 Aug. - New York: ACM. - 13 p. - DOI: 10.1145/3675231.3675243.

146. Han S.-H., Jang H. J., Lee J. W., Cheong J. W., Kim Y. D., Nam H. S., Kim D. Y. The effect of virtual reality-based treadmill gait training on functional mobility and balance in chronic stroke patients: a randomized controlled trial // Frontiers in Neurology. - 2025. - Vol. 16. - Art. 1603233. - DOI: 10.3389/fneur.2025.1603233.

147. Воловик М. Г., Борзиков В. В., Кузнецов А. Н., Базаров Д. И., Полякова А. Г. Технологии виртуальной реальности в комплексной медицинской реабилитации пациентов с ограниченными возможностями (обзор) // Современные технологии в медицине. - 2018. - Т. 10, № 4. - С. 173182. - DOI: 10.17691/stm2018.10.4.21.

148. Hooks K., Ferguson W., Morillo P., Cruz-Neira C. Evaluating the user experience of omnidirectional VR walking simulators // Entertainment Computing.

- 2020. - Vol. 34. - Art. 100352. - DOI: 10.1016/j.entcom.2020.100352.

149. van Dijsseldonk R. B., de Jong L. A. F., Groen B. E., Vos-van der Hulst M., Geurts A. C. H., Keijsers N. L. W. Gait stability training in a virtual environment improves gait and dynamic balance capacity in incomplete spinal cord injury patients // Frontiers in Neurology. - 2018. - Vol. 9. - Art. 963. - DOI: 10.3389/fneur.2018.00963.

150. Иванов, А.Д. Интеллектуальная система программного управления многоосевой платформой для виртуальной реальности с имитацией воздействия внешней среды и обратной связью / А. Д. Иванов, А. Ю. Тычков, Д. С. Чернышов [и др.] // Измерение. Мониторинг. Управление. Контроль. - 2023. - № 2(44). - С. 97-103. - DOI 10.21685/2307-5538-2023-2-12.

- EDN NQSMUG.

ПРИЛОЖЕНИЕ А

ЛИСТИНГ ПРОГРАММЫ СИНХРОННОЙ РЕГИСТРАЦИИ ЭЛЕКТРИЧЕСКОЙ АКТИВНОСТИ ГОЛОВНОГО МОЗГА И ВИЗУАЛИЗАЦИИ СЦЕН ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ

import subprocess import sys import socket import os import json import webbrowser

from PyQt5 import QtCore, QtGui, QtWidgets from PyQt5.QtCore import Qt, QTimer from PyQt5.QtGui import QPixmap, QFont

from PyQt5.QtWidgets import QApplication, QMainWindow, QWidget, QVBoxLayout, QPushButton, QDialog, QGridLayout, \

QLineEdit, QLabel, QMessageBox, QTabWidget, QFrame, QHBoxLayout, QComboBox, QTextBrowser, QTextEdit, QListWidget, QListWidgetltem from matplotlib.backends.backend_qt5agg import FigureCanvasQTAgg as FigureCanvas

from matplotlib.animation import FuncAnimation from datetime import datetime from pythonosc import dispatcher, osc_server from threading import Thread import matplotlib.pyplot as plt

auxCount = -1 recording = False

class MyMplCanvas(FigureCanvas):

def _init_(self, width, height, dpi, IpAddress="", PlotUpdate=100,

max_accelerometer_points=400,

max_rhythms_points=50, max_sensor_points=400): self.fig, self.ax = plt.subplots(3, 2, figsize=(width, height), dpi=dpi)

super(MyMplCanvas, self)._init_(self.fig)

self.TextColor = '#D9DADA'

for ax_row in self.ax: for ax in ax_row:

ax.set_facecolor('#808080')

self.fig. set_facecolor('#202020') self.IP = IpAddress self.Port = 5001

self.data = {'X_values': [], 'Y_values': [], 'Z_values': [], 'Delta_abs': [], 'Theta_abs': [], 'Alpha_abs': [], 'Beta_abs': [], 'Gamma_abs': [], 'tp9': [], 'af7': [], 'af8': [], 'tp10': []}

