Разработку
представил руководитель работ, профессор Санкт‑Петербургского университета,
главный научный сотрудник лаборатории управления сложными системами ИПМаш РАН
Александр Фрадков на VI Международной конференции по нейронным сетям и
нейротехнологиям (NeuroNT'2025) в ЛЭТИ. Кибернетическая
нейробиология — это новая научная область, объединяющая методы вычислительной
нейробиологии и кибернетики для изучения процессов управления в нервной системе
и мозге. Она исследует математические модели нейронных ансамблей, применяя
подходы теории управления, такие как синтез обратных связей, оценивание
параметров и классификация состояний головного мозга по сигналам
электроэнцефалографии (ЭЭГ).
Ученые
Санкт-Петербургского университета входят в число лидеров в этом направлении,
именно они ранее сформулировали суть новой области научного знания и одними из
первых стали систематически ее развивать. Современные разработки в области
нейротехнологий открывают новые горизонты в управлении оборудованием с помощью
нейроинтерфейсов, включая роботов, инвалидные коляски и роботизированные
протезы. Подобные разработки также значительно улучшают диагностику нервных
заболеваний и патологических состояний мозга.
Кроме
того, применение математических моделей нейронных ансамблей и отдельных
регионов коры головного мозга позволяет глубже понять принципы работы мозга,
что способствует развитию новых методов лечения и реабилитации. Ученые
Санкт-Петербургского университета и ИПМаш РАН разработали роботизированную
инвалидную коляску, которая управляется сигналами мозга напрямую.
«Вместе
со студентами мы построили обучающиеся сетевые версии моделей ФитцХью — Нагумо
и Хиндмарша — Роуза для улучшения качества моделирования работы человеческого
мозга. Благодаря созданным алгоритмам она точно улавливает сигналы, когда
человек хочет двигаться вправо, а когда влево», — объяснил главный научный
сотрудник лаборатории управления сложными системами ИПМаш РАН, профессор
Санкт-Петербургского государственного университета Александр Фрадков.
Коляска
реагирует на намерения пользователя, распознавая сигналы мозга через
электроэнцефалографию (ЭЭГ). Специальные алгоритмы машинного обучения
анализируют активность мозга, выделяя паттерны, соответствующие командам
«вперед», «налево», «направо» и «стоп». Для повышения точности используются
адаптивные методы, такие как модифицированный алгоритм Якубовича — Брэгмана и
«неявная полоска», которые эффективно разделяют сигналы даже при ограниченном
объеме данных.
Основу
системы составляет многоэтапная обработка сигналов мозга. Сначала ЭЭГ-данные
очищаются от шумов с помощью полосовых фильтров, выделяя ключевые частотные
диапазоны (например, альфа- и бета-ритмы). Затем алгоритмы машинного обучения
анализируют паттерны активности мозга, сопоставляя их с конкретными намерениями
пользователя.
Для
повышения точности система использует адаптацию: параметры модели нейронных
ансамблей непрерывно уточняются с учетом индивидуальных особенностей
пользователя. На финальном этапе распознанные команды преобразуются в сигналы
для электроприводов коляски, обеспечивая плавное и точное движение. Таким
образом, софт действует как «переводчик» между мозгом и механикой, соединяя
нейробиологию, кибернетику и робототехнику.
Преимущества
такой системы — в ее неинвазивности и персонализации. В отличие от традиционных
интерфейсов, требующих имплантации электродов напрямую в мозг, в данном случае
применяются внешние датчики ЭЭГ. Алгоритмы самонастраиваются под индивидуальные
особенности мозга пользователя, что ускоряет обучение и повышает точность
управления.
Кроме
того, технология позволяет адаптировать систему под новые типы команд, расширяя
ее функционал. В перспективе подобные разработки могут быть использованы не
только для реабилитации, но и для управления другими устройствами (от умного
дома до экзоскелетов), открывая новые возможности для людей с ограниченной
подвижностью.
Пресс-служба СПбГУ
