КАРТОЧКА ПРОЕКТА,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ


Номер 20-19-00627

НазваниеРазработка стимул-независимой модели интерфейса "Мозг-компьютер" для реабилитации людей с ограниченными возможностями

РуководительШапошников Дмитрий Григорьевич, Кандидат технических наук

Организация финансирования, регионфедеральное государственное автономное образовательное учреждение высшего образования "Южный федеральный университет", Ростовская обл

Годы выполнения при поддержке РНФ 2020 - 2022 

КонкурсКонкурс 2020 года «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами»

Область знания, основной код классификатора 09 - Инженерные науки, 09-609 - Автоматизированные комплексы для биологии и медицины

Ключевые словаНейрофизиологические механизмы, нейроинтерфейсы, электроэнцефалограмма, нейронные сети, когнитивные процессы, виртуальная реальность, бионические протезы.

Код ГРНТИ34.55.19; 28.23.37


 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ


Аннотация
Проект посвящён разработке стимул-независимого (асинхронного) нейроинтерфейса (интерфейса мозг-компьютер, ИМК), интегрирующего принципиально новые обучаемые нейросетевые модели, алгоритмы и вероятностные критерии оптимального поиска, идентификации и декодирования специфических ЭЭГ-паттернов со средой виртуальной реальности и техническими средствами реабилитации людей с моторными дисфункциями. Актуальность разработки новых технологий создания нейроинтерфейсов обусловлена, прежде всего, необходимостью существенного повышения надежности их функционирования, расширения алфавита управляющих команд и, что не менее важно, скорости управления (Kubler, 2015, Shah, 2018). Наличие указанных ограничений привело к тому, что практически все разрабатываемые в настоящее время нейроинтерфейсы находятся на стадии лабораторных исследований или на самых ранних этапах клинического тестирования (Hill, Häuser, 2014; Kubler, 2015, Ryan, 2018). Разработка гибридных систем с использованием классификаторов паттернов активности мозга на основе самообучающихся искусственных нейронных сетей и технологий виртуальной реальности позволит создавать значительно более эффективные системы, перспективные для использования как при решении широкого спектра прикладных задач, так и исследования механизмов мозга, лежащих в основе перцептивных и когнитивных процессов, в том числе, при управлении виртуальной реальностью и бионическими протезами. Новизна предлагаемого подхода состоит в синтезировании искусственных нейронных сетей, способных самостоятельно обнаруживать воспроизводимые субъектом паттерны ЭЭГ и использовать их в качестве команд управления, в том числе, благодаря оригинальному методу интерпретации «константности» мозговой активности, на коротких интервалах времени. В рамках такого подхода обучение и совершенствование работы классификатора паттернов ЭЭГ осуществляется непосредственно в динамике функционирования (он-лайн обучение) без использования специально отобранных обучающих и верификационных выборок данных посредством формирования уникального для каждого пользователя алфавита команд управления нейроинтерфейсом. это позволяет не только индивидуализировать, но и постоянно совершенствовать работу нейроинтерфеса за счет расширения алфавита управляющих команд, повышения надежности и скорости их распознавания, что обеспечит существенное повышение эффективности этого канала управления. Реализация самообучающихся нейросетевых алгоритмов представляется наиболее сложной задачей (Übeyli, 2009; Yan, Zhou, 2015; Attia e.a., 2018), однако позволяет решить практически все принципиальные проблемы, ограничивающие в настоящее время использование нейроинтерфейсов в среде конечных пользователей (Hughes, 2014; Chu, 2015). В ходе реализации проекта будет выполнено моделирование нейросетевой структуры при работе с многомерными сигналами ЭЭГ в нейросетевом базисе, который получил в последние годы достаточно широкое распространение (Vedavathi, Hiremath, 2015; Mateo, Torres, 2015; Kordjazi e.a., 2017). Для этого будут разработаны оригинальные решения на основе авторегрессионных и кластерных нейросетевых моделей, в т.ч. сетей глубокого обучения, способных к прогнозированию сигналов электроэнцефалограммы на коротких временных интервалах и упорядочиванию данных в многомерном признаковом пространстве. Анализ и интерпретация структуры идентифицируемых паттернов, специфичных для различных видов психомоторной и мыслительной деятельности, будут осуществляться в контексте существующих представлений о механизмах деятельности мозга, в том числе, обеспечивающих реализацию идеомоторных актов, пространственно-образного и вербально-логического мышления. Реализуемый в рамках настоящего проекта подход базируется на трех принципиальных моментах. Во-первых, использовании самообучающейся нейронной сети с модифицируемой (реконфигурируемой) архитектурой для построения асинхронного нейроинтерфейса, способного детектировать специфические для различных видов идеомоторной или мыслительной деятельности ЭЭГ-паттерны в широком частотном диапазоне. Во-вторых, применении технологии виртуальной реальности, обеспечивающей создание предельно контролируемой среды как на этапе обучения, так и функционирования пользователя. Наконец, использовании стимул-независимой модели деятельности, в которой обследуемый генерирует команды управления в произвольные моменты времени (эндогенная парадигма). В ходе экспериментальной оценки новой модели нейроинтерфейса будут разработаны методики взаимодействия пользователя с системой в режиме настройки, включая визуальный интерфейс, поддерживающий обратную связь, работы в виртуальной реальности и методические инструкции для пользователя. Учёт индивидуальнотипологических особенностей пользователей, которые находят отражение в электрической активности мозга (Aslanyan, 2014, 2015; Wolpaw e.a., 2018), позволит разработать методические рекомендации по их более эффективному обучению.