self.max_accelerometer_points = max_accelerometer_points self.max_rhythms_points = max_rhythms_points self.max_sensor_points = max_sensor_points

self.line_width = 0.9 self.recording = False

self.file_path = None self.recording_file = None

self.init_osc_server()

self.ani = FuncAnimation(self.fig, self.update_plot, interval=PlotUpdate, blit=True, save_count=True)

def init_osc_server(self):

self.osc_dispatcher = dispatcher.Dispatcher() self.osc_dispatcher.map("/muse/acc", self.acc_handler) self.osc_dispatcher.map("/muse/elements/delta_absolute", self.Dabs_handler) self.osc_dispatcher.map("/muse/elements/theta_absolute", self.Tabs_handler) self.osc_dispatcher.map("/muse/elements/alpha_absolute", self.Aabs_handler)

self.osc_dispatcher.map("/muse/elements/beta_absolute", self.Babs_handler) self.osc_dispatcher.map("/muse/elements/gamma_absolute", self.Gabs_handler)

self.osc_dispatcher.map("/muse/eeg", self.eeg_handler) self.osc_dispatcher.map("/Marker/* ", self.marker_handler)

self.osc_server = osc_server.ThreadingOSCUDPServer((self.IP, self.Port), self.osc_dispatcher)

print("Listening on UDP port 5001")

self.osc_server_thread = Thread(target=self.osc_server.serve_forever) self.osc_server_thread.start()

def acc_handler(self, address: str, *args): if len(args) >= 3: X, Y, Z = args[:3] self.data['X_values'].append(-X) self.data['Y_values'].append(-Y) self.data['Z_values'].append(-Z) self.trim_data('X_values') self.trim_data('Y_values') self.trim_data('Z_values')

def start_recording(self, user_dir): timestamp = datetime.now().strftime("%Y%m%d%H%M%S") self.file_path = os.path.join(user_dir, fOSC-Python-Recording-{timestamp}.csv')

self.recording_file = open(self.file_path, 'w') self.writeFileHeader()

def stop_recording(self): if self.recording_file: self.recording_file.close() self.recording_file = None

def writeFileHeader(self): global auxCount

fileString = 'TimeStamp,RAW_TP9,RAW_AF7,RAW_AF8,RAW_TP10,' for x in range(auxCount):

fileString += 'AUX' + str(x + 1) + ',' fileString += 'Marker\n' self.recording_file.write(fileString)

def eeg_handler(self, address: str, *args): global recording global auxCount if auxCount == -1: auxCount = len(args) - 4 if self.recording_file is None:

self.start_recording(self.user_dir) self.writeFileHeader()

if recording and self.recording_file is not None: timestampStr = datetime.now().strftime("%Y-%m-%d %H:%M:%S.%f') fileString = timestampStr for arg in args:

fileString += "," + str(arg) fileString += "\n"

self.recording_file.write(fileString)

if len(args) >= 4:

self.data['tp9'] .append(args [0]) self.data['af7'].append(args [1]) self.data['af8'].append(args [2]) self.data['tp 10'].append(args [3 ]) self.trim_data('tp9') self.trim_data('af7') self.trim_data('af8') self.trim_data('tp 10')

def Dabs_handler(self, address: str, *args): if args:

self.data['Delta_abs']. append(args [0]) self.trim_data('Delta_abs')

def Tabs_handler(self, address: str, *args): if args:

self.data['Theta_abs'].append(args[0]) self.trim_data('Theta_abs')

def Aabs_handler(self, address: str, *args): if args:

self.data['Alpha_abs'].append(args[0]) self.trim_data('Alpha_abs')

def Babs_handler(self, address: str, *args): if args:

self.data['Beta_abs'].append(args[0]) self.trim_data('Beta_abs')

def Gabs_handler(self, address: str, *args): if args:

self.data['Gamma_abs'].append(args [0]) self.trim_data('Gamma_abs')

def marker_handler(self, address: str, i): global recording global auxCount

timestampStr = datetime.now().strftime("%Y-%m-%d %H:%M:%S.%f') markerNum = address[-1] if markerNum == "1":

self.start_recording(user_dir=self.user_dir) recording = True print("Recording Started.") elif markerNum == "2":

if self.recording_file:

self.stop_recording() recording = False print("Recording Stopped.")

