Прикладная биоробототехника обеспечивает повышение качества жизни пациентов с неврологическими нарушениями и травмами. Нейропротезы, экзоскелеты, роботизированные инвалидные кресла и телеуправляемые роботы помогают в реабилитации больных, замещают утраченные функции или усиливают физические возможности здоровых людей.

При создании таких устройств важен выбор системы управления. Она должна обеспечивать точность, стабильность и безопасность при длительной работе устройства. Большинство существующих решений основаны на регистрации биопотенциалов человеческого тела такими методами, как электромиография (ЭМГ), электроэнцефалография (ЭЭГ), электроокулография (ЭОГ) и электрокардиография (ЭКГ) [1, 2, 3, 4, 5, 6].

Эффективность методов на основе ЭМГ была продемонстрирована на примере инвалидных кресел, протезов, экзоскелетов  [7, 8, 9]. Однако использования только лишь ЭМГ недостаточно, если человек не в состоянии сгенерировать мышечный сигнал необходимой силы, например после инсульта или травмы спинного мозга. В таких случаях прибегают к помощи интерфейсов мозг–компьютер (ИМК), предполагающих преобразование считанных с неповрежденных участков мозга сигналов в команды внешним устройствам. В недавней работе [10] была продемонстрирована высокая эффективность ИМК при управлении нейропротезом пациентом с тетраплегией, но сохранными сенсорной и когнитивной функциями.

Среди способов регистрации сигналов мозга наиболее удобным является регистрация ЭЭГ в силу ее доступности, безопасности, низкой стоимости и мобильности. Кора головного мозга разделена на множество функционально специализированных зон, в  которых обнаруживаются волны различной частоты [11]. Спектр ЭЭГ-активности у каждого человека индивидуален и, как показали длительные измерения [12], непрерывно меняется в зависимости от его физиологического состояния и деятельности. Декодируя сигналы ЭЭГ, можно различать движения конечностей с достаточно высокой точностью. Так, был предложен алгоритм, позволивший реконструировать углы в суставах пальцев при дотягивании с  захватом, при этом точность ЭЭГ-сигнала составила 76 % [13]. В другой работе была продемонстрирована возможность определять одно из пяти выполняемых или воображаемых движений запястья и пальцев рук с точностью 65–71 % [14].

Вопреки мнению о необходимости использовать большое число каналов регистрации ЭЭГ для точного считывания Yang и соавт. [15] смогли исключить шумы и представили модернизированную классификацию сигналов ЭЭГ, регистрируемой по 6 каналам из 32, для искусственной нейронной сети и управления роботизированным устройством, при этом точность классификации при выполнении определенных двигательных задач достигла 86 %. Тем не менее, ЭЭГ-интерфейсы мозг–компьютер по-прежнему не лишены недостатков, вызываемых смещением или неправильным наложением электродов, шумами и  артефактами, несовершенством алгоритмов фильтрации и обработки сигналов.

Некоторые исследователи предложили комбинировать методы ЭМГ и ЭЭГ [16, 17, 18]. Например, при парезе или отсутствии конечности для компенсации слабости сигналов ЭМГ можно дополнительно использовать сигнал ЭЭГ, обеспечивая движение протеза или экзоскелета ментальным усилием. При нормальном ЭМГ-сигнале ЭЭГ-сигнал помогает снизить влияние тремора, утомления или артефактов.

Leeb и соавт. [19] была предложена гибридная ЭЭГ-ЭМГ-система управления, эффективность которой оценили на 6 здоровых добровольцах. Испытуемые должны были двигать левой или правой рукой в течение 5 с (всего 60  повторений). Мозговую активность записывали посредством 16-ти датчиков, размещенных по стандартной схеме  10/20. Мышечную активность записывали со сгибателей и разгибателей левого и правого предплечий. Полученные ЭМГ-сигналы выпрямлялись и усреднялись (с временным интервалом 0,3 с) для получения огибающей, а затем данные двух классификаторов объединили для получения управляющего сигнала. Гибридная система продемонстрировала высокую точность классификации для всех испытуемых. Несмотря на то, что ЭМГ-сигналы были достаточно информативными (точность классификации составила в среднем 83 %), гибридный подход показал большую эффективность (91 %), особенно при нарастании мышечной усталости.

Xie и соавт. также разработали гибридный ИМК на основе ЭЭГ (визуализация намерения движения) и ЭМГ [20]. В  исследовании приняли участие 10 пациентов, перенесших инсульт с нетяжелым гемипарезом, 10 пациентов с заболеваниями периферической нервной системы и 10 здоровых людей (все — в возрасте 20–58 лет). На этапе калибровки каждый испытуемый ложился на кровать и сгибал и разгибал ногу в коленном суставе, а датчик измерения угла и силы определял соответствующие параметры движения, которые впоследствии использовали в качестве целевых. Затем устанавливали датчики ЭЭГ/ЭМГ и проводили испытания, целью которых было соотнесение ЭЭГ/ ЭМГ-сигналов с движением ноги и определение точности потенциальных управляющих команд для внешнего устройства. Оценивали результаты только ЭЭГ-сигналов, затем — только ЭМГ-сигналов, а затем применяли гибридный подход. Результаты эксперимента показали, что использование гибридной оценки позволило увеличить точность классификации в сравнении с одномодальными вариантами во всех группах. Для здоровых людей она составила 98 %, для перенесших инсульт — 84 %, для пациентов с патологиями периферической нервной системы — 85 %.

Kiguchi и  соавт. [21] провели исследование гибридной ЭЭГ-ЭМГ-системы с оценкой ее эффективности при движениях руками с помощью роботизированного устройства SUEFUL-7 [22]. Робот оснащен камерой и  способен распознавать положение руки за счет датчиков угла поворота и силы. В  качестве управляющей системы использовали 16-канальный ЭМГ-интерфейс, снимавший данные с руки и плечевого пояса. В эксперименте участвовали 4 здоровых человека в возрасте 23 лет. На них надевали экзоскелет и устройство для снятия ЭЭГ и оценки реакции. В первом опыте испытуемые сгибали и разгибали руку в локтевом суставе, а робот выполнял противоположное действие, препятствуя движению. Во втором опыте на столе размещали две пустые чашки и одну полную. При взятии испытуемым полной чашки робот использовал алгоритм помощи, который оценивал положение пустых чашек с помощью камеры и случайным образом выбирал одну из них, после чего помогал испытуемому перелить жидкость. Правильность выбора оценивалась по ЭЭГ- и ЭМГ-сигналам. Если испытуемый не сопротивлялся, это означало для робота, что цель была выбрана правильно. В описанном опыте оценивалась гибкость вспомогательного робота и его способность правильно интерпретировать намерения испытуемого. Результаты эксперимента показали повышение точности интерпретации роботом действий человека.

Увеличивать эффективность работы ИМК могут и данные электроокулограммы, регистрируемой совместно с ЭЭГ. Так, группой ученых была разработана система, представляющая собой гибридный ИМК на основе ЭЭГ и ЭОГ для повышения надежности длительного использования экзоскелета руки при выполнении хватательных движений  [23]. Сигналы ЭЭГ снимали с пяти точек, размещенных по схеме 10/20. Эксперимент состоял из двух частей. В первой части испытуемые должны были управлять экзоскелетом только посредством сигналов ЭЭГ и выполнять движение сжимания при наличии визуального сигнала (зеленый — начать движение, красный — фаза отдыха). При этом механическая кисть автоматически разжималась, если команды от мозга оператора были недостаточно сильными, чтобы преодолеть заданный порог. Во второй части опыта использовались сигналы ЭОГ в качестве переключателя. Когда испытуемый отводил взгляд влево или вправо, кисть экзоскелета разжималась независимо от сигналов ЭЭГ. Гибридная модель повысила безопасность работы системы. При использовании только сигналов ЭЭГ у половины испытуемых в фазе отдыха механическая кисть была сжата более чем на 25 %, в то время как гибридная система демонстрировала превышение заданного порога только у 10,4 % испытуемых, причем максимальное сжатие не превышало 28 % (в одномодальной системе оно достигало 60 %).

Работа сердечно-сосудистой системы, которую оценивают с помощью мониторирования артериального давления и частоты сердечных сокращений (ЧСС), коррелирует с активностью головного мозга, в том числе при выполнении двигательных задач [24,25, 26]. Результаты исследований по изучению работы сердца при изменении мыслительной активности, оцениваемой с помощью ЭЭГ, говорят о перспективности использования гибридных ЭЭГ-ЭКГ-систем [27, 28, 29]. Так, в эксперименте при участии 6 здоровых мужчин-правшей (средний возраст — 28 лет), которые визуализировали движения левой ноги или левой руки, оценивали точность классификации сигналов только ЭЭГ и только ЭКГ, а также сигналы обеих записей [29]. Для каждого из испытуемых было проведено по 180 сессий (60 для каждого варианта), состоявших из трех этапов: первые 6 с — время отдыха (в этот момент проводилась обработка данных из предыдущей сессии); затем следовала демонстрация индикатора, случайным образом указывающего необходимое действие (визуализация движения руки/ноги или отдых), на совершение которого также давалось 6 с; последний этап — пауза произвольной длительности (несколько секунд). Сигналы ЭЭГ снимались с трех каналов (C3, C4, Cz по стандартной схеме  10/20) совместно с сигналами R–R-интервалов ЭКГ, получаемых от разницы между отфильтрованными на частотах 5–10 Гц QRS-комплексами, показывающими ЧСС. Полученные данные позволили сделать несколько интересных выводов. Во-первых, активная визуализация движений конечностей вызывала изменения ЧСС. Во-вторых, точность классификации на основе ЭКГ оказалась весьма высокой: у многих испытуемых эта модальность была эффективнее  ЭЭГ. В-третьих, гибридный подход повысил точность классификации практически для всех участников исследования, а больше всего для тех, чьи результаты в одномодальном режиме были невысоки.

Таким образом, гибридный подход к реализации управляющих систем для внешних устройств весьма перспективен. Учитывая скорость развития данных технологий, появление на рынке высокоточного нейроустройства на основе этого подхода возможно уже в ближайшее время. Нами на базе лаборатории нейробиологии и медицинской физики Химико-биологического института Балтийского федерального университета имени Иммануила Канта разрабатывается многофункциональное нейроустройство, способное распознавать одновременно различные электрофизиологические сигналы (ЭЭГ, ЭМГ, ЭОГ с  подключением модулей фотоплетизмограммы, SpO₂ и температуры), обеспечивать биологическую обратную связь и передавать обработанную информацию на экзоскелетные и роботизированные конструкции в режиме реального времени. В статье представлены результаты первых испытаний макета нейроустройства и оценка возможности совместной регистрации ЭЭГ- и ЭМГ-сигналов с помощью разработки.

МАТЕРИАЛЫ И МЕТОДЫ

Нами был создан макет электрофизиологического и биометрического регистратора, способного преобразовывать биосигналы в команды для электромеханического устройства, после чего мы провели его испытания, включавшие два этапа. На первом из них с его помощью исследовали двигательную активность испытуемых, а также сопоставляли данные регистрации электрофизиологических сигналов с устройства с данными зарекомендовавших себя на медицинском рынке аналитических приборов (чтобы объективно оценить работоспособность разработки). В этой части эксперимента приняли участие два здоровых мужчины (возраст: 22 и 23 года; рост: 175 и 177 см; вес: 70 и 75 кг). На втором этапе оценивали возможность совместной регистрации сигналов ЭЭГ и ЭМГ с помощью нейроустройства. В исследовании приняли участие 10 здоровых мужчин (правши) в возрасте 22–29 лет (средний возраст — 25 лет).

Электрическая активность головного мозга, отводимая с кожи головы, была измерена методом электроэнцефалограммы; биоэлектрические потенциалы, возникающие в скелетных мышцах, — методом электромиографии; биопотенциалы, возникающие во время движения глазного яблока, — методом электроокулографии; температура тела — методом термометрии; двигательная активность по изменению углов Эйлера — методом физических упражнений; подсчет пульса был проведен методом фотоплетизмографии. Все полученные данные регистрировались в графическом и цифровом виде.

Для снятия ЭЭГ использовали чашечные электроды из серебра (Ag/AgCl), размещенные на голове испытуемых при помощи шапочки, для снятия ЭМГ и ЭОГ — серебряные пластинчатые электроды. При проведении исследования с оценкой характеристик физиологических сигналов определяли наиболее часто встречающиеся артефакты: артефакты от плохо закрепленных электродов и  электрических помех от движений испытуемого, артефакты, вызванные напряжением мышц корпуса и сморщиванием лба, мышечные потенциалы, потенциалы кожи, моргание, пульсовые волны.

Двигательная активность была исследована путем выполнения упражнений по наклону и повороту головы влево, вправо, вперед, назад с закрепленным на ней макетом нейроустройства. Для этого нами была написана программа по визуализации углов Эйлера в режиме реального времени.

Результаты регистрации ЭЭГ-, ЭМГ- и ЭОГ-сигналов и данные о частоте пульса сравнивали с результатами, полученными на приборе KARDi3 («Медицинские компьютерные системы», Россия), предназначенного для регистрации и анализа ЭКГ, ЭОГ, ЭЭГ и некоторых других показателей. Сначала было проведено измерение с помощью KARDi3, затем — с помощью макета нейроустройства. Испытуемый все время находился в одном положении. Электроды на теле были статичны, их положение при переключении с KARDi3 на макет нейроустройства не меняли. Провода от электродов были свиты и зажгутованы с целью уменьшения количества артефактов.

При регистрации ЭЭГ сфокусировались на альфа-ритме, который в норме является наиболее стабильным электрофизиологическим сигналом. Для его регистрации использовали схему размещения электродов с биполярным отведением. Электроды были закреплены на затылке, референтные электроды — на мочках ушей. Испытуемый находился в положении «полулежа» для максимального расслабления мышц шеи и головы и уменьшения количества миографических артефактов (число испытаний — 100). Для макета нейроустройства и прибора KARDi3 были использованы одинаковые режимы регистрации: фильтр низких частот 30 Гц, фильтр высоких частот 0,5 Гц, режекторный фильтр 50 Гц, развертка по оси Х — 30 мм/с, развертка по оси Y — 50 мкВ/мм.

Сигналы ЭОГ регистрировали при движении глаз во время выполнения следующих зрительных упражнений (число испытаний — 100): середина (желтая точка) – вверх (красный круг) – середина (желтая точка) – вниз (синий круг) – середина (желтая точка) – налево (красный крестик) – середина (желтая точка) – направо (синий крестик) – середина (желтая точка). Испытуемый сидел напротив доски с графическими символами. Для регистрации сигнала использовали схему размещения двух электродов с биполярным отведением. Электроды были закреплены на висках, около правого глаза и на лбу. Для макета нейроустройства и прибора KARDi3 были использованы одинаковые режимы регистрации: фильтр низких частот 40 Гц; фильтр высоких частот 1 Гц; режекторный фильтр 50 Гц; развертка по оси Х — 15 мм/с; развертка по оси Y — 50 мкВ/мм.

Сигналы ЭМГ регистрировали при сокращении мышц бедра путем движения правой ноги вперед — имитируя шаг (число испытаний — 100). При этом левая нога оставалась неподвижной, опор на правую ногу с электродами не осуществлялся. Испытуемый стоял, точками опоры служили левая нога и правая рука, а правая нога с электродами находилась в расслабленном состоянии. Расстояние между электродами составило 5 см. Для регистрации сигнала использовали схему размещения одного электрода с биполярным отведением. Электроды были закреплены на бедренной мышце посредством клейких колец. Для макета нейроустройства и прибора KARDi3 были использованы одинаковые режимы регистрации: фильтр низких частот 100 Гц; фильтр высоких частот 1 Гц; режекторный фильтр 50 Гц; развертка по оси Х — 120 мм/с; развертка по оси Y — 10 мкВ/мм.

Для регистрации данных ЭЭГ, ЭМГ и  ЭОГ с  нейроустройства было разработано собственное программное обеспечение. Для регистрации данных с прибора KARDi3 была использована программа «Неокортекс» («Нейроботикс», Россия).

При измерении частоты пульса испытуемый сидел. Для регистрации сигнала ЭКГ (число испытаний — 100) на запястьях посредством клейких колец были закреплены электроды KARDi3 с использованием схемы размещения одного электрода с биполярным отведением. Далее испытуемый прикладывал палец к модулю фотоплетизмограммы макета нейроустройства, и на выходе получали обусловленный пульсацией сигнал. Измерение частоты пульса с помощью нейроустройства было дополнено пульсоксиметрией (SpO₂). Для макета нейроустройства и прибора KARDi3 был использован следующий режим регистрации: фильтр низких частот 0,1 Гц; фильтр высоких частот 50 Гц; режекторный фильтр 50 Гц; развертка по оси Х — 60 мм/с; развертка по оси Y — 20 мкВ/мм. Для обработки данных о частоте пульса с KARDi3 применяли программу «Неокортекс», а  для макета нейроустройства — программу Heart Rate Monitor Demo (Silicon Labs, США).

Для сравнения точности измерений температуры тела использовали мультиметр Fluke 17b с подключаемым термистором (Fluke Corporation,  США). Датчик температуры размещали на лбу испытуемого посредством клейкого кольца (число испытаний — 136). Данные о температуре передавались на персональный компьютер по протоколу Bluetooth ежесекундно.

На втором этапе испытаний исследовали возможность совместной регистрации ЭЭГ- и ЭМГ-сигналов, снятых с помощью разрабатываемого нейроустройства для обеспечения последующей совместной работы в комплексе с роботизированной техникой, в том числе экзоскелетом.

По инструкции испытуемые должны были визуализировать движения левой ноги, а затем сгибать и разгибать бедро. Для оценки точности классификации использовали вначале только сигналы ЭМГ, затем — ЭМГ + ЭЭГ. Каждый участник эксперимента выполнил по 10 сессий для визуализации движения и выполнения движения.

Оценку физиологических параметров производили непрерывно как во время движения, так и во время отдыха между командами (5 с). Для классификации применяли линейный дискриминантный анализ Фишера.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

В ходе исследования двигательной активности при выполнении серии упражнений по наклону и повороту головы влево, вправо, вперед, назад были получены результаты, свидетельствующие о высокой точности и четкости получаемых данных с помощью датчика движения макета нейроустройства. На графике (рис. 1) отображено изменение углов Эйлера (ось Х — время, ось Y — угол): 1) тангаж — движение относительно поперечной оси (зеленая линия); 2) крен — движение относительно продольной оси (синяя линия); 3) рысканье — движение относительно вертикальной оси (красная линия).

Данные ЭЭГ, полученные с помощью макета нейроустройства, характеризовались теми же артефактами, что и данные ЭЭГ, полученные на приборе KARDi3, и число артефактов было сопоставимым. Это свидетельствует о конкурентоспособности разрабатываемого нейроустройства в том, что касается регистрации ЭЭГ-сигналов. Артефакты мышечной активности были связаны с небольшими движениями шеи и головы, вызванными утомлением испытуемого. На многих электроэнцефалограммах присутствовал артефакт кардиограммы, что может быть связано как с индивидуальными особенностями сердечно-сосудистой системы испытуемого, так и с наложением электрода на подкожную артерию.

Данные ЭОГ, полученные с помощью макета нейроустройства, по информативности были сопоставимы с данными, полученными с прибора KARDi3, при этом для нашей разработки число артефактов было меньше. Самым частым артефактом было моргание, проявлявшееся в виде резкого возрастания амплитуды ЭОГ, а также артефакты мимической мускулатуры, возникавшие при утомлении испытуемого.

При оценке качества сигналов ЭМГ было установлено, что данные, полученные с помощью макета нейроустройства, обладают такой же информативностью, что и данные, полученные с прибора KARDi3. Артефактов обнаружено не было.

Результаты проведенных с помощью нейроустройства измерений температуры были сопоставимы с результатами, показанными референтным прибором Fluke 17b. Диапазон температур, снятых с обоих устройств, составил в среднем 0,3 %.

Регистрируемый пульсовой сигнал был получен двумя способами: путем записи электрокардиограммы с помощью прибора KARDi3 и с помощью модуля фотоплетизмограммы макета нейроустройства. Данные R–R-интервальной оценки ЭКГ, полученные полученные на KARDi3, характеризовались теми же значениями пульса, что были определены с помощью модуля фотоплетизмографии нейроустройства. У первого испытуемого среднее значение ЧСС было равно 78 и 77 уд./мин при измерении на KARDi3 и нейроустройстве соответственно, а у второго — 72 и 71 уд./мин. Артефактов, влиявших на результат, обнаружено не было (рис. 2).

Следует отметить, что разработанный модуль для оценки работы сердечно-сосудистой системы включает оценку насыщения крови кислородом, что также может давать ценную информацию для управления экзоскелетами.

В ходе исследования эффективности гибридизации сигнала ЭЭГ и ЭМГ были получены результаты, свидетельствующие в пользу слияния нескольких электрофизиологических сигналов. Эксперимент показал, что точность ЭМГ составила в среднем 74,3 %, а гибридизация ЭМГ и ЭЭГ позволила увеличить у всех испытуемых точность классификации в среднем на 12,5 % — до среднего значения 86,8 % (от 75,0 до 97,0 %). Результаты каждого испытуемого представлены в таблице.

ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ

Перспективность создания высокоточного многофункционального нейроустройства, позволяющего длительное время снимать физиологические сигналы и передавать информацию на внешнее устройство (экзоскелет ), очевидна. В данной связи была проведена настоящая мультидисциплинарная работа, на первом этапе которой был создан макет нейроустройства и проведены его испытания, результаты которых показали тождественность получаемых сигналов сигналам надежных аналитических устройств.

При некоторых измерениях двигательной активности наблюдалось плавание гироскопа, связанное с изменением магнитного поля, формируемого аккумуляторной батареей. Это было обусловлено относительно мягким креплением аккумулятора к макету, и при его жесткой фиксации недостаток был устранен. При недостаточно хорошем закреплении макета нейроустройства на теле пациента иногда наблюдалось одновременное изменение более чем двух углов при выполнении одного упражнения. Эта погрешность объясняется также «многослойностью электроники»: компоненты гироскопа размещены на модуле движения, модуль движения — на макете нейроустройства, макет закреплен на голове испытуемого. Влияло и относительно ровное движение шеи испытуемого. При изготовлении экспериментального образца нейроустройства это будет учтено и будет использована программно-аппаратная автокалибровка положения относительно испытуемого. В экспериментальном образце основными измеряемыми параметрами двигательной активности будут являться линейное ускорение акселерометра, угловое ускорение гироскопа и вектор магнитного поля магнитометра. Выявленные при регистрации ЭМГ и ЭОГ мышечные (двигательные) артефакты в дальнейшем будет устранены за счет использования дополнительных режекторных фильтров или программным путем. Артефакт кардиограммы может быть устранен путем изменения закрепления электродов со статичного на динамичное, с возможностью смещать их не менее чем на 10 мм. Это позволит сдвинуть электрод в случае попадания на сосуд. Кроме того, усовершенствование оснастки для крепления электродов также будет способствовать сокращению числа артефактов.

Результаты эксперимента гибридизации ЭЭГ- и  ЭМГ-сигналов продемонстрировали существенное преимущество гибридных ИМК над одномодальными и подтвердили целесообразность одновременной регистрации различных физиологических сигналов [19, 20,21, 23, 29]. За счет более высокой точности классификации и гибкости слияния гибридная система обладает потенциально большей надежностью и производительностью. Полученные нами результаты позволяют заключить, что совместное использование ЭЭГ- и ЭМГ-сигналов улучшают точность интерпретации планируемой и реальной физической активности. Не зависящие от мышечной работы сигналы ЭЭГ являются дополнительным идентификатором, что можно использовать в роботизированной технике. Предполагается, что доработка системы и одновременное использование разных физиологических сигналов позволит приблизить точность классификации к 100 %.

В настоящее время опубликовано незначительное число работ с описанием подобных экспериментов, и все они не являются репрезентативными по числу испытуемых. Для повышения точности классификации сигналов и, следовательно, безопасности роботизированных устройств, необходимо проведение дальнейших исследований для преодоления нескольких трудностей. Во-первых, проблемой является смещение электродов, при этом от правильности их расположения зависят интенсивность, качество и  повторяемость сигналов. В связи с этим перспективна разработка, например, бесконтактных технологий. Во-вторых, сигналы в значительной степени подвержены искажениям различными шумами. В-третьих, сложное движение при участии нескольких мышц (например, мышц кисти, предплечья, плечевого пояса и  туловища) генерируется достаточно большим числом участков моторной коры, при этом размер каждого участка индивидуален, что пока ограничивает возможность моделирования сложных движений. Для решения этой проблемы требуются технологии, способные выделять целевые движения из интерференционных. Уже предлагаются некоторые решения, в том числе инвазивные нейроинтерфейсы на основе электрокортикографии [30, 31].

ВЫВОДЫ

Результаты испытаний разрабатываемого нейроустройства, способного распознавать одновременно различные электрофизиологические сигналы, подтвердили перспективность гибридного подхода к реализации управляющих систем для внешних устройств. Слияние нескольких модальностей или переключение между ними для выбора той, что наилучшим образом интерпретирует намерения человека, не только увеличивает точность классификации сигнала, но и указывает на потенциально более высокую производительность роботизированной техники. Необходимо проведение дальнейших испытаний разрабатываемого нейроустройства с большим числом испытуемых, в том числе с различными нозологиями.