Ожидаемые результаты
Результаты, полученные при реализации проекта, будут соответствовать мировому уровню, поскольку он будет выполняться с учетом мирового опыта разработки человеко-машинных систем и нейроинтерфейсов коллективом высококвалифицированных сотрудников, успешно работающих и публикующихся в рейтинговых международных изданиях, с использованием современного оборудования, предназначенного для формирования среды виртуальной реальности с высоким разрешением, многоканальной регистрации ЭЭГ и передачи данных в режиме реального времени, а также методов и средств их обработки и анализа, в т.ч., вычислительного кластера большой производительности. В ходе выполнения проекта будет разработана новая модель нейроинтерфейса на основе интеграции самообучающегося нейросетевого классификатора с реконфигурируемой архитектурой, оригинальных алгоритмов детектирования и интерпретации электрических сигналов головного мозга, а также среды виртуальной реальности. Оригинальный подход позволит сформировать новый методологический инструментарий для проведения исследований в данной области. Реализация проекта позволит расширить сферу использования лабораторных нейроинтерфейсов, ускорить процесс их внедрения в среду конечных пользователей, в том числе, для целей реабилитации и повышения качества жизни лиц с ограниченными возможностями как в клинических, так и домашних условиях. Запланированные результаты проекта будут востребованы специалистами, разрабатывающими человеко-машинные технологии, в частности, в области высокоэффективного нейропротезирования. Полученные экспериментальные результаты и теоретические обобщения будут иметь высокое прогностическое значение для оценки успешности реабилитационных мероприятий в работе с больными (в частности, парализованными лицами); разработанные методические рекомендации будут востребованы при обучении пользователей таких систем. Результаты работы будут иметь существенное значение для повышения национальной безопасности России, прежде всего, в области биоинформационных технологий. Результаты исследований будут представлены в 20 статьях в журналах, в том числе, 10 - в изданиях, индексируемых в базах Web of Science, Scopus и 10 - в РИНЦ, в одной монографии; основные результаты проекта будут представлены в форме докладов участников коллектива на всероссийских и международных конференциях по заявляемой тематике; будет подготовлен аналитический отчет о проведенных исследованиях.