def trim_data(self, key): if key == 'X_values' or key == 'Y_values' or key == 'Z_values':

max_points = self.max_accelerometer_points elif key in ('Delta_abs', 'Theta_abs', 'Alpha_abs', 'Beta_abs', 'Gamma_abs'):

max_points = self.max_rhythms_points else:

max_points = self.max_sensor_points

if len(self.data[key]) > max_points: self.data[key].pop(0)

def update_plot(self, frame): self.ax[0, 0].clear()

self.ax[0, 0].plot(self.data['X_values'], label='X', linewidth=self.line_width)

self.ax[0, 0].plot(self. data['Y_values'], label='Y', linewidth=self.line_width)

self.ax[0, 0].plot(self.data['Z_values'], label='Z', linewidth=self.line_width)

self.ax[0, 0].set_ylim(-2, 2) self.ax[0, 0].legend(loc='upper left') self.ax[0, 0].set_xticks([])

self.ax[0, 0].set_title('Акселерометр', color='white') self.ax[0, 0]. spines['bottom']. set_color('black') self.ax[0, 0]. spines['top'].set_color('black') self.ax[0, 0]. spines['left'].set_color('black') self.ax[0, 0]. spines['right'].set_color('black') self.ax[0, 0].xaxis.label.set_color(self.TextColor) self.ax[0, 0].yaxis.label.set_color(self.TextColor)

color='red', color='green', color='blue',

for tick in self.ax[0, 0J.get_xticklabels():

tick.set_color(self.TextColor) for tick in self.ax[0, 0J.get_yticklabels():

tick.set_color(self.TextColor) self.ax[0, 0J.title.set_color(self.TextColor)

self.ax[0, 1J.clear()

self.ax[0, 1 J.plot(self.data['Delta_abs'J, label-Delta', color='red', linewidth=self.line_width)

self.ax[0, 1J.plot(self.data['Theta_abs'J, label='Theta', color='blue', linewidth=self.line_width)

self.ax[0, 1J.plot(self.data['Alpha_abs'J, label='Alpha', color='green', linewidth=self.line_width)

self.ax[0, 1J.plot(self.data['Beta_abs'J, label='Beta', color='orange', linewidth=self.line_width)

self.ax[0, 1J.plot(self.data['Gamma_abs'J, label='Gamma', color='purple', linewidth=self.line_width)

self.ax[0, 1J.legend(loc='upper left') self.ax[0, 1J.set_xticks([J) self.ax[0, 1 J.set_title('PrnMbi ЭЭГ', color='white') self.ax[0, 1J. spines['bottom'J. set_color('black') self.ax[0, 1J. spines['top'J.set_color('black') self.ax[0, 1J. spines['left'J.set_color('black') self.ax[0, 1J. spines['right'J.set_color('black') self.ax[0, 1J.xaxis.label.set_color(self.TextColor) self.ax[0, 1J.yaxis.label.set_color(self.TextColor) for tick in self.ax[0, 1J.get_xticklabels():

tick.set_color(self.TextColor) for tick in self.ax[0, 1J.get_yticklabels():

tick.set_color(self.TextColor) self.ax[0, 1J.title.set_color(self.TextColor)

self.ax[1, 0J.clear()

self.ax[1, 0J.plot(self.data['tp9'J, label='TP9', color='purple', linewidth=self.line_width)

