Специалисты в области математики из Санкт-Петербургского государственного университета и Института проблем машиноведения РАН разработали уникальный неинвазивный алгоритм, позволяющий управлять инвалидной коляской посредством электрических сигналов головного мозга.
Эта инновационная разработка была представлена профессором Санкт-Петербургского университета и ведущим научным сотрудником лаборатории управления сложными системами ИПМаш РАН Александром Фрадковым на Шестой Международной конференции NeuroNT’2025, проходившей в ЛЭТИ.
Кибернетическая нейробиология является передовой научной дисциплиной, которая синтезирует принципы вычислительной нейробиологии и кибернетики. Ее цель — глубокое исследование механизмов управления в нервной системе и головном мозге. В рамках этой области разрабатываются математические модели нейронных сетей, используются методы теории управления, включая создание обратных связей, оценку параметров и точное определение состояний мозга на основе анализа электроэнцефалографических (ЭЭГ) сигналов.
Исследователи из Санкт-Петербургского университета признаны ведущими специалистами в этой сфере, являясь пионерами в формулировании и систематическом развитии кибернетической нейробиологии. Современные нейротехнологические достижения революционизируют управление различными устройствами через нейроинтерфейсы, будь то роботы, инвалидные коляски или роботизированные протезы. Помимо этого, такие разработки существенно повышают эффективность диагностики неврологических расстройств и аномалий мозговой деятельности.
Более того, использование математических моделей нейронных структур и различных областей коры головного мозга углубляет наше понимание принципов его функционирования, что открывает путь к разработке новых терапевтических и реабилитационных методик. Команда ученых из Санкт-Петербургского университета и ИПМаш РАН успешно создала роботизированную инвалидную коляску, способную реагировать на прямые мозговые сигналы.
Александр Фрадков, профессор Санкт-Петербургского государственного университета и главный научный сотрудник лаборатории управления сложными системами ИПМаш РАН, рассказал: «Совместно со студентами мы разработали адаптивные сетевые версии моделей ФитцХью—Нагумо и Хиндмарша—Роуза, что значительно повысило точность моделирования мозговой активности человека. Разработанные нами алгоритмы позволяют коляске безошибочно распознавать намерения пользователя двигаться вправо или влево».
Коляска мгновенно откликается на мысли пользователя, интерпретируя мозговые сигналы, полученные посредством ЭЭГ. Специализированные алгоритмы машинного обучения анализируют мозговую активность, идентифицируя уникальные паттерны, которые соответствуют командам «движение вперед», «поворот налево», «поворот направо» и «остановка». Для обеспечения максимальной точности применяются адаптивные техники, включая усовершенствованный алгоритм Якубовича—Брэгмана и метод «неявной полоски», позволяющие эффективно различать сигналы даже при неполных данных.
Фундаментом этой системы является многоступенчатая обработка мозговых сигналов. На начальном этапе ЭЭГ-данные подвергаются очистке от посторонних шумов с помощью полосовых фильтров, что позволяет выделить основные частотные диапазоны, такие как альфа- и бета-ритмы. Впоследствии алгоритмы машинного обучения проводят глубокий анализ выявленных паттернов мозговой активности, сопоставляя их с конкретными командами, которые формирует пользователь.
Для обеспечения высокой точности система постоянно адаптируется: параметры моделей нейронных ансамблей динамически корректируются, учитывая уникальные характеристики каждого пользователя. На заключительном этапе интерпретированные команды трансформируются в управляющие сигналы для электроприводов коляски, гарантируя тем самым плавное и предельно точное перемещение. По сути, программное обеспечение служит своего рода «переводчиком», устанавливая прямую связь между человеческим мозгом и механическими компонентами, объединяя таким образом нейробиологию, кибернетику и робототехнику.
Ключевые преимущества данной системы заключаются в ее неинвазивности и персонализации. В отличие от стандартных интерфейсов, требующих хирургического внедрения электродов непосредственно в мозг, здесь используются внешние ЭЭГ-датчики. Алгоритмы способны самостоятельно подстраиваться под уникальные мозговые характеристики каждого пользователя, что значительно сокращает время обучения и повышает общую точность управления.
Более того, эта технология предусматривает возможность расширения функционала за счет адаптации под новые типы команд. В долгосрочной перспективе подобные инновации могут найти применение не только в реабилитационной практике, но и в управлении широким спектром устройств — от систем «умного дома» до экзоскелетов, что значительно расширит горизонты возможностей для людей с ограниченными физическими возможностями.