 

ОТЧЁТНЫЕ МАТЕРИАЛЫ


Аннотация результатов, полученных в 2020 году
Исходная идея создания интерфейса «Мозг-компьютер» (ИМК) состоит том, чтобы захватить управляющие сигналы непосредственно от мозга и преобразовать их в понятный машинный код для внешних устройств в форме команды. Такие сигналы мозга могут быть полезны для взаимодействия с инвалидным креслом, протезом или целым экзоскелетом, а также текстовым процессором, практически, в режиме антропоморфного управления, обеспечивая тем самым человеку принципиально новые каналы связи, которые ранее были для него недоступны в результате травмы или заболевания. Интерфейс «Мозг-компьютер», таким образом, работает в обход нормального эфферентного нейронного пути, поскольку непосредственно транслирует регистрируемые потенциалы мозга в команды управления внешним устройствам. Такое направление нейрокибернетических исследований получило широкое развитие по всему миру и в настоящее время достигнуты большие успехи. Прогресс, отчасти, обусловлен современными достижениями в микропроцессорных технологиях, позволяющих производить вычисления в режиме реального времени, но также и благодаря более глубокому пониманию нейрофизиологических механизмов психических процессов, комплексным исследованиям полного бионического цикла – от нейронов к целостной структуре сложной нейронной сети головной мозг. По-прежнему, решающим фактором, способными ускорить широкое распространение технологии нейроуправления и нейрокоммуникации не только для исследовательских целей, но и на массовом потребительском рынке, является разработка современных и эффективных методов анализа и интерпретации сигналов мозга человека в форме электроэнцефалограммы (ЭЭГ), развитие которых способно непосредственно повлиять на надёжность функционирования невербального канала коммуникации, точность классификации специфических паттернов электрической активности мозга и общую устойчивость системы. Для решения указанных проблем был предложен новый оригинальный подход к классификации квазистационарной биоэлектрической активности мозга человека, суть которого состоит в синтезировании искусственных нейронных сетей, способных обнаруживать инвариантные и устойчиво воспроизводимые субъектом паттерны ЭЭГ и использовать их в качестве команд управления, в том числе, благодаря оригинальному методу интерпретации «константности» электрограмм мозга. Метод основан на построении диаграмм размаха и выделении главных компонент ЭЭГ-паттернов, сопряжённых с реализацией мысленных эквивалентов реальных движений, а также формировании нелинейных отображений многомерного пространства на плоскость. Помимо этого, разработанный метод способен решать задачу построения авторегрессионных моделей прогнозирования сигналов ЭЭГ на коротких временных интервалах с целью получения оценок устойчивости биоэлектрической активности мозга человека как в покое, так и при решении психомоторных задач различного содержания. Для оценки надёжности разработанного метода интерпретации "константности" и инвариантности сигналов мозга и детектирования мысленных психомоторных команд был разработан и протестирован комбинированный классификатор, сочетающий в себе свойства медианного генеративного классификатора и принципы работы методов дискриминации ЭЭГ-паттернов, сопряжённых с выполнением мысленных эквивалентов реальных движений. Указанный подход позволил достичь точности классификации целевых паттернов до 80-83%, а при учёте наиболее значимых опорных признаков ЭЭГ в ходе аппроксимации признакового пространства и снижение размерности входных векторов с 20 до 8 наиболее значимых пространственно-частотных параметров удалось повысить классификационную способность комитета нейронных сетей в условиях детектирования искомых ЭЭГ-паттернов, в среднем, до 89,8%. Наряду с этим, проведено моделирование адаптивного метода фильтрации ЭЭГ, в частности, разработан новый математический аппарат многомерного сингулярного спектрального анализа и адаптивный фильтр нижних частот в рамках метрики Хаусдорфа с целью поиска инвариантных паттернов биоэлектрической активности мозга в квазистационарной ЭЭГ. Показано, что применение синтезированного адаптивного фильтра способно обеспечить надежный автоматизированный поиск индуцированных премоторных ЭЭГ-паттернов и корректное определение их временных границ без использования внешних синхронизирующий событий (стимулов). Новый метод адаптивной фильтрации ЭЭГ позволил достичь классификационной способности метода детектирования целевых премоторных паттернов мозга вплоть до 96%, при средней точности 80±16%. Предложенное решение, прежде всего, базируется на гипотезе, согласно которой функция поиска должна отражать факт наличия начальной и конечной границ целевого паттерна в ЭЭГ, генерируемого соответствующими морфологическими субстратами - мозговыми структурами. Требуемая чувствительность такой функции достигается за счёт применения синтезированного адаптивного фильтра нижних частот, полоса пропускания которого на анализируемой временной эпохе максимально соответствует спектру искомых паттернов ЭЭГ. Сравнительный анализ методов частотной фильтрации с априорно заданными параметрами и алгоритмов адаптивной подстройки показал значительное превосходство последних, поскольку они способны учитывать значимые флуктуации временных и пространственно-частотных характеристик ЭЭГ в условиях реализации произвольных движений и их мысленных эквивалентов. Наиболее значимым и ценным результатом проведённого исследования является применение адаптивного фильтра и детальное определение временных границ премоторных паттернов ЭЭГ, предшествующих произвольным двигательным актам. Показано, что временной интервал 500 мс, предшествующий реализации реального движения, с высокой вероятностью содержит в себе соответствующий электрографический коррелят, связанный с принятием решения и формированием субъективного желания выполнить движение (W-judgment), которое, как известно, формируется за 300-500 мс до его фактической реализации. Впервые получены детализированные оценки индивидуальных особенностей биоэлектрической активности мозга обследуемых в контексте свойств «константности» ЭЭГ, анализ которой позволил уточнить вклад нестационарных компонентов мозговых сигналов в общую статистику работы методов классификации. Экспериментально было продемонстрировано, что наиболее высокие показатели «константности» были тесным образом связаны с проекционными зонами коры, обеспечивающими подготовку и реализацию целенаправленного поведения, в том числе, фронтальными, премоторными и центральными (моторными). При этом индивидуальная неустойчивость высоких частот ЭЭГ (бета- и гамма-диапазонов) в анализируемых электрограммах, связанных с произвольными движениями и их мысленными эквивалентами, значимо коррелировала со снижением «константности» и повышением вариативности анализируемых целевых паттернов в заинтересованных областях мозга, обеспечивающих генерацию управляющих команд. В ходе дальнейшего проведения исследования авторами планируется выполнить тестирование разработанных методов и алгоритмов детектирования и классификации специфических ЭЭГ-паттернов, сопряжённых с реализацией произвольных мысленных эквивалентов реальных движений, при использовании современных средств в рамках технологий виртуальной реальности, а также для управления бионическим протезом руки «Manifesto», приобретённых за счёт средств Российского Научного Фонда.