self.ax[1, 0].set_ylim(-50, 1700) self.ax[1, 0].legend(loc='upper left') self.ax[1, 0].set_xticks([]) self.ax[1, 0].set_title('TP9, мкВ', color='white') self.ax[1, 0]. spines['bottom']. set_color('black') self.ax[1, 0]. spines['top'].set_color('black') self.ax[1, 0]. spines['left'].set_color('black') self.ax[1, 0]. spines['right'].set_color('black') self.ax[1, 0].xaxis.label.set_color(self.TextColor) self.ax[1, 0].yaxis.label.set_color(self.TextColor) for tick in self.ax[1, 0].get_xticklabels():

tick.set_color(self.TextColor) for tick in self.ax[1, 0].get_yticklabels():

tick.set_color(self.TextColor) self.ax[1, 0].title.set_color(self.TextColor)

self.ax[1, 1].clear()

self.ax[1, 1].plot(self.data['af7'], label='AF7', color='blue', linewidth=self.line_width)

self.ax[1, 1].set_ylim(-50, 1700) self.ax[1, 1].legend(loc='upper left') self.ax[1, 1].set_xticks([]) self.ax[1, 1].set_title('AF7, мкВ', color='white') self.ax[1, 1]. spines['bottom']. set_color('black') self.ax[1, 1]. spines['top'].set_color('black') self.ax[1, 1]. spines['left'].set_color('black') self.ax[1, 1]. spines['right'].set_color('black') self.ax[1, 1].xaxis.label.set_color(self.TextColor) self.ax[1, 1].yaxis.label.set_color(self.TextColor) for tick in self.ax[1, 1].get_xticklabels():

tick.set_color(self.TextColor) for tick in self.ax[1, 1].get_yticklabels():

tick.set_color(self.TextColor) self.ax[1, 1].title.set_color(self.TextColor)

self.ax[2, 0J.clear()

self.ax[2, 0J.plot(self.data['af8'J, label='AF8', color='green', linewidth=self.line_width)

self.ax[2, 0J.set_ylim(-50, 1700) self.ax[2, 0J.legend(loc='upper left') self.ax[2, 0J.set_xticks([J) self.ax[2, 0J.set_title('AF8, мкВ', color='white') self.ax[2, 0J. spines['bottom'J. set_color('black') self.ax[2, 0J. spines['top'J.set_color('black') self.ax[2, 0J. spines['left'J.set_color('black') self.ax[2, 0J. spines['right'J.set_color('black') self.ax[2, 0J.xaxis.label.set_color(self.TextColor) self.ax[2, 0J.yaxis.label.set_color(self.TextColor) for tick in self.ax[2, 0J.get_xticklabels():

tick.set_color(self.TextColor) for tick in self.ax[2, 0J.get_yticklabels():

tick.set_color(self.TextColor) self.ax[2, 0J.title.set_color(self.TextColor)

self.ax[2, 1J.clear()

self.ax[2, 1J.plot(self.data['tp10'J, label='TP10', color='orange', linewidth=self.line_width)

self.ax[2, 1J.set_ylim(-50, 1700) self.ax[2, 1J.legend(loc='upper left') self.ax[2, 1J.set_xticks([J) self.ax[2, 1J.set_title('TP10, мкВ', color='white') self.ax[2, 1J. spines['bottom'J. set_color('black') self.ax[2, 1J. spines['top'J.set_color('black') self.ax[2, 1J. spines['left'J.set_color('black') self.ax[2, 1J. spines['right'J.set_color('black') self.ax[2, 1J.xaxis.label.set_color(self.TextColor) self.ax[2, 1J.yaxis.label.set_color(self.TextColor) for tick in self.ax[2, 1J.get_xticklabels():

tick.set_color(self.TextColor) for tick in self.ax[2, 1J.get_yticklabels():

tick.set_color(self.TextColor) self.ax[2, 1].title.set_color(self.TextColor)

self.draw()

return [ax for sublist in self.ax for ax in sublist]

def stop(self): if self.osc_server_thread.is_alive(): self.osc_server.shutdown() self.osc_server_thread.join()

class GraphWindow(QMainWindow):

