Оценка эффективности работы интерфейса мозг–компьютер, основанного на регистрации электрической и метаболической активности мозга тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Исаев Михаил Романович

• Исаев Михаил Романович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Исаев Михаил Романович

ВВЕДЕНИЕ

1 ОБЗОР ЛИТЕРАТУРЫ

1.1 Выполнение и воображение движений

1.2 Проявления деятельности нейронов и их сетей

1.3 Интерфейс мозг-компьютер

1.3.1 Определение и общие сведения

1.3.2 Регистрация данных об активности мозга

1.3.3 Предобработка данных

1.3.4 Классификация

1.3.5 Формирование команды

1.3.6 ИМК в реабилитации

1.4 Электроэнцефалография в интерфейсах мозг-компьютер

1.5 Спектроскопия в ближней инфракрасной области

1.5.1 Основные сведения о работе БИКС

1.5.2 Моделирование распространения излучения в тканях головы

1.5.3 Обработка и классификация сигнала БИКС

2 МЕТОДЫ ИССЛЕДОВАНИЯ

2.1 Моделирование распространения излучения в тканях головы

2.1.1 Модель головы

2.1.2 Монте-Карло моделирование

2.2 Экспериментальный стенд

2.2.1 Экспериментальная установка

2.2.2 Процедура эксперимента

2.3 Экспериментальные данные

2.3.1 Первая серия экспериментов

2.3.2 Вторая серия экспериментов

2.3.3 Третья серия экспериментов

2.3.4 Четвёртая серия экспериментов

2.4 Обработка экспериментальных данных

2.4.1 Обработка ЭЭГ данн ых

2.4.2 Обработка БИКС данн ых

2.4.3 Сопоставление областей головного мозга и каналов БИКС

2.4.4 Классификация

2.4.5 Оценка точности классификации

2.4.6 Отбор каналов БИКС, значимых для распознавания

2.4.7 Локализация фокусов гемодинамической активности

2.4.8 Дообучение

2.4.9 Гибрид ЭЭГ и БИКС классификаторов

2.4.10 Расчёт различий отклика у пациентов с инсультом

3 РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

3.1 Моделирование распространения излучения в тканях головы

3.2 Классификация БИКС

3.2.1 Сравнение КДА и ЛДА

3.2.2 Фильтрация сигнала БИКС

3.2.3 Отбор значимых для классификации каналов

3.2.4 Влияние эффектов дообучения на точность классификации

3.3 Локализация гемодинамической активности по БИКС

3.3.1 Соответствие каналов БИКС полям Бродмана

3.3.2 Локализация фокусов гемодинамической активности

3.3.3 Отклик на выполнение инструкции

3.4 ЭЭГ и БИКС

3.4.1 Сравнение ЭЭГ и БИКС

3.4.2 Гибрид ЭЭГ и БИКС классификаторов

3.5 Классификация трёх состояний в реальном времени у здоровых испытуемых

3.6 Применение БИКС-ИМК в реабилитации пациентов, перенесших инсульт: показатели точности управления и особенности метаболической активности

4 ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ

4.1 Моделирование распространения излучения в тканях головы

4.2 Классификация БИКС

4.3 Локализация гемодинамической активности по БИКС

4.4 ЭЭГ и БИКС

4.5 Классификация трёх состояний в реальном времени

4.6 Классификация трёх состояний в реальном времени у постинсультных пациентов

5 ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Оценка эффективности работы интерфейса мозг–компьютер, основанного на регистрации электрической и метаболической активности мозга»

Актуальность темы исследования

Интерфейс мозг-компьютер (ИМК) — это система, позволяющая человеку или животному взаимодействовать с окружающей средой с помощью сигналов мозга, минуя, мышечную активность. Регистрируемая активность мозга используется при формировании команды для внешнего устройства, а реализация команды и работа устройства являются обратной связью для оператора ИМК. Такая система взаимодействия находит своё применение во многих сферах деятельности и активно развивается последние несколько десятков лет. Интерфейс мозг-компьютер активно применяется в сфере развлечений, нейропротезировании, а также для помощи людям с ограниченными возможностями при коммуникации, передвижении и управлении различными устройствами.

Отдельного внимания заслуживает сфера применения ИМК для реабилитации постинсультных и посттравматических больных, проблема которых стоит остро не только в России, но и во всём мире (ежегодно в РФ регистрируется около 450000 случаев инсульта). В частности, активно развивается область неврологии, посвященная реабилитации с помощью ИМК на основе представлений движений. Установлено, что тренировка пациентов на ИМК, сопряжённом с экзоскелетом кисти, улучшает восстановление двигательных функций. Этот эффект достигается благодаря совокупности нескольких факторов: пластичности мозга, многократному повторению представления движений, а также выполнению движений с помощью экзоскелета по обратной связи.

Управление интерфейсом, упомянутым выше, может осуществляться следующим образом. Определённый набор ментальных заданий связывается с действиями внешнего устройства. Оператору ИМК предлагается выполнять одну из задач, в то время как система распознаёт активность мозга и по ней определяет

выполняемую задачу. В зависимости от результатов распознавания на внешнее устройство подаётся определённая команда. В работах по реабилитации основными ментальными заданиями являются кинестетические представления движений, чаще всего рук. С помощью электроэнцефалограммы (ЭЭГ) регистрируется электрическая активность мозга, специфическая для различных ментальных состояний. Такого рода интерфейсы успешно прошли клинические исследования и применяются в реабилитации.

Относительно новым способом регистрации активности мозга является спектроскопия в ближнем инфракрасном диапазоне (БИКС). Этот метод основан на изменениях оптических свойств крови в определённых областях мозга при выполнении ментальных задач, и имеет ряд преимуществ и недостатков по сравнению с ЭЭГ. Недостатками являются низкая частота дискретизации и скорость гемодинамического ответа, а также небольшая глубина проникновения излучения. Главными преимуществами являются устойчивость к движениям оператора ИМК, устойчивость к электрическим помехам и незначительное время на подготовку, так как не требуется использование электропроводящего геля. Таким образом, представляется возможным создать процедуру реабилитации с помощью ИМК на основе БИКС.

Подводя итог вышесказанному, можно утверждать, что актуальность темы исследования обеспечивается совокупностью таких факторов, как проблема постинсультной и посттравматической реабилитации в России, отсутствие предложенных интерфейсов мозг-компьютер на основе спектроскопии в ближнем инфракрасном диапазоне с классификацией данных в реальном времени, в том числе адаптированных для реабилитационной процедуры.

Степень разработанности темы

В связи с актуальностью тематики в России и за рубежом вопросами нейроинтерфейсов на основе ЭЭГ и БИКС занимается большое число исследовательских групп. Из зарубежных специалистов и руководителей научных

коллективов можно выделить J.R. Wolpaw, B. Blankertz, K.-R. Müller, G. MüllerPutz, N. Birbaumer, A. Cichocki, F. Lotte, A. Ramos Murguialday, C. Guan, K.K. Ang. В России темой ИМК занимаются коллективы во главе которых стоят А.Я. Каплан, А.Е. Осадчий, С.Л. Шишкин, А.Е. Храмов, В.Ф. Пятин, Л.А. Станкевич и др.

Цель исследования заключалась в разработке интерфейса мозг-компьютер, основанного на совместной регистрации электрической и гемодинамической активности мозга при представлении и совершении движений руками и ногами, и оценке эффективности его работы.

Для достижения цели были поставлены следующие задачи:

1. Исследовать современные подходы к построению ИМК на основе регистрации электрической и гемодинамической активности мозга и провести анализ методов обработки и классификации сигналов ЭЭГ и БИКС.

2. Создать физическую модель и провести моделирование распространения излучения ближнего инфракрасного диапазона в тканях головы человека.

3. Модернизировать методы и разработать алгоритмы обработки и классификации сигналов БИКС в интерфейсе мозг-компьютер в режиме реального времени.

