XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

ВВЕДЕНИЕ

Актуальность исследования. Растущая распространенность неврологических расстройств (инсульт, травмы спинного мозга, нейродегенеративные заболевания) создаёт потребность в принципиально новых, персонализированных и адаптивных подходах к реабилитации. Существующие решения, включая классические нейроинтерфейсы, часто ограничены жёстко заданными протоколами, низкой скоростью адаптации к прогрессу пациента и отсутствием синергетической обратной связи, направленной именно на реорганизацию собственных нейросетей пациента.

Цель исследования: Разработать детализированную теоретическую концепцию и формальную модель интеллектуальной системы M.A.R.K.U.S., обеспечивающей восстановление утраченных функций через реализацию принципа нейросинергии на основе адаптивной обработки биосигналов.

Задачи исследования:

1. Провести сравнительный анализ современных медицинских нейроинтерфейсов и ИИ-алгоритмов для обработки биосигналов.

2. Обосновать выбор биосигналов и формализовать требования к их обработке в контуре нейросинергии.

3. Разработать концептуальную архитектуру и формальную математическую модель адаптивного взаимодействия в системе M.A.R.K.U.S.

4. Выявить теоретические ограничения, этические аспекты и предложить конкретные области применения системы.

5. Сформулировать принципы, гарантирующие ориентацию системы на восстановление, а не на сверхусиление функций.

Объект исследования: Теоретические модели адаптивных интеллектуальных систем для нейрореабилитации.

Предмет исследования: Принципы архитектуры, функционирования и формальная модель системы M.A.R.K.U.S., основанной на нейросинергии.

Гипотеза исследования: Интеграция мультимодальных биосигналов с адаптивными алгоритмами ИИ в рамках формализованной модели замкнутого контура позволяет создать теоретическую основу для системы, которая, выступая в роли «интеллектуального катализатора», эффективно фасилитирует процесс естественного восстановления функций за счет усиления нейропластичности.

Методы исследования: Системный анализ, сравнительный анализ, теоретическое моделирование (включая математическую формализацию), междисциплинарный синтез, концептуальный дизайн.

Глава 1. Теоретическая база и анализ аналогов

1. 1. Нейропластичность как фундамент восстановительной неврологии

Рассматриваются механизмы синаптической и несинаптической пластичности (долгосрочная потенциация/депрессия, картографическая реорганизация). Делается вывод о необходимости в реабилитационных системах, которые обеспечивают повторяемую, корректно дозированную и своевременную активацию целевых нейронных ансамблей, что является теоретической предпосылкой для концепции M.A.R.K.U.S.

1. 2. Современные нейроинтерфейсы: от управления к взаимодействию

Проводится анализ существующих систем типа «мозг-компьютер» (BCI) для реабилитации. Выделяется их ключевой недостаток: часто они работают по принципу замещения функции (прямое управление курсором или экзоскелетом), а не восстановления. Подчёркивается необходимость перехода к адаптивным интерфейсам с биологически обратной связью, меняющим свою работу по мере прогресса пациента.

1. 3. Искусственный интеллект в обработке биосигналов: методы и потенциал

Анализируются применимые алгоритмы ИИ:

· Для классификации паттернов ЭЭГ/ЭМГ: сверточные нейронные сети (CNN), рекуррентные сети (LSTM) для учета временных зависимостей.

· Для адаптации системы: обучение с подкреплением (Reinforcement Learning, RL) для оптимизации параметров помощи в реальном времени на основе текущей эффективности пациента.

Делается вывод об их адекватности для создания адаптивной модели, требуемой в концепции нейросинергии.

Глава 2. Концепция и архитектура системы M.A.R.K.U.S.

2.1. Общая идея и принцип нейросинергии

M.A.R.K.U.S. позиционируется как нейросинергетический адаптивный посредник. Его цель — не взять на себя функцию, а создать оптимальные условия (правильный сигнал, правильное время, правильная нагрузка) для того, чтобы нервная система пациента самостоятельно восстановила утраченные связи. Ключевой принцип: система и мозг работают как единый контур с совместной целью.

2.2. Биосигналы, датчики и сбор данных

· ЭЭГ (Электроэнцефалография): Используется для декодирования двигательного намерения (например, десинхронизация сенсомоторного ритма над моторной корой) и оценки общего функционального состояния (уровень когнитивной нагрузки, усталости).

· ЭМГ (Электромиография): Регистрация остаточной мышечной активности или непроизвольных спазмов для уточнения намерения, калибровки и обеспечения более надёжного распознавания паттернов.

· Мультимодальность сигналов повышает помехоустойчивость и надёжность распознавания.

2.3. Архитектура системы (схема)

А
рхитектура представляет собой замкнутый адаптивный контур:

· Модуль ИИ-обработки: На основе LSTM/CNN классифицирует намерение из потока ЭЭГ/ЭМГ. Параллельно RL-агент анализирует эффективность предыдущих действий (успешность попытки, утомление) и корректирует помощь (например, степень усиления сигнала от экзоскелета или порог срабатывания).

· Адаптивная модель (Ядро системы): Формально описывается как система уравнений, где состояние пациента S(t) (текущий функциональный уровень) и параметры помощи системы A(t) связаны через функцию пластичности P , зависящую от точности совпадения намерения и результата:

dS/dt = P(Совпадение(Намерение(S(t)), Результат(A(t)))) – k * Утомление(S(t))

A(t+1) = RL_Agent(Эффективность(S(t), A(t)))

· Исполнительные устройства: Адаптивные нейропротезы, функциональная электронная стимуляция (FES), роботизированные экзоскелеты с регулируемой степенью свободы.

· Обратная связь: Тактильная (вибрация, давление), проприоцептивная (сопротивление/поддержка экзоскелета), визуальная (виртуальная среда). Критически важна для замыкания контура и обеспечения нейропластичности.

2.4. Принцип работы: от сигнала к синергии

Детально раскрывается цикл работы согласно схеме: 1) Регистрация попытки действия/намерения; 2) Интерпретация и оценка контекста ИИ; 3) Расчет и оказание дозированной помощи исполнительным устройством; 4) Предоставление обратной связи; 5) Анализ результата и адаптация параметров помощи на следующий цикл RL-агентом. Акцент на том, что помощь уменьшается по мере улучшения показателей пациента.

Глава 3. Формальная модель, ограничения и этические аспекты

3.1. Формализация модели нейросинергетического контура

Предлагается более развернутая математическая модель, рассматривающая систему как стохастический процесс принятия решений (MDP):

· Состояния (s): Комбинация паттернов биосигналов и истории эффективности.

· Действия (a): Параметры управляющего воздействия исполнительного устройства (сила, угол, время).

· Вознаграждение ®: Функция, возрастающая при успешной самостоятельной активности пациента и убывающая при чрезмерной помощи или неудаче.

· Цель RL-агента: Найти стратегию (политику), максимизирующую долгосрочное вознаграждение, то есть постепенное уменьшение зависимости от системы.

3.2. Теоретические ограничения и проблемы

· Индивидуальная вариабельность сигналов: Необходимость длительной персонифицированной калибровки.

· Проблема «дискриминативного порога»: Сложность точного различения намеренных движений от артефактов или непроизвольных спазмов.

· Задержки (латентность) в контуре: Критический параметр для эффективной обратной связи и пластичности.

· Теоретические пределы адаптации: Модель должна учитывать возможные плато в восстановлении.

3.3. Этические аспекты и границы применения

Чёткое определение восстановления (возврат к утраченной доморбидной функции) vs. Усиления (приобретение новой или сверхнормативной способности). Установление этических рамок: система должна иметь «встроенные ограничители», предотвращающие режим усиления. Обсуждение вопросов автономности пациента, информированного согласия и защиты данных нейросигналов.

Глава 4. Области применения и перспективы

4.1. Конкретные области применения

· Постинсультная реабилитация верхних конечностей: Адаптивный нейропротез кисти, который помогает лишь в той мере, в которой пациент не может завершить движение самостоятельно.

· Реабилитация после травм спинного мозга: Использование FES в синергии с остаточными ЭМГ-сигналами для восстановления паттернов ходьбы.

· Управление нейропротезами следующего поколения: Создание протезов, которые «чувствуют» намерение и обеспечивают плавную, коадаптированную помощь.

4.2. Перспективы развития

· Интеграция дополнительных модальностей (фНIRS, внутрикорковые сигналы для конкретных случаев).

· Развитие теории и метрик для количественной оценки «синергичности» взаимодействия.

· Создание цифровых двойников пациента для предварительного моделирования стратегий реабилитации.

ЗАКЛЮЧЕНИЕ

В рамках проекта разработана детализированная теоретическая концепция нейросинергетической интеллектуальной системы M.A.R.K.U.S. Её научная новизна заключается в синтезе адаптивных алгоритмов ИИ (LSTM, RL) и принципов нейропластичности в рамках формализованной модели замкнутого контура, целью которой является фасилитация естественного восстановления, а не замещение функции. Предложены архитектура, схема работы и её математическая интерпретация. Определены ключевые ограничения и этические границы. Данная концепция служит прочным теоретическим фундаментом для последующего этапа — построения компьютерных симуляций, математического моделирования динамики контура и, в конечном итоге, разработки опытных образцов, открывающих новые горизонты в персонализированной восстановительной неврологии.

СПИСОК ЛИТЕРАТУРЫ

Анохин, П. К. Принципиальные вопросы общей теории функциональных систем // Анохин П. К. Избранные труды : биология и нейрофизиология функциональной системы. — Москва : Наука, 1978. — С. 49–106.

Воронин, И. М. Этические аспекты применения нейроинтерфейсов в медицине / И. М. Воронин, А. С. Смирнов // Биоэтика. — 2021. — № 2. — С. 25–30.

Дойдж, Н. Пластичность мозга : потрясающие факты о том, как мысли способны менять структуру и функции нашего мозга / Н. Дойдж ; [пер. с англ.]. — Москва : Эксмо, 2021. — 544 с.

Каплан, А. Я. Нейропластичность и нейрореабилитация : механизмы и перспективы / А. Я. Каплан, А. Р. Шишкина // Журнал высшей нервной деятельности им. И. П. Павлова. — 2020. — Т. 70, № 4. — С. 451–464.

Мирошников, В. В. Интерфейсы мозг–компьютер : современное состояние и перспективы / В. В. Мирошников, А. Г. Кучеренко // Нейроинформатика. — 2022. — Т. 14, № 1. — С. 12–29.

Новицкий, Р. Е. Применение искусственного интеллекта для обработки электроэнцефалограмм в нейрореабилитации / Р. Е. Новицкий, О. С. Лебедева // Искусственный интеллект в медицине. — 2023. — № 2. — С. 34–45.

Birbaumer, N. Brain–computer interfaces : communication and restoration of movement in paralysis / N. Birbaumer, L. G. Cohen // The Journal of Physiology. — 2007. — Vol. 579, № 3. — P. 621–636.

Dayan, P. Theoretical neuroscience : computational and mathematical modeling of neural systems / P. Dayan, L. F. Abbott. — Cambridge : MIT Press, 2005. — 460 p.

Farina, D. The extraction of neural