def _init_(self, parent=None, IpAddress="", PlotUpdate=100,

max_accelerometer_points=200, max_rhythms_points=200,

max_sensor_points=200, user_dir=""):

super(GraphWindow, self)._init_(parent)

self.setWindowTitle("Graphs Window") self.setGeometry(100, 100, 1720, 880)

self.setStyleSheet("background-color: #202020;")

central_widget = QWidget(self) central_layout = QVBoxLayout()

top_frame = QFrame()

top_frame.setStyleSheet("background-color: #303030;") top_frame.setFixedHeight( 100) top_layout = QVBoxLayout()

image_label = QLabel(self) pixmap = QPixmap("PSU_logo.png")

scaled_pixmap = pixmap.scaled(240, 240, Qt.KeepAspectRatio, Qt.SmoothTransformation)

image_label. setPixmap(scaled_pixmap)

image_label.setAlignment(Qt.AlignLeft | Qt.AlignVCenter) top_layout.addWidget(image_label)

top_frame.setLayout(top_layout)

central_layout.addWidget(top_frame)

self.canvas = MyMplCanvas(width=5, height=4, dpi=100, IpAddress=IpAddress, PlotUpdate=PlotUpdate,

max_accelerometer_points=max_accelerometer_points, max_rhythms_points=max_rhythms_points, max_sensor_points=max_sensor_points) self.canvas.user_dir = user_dir central_layout.addWidget(self.canvas)

self.start_recording_button = QPushButton("Начать запись", self) self.stop_recording_button = QPushButton("Остановить запись", self)

self.start_recording_button.setStyleSheet("QPushButton {background-color: #303030; color: white;}")

self.stop_recording_button.setStyleSheet("QPushButton {background-color: #303030; color: white;}")

self.start_recording_button.clicked.connect(self.start_recording) self.stop_recording_button.clicked.connect(self.stop_recording)

buttons_layout = QHBoxLayout() buttons_layout.addWidget(self.start_recording_button) buttons_layout.addWidget(self.stop_recording_button) central_layout.addLayout(buttons_layout)

central_widget.setLayout(central_layout) self.setCentralWidget(central_widget)

self.start_recording_button.clicked.connect(lambda: self.canvas.marker_handler("/Marker/r, 1))

self.stop_recording_button.clicked.connect(lambda: self.canvas.marker_handler("/Marker/2", 2))

def start_recording(self): print(мНачало записи...")

def stop_recording(self):

print(" Остановка записи...")

def closeEvent(self, event): self.canvas.stop()

super(GraphWindow, self).closeEvent(event)

class Ui_MainWindow(object):

def_init_(self):

self.original_username = None

def setupUsersTab(self, tab):

self.list Widget = QtWidgets.QListWidget(tab) self.listWidget.setGeometry(QtCore.QRect(10, 12, 281, 661)) self.listWidget.setObjectName("listWidget")

self.pushButton_2 = QtWidgets.QPushButton(tab) self.pushButton_2.setGeometry(QtCore.QRect( 10, 680, 281, 32)) self.pushButton_2. setObj ectName("pushButton_2")

self.pushButton_3 = QtWidgets.QPushButton(tab) self.pushButton_3.setGeometry(QtCore.QRect(10, 710, 281, 32)) self.pushButton_3.setObjectName("pushButton_3")

def get_local_ip(self): try:

with socket.socket(socket.AF_INET, socket.SOCK_DGRAM) as s: s.connect(('10.255.255.255', 1)) local_ip = s.getsockname()[0] return local_ip except Exception as e:

return f'He удалось определить IP-адрес: {e}"

def show_graphs(self):

current_item = self.listWidget.currentItem() if not current_item:

QMessageBox.warning(self.centralwidget, 'Ошибка', 'Пожалуйста, выберите пользователя для отображения графиков.') return

user_dir_name = current_item.text() user_dir_path = os.path.join('users', user_dir_name)

IpAddress = self.ipTextbox.text() PlotUpdate = int(self.plotupdateTextBox.text()) max_accelerometer_points = int(self.AccTextbox.text()) max_rhythms_points = int(self.RhythmsTextbox.text()) max_sensor_points = int(self.RawTextbox.text())

self.graph_window = GraphWindow(IpAddress=IpAddress,

PlotUpdate=PlotUpdate,

max_accelerometer_points=max_accelerometer_points, max_rhythms_points=max_rhythms_points, max_sensor_points=max_sensor_points, user_dir=user_dir_path) self.graph_window. show()

def new_user(self):

self.open_user_dialog(mode="new")

def save_user(self, dialog, inputs, noteInput, testLuscherlnput): user_data = {

"first_name": inputs[0].text().strip(), "last_name": inputs[1 ].text(). strip(), "patronymic": inputs[2].text().strip(), "age": inputs[3].text().strip(), "gender": inputs[4].currentText().strip(), "notes": noteInput.toPlainText().strip(), "testLuscher": testLuscherInput.toPlainText().strip()

}

if not all([user_data["first_name"], user_data["last_name"], user_data["patronymic"], user_data["age"], user_data["gender"]]): QMessageBox.warning(dialog, 'Ошибка', 'Не все обязательные поля заполнены!') return

new_user_dir_name =

f^'(user_data['first_name']}_(user_data['last_name']}_{user_data['patronymic']}" new_user_dir_path = os.path.join('users', new_user_dir_name) new_user_file_path = os.path.join(new_user_dir_path,

f"'{new_user_dir_name}.j son")

if self.original_username and self.original_username != new_user_dir_name: old_user_dir_path = os.path.join('users', self.original_username) old_user_file_path = os.path.join(old_user_dir_path,

f"'{self.original_username}.json")

if os.path.exists(old_user_file_path):

os.remove(old_user_file_path) if os.path.exists(old_user_dir_path) and not

os.path.exists(new_user_dir_path):

os.rename(old_user_dir_path, new_user_dir_path) elif not os.path.exists(new_user_dir_path): os.makedirs(new_user_dir_path)

with open(new_user_file_path, 'w', encoding='utf-8') as file:

json.dump(user_data, file, ensure_ascii=False, indent=4)

dialog.accept() self.update_user_list() self.original_username = None

def update_user_list(self): self.listWidget.clear() users_dir = 'users' if not os.path.exists(users_dir):

os.makedirs(users_dir) for user_dir in os.listdir(users_dir):

if os.path.isdir(os.path.join(users_dir, user_dir)): self.listWidget. addItem(user_dir)

def display_user_data(self, item): user_dir_name = item.text()

user_file_path = os.path.join('users', user_dir_name, f'{user_dir_name}.json") if os.path.exists(user_file_path):

with open(user_file_path, 'r', encoding='utf-8') as file: user_data = json.load(file)

self.label_3.setText(f"'{user_data['first_name']} {user_data['last_name']} {user_data['patronymic']}")

self.label_4.setText(user_data['age'])

self.label_9.setText(user_data['gender'])

self.textBrowser.setText(user_data['notes'])

self.textBrowser_3.setText(user_data['testLuscher'])

self.update_eeg_records(user_dir_name)

else:

QMessageBox.warning(self.centralwidget, 'Ошибка', 'Файл пользователя не найден.')

def update_eeg_records(self, user_dir_name): user_dir_path = os.path.join('users', user_dir_name) if os.path.exists(user_dir_path):

eeg_records = [f for f in os.listdir(user_dir_path) if f.endswith('.csv')]

self.textBrowser_2.clear()

for record in eeg_records:

item = QListWidgetltem(record)

item.setData(Qt.UserRole, os.path.join(user_dir_path, record)) self.textBrowser_2 .addltem(item)

def open_eeg_record(self, item): file_path = item.data(Qt.UserRole) if file_path:

folder_path = os.path.dirname(file_path) if sys.platform == 'win32': os.startfile(folder_path) elif sys.platform == 'darwin':

subprocess.Popen( ['open', folder_path]) else:

subprocess.Popen( ['xdg-open', folder_path])

def edit_user(self):

current_item = self.listWidget.currentItem() if not current_item:

QMessageBox.warning(self.centralwidget, 'Ошибка', 'Пожалуйста, выберите пользователя для редактирования.') return

original_username = '_'.join(current_item.text().split(' ')) user_dir_path = os.path.join('users', original_username) user_file_path = os.path.join(user_dir_path, f'{original_username}.json")

if os.path.exists(user_file_path):

with open(user_file_path, 'r', encoding='utf-8') as file: user_data = json.load(file) self.original_username = original_username self.open_user_dialog(mode="edit", user_data=user_data)

QMessageBox.warning(self.centralwidget, 'Ошибка', fФайл

{user_file_path} не найден.')

def open_user_dialog(self, mode="new", user_data=None): dialog = QtWidgets.QDialog()

dialog.setWindowTitle('Новый пользователь' if mode == "new" else 'Редактировать данные')

layout = QGridLayout(dialog)

labels = ['Имя', 'Фамилия', 'Отчество', 'Возраст', 'Пол']

inputs = [QLineEdit(dialog) for _ in labels[:-1]] + [QComboBox(dialog)]

inputs[-1].addItems(["Мужской", "Женский"])

for i, label in enumerate(labels): layout.addWidget(QLabel(label, dialog), i, 0) layout.addWidget(inputs[i], i, 1)

noteInput = QTextEdit(dialog)

layout.addWidget(QLabel('Примечания', dialog), len(labels), 0) layout.addWidget(noteInput, len(labels), 1)

testLuscherInput = QTextEdit(dialog)

layout.addWidget(QLabel('Результаты теста Люшера', dialog), len(labels) +

1, 0)

layout.addWidget(testLuscherInput, len(labels) + 1, 1) if user_data:

for input_field, value in zip(inputs, user_data.values()): if isinstance(input_field, QLineEdit):

input_field. setText(value) elif isinstance(input_field, QComboBox): input_field.setCurrentText(value) noteInput.setText(user_data['notes']) testLuscherInput.setText(user_data['testLuscher'])

if mode == "edit":

for input_field in inputs[:3]: input_field. setReadOnly(True)

input_field.setStyleSheet("background-color: lightgray;")

save_button = QPushButton('Сохранить', dialog) layout.addWidget(save_button, len(labels) + 2, 0, 1, 2) save_button.clicked.connect(lambda: self.save_user(dialog, inputs, notelnput, testLuscherInput))

dialog.setLayout(layout) dialog.exec_()

def setupUi(self, MainWindow): MainWindow.setObj ectName("MainWindow") MainWindow.resize(990, 830)

sizePolicy = QtWidgets.QSizePolicy(QtWidgets.QSizePolicy.Fixed, QtWidgets.QSizePolicy.Fixed)

sizePolicy.setHorizontalStretch(0) sizePolicy.setVerticalStretch(0)

sizePolicy.setHeightForWidth(MainWindow.sizePolicy().hasHeightForWidth()) MainWindow.setSizePolicy(sizePolicy) MainWindow.setMinimumSize(QtCore.QSize(990, 830)) MainWindow.setMaximumSize(QtCore.QSize(990, 830)) self.centralwidget = QtWidgets.QWidget(MainWindow) self.centralwidget.setObjectName("centralwidget") self.tabWidget = QtWidgets.QTabWidget(self.centralwidget) self.tabWidget.setGeometry(QtCore.QRect(10, 10, 311, 781)) self.tabWidget.setObjectName("tabWidget") self.tab = QtWidgets. QWidget() self.tab.setObjectName("tab") self.pushButton_2 = QtWidgets.QPushButton(self.tab) self.pushButton_2.setGeometry(QtCore.QRect( 10, 680, 281, 32)) self.pushButton_2. setObj ectName("pushButton_2")

self.listWidget = QtWidgets.QListWidget(self.tab)