4. Провести эксперименты с ИМК на здоровых испытуемых и оценить эффективность его работы.

5. Реализовать предложенные методы программно, и внедрить полученный ИМК в реабилитационную процедуру.

6. Исследовать паттерны гемодинамической активности при управлении ИМК у здоровых испытуемых и пациентов с инсультом.

Научная новизна исследования заключается в следующем:

1. Впервые предложен алгоритм обработки и классификации данных БИКС,

включающий фильтрацию сигнала с учётом периодичности инструкций, выбор признаков и метод ступенчатого принятия решений классификатором интерфейса мозг-компьютер, что позволило удалить из сигнала высокоамплитудную шумовую составляющую и увеличить точность распознавания выполняемых мысленных задач.

2. Был предложен алгоритм трансформации записей БИКС, полученных у одного человека, для формирования обучающей выборки в интерфейсе мозг-компьютер на основе БИКС. С применением данного алгоритма была впервые показана возможность трансферного обучения классификатора ИМК на основе БИКС. Предложенный алгоритм совместим с процедурой реабилитации и позволяет предъявлять обратную связь, начиная с первого блока инструкций без предварительной калибровки системы.

3. Впервые продемонстрирован ИМК на основе спектроскопии в ближнем инфракрасном диапазоне с классификацией в реальном времени, а также проведены эксперименты на здоровых испытуемых и пациентах, перенёсших инсульт, что позволило оценить эффективность его работы.

Практическая значимость работы заключается в том, что предложенный в работе интерфейс мозг-компьютер на основе БИКС может применяться в клинике для реабилитации постинсультных и посттравматических больных наравне с уже существующими на основе ЭЭГ. Локализация фокусов гемодинамической активности может дать дополнительную информацию об областях мозга, задействованных в восстановлении. Продемонстрированный способ выделения и классификации признаков БИКС позволяет достигать точности не хуже, чем в ИМК на основе ЭЭГ, при распознавании ментальных состояний в режиме реального времени. Предложенная экспериментальная методика может применяться не только для распознавания совершения или представления движений, но и для других ментальных задач.

Методология и методы исследования

При работе над диссертацией и выполнении поставленных задач использовались методы системного анализа, обработки информации, анализа данных, теории вероятностей, математической статистики и искусственного интеллекта.

Предметом исследования являются алгоритмы и методы искусственного интеллекта и обработки информации. Исследуются методы фильтрации, отбора значимых признаков, классификации сигналов ЭЭГ и БИКС и дообучения, т.е. переноса результатов обучения между экспериментальными сессиями.

Объектом исследования является интерфейс мозг-компьютер, основанный на регистрации электрической и гемодинамической активности мозга.

Положения, выносимые на защиту:

1. Применение модифицированного метода фильтрации, учитывающего частоту предъявления активных инструкций, для удаления шумовых низкочастотных составляющих сигнала БИКС, позволяет достоверно увеличить точность распознавания выполнения или кинестетического представления движений на фоне состояния покоя.

2. Поиск каналов БИКС, значимых для распознавания совершений и представлений движений ног, позволяет определить, что фокусы изменений гемодинамики расположены над моторными областями мозга, отличаются друг от друга и от фокусов, значимых для распознавания совершений и представлений движений рук.

3. Применение алгоритма дообучения классификатора на предыдущих сессиях того же испытуемого способствует увеличению точности распознавания методами машинного обучения совершений и представлений движений как рук, так и ног при управлении ИМК на основе БИКС, причем эта точность растёт при увеличении числа экспериментов в последовательности сессий.

4. У пациентов с очаговым корково-подкорковым поражением в одном полушарии в пораженном полушарии разница гемодинамических ответов на представление контрлатеральной (пораженной) и ипсилатеральной (сохранной) руки достоверно превышает разницу ответов в сохранном полушарии на представление контралатеральной (сохранной) и ипсилатеральной (пораженной) руки, что может являться маркером поражения мозга.

Личный вклад автора

Все исследования, результаты которых представлены в работе, проведены автором лично. Автором модифицированы методы, разработаны алгоритмы и написан код соответствующих программ. Все эксперименты с участием здоровых испытуемых проведены автором лично, либо при его непосредственном участии.

Высокая степень достоверности результатов определяется экспериментальным подтверждением, апробацией результатов на всероссийских и международных конференциях, публикациями в рецензируемых научных журналах, а также согласованностью экспериментальных данных, результатов моделирования и современных физиологических представлений.

Апробация результатов работы

Основные положения работы обсуждены на девяти научных конференция: "Нейронауки и благополучие общества: технологические, экономические, биомедицинские и гуманитарные аспекты" (Москва, 2015), III International Conference «Engineering & Telecommunication En&T 2016» (Moscow/Dolgoprudny, 2016), двенадцатом, тринадцатом, четырнадцатом, шестнадцатом и восемнадцатом международных междисциплинарных конгрессах "Нейронаука для медицины и психологии" (Судак, 2016, 2017, 2018, 2020, 2022), XXIV и XXVI научной школе-конференции молодых ученых по физиологии высшей нервной деятельности и нейрофизиологии (Москва, 2020, 2022).

Публикации

По теме диссертации опубликовано 19 печатных работ: 7 статей в научных рецензируемых журналах, индексируемых в Scopus или Web of Science, и 12 тезисов.

Структура и объём диссертации

Диссертация состоит из введения, четырёх глав, заключения, списка сокращений и списка литературы. Общий объём диссертации составляет 154 страниц машинописного текста. Диссертация содержит 36 рисунков и 1 таблицу. Список литературы включает 183 источника.

Благодарности

Автор диссертации выражает благодарность следующим людям, принимавшим участие в проведении исследования:

Боброву Павлу Дмитриевичу

Фролову Александру Алексеевичу

Боброву Дмитрию Александровичу

Люкманову Роману Харисовичу

Оганесян Виктору Викторовичу

Коршакову Алексею Вячеславовичу

Иконниковой Екатерине Сергеевне

Черкасовой Анастасии Николаевне

1 ОБЗОР ЛИТЕРАТУРЫ

1.1 Выполнение и воображение движений

Интерфейс мозг-компьютер (ИМК) позволяет управлять внешними устройствами и вообще взаимодействовать с внешним миром непосредственно сигналами, порождаемыми головным мозгом, минуя сегментарную спинальную часть центральной нервной системы и двигательную периферию — скелетно-мышечную систему.

В норме управление произвольными и целесообразными движениями, которые позволяют нам взаимодействовать с окружающим миром, осуществляется благодаря формированию моторных команд в корковой части двигательной системы. Главная задача нервной системы заключается в выполнении соответствующих действий, при этом двигательная кора играет ключевую роль в планировании и осуществлении движений. С анатомической точки зрения, двигательная кора, состоящая из первичной моторной коры, премоторной коры и дополнительной моторной области, иннервирует группу мотонейронов в спинном мозге, которые активируют скелетные мышцы. Нейроны двигательной коры организованы в соответствии с мускулатурой, что отражается в соматотопической карте. Исследования, проведённые в 60-70-х годах на нечеловекообразных обезьянах, продемонстрировали, что нейронная активность в двигательной коре кодирует простейшие односуставные движения и изометрическое мышечное усилие. Более поздние исследования движений всей руки показали, что активность в двигательной коре кодирует множество двигательных параметров, таких как направление [60], скорость [76], траектория [29] и положение [67]. Хотя модель, которая напрямую связывает нейронную активность с параметрами движения, является простой и способствовала развитию интерфейсов "мозг-компьютер", она всё ещё не может объяснить сложные, неоднородные и изменяющиеся во времени паттерны активации,

наблюдаемые у многих нейронов двигательной коры. В работах [28] и [144] было предложено рассматривать двигательная кору как динамическую систему, которая самостоятельно развивается в процессе работы, генерируя нисходящие двигательные команды.