 

Публикации

1. Кирой В.Н., Бахтин О.М., Кривко Е.М., Лазуренко Д.М., Асланян Е.В. Когерентность ЭЭГ при проговаривании слов, обозначающих направления в пространстве Журнал высшей нервной деятельности им. И.П. Павлова, - (год публикации - 2021).

2. Лазуренко Д.М., Шапошников Д.Г., Шапошников П.Д. Исследование релевантных опорных признаков ЭЭГ произвольной двигательной активности Экспериментальная психология, - (год публикации - 2021).

3. Лазуренко Д.М., Шепелев И.Е., Шапошников Д.Г., Шепелев Д.И., Шапошников П.Д., Кирой В.Н. Метод радиально-базисных функций для классификации ЭЭГ-паттернов мысленных движений Информационно-управляющие системы, - (год публикации - 2021).

4. Шепелев И.Е., Бахтин О.М., Лазуренко Д.М., Саевский А.И., Шапошников Д.Г., Кирой В.Н. A novel neural network-based approach to classification of implicit emotional components in ordinary speech Optical Memory and Neural Networks (Information Optics), - (год публикации - 2021).

5. Щербань И.В., Лазуренко Д.М., Шапошников Д.Г., Кириленко Н.Е., Шустова А.В. Adaptive search for premotor EEG patterns of human voluntary motor activity for brain-computer interfaces Automatic Control and Computer Sciences, - (год публикации - 2021).


Аннотация результатов, полученных в 2021 году
В настоящее время все большее значение приобретают формы человеко-машинного взаимодействия, которые служат для обеспечения пациентов с двигательными ограничениями новыми каналами коммуникации и управления, утраченными по различным причинам. В последние годы системы интерфейсов «Мозг-компьютер» (ИМК) показали свой высокий потенциал в качестве средства перенаправления сигналов мозга непосредственно на внешние технические устройства, минуя нормальные нервно-мышечные каналы, в том числе спинной мозг, периферическую нервную систему и опорно-двигательный аппарат. Расшифровывая намерения человека на основе регистрируемых сигналов мозга, системы ИМК могут обеспечить его интерфейсом для взаимодействия с роботизированными протезами и различными программными средам, в том числе виртуальными. Неинвазивный подход на основе сигналов электроэнцефалограммы (ЭЭГ) оказался весьма полезным для развития технологии интерфейсов «Мозг-компьютер» и доказал свою высокую безопасность и надёжность, прежде всего, в рамках обеспечения средствами коммуникации с внешним миром обездвиженных по разным причинам пациентов. Поскольку работа ИМК не требует использования какой-либо мышечной активности, система связи, основанная на методах нейрокоммуникации, практически, способна функционировать даже у людей с тяжелыми двигательными нарушениями, вызванными нейродегенеративными заболеваниями или травмами спинного мозга. В настоящее время для решения задач нейрокоммуникации наиболее интенсивно используются методы анализа спонтанной ЭЭГ, включающие в себя как классификаторы на основе методов машинного обучения, так и искусственные нейронные сети (ИНС), получившие достаточно широкое распространение в задачах нейроуправления. Нейронные сети весьма успешно применяются для решения широкого круга научных и инженерных задач, в частности для моделирования, фильтрации и классификации различных биологических сигналов, в том числе, электрической активности головного мозга. Большинство, наблюдаемых в живой природе процессов, являются нелинейными, благодаря чему получили широкое распространение нелинейные математические нейросетевые методы. В связи с этим, в основу разрабатываемого подхода была положена нейронная сеть, представляющая собой многослойный персептрон (Multilayer Perceptron – MLP), а также сети свёрточного типа Multi-headed CNN с оригинальными алгоритмами обучения. Результаты сравнительного анализа показывают выраженное превосходство нелинейных нейросетевых алгоритмов над линейными, прежде всего, в части эффективности их функционирования и адаптивной настройки. Последнее может быть достигнуто, в частности, за счёт разработки новых нейросетевых методов, интегрирующих широкие возможности настройки и преимущества различных подходов, способных эффективно детектировать специфические (инвариантные) паттерны биоэлектрической активности мозга человека. В ходе реализации второго этапа проекта РНФ разработана новая модульная структура комитета нейронных сетей, способного к автоматизированному поиску оптимальных настроек нейросетевого классификатора в процессе обучения и тестирования для построения наиболее оптимальной модели нейронной сети с использованием широкого набора методов статистической предобработки входных сигналов. В процессе исследования информативных признаков ЭЭГ было продемонстрировано, что разработанные методы способны весьма эффективности обнаруживать значимые показатели биоэлектрической активности мозга в ЭЭГ в процессе реализации произвольной мыслительной деятельности, в том числе моторного и вербального содержания. Полученные результаты согласуются с уже имеющимися данными, указывающими на то, что нейроинтерфейсы, эксплуатирующие идеомоторную активность и нейросетевой подход для управления, способны обеспечить надёжный канал управления, однако требуют более тщательной подготовки и обучения пользователей, в том числе, за счёт разработки новых методических подходов и сценариев, обеспечивающих простую и быструю интеграцию технических средств в соматосенсорную схему тела человека. Полученные нами результаты хорошо согласуются с многочисленными литературными данными, указывающими на то, что специфические информационные процессы реализуются преимущественно на высоких (от 30 до 100 Гц) ЭЭГ-частотах, поскольку именно они в определённой степени определяли характеристики опорных векторов, анализируемых нейросетевым классификатором. Исследования, использующие неинвазивные методы регистрации гамма-осцилляций с частотой от 35 до 100 Гц, убедительно показали, что высокие ЭЭГ-частоты в большей степени, чем низкие (до 35 Гц), коррелируют с произвольной двигательной активностью и мыслительной деятельностью. Показано, что осцилляторная гамма-активность, как правило, более локально представлена, согласуется с соматотопическим представлением схемы тела, а мощность гамма-частот в сенсомоторной коре головного мозга непосредственно связана с произвольной двигательной активностью. В ходе работы нами разработан оригинальный метод вейвлет-энтропии для разделения нативных ЭЭГ данных на соответствующие временные интервалы с помощью «скользящего» временного окна на основе дискретного (ДВП) и непрерывного вейвлет-преобразования (НВП). Разработанный метод позволил вычислить вероятности появления доли энергии искомого паттерна ЭЭГ на заданном уровне декомпозиции. Данные методы дополняли друг друга и обладали сравнительно высоким быстродействием и высоким разрешением по частоте искомого электрографического паттерна, сопряжённого с произвольной мыслительной деятельностью. Плотность спектра вейвлет-энергии нами описана локальным спектром энергии на основе непрерывного вейвлет-преобразования, характеризующим энергетические уровни функции в частотно-временном многомерном пространстве ЭЭГ. Помимо этого, разработан новый критерий оценки глобального спектра энергии суммарной биоэлектрической активности мозга (ЭЭГ). Результат вычисления функции вейвлет-энтропии в локальном диапазоне частот, полученный с помощью нового разработанного критерия оптимальности, показал, что минимальное значение критерия достигается во временных окнах, предшествующих непосредственному выполнению произвольного движения, а оптимальная граница поиска специфического паттерна ограничивается временным интервалом 300-500 мс. С целью увеличения чувствительности метрики на основе разработанного аппарата многомерного сингулярного спектрального анализа и метрики Хаусдорфа был синтезирован оригинальный адаптивный фильтр, полоса пропускания которого на анализируемой временной шкале максимально соответствует спектру искомых ЭЭГ-паттернов мозга, , сопряжённых с произвольными эквивалентами реальных движений и мысленной вербализацией. Показано, что применение синтезированного адаптивного фильтра обеспечило надежный автоматический поиск индуцированных ЭЭГ-паттернов и корректное определение их временных границ (точность до 96%). Сравнительный анализ методов частотной фильтрации с априорно заданными параметрами и алгоритмов адаптивной подстройки показал значительное превосходство последних, поскольку они способны учитывать значимые флуктуации как временных, так и пространственно-частотных характеристик ЭЭГ в условиях реализации произвольной мыслительной деятельности. Есть основания полагать, что разработка новых подходов к распознаванию и классификации паттернов активности мозга, в том числе, на основе перспективных самообучающихся моделей нейронных сетей с реконфигурируемой (в т.ч., достраиваемой в зависимости от сложности решаемой задачи) архитектурой позволит значительно повысить надёжность канала невербальной и немышечной коммуникации в рамках технологии нейроинтерфейсов, что и является предметом проводимых в настоящее время исследований.

 

Публикации

1. Бахтин О.М., Щербань И.В., Кириленко Н.Е., Щербань О.Г. Метод детекции ЭЭГ-паттернов мозга человека в условиях мысленной вербализации Сборник трудов XXVIII Международной научно-практической конференции "Приоритетные направления развития науки и технологий", с. 88-92 (год публикации - 2021).

2. Дубинин А.Э. Клиническая реабилитация пациентов с двигательными нарушениями в контуре нейроинтерфейсов Сборник трудов XXVIII Международной научно-практической конференции "Приоритетные направления развития науки и технологий", с. 72-80 (год публикации - 2021).

3. Кирой В.Н., Бахтин О.М., Кривко Е.М., Лазуренко Д.М., Асланян Е.В., Шапошников Д.Г., Щербань И.В. Spoken and Inner Speech-related EEG Connectivity in Different Spatial Direction Biomedical Signal Processing and Control, Volume 71, Part B, 103224 (год публикации - 2022).

4. Кирой, В. Н., Кривко, Е. М., Бахтин, О. М., Шапошников, Д. Г., Лазуренко, Д. М. Нейрофизиологические корреляты генерации вслух и мысленно семантически значимых слов и псевдослов Сборник трудов XXVIII Международной научно-практической конференции "Приоритетные направления развития науки и технологий", с. 138-140 (год публикации - 2021).

5. Лазуренко Д.М., Шапошников Д.Г., Шепелев И.Е., Шапошников П.Д., Кирой В.Н. Motor Imagery-Related Quasi-Stationary EEG Patterns for Neural Interfaces Studies in Computational Intelligence, vol 1008, p. 68-74 (год публикации - 2022).

6. Лазуренко Д.М., Шапошников П.Д., Шепелев Д.И. Произвольные мысленные эквиваленты реальных движений: спектральный анализ ЭЭГ Сборник трудов XXVIII Международной научно-практической конференции "Приоритетные направления развития науки и технологий", с.80-87 (год публикации - 2021).

7. Саевский А.И., Шепелев И.Е., Лазуренко Д.М., Шапошников Д.Г. Search for Informative Frequency Range and EEG Time Boundaries for Solving the Problem of Motor Imagery Patterns Classification Studies in Computational Intelligence, vol. 1008, p. 62-67 (год публикации - 2022).

8. Саевский А.И., Шепелев И.Е., Шапошников Д.Г., Лазуренко Д.М. Поиск информативных частотных диапазонов и временных границ ЭЭГ для решения задачи классификация паттернов мысленных движений Сборник трудов XXVIII Международной научно-практической конференции "Приоритетные направления развития науки и технологий", с. 93-97 (год публикации - 2021).

9. Саевский А.И., Шепелев И.Е., Шапошников Д.Г., Лазуренко Д.М., Кирой В.Н. Search for Informative Frequency Ranges and Time Segments in EEG for Classification of Motor Imagery Patterns International Journal of Computing and Digital Systems, - (год публикации - 2022).

10. Солосин С.В., Лазуренко Д.М. Практические аспекты применения технологии нейроуправления и нейрокоммуникации Материалы XXVIII научной конференции "Современные информационные технологии: тенденции и перспективы развития (СИТО 2021)", с. 326-329 (год публикации - 2021).

11. Шапошников П.Д. Методика индуцированной идеомоторной деятельности в контуре нейроинтерфейса Материалы XXVIII научной конференции "Современные информационные технологии: тенденции и перспективы развития (СИТО 2021)", с. 373-378 (год публикации - 2021).

12. Шепелев Д.И., Саевский А.И., Шепелев И.Е., Кирой В.Н., Лазуренко Д.М., Шапошников Д.Г. Creating a hybrid system to connect the brain-computer interface with the virtual reality environment CEUR Workshop Proceedings, - (год публикации - 2022).

13. Щербань И.В., Лазуренко Д.М., Шапошников Д.Г., Кириленко Н.Е. Development of Algorithms to Detect EEG Patterns Specific for Arbitrary Motor Activity of a Human in the BCI Applications Studies in Computational Intelligence, vol. 1008, p.75-80 (год публикации - 2022).