Двигательная кора была идентифицирована как область, электрическая стимуляция которой вызывает движения. Известно, что первичная моторная кора и премоторная кора отправляют сигналы в спинной мозг через кортикоспинальный тракт [121]. Влияние этого тракта на мышцы осуществляется через спинномозговые интернейронные цепи. В филогенетическом ряду от приматов к человеку всё больше аксонов кортикоспинального тракта напрямую иннервируют мотонейроны в спинном мозге, формируя кортикомотонейронную проекцию. Эти анатомические данные подтверждают роль двигательной коры в управлении мышцами. Кроме того, двигательная кора напрямую получает информацию от зрительной и соматосенсорной коры, что позволяет учитывать внешние и внутренние условия для двигательного контроля. Таким образом, двигательная кора интегрирует сенсорные данные, двигательные намерения и состояние тела, формируя команды, которые передаются в спинной мозг и другие подкорковые структуры.

Помимо моторной коры, важную роль в управлении движениями играют базальные ганглии, таламус и мозжечок. Эти структуры участвуют в инициации, завершении и двигательном обучении, а также в сенсомоторной интеграции [38]. Их сигналы передаются через вентролатеральный таламус, а моторные области, в свою очередь, проецируются в базальные ганглии и мозжечок [140].

Существуют два подхода к пониманию работы двигательной коры. Первый, который условно можно назвать репрезентативным, предполагает, что активность нейронов, организованных в соответствии с соматотопической картой, определяет параметры движения мышц, такие как сила, скорость и направление. Второй подход, динамический, рассматривает двигательную кору как динамическую систему, функционирующую на уровне нейронных популяций. Исследования

показывают, что двигательная кора использует две системы: одну для точных движений и другую для комплексных действий, которые координируют группы мышц и планируют движения [63].

В целом, репрезентативный подход уступает место новой парадигме, которая рассматривает когнитивные функции как результат взаимодействия различных областей мозга в рамках крупномасштабных сетей [21]. Эти сети состоят из возбуждающих и тормозных нейронных популяций и связей между ними. Таким образом, когнитивные процессы рассматриваются как динамические явления, зависящие от структуры связей и текущих физиологических условий.

Кроме выполнения реальных движений, двигательная система нервной системы также участвует в процессе воображения движений. Воображение движения представляет собой осознанное мысленное моделирование действий, схожее с тем, как мы фактически выполняем движения. Например, перед тем как совершить сложное действие, такое как бросок мяча в кольцо, человек может мысленно представить и "отрепетировать" это движение. Такое воображение имеет те же ограничения по характеристикам, что и реальное движение. Исследования показали, что скорость, с которой люди могут представлять последовательные движения пальцами, ограничена скоростью их реального выполнения [149]. Кроме того, воображение движений также подвержено влиянию неврологических нарушений: повреждение моторной коры приводит к замедлению как реальных, так и воображаемых движений [148].

Интересно, что тренировка, основанная на воображении движений, может улучшить реальную двигательную функцию, в некоторых случаях достигая результатов, сопоставимых с обычной физической тренировкой [31]. Эта тесная связь между воображением и реальным движением указывает на схожие центральные механизмы, лежащие в основе этих процессов. Таким образом, информация и опыт, полученные в одной модальности (например, при воображении), могут влиять на другую (реальное выполнение движений).

Первичная моторная кора проявляет активность как при выполнении движений, так и при их мысленном представлении [71]. Более того, многие области мозга, связанные с двигательной функцией, также активируются во время воображения движений. К ним относятся премоторная и дополнительная моторная кора [30], передняя поясная кора и теменные области [152]. Исследования на обезьянах [81] и людях [128] демонстрируют, что активность моторной коры при выполнении и воображении движений имеет как общие, так и различные компоненты. Одним из наиболее изученных примеров такого разделения активности является подготовка к движению. Хотя подготовка отличается от воображения (подготовка предшествует реальному движению, а воображение представляет собой мысленное выполнение), оба процесса выполняют схожие задачи: они вовлекают двигательную систему в обработку информации, связанной с движением, но без активации нисходящих путей, которые вызывали бы реальное движение. На данный момент существует как минимум 5 моделей того, что из себя представляет воображение движения с точки зрения нейронауки [74]. Согласно одной модели, воображение движения и выполнение движения используют одни и те же нейронные процессы вплоть до точки активации мышц и результирующего движения, которое подавляется тормозным механизмом в какой-то момент между планированием и явным действием. Другими словами, эта модель утверждает, что выполнение движения и воображение этого движения функционально эквивалентны, при этом воображение является скрытым действием (внутренние этапы выполнения движения) без явного действия (т.е. физического движения). Вторая модель предполагает, что двигательная система запускает процесс эмуляции, который использует закодированный план движения в качестве ввода и предсказывает его сенсорные последствия. Согласно этой модели, цель эмуляции — обеспечить быструю обратную связь во время движения, позволяющую вносить коррективы силы или направления, не полагаясь на сенсорный ввод с более высокой временной задержкой. Таким образом, воображение движения — это эмуляция, когда выполнение самого движения заторможено. Согласно третьей модели,

воображение и совершение движений используют одни и те же механизмы для планирования, однако различные при выполнении. В частности, при отсутствии внешнего сенсорного входа от реального движения, воображение движения использует другие проводящие пути для создания и наблюдения, сгенерированного внутри мультисенсорного изображения. Четвёртая модель предполагает, что двигательные образы являются сознательным опытом высокоуровневого планирования движений. Утверждается, что планы простых движений и их сенсорные результаты тесно связаны и хранятся вместе так, что выбор двигательного плана активирует связанные с ним ощущения. Пятая модель утверждает, что образы движения являются неотъемлемой частью процесса выбора цели до планирования движения. Эти образы включают в себя представление желаемых последствий действия для активации соответствующего плана движения посредством ассоциации, а действия вызываются активацией их ментальных представлений.

Исследования в этой области продолжаются, но, в отличие от изучения реальных движений, результаты, связанные с воображением, сложнее обобщить. Это связано с тем, что испытуемые представляют движения разных частей тела, используют визуальные и кинестетические способы воображения, а также представляют как одиночные движения, так и их последовательности. Таким образом, вопрос о сравнении выполнения и представления движений остается открытым для дальнейшего изучения. Параллельно возникает задача разработки методов регистрации и количественной оценки активности нейронов и их сетей как во время воображения, так и во время выполнения движений.

1.2 Проявления деятельности нейронов и их сетей

Функционирующие нейронные сети головного мозга порождают сигналы, которые могут быть зарегистрированы (обнаружены) неинвазивными методами и использованы для организации интерфейса мозг-компьютер. Эти же сигналы являются важнейшим источником информации для изучения механизмов

функционирования мозга. В частности, этими сигналами являются электрические и магнитные поля, непосредственно отражающие работу нейронов головного мозга.

Когда сенсорный стимул первоначально активирует небольшую часть коры, в дополнение к первичному источнику в окружающей среде устанавливаются пассивные объёмные токи. Прохождение нервного импульса по нервным клеткам сопряжено с деполяризацией и реполяризацией мембраны нейрона и локальными изменениями концентраций ионов вовне и внутри клетки. Эти изменения приводят к появлению градиента концентрации ионов, что в свою очередь генерирует объёмные токи. Эти токи внутри и снаружи клетки направлены в противоположные стороны и образуют замкнутый круг, поэтому не происходит накопления электрического заряда. Электромагнитное поле, вызванное этими токами, хорошо описывается в приближении токового диполя, точечного источника представляющего небольшой элемент тока. Это приближение хорошо работает, когда результирующие электромагнитные поля измеряются далеко по сравнению с размерами области активной нервной ткани. Измерение этих магнитных полей производится с помощью магнитоэнцефалографии (МЭГ), электрических — с помощью электроэнцефалографии (ЭЭГ). Таким образом, измеренный электрический потенциал и магнитное поле производятся как первичными, так и объемными токами. В обоих методах измеренные сигналы генерируются одной и той же синхронной нейронной активностью в мозге. Важным аспектом, необходимым для анализа электрических и/или магнитных данных, является разработка математических и визуализационных методов, которые используют собранные данные для характеристики сложных пространственно-временных паттернов активации.

В исследованиях с использованием ЭЭГ (электроэнцефалографии) и МЭГ (магнитоэнцефалографии) основное внимание уделяется верхнему слою мозга — коре головного мозга. Это слой серого вещества толщиной 2-4 мм, где сосредоточена большая часть нейронной активности, которая может быть

измерена. Возбуждения одного нейрона недостаточно для регистрации электрического или магнитного поля с помощью МЭГ или ЭЭГ. Однако, если область размером несколько квадратных миллиметров активируется почти одновременно, возникающее электромагнитное поле становится возможно зарегистрировать. На одном квадратном миллиметре коры находится около 100 000 нейронов, половина из которых — пирамидальные клетки. Именно эти клетки являются основным источником измеряемых электрических и магнитных полей.

Размер источников тока, связанных с активацией мозга, варьируется в зависимости от типа активности. Например, сенсорные стимулы обычно активируют области от нескольких квадратных миллиметров до нескольких квадратных сантиметров, тогда как спонтанная или эпилептическая активность может охватывать области до десятков квадратных сантиметров. Пирамидальные нейроны ориентированы перпендикулярно поверхности коры. Активация возбуждающих синапсов в дендритах приводит к возникновению постсинаптических потенциалов. Синхронная активация примерно 10 миллионов синапсов может создавать магнитные поля порядка 10 фемтотесла (фТл) за пределами черепа. Это магнитное поле формируется как за счет первичных постсинаптических токов, так и за счет объемных токов во внеклеточном пространстве. Сигналы МЭГ отражают токи в апикальных дендритах пирамидальных клеток, которые ориентированы тангенциально к поверхности черепа. Таким образом, МЭГ нечувствительна к радиально ориентированным токам. В отличие от этого, ЭЭГ способна регистрировать как тангенциальную, так и радиальную активность источников тока.

Регистрация ЭЭГ заключается в измерении разности потенциалов между парами электродов, размещенных на поверхности кожи головы. Эти разности потенциалов возникают из-за объёмных токов, которые распространяются от источников активности в нервной ткани через проводящую среду головы. Электроды могут быть закреплены непосредственно на коже над интересующими областями коры или размещены на гибкой шапочке, которая надевается на

Список литературы диссертационного исследования кандидат наук Исаев Михаил Романович, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Abibullaev B., An J. Classification of frontal cortex haemodynamic responses during cognitive tasks using wavelet transforms and machine learning algorithms // Medical Engineering & Physics. 2012. № 10 (34). P. 1394-1410.

2. Abibullaev B., An J., Moon J.-I. Neural Network Classification of Brain Hemodynamic Responses from Four Mental Tasks // International Journal of Optomechatronics. 2011. № 4 (5). P. 340-359.

3. Adhika D. R., Hazrati M. K., Hofmann U. G. An experimental setup for brain activity measurement based on near infrared spectroscopy // Biomedical Engineering / Biomedizinische Technik. 2012. № SI-1 Track-E (57). P. 609-612.

4. Ang K. K., Guan C. Brain-computer interface in stroke rehabilitation // Journal of Computing Science and Engineering. 2013. № 2 (7). P. 139-146.

5. Aqil M. [и др.]. Cortical brain imaging by adaptive filtering of NIRS signals // Neuroscience Letters. 2012. № 1 (514). P. 35-41.

6. Ayaz H. [и др.]. Assessment of Cognitive Neural Correlates for a Functional Near Infrared-Based Brain Computer Interface System Springer, Berlin, Heidelberg, 2009.C. 699-708.

7. Ayaz H. [и др.]. Optical brain monitoring for operator training and mental workload assessment // Neurolmage. 2012. № 1 (59). P. 36-47.

8. Bai Z. [и др.]. Immediate and long-term effects of BCI-based rehabilitation of the upper extremity after stroke: A systematic review and meta-analysis // Journal of NeuroEngineering and Rehabilitation. 2020. № 1 (17). P. 1-20.

9. Bakker A., Smith B. Near-Infrared Spectroscopy, Applied Aspects of Ultrasonography in Humans, Prof. Philip Ainslie (Ed.), ISBN: 978-953-51-0522-0 // InTech, DOI. 2012. (10). P. 32493.

10. Baron J.-C. [h gp.]. Neuroimaging in stroke recovery: a position paper from the First International Workshop on Neuroimaging and Stroke Recovery. // Cerebrovascular diseases (Basel, Switzerland). 2004. № 3 (18). P. 260-7.

11. Bauernfeind G. [h gp.]. Development, set-up and first results for a one-channel near-infrared spectroscopy system / Entwicklung, Aufbau und vorläufige Ergebnisse eines Einkanal- Nahinfrarot-Spektroskopie-Systems // Biomedizinische Technik/Biomedical Engineering. 2008. № 1 (53). P. 36-43.

12. Bauernfeind G. [h gp.]. Single-trial classification of antagonistic oxyhemoglobin responses during mental arithmetic // Medical & Biological Engineering & Computing. 2011. № 9 (49). P. 979-984.

13. Belin P., Grosbras M. H. Before Speech: Cerebral Voice Processing in Infants // Neuron. 2010. № 6 (65). P. 733-735.

14. Belinskaia A. [h gp.]. Short-Delay Neurofeedback Facilitates Training of the Parietal Alpha Rhythm a Preprint 2020.

15. Benjamini Y., Yekutieli D. The control of the false discovery rate in multiple testing under dependency // Annals of statistics. 2001. P. 1165-1188.

16. Berger H. Über das elektroenkephalogramm des menschen // Archiv für psychiatrie und nervenkrankheiten. 1929. № 1 (87). P. 527-570.

17. Boas D. A., Dale A. M., Franceschini M. A. Diffuse optical imaging of brain activation: Approaches to optimizing image sensitivity, resolution, and accuracy // NeuroImage. 2004. № SUPPL. 1 (23).

18. Bobrov P. [h gp.]. Brain-computer interface based on generation of visual images // PLoS ONE. 2011. № 6 (6).

19. Bobrov P. D. [h gp.]. [Bayesian classifier for brain-computer interface based on mental representation of movements]. // Zhurnal vysshei nervnoi deiatelnosti imeni I P Pavlova. 2012. № 1 (62). P. 89-99.

20. Bozkurt A. [h gp.]. A portable near infrared spectroscopy system for bedside monitoring of newborn brain // BioMedical Engineering OnLine. 2005. № 1 (4). P. 29.

21. Bressler S. L., Menon V. Large-scale brain networks in cognition: emerging methods and principles // Trends in Cognitive Sciences. 2010. № 6 (14). P. 277-290.

22. Buxton R. B., Wong E. C., Frank L. R. Dynamics of blood flow and oxygenation changes during brain activation: The balloon model // Magnetic Resonance in Medicine. 1998. № 6 (39). P. 855-864.

23. Carvalho R., Dias N., Cerqueira J. J. Brain-machine interface of upper limb recovery in stroke patients rehabilitation: A systematic review // Physiotherapy Research International. 2019. № 2 (24). P. e1764.

24. Cervera M. A. [h gp.]. Brain-computer interfaces for post-stroke motor rehabilitation: a meta-analysis // Annals of Clinical and Translational Neurology. 2018. № 5 (5). P. 651-663.

25. Chan J., Power S., Chau T. Investigating the Need for Modelling Temporal Dependencies in a Brain-Computer Interface with Real-Time Feedback Based on near Infrared Spectra // Journal of Near Infrared Spectroscopy. 2012. № 1 (20). P. 107-116.

26. Chiarelli A. M. [h gp.]. Deep learning for hybrid EEG-fNIRS brain-computer interface: application to motor imagery classification // Journal of Neural Engineering. 2018. № 3 (15). P. 036028.

27. Chuang C. C. [h gp.]. Patient-oriented simulation based on Monte Carlo algorithm by using MRI data // BioMedical Engineering Online. 2012. № April (11).

28. Churchland M. M. [h gp.]. Cortical Preparatory Activity: Representation of Movement or First Cog in a Dynamical Machine? // Neuron. 2010. № 3 (68). P. 387400.

29. Churchland M. M., Santhanam G., Shenoy K. V. Preparatory Activity in Premotor and Motor Cortex Reflects the Speed of the Upcoming Reach // Journal of Neurophysiology. 2006. № 6 (96). P. 3130-3146.

30. Cisek P., Kalaska J. F. Neural correlates of mental rehearsal in dorsal premotor cortex // Nature. 2004. № 7011 (431). P. 993-996.

31. Clark L. V. Effect of Mental Practice on the Development of a Certain Motor Skill // Research Quarterly. American Association for Health, Physical Education and Recreation. 1960. № 4 (31). P. 560-569.

32. Congedo M., Barachant A., Bhatia R. Riemannian geometry for EEG-based brain-computer interfaces; a primer and a review // Brain-Computer Interfaces. 2017. № 3 (4). P. 155-174.

33. Contini D. [h gp.]. Novel method for depth-resolved brain functional imaging by timedomain NIRS // Optics InfoBase Conference Papers. 2007. (6629). P. 1-7.

34. Cooper R. J. [h gp.]. A Systematic Comparison of Motion Artifact Correction Techniques for Functional Near-Infrared Spectroscopy // Frontiers in Neuroscience. 2012. № OCT (6). P. 147.

35. Cope M. [h gp.]. Methods of Quantitating Cerebral Near Infrared Spectroscopy Data Springer, New York, NY, 1988.C. 183-189.

36. Coyle S. [h gp.]. On the suitability of near-infrared (NIR) systems for next-generation brain-computer interfaces // Physiological Measurement. 2004. № 4 (25). P. 815-822.

37. Coyle S. M., Ward T. E., Markham C. M. Brain-computer interface using a simplified functional near-infrared spectroscopy system. // Journal of neural engineering. 2007. № 3 (4). P. 219-226.

38. Dacre J. [h gp.]. A cerebellar-thalamocortical pathway drives behavioral context-dependent movement initiation // Neuron. 2021. № 14 (109). P. 2326-2338.e8.

39. Dale A. M., Sereno M. I. Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: A linear approach // Journal of Cognitive Neuroscience. 1993. № 2 (5). P. 162-176.

40. Dodd K. C., Nair V. A., Prabhakaran V. Role of the contralesional vs. Ipsilesional hemisphere in stroke recovery // Frontiers in Human Neuroscience. 2017. T. 11. C. 279403.

41. Douven L. F. A., Lucassen G. W. Retrieval of optical properties of skin from measurement and modeling the diffuse reflectance nog peg. D. D. Duncan, J. O. Hollinger, S. L. Jacques, 2000.C. 312.

42. Ekusheva E. V., Damulin I. V. [Rehabilitation after stroke: the role of neuroplasticity and sensorimotor integration]. // Zhurnal nevrologii i psikhiatrii imeni S.S. Korsakova. 2013. № 12 Pt 2 (113). P. 35-41.

43. Falk T. H. [h gp.]. Taking NIRS-BCIs Outside the Lab: Towards Achieving Robustness Against Environment Noise // IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2011. № 2 (19). P. 136-146.

44. Faress A., Chau T. Towards a multimodal brain-computer interface: Combining fNIRS and fTCD measurements to enable higher classification accuracy // NeuroImage. 2013. (77). P. 186-194.

45. Fazli S. [h gp.]. Using NIRS as a predictor for EEG-based BCI performance // Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS. 2012. P. 4911-4914.

46. Fazli S. [h gp.]. Enhanced performance by a hybrid NIRS-EEG brain computer interface // NeuroImage. 2012. № 1 (59). P. 519-529.

47. Fekete T. [h gp.]. The nirs analysis package: Noise reduction and statistical inference // PLoS ONE. 2011. № 9 (6).

48. Firat Ince N., Arica S., Tewfik A. Classification of single trial motor imagery EEG recordings with subject adapted non-dyadic arbitrary time-frequency tilings // Journal of Neural Engineering. 2006. № 3 (3). P. 235-244.

49. Firbank M. [h gp.]. Measurement of the optical properties of the skull in the wavelength range 650-950 nm // Physics in Medicine and Biology. 1993. № 4 (38). P.

503-510.

50. Fishell A. K. [h gp.]. Portable, field-based neuroimaging using high-density diffuse optical tomography // Neurolmage. 2020. (215). P. 116541.

51. Formaggio E. [h gp.]. Brain oscillatory activity during motor imagery in EEG-fMRI coregistration // Magnetic Resonance Imaging. 2010. № 10 (28). P. 14031412.

52. Franceschini M. A. [h gp.]. Diffuse optical imaging of the whole head // Journal of Biomedical Optics. 2006. № 5 (11). P. 054007.

53. Frolov A. [h gp.]. Sources of Electrical Brain Activity Most Relevant to Performance of Brain-Computer Interface Based on Motor Imagery InTech, 2013.C. 175.

54. Frolov A. A. [h gp.]. Principles of neurorehabilitation based on the brain-computer interface and biologically adequate control of the exoskeleton // Human Physiology. 2013. № 2 (39). P. 196-208.

55. Frolov A. A. [h gp.]. Localization of brain electrical activity sources and hemodynamic activity foci during motor imagery // Human Physiology. 2014. № 3 (40). P. 273-283.

56. Frolov A. A. [h gp.]. Electrophysiological brain activity during the control of a motor imagery-based brain-computer interface // Human Physiology. 2017. № 5 (43). P. 501-511.

57. Frolov A. A. [h gp.]. 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. № JUL (11). P. 400.

58. Fukui Y., Ajichi Y., Okada E. Monte Carlo prediction of near-infrared light propagation in realistic adult and neonatal head models // Applied Optics. 2003. № 16 (42). P. 2881.

59. Ge S. [h gp.]. A Brain-Computer Interface Based on a Few-Channel EEG-fNIRS Bimodal System // IEEE Access. 2017. (5). P. 208-218.

60. Georgopoulos A. [h gp.]. On the relations between the direction of two-dimensional arm movements and cell discharge in primate motor cortex // The Journal of Neuroscience. 1982. № 11 (2). P. 1527-1537.

61. Gervain J. [h gp.]. Near-infrared spectroscopy: A report from the McDonnell infant methodology consortium // Developmental Cognitive Neuroscience. 2011. № 1 (1). P. 22-46.

62. Good C. D. [h gp.]. A Voxel-Based Morphometric Study of Ageing in 465 Normal Adult Human Brains // NeuroImage. 2001. № 1 (14). P. 21-36.

63. Gordon E. M. [h gp.]. A somato-cognitive action network alternates with effector regions in motor cortex // Nature. 2023. № 7960 (617). P. 351-359.

64. Grech R. [h gp.]. Review on solving the inverse problem in EEG source analysis // Journal of NeuroEngineering and Rehabilitation. 2008. (5). P. 1-33.

65. Grossmann T. [h gp.]. The Developmental Origins of Voice Processing in the Human Brain // Neuron. 2010. № 6 (65). P. 852-858.

66. Guillot A. [h gp.]. Brain activity during visual versus kinesthetic imagery: An fMRI study // Human Brain Mapping. 2009. № 7 (30). P. 2157-2172.

67. Hatsopoulos N. G., Xu Q., Amit Y. Encoding of Movement Fragments in the Motor Cortex // The Journal of Neuroscience. 2007. № 19 (27). P. 5105-5114.

68. Hiraoka M. [h gp.]. A Monte Carlo investigation of optical pathlength in inhomogeneous tissue and its application to near-infrared spectroscopy // Physics in Medicine and Biology. 1993. № 12 (38). P. 1859-1876.

69. Holper L., Wolf M. Single-trial classification of motor imagery differing in task complexity: a functional near-infrared spectroscopy study // Journal of NeuroEngineering and Rehabilitation. 2011. № 1 (8). P. 34.

70. Hong K.-S., Naseer N., Kim Y.-H. Classification of prefrontal and motor cortex signals for three-class fNIRS-BCI // Neuroscience Letters. 2015. (587). P. 8792.

71. Hotz-Boendermaker S. [h gp.]. Preservation of motor programs in paraplegics as demonstrated by attempted and imagined foot movements // Neurolmage. 2008. № 1 (39). P. 383-394.

72. Hu X.-S., Hong K.-S., Ge S. S. fNIRS-based online deception decoding // Journal of Neural Engineering. 2012. № 2 (9). P. 026012.

73. Huppert T. J. [h gp.]. HomER: a review of time-series analysis methods for near-infrared spectroscopy of the brain // Applied Optics. 2009. № 10 (48). P. D280.

74. Hurst A. J., Boe S. G. Imagining the way forward: A review of contemporary motor imagery theory // Frontiers in Human Neuroscience. 2022. (16).

75. Hwang H.-J. [h gp.]. Evaluation of various mental task combinations for near-infrared spectroscopy-based brain-computer interfaces // Journal of Biomedical Optics. 2014. № 7 (19). P. 077005.

76. Inoue Y. [h gp.]. Decoding arm speed during reaching // Nature Communications. 2018. № 1 (9). P. 5243.

77. Ivanova G. E. [h gp.]. Use of 'BCI-exoskeleton'simulators with multichannel biological feedback in complex rehabilitation programs in poststroke patients // Zh. Vyssh. Nerv. Deyat. IP Pavlova. 2017. № 4 (67). P. 464-472.

78. Izzetoglu M. [h gp.]. Motion Artifact Cancellation in NIR Spectroscopy Using Wiener Filtering // IEEE Transactions on Biomedical Engineering. 2005. № 5 (52). P. 934-938.

79. Jacques S. L. Origins of tissue optical properties in the UVA, visible, and NIR regions // OSA TOPS on advances in optical imaging and photon migration. 1996. (2). P. 364-369.

80. Jacques S. L. Corrigendum: Optical properties of biological tissues: a review // Physics in Medicine and Biology. 2013. № 14 (58). P. 5007-5008.

81. Jiang X. [h gp.]. Structure in Neural Activity during Observed and Executed Movements Is Shared at the Neural Population Level, Not in Single Neurons // Cell Reports. 2020. № 6 (32). P. 108006.

82. Jobsis F. F. Noninvasive, Infrared Monitoring of Cerebral and Myocardial Oxygen Sufficiency and Circulatory Parameters // Science. 1977. № 4323 (198). P. 1264-1267.

83. Kaiser V. [h gp.]. Cortical effects of user training in a motor imagery based brain-computer interface measured by fNIRS and EEG // NeuroImage. 2014. (85). P. 432-444.

84. Kamran M. A., Hong K.-S. Linear parameter-varying model and adaptive filtering technique for detecting neuronal activities: an fNIRS study // Journal of Neural Engineering. 2013. № 5 (10). P. 056002.

85. Kamran M. A., Hong K.-S. Reduction of physiological effects in fNIRS waveforms for efficient brain-state decoding // Neuroscience Letters. 2014. (580). P. 130-136.

86. Khan M. J., Hong M. J., Hong K.-S. Decoding of four movement directions using hybrid NIRS-EEG brain-computer interface // Frontiers in Human Neuroscience. 2014. № 1 APR (8). P. 244.

87. Kirilina E. [h gp.]. The physiological origin of task-evoked systemic artefacts in functional near infrared spectroscopy // NeuroImage. 2012. № 1 (61). P. 70-81.

88. Kirlilna E. [h gp.]. Identifying and quantifying main components of physiological noise in functional near infrared spectroscopy on the prefrontal cortex // Frontiers in Human Neuroscience. 2013. № DEC (7). P. 864.

89. Kohno S. [h gp.]. Removal of the skin blood flow artifact in functional near-infrared spectroscopic imaging data through independent component analysis // Journal

of Biomedical Optics. 2007. № 6 (12). P. 062111.

90. Lee H. [h gp.]. Nonnegative tensor factorization for continuous EEG classification // International Journal of Neural Systems. 2007. № 4 (17). P. 305-317.

91. Lee M. C. [h gp.]. Partial-volume model for determining white matter and gray matter cerebral blood volume for analysis of gliomas // Journal of Magnetic Resonance Imaging. 2006. № 3 (23). P. 257-266.

92. Lee M. H., Fazli S., Lee S. W. Optimal channel selection based on statistical analysis in high dimensional NIRS data // 2013 International Winter Workshop on Brain-Computer Interface, BCI 2013. 2013. № 1. P. 95-97.

93. Leonardo M. [h gp.]. A functional magnetic resonance imaging study of cortical regions associated with motor task execution and motor ideation in humans // Human Brain Mapping. 1995. № 2 (3). P. 83-92.

94. Lin B. S. [h gp.]. Development of a Wearable Motor-Imagery-Based Brain-Computer Interface // Journal of Medical Systems. 2016. № 3 (40). P. 1-8.

95. Liu Y. [h gp.]. Towards a Hybrid P300-Based BCI Using Simultaneous fNIR and EEG Springer, Berlin, Heidelberg, 2013.C. 335-344.

96. Luu S., Chau T. Decoding subjective preference from single-trial near-infrared spectroscopy signals // Journal of Neural Engineering. 2009. № 1 (6).

97. Mansour S. [h gp.]. Efficacy of Brain-Computer Interface and the Impact of Its Design Characteristics on Poststroke Upper-limb Rehabilitation: A Systematic Review and Meta-analysis of Randomized Controlled Trials // Clinical EEG and Neuroscience. 2022. T. 53. № 1. C. 79-90.

98. Matsushita K., Homma S., Okada E. Influence of adipose tissue on muscle oxygenation measurement with an NIRS instrument nog peg. D. A. Benaron, B. Chance, M. Ferrari, SPIE, 1998.C. 159-165.

99. Mihara M. [h gp.]. Neurofeedback Using Real-Time Near-Infrared

Spectroscopy Enhances Motor Imagery Related Cortical Activation // PLoS ONE. 2012. № 3 (7). P. e32234.

100. Mihara M. [h gp.]. Near-infrared spectroscopy-mediated neurofeedback enhances efficacy of motor imagery-based training in poststroke victims: A pilot study // Stroke. 2013. № 4 (44). P. 1091-1098.

101. Millan J. D. R. [h gp.]. Combining brain-computer interfaces and assistive technologies: State-of-the-art and challenges // Frontiers in Neuroscience. 2010. № SEP (4). P. 1-15.

102. Millett D. Hans Berger: From Psychic Energy to the EEG // Perspectives in Biology and Medicine. 2001. № 4 (44). P. 522-542.

103. Misawa T. [h gp.]. A brain-computer interface for motor assist by the prefrontal cortex // Electronics and Communications in Japan. 2012. № 10 (95). P. 1-8.

104. Moerman A., Wouters P. Near-infrared spectroscopy (NIRS) monitoring in contemporary anesthesia and critical care // Acta Anaesthesiologica Belgica. 2010. № 4 (61). P. 185-194.

105. Moghimi S. [h gp.]. Automatic detection of a prefrontal cortical response to emotionally rated music using multi-channel near-infrared spectroscopy // Journal of Neural Engineering. 2012. № 2 (9). P. 026022.

106. Mokienko O. A. [h gp.]. Brain-computer interface: The first experience of clinical use in Russia // Human Physiology. 2016. № 1 (42). P. 24-31.

107. Mokienko O. A. [h gp.]. Brain-Computer Interfaces for Upper Limb Motor Recovery after Stroke: Current Status and Development Prospects (Review) // Sovremennye Tehnologii v Medicine. 2023. T. 15. № 6. C. 63-73.

108. Nagaoka T. [h gp.]. Development of a new rehabilitation system based on a brain-computer interface using near-infrared spectroscopy // Advances in Experimental Medicine and Biology. 2010. (662). P. 497-503.

109. NAITO M. [h gp.]. A Communication Means for Totally Locked-in ALS Patients Based on Changes in Cerebral Blood Volume Measured with Near-Infrared Light // IEICE Transactions on Information and Systems. 2007. № 7 (E90 -D). P. 10281037.

110. Naseer N., Hong K.-S. Classification of functional near-infrared spectroscopy signals corresponding to the right- and left-wrist motor imagery for development of a brain-computer interface // Neuroscience Letters. 2013. (553). P. 8489.

111. Naseer N., Hong K. S. fNIRS-based brain-computer interfaces: A review // Frontiers in Human Neuroscience. 2015. № JAN (9). P. 1-15.

112. Naseer N., Hong M. J., Hong K.-S. Online binary decision decoding using functional near-infrared spectroscopy for the development of brain-computer interface // Experimental Brain Research. 2014. № 2 (232). P. 555-564.

113. Ngai A. C. [h gp.]. Frequency-dependent changes in cerebral blood flow and evoked potentials during somatosensory stimulation in the rat // Brain Research. 1999. № 1-2 (837). P. 221-228.

114. Nicolas-Alonso L. F., Gomez-Gil J. Brain computer interfaces, a review // Sensors. 2012. № 2 (12). P. 1211-1279.

115. Noachtar S., Rémi J. The role of EEG in epilepsy: A critical review // Epilepsy & Behavior. 2009. № 1 (15). P. 22-33.

116. Obrig H. [h gp.]. Spontaneous Low Frequency Oscillations of Cerebral Hemodynamics and Metabolism in Human Adults // Neurolmage. 2000. № 6 (12). P. 623-639.

117. Okada E., Delpy D. T. Near-infrared light propagation in an adult head model I Modeling of low-level scattering in the cerebrospinal fluid layer // Applied Optics. 2003. № 16 (42). P. 2906.

118. Okada E., Delpy D. T. Near-infrared light propagation in an adult head

model II Effect of superficial tissue thickness on the sensitivity of the near-infrared spectroscopy signal // Applied Optics. 2003. № 16 (42). P. 2915.

119. Pernkopf F., O'Leary P. Feature Selection for Classification Using Genetic Algorithms with a Novel Encoding Springer Verlag, 2001.C. 161-168.

120. Pfurtscheller G., Neuper C. Motor imagery activates primary sensorimotor area in humans // Neuroscience Letters. 1997. № 2-3 (239). P. 65-68.

121. Picard N., Strick P. L. Imaging the premotor areas // Current Opinion in Neurobiology. 2001. № 6 (11). P. 663-672.

122. Porro C. A. [h gp.]. Primary Motor and Sensory Cortex Activation during Motor Performance and Motor Imagery: A Functional Magnetic Resonance Imaging Study // The Journal of Neuroscience. 1996. № 23 (16). P. 7688-7698.

123. Power S. D., Chau T. Automatic single-trial classification of prefrontal hemodynamic activity in an individual with Duchenne muscular dystrophy // Developmental Neurorehabilitation. 2013. № 1 (16). P. 67-72.

124. Power S. D., Falk T. H., Chau T. Classification of prefrontal activity due to mental arithmetic and music imagery using hidden Markov models and frequency domain near-infrared spectroscopy // Journal of Neural Engineering. 2010. № 2 (7). P. 026002.

125. Power S. D., Kushki A., Chau T. Towards a system-paced near-infrared spectroscopy brain-computer interface: differentiating prefrontal activity due to mental arithmetic and mental singing from the no-control state // Journal of Neural Engineering. 2011. № 6 (8). P. 066004.

126. Power S. D., Kushki A., Chau T. Automatic single-trial discrimination of mental arithmetic, mental singing and the no-control state from prefrontal activity: Toward a three-state NIRS-BCI // BMC Research Notes. 2012. (5).

127. Ramadan R. A., Vasilakos A. V. Brain computer interface: control signals review // Neurocomputing. 2017. (223). P. 26-44.

128. Rastogi A. [h gp.]. Neural Representation of Observed, Imagined, and Attempted Grasping Force in Motor Cortex of Individuals with Chronic Tetraplegia // Scientific Reports. 2020. № 1 (10). P. 1429.

129. Rengachary S. S., Ellenbogen R. G. Principles of neurosurgery / S. S. Rengachary, R. G. Ellenbogen, Elsevier Mosby, 2005.

130. Rezazadeh Sereshkeh A. [h gp.]. Development of a ternary hybrid fNIRS-EEG brain-computer interface based on imagined speech // Brain-Computer Interfaces. 2019. № 4 (6). P. 128-140.

131. Rodrigues P. L. C., Jutten C., Congedo M. Riemannian Procrustes Analysis: Transfer Learning for Brain-Computer Interfaces // IEEE Transactions on Biomedical Engineering. 2019. № 8 (66). P. 2390-2401.

132. Saager R. B., Berger A. J. Direct characterization and removal of interfering absorption trends in two-layer turbid media // Journal of the Optical Society of America A. 2005. № 9 (22). P. 1874.

133. Saager R. B., Telleri N. L., Berger A. J. Two-detector Corrected Near Infrared Spectroscopy (C-NIRS) detects hemodynamic activation responses more robustly than single-detector NIRS // NeuroImage. 2011. № 4 (55). P. 1679-1685.

134. Sabbah P. [h gp.]. Functional Magnetic Resonance Imaging at 1.5 T during Sensorimotor and Cognitive Task // European Neurology. 1995. № 3 (35). P. 131-136.

135. SAGARA K., KIDO K. Evaluation of a 2-Channel NIRS-Based Optical Brain Switch for Motor Disabilities' Communication Tools // IEICE Transactions on Information and Systems. 2012. № 3 (E95-D). P. 829-834.

136. Saha S. [h gp.]. Progress in Brain Computer Interface: Challenges and Opportunities // Frontiers in Systems Neuroscience. 2021. № February (15). P. 1-20.

137. Santosa H. [h gp.]. Noise reduction in functional near-infrared spectroscopy signals by independent component analysis // Review of Scientific Instruments. 2013. № 7 (84). P. 073106.

138. Sato H. [h gp.]. Wavelet analysis for detecting body-movement artifacts in optical topography signals // NeuroImage. 2006. № 2 (33). P. 580-587.

139. Sato H. [h gp.]. A NIRS-fMRI investigation of prefrontal cortex activity during a working memory task // NeuroImage. 2013. (83). P. 158-173.

140. Schmahmann J. D. [h gp.]. The Theory and Neuroscience of Cerebellar Cognition // Annual Review of Neuroscience. 2019. № 1 (42). P. 337-364.

141. Selb J. [h gp.]. Improved sensitivity to cerebral hemodynamics during brain activation with a time-gated optical system: analytical model and experimental validation // Journal of Biomedical Optics. 2005. № 1 (10). P. 011013.

142. Selb J. [h gp.]. Sensitivity of near-infrared spectroscopy and diffuse correlation spectroscopy to brain hemodynamics: simulations and experimental findings during hypercapnia // Neurophotonics. 2014. № 1 (1). P. 015005.

143. Seo Y. [h gp.]. Partial Least Squares-discriminant Analysis for the Prediction of Hemodynamic Changes Using Near Infrared Spectroscopy // Journal of the Optical Society of Korea. 2012. № 1 (16). P. 57-62.

144. Shenoy K. V., Sahani M., Churchland M. M. Cortical Control of Arm Movements: A Dynamical Systems Perspective // Annual Review of Neuroscience. 2013. № 1 (36). P. 337-359.

145. Sherwood J., Derakhshani R. On classifiability of wavelet features for EEG-based brain-computer interfaces // Proceedings of the International Joint Conference on Neural Networks. 2009. P. 2895-2902.

146. Shin J., Jeong J. Multiclass classification of hemodynamic responses for performance improvement of functional near-infrared spectroscopy-based brain-computer interface // Journal of Biomedical Optics. 2014. № 6 (19). P. 067009.

147. Simpson C. R. [h gp.]. Near-infrared optical properties of ex vivo human skin and subcutaneous tissues measured using the Monte Carlo inversion technique // Physics in Medicine and Biology. 1998. № 9 (43). P. 2465-2478.

148. Sirigu A. [h gp.]. Congruent unilateral impairments for real and imagined hand movements // NeuroReport. 1995. № 7 (6). P. 997-1001.

149. Sirigu A. [h gp.]. The Mental Representation of Hand Movements After Parietal Cortex Damage // Science. 1996. № 5281 (273). P. 1564-1568.

150. Sitaram R. [h gp.]. Temporal classification of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain-computer interface // Neurolmage. 2007. № 4 (34). P. 1416-1427.

151. Stangl M. [h gp.]. A Haemodynamic Brain-Computer Interface Based on Real-Time Classification of near Infrared Spectroscopy Signals during Motor Imagery and Mental Arithmetic // Journal of Near Infrared Spectroscopy. 2013. № 3 (21). P. 157-171.

152. Stephan K. M. [h gp.]. Functional anatomy of the mental representation of upper extremity movements in healthy subjects // Journal of Neurophysiology. 1995. № 1 (73). P. 373-386.

153. Strait M., Canning C., Scheutz M. Limitations of NIRS-Based BCI for Realistic Applications in Human-Computer Interaction // Proceedings of the Fifth International Brain-Computer Interface Meeting. 2013. P. 2-3.

154. Strangman G. [h gp.]. A Quantitative Comparison of Simultaneous BOLD fMRI and NIRS Recordings during Functional Brain Activation // NeuroImage. 2002. № 2 (17). P. 719-731.

155. Strangman G. E., Li Z., Zhang Q. Depth Sensitivity and Source-Detector Separations for Near Infrared Spectroscopy Based on the Colin27 Brain Template // PLoS ONE. 2013. № 8 (8). P. e66319.

156. Tachtsidis I. [h gp.]. Functional Optical Topography Analysis Using Statistical Parametric Mapping (SPM) Methodology with and without Physiological Confounds Springer, Boston, MA, 2010.C. 237-243.

157. Tai K., Chau T. Single-trial classification of NIRS signals during emotional

induction tasks: towards a corporeal machine interface // Journal of NeuroEngineering and Rehabilitation. 2009. № 1 (6). P. 39.

158. Takahashi T. [h gp.]. Influence of skin blood flow on near-infrared spectroscopy signals measured on the forehead during a verbal fluency task // NeuroImage. 2011. № 3 (57). P. 991-1002.

159. Tam W. K., Ke Z., Tong K. Y. Performance of common spatial pattern under a smaller set of EEG electrodes in brain-computer interface on chronic stroke patients: A multi-session dataset study // Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS. 2011. P. 6344-6347.

160. Tanaka H., Katura T. Classification of change detection and change blindness from near-infrared spectroscopy signals // Journal of Biomedical Optics. 2011. № 8 (16). P. 087001.

161. Thanh Hai N. [h gp.]. Temporal hemodynamic classification of two hands tapping using functional near—infrared spectroscopy // Frontiers in Human Neuroscience. 2013. № SEP (7). P. 516.

162. Tomita Y. [h gp.]. Bimodal BCI Using Simultaneously NIRS and EEG // IEEE Transactions on Biomedical Engineering. 2014. № 4 (61). P. 1274-1284.

163. Torricelli A. [h gp.]. Time domain functional NIRS imaging for human brain mapping // NeuroImage. 2014. № June (85). P. 28-50.

164. Umeyama S., Yamada T. Monte Carlo study of global interference cancellation by multidistance measurement of near-infrared spectroscopy // Journal of Biomedical Optics. 2009. № 6 (14). P. 064025.

165. UTSUGI K. [h gp.]. GO-STOP Control Using Optical Brain-Computer Interface during Calculation Task // IEICE Transactions on Communications. 2008. № 7 (E91-B). P. 2133-2141.

166. Varkuti B. [h gp.]. Resting state changes in functional connectivity correlate

with movement recovery for BCI and robot-Assisted upper-extremity training after stroke // Neurorehabilitation and Neural Repair. 2013. № 1 (27). P. 53-62.

167. Wolpaw J. R. [h gp.]. Brain-computer interfaces for communication and control // Clinical Neurophysiology. 2002. № 6 (113). P. 767-791.

168. Xie Y. L. [h gp.]. Brain-machine interface-based training for improving upper extremity function after stroke: A meta-analysis of randomized controlled trials // Frontiers in Neuroscience. 2022. T. 16. C. 949575.

169. Yanagisawa K. [h gp.]. Brain-computer interface using near-infrared spectroscopy for rehabilitation // ICCAS 2010 - International Conference on Control, Automation and Systems. 2010. P. 2248-2253.

170. Yoner S. I., Ertas G., Akin A. Design of a Digital Current Source with Temperature Feedback for fNIRS Devices IEEE, 2017.C. 1-4.

171. Zee P. van der, Essenpreis M., Delpy D. T. Optical properties of brain tissue nog peg. B. Chance, R. R. Alfano, SPIE, 1993.C. 454-465.

172. Zhang Q., Brown E. N., Strangman G. E. Adaptive filtering for global interference cancellation and real-time recovery of evoked brain activity: a Monte Carlo simulation study // Journal of Biomedical Optics. 2007. № 4 (12). P. 044014.

173. Zhang Q., Strangman G. E., Ganis G. Adaptive filtering to reduce global interference in non-invasive NIRS measures of brain activation: How well and when does it work? // Neurolmage. 2009. № 3 (45). P. 788-794.

174. Zhang Y. [h gp.]. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging // Journal of Biomedical Optics. 2005. № 1 (10). P. 011014.

175. Zhang Y., Sun J. W., Rolfe P. RLS adaptive filtering for physiological interference reduction in NIRS brain activity measurement: A Monte Carlo study // Physiological Measurement. 2012. № 6 (33). P. 925-942.

176. Zhao Q., Zhang L., Cichocki A. Multilinear generalization of common spatial pattern // ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings. 2009. P. 525-528.

177. Воронцов К. В. Математические методы обучения по прецедентам (теория обучения машин) // Москва. 2011. P. 119-121.

178. Иваницкий Г. А., Наумов Р. А., Иваницкий А. М. Технология определения типа совершаемой в уме мыслительной операции по рисунку электроэнцефалограммы // Технологии живых систем. 2007. № 5-6 (4). P. 20-29.

179. Лепский А.Е. Б. А. Г. Математические Методы Распознавания Образов / Б. А. Г. Лепский А.Е., 2009. 155 с.

180. Мокиенко О. А. [и др.]. Основанный на воображении движения интерфейс мозг--компьютер в реабилитации пациентов с гемипарезом // Бюллетень сибирской медицины. 2013. № 2 (12). P. 30-35.

181. Пушкарева А. Е., Математического М., Петербург С. Моделирования В Оптике Биоткани Учебное Пособие 2008.

182. Фролов А. А. [и др.]. Предварительные результаты контролируемого исследования эффективности технологии ИМК--экзоскелет при постинсультном парезе руки // Вестник Российского государственного медицинского университета. 2016. № 2. P. 17-25.

183. Фролов А. А. [и др.]. Ритмическая активность мозга и интерфейс мозг-компьютер, основанный на воображении движений // Успехи физиологических наук. 2017. № 3 (48). P. 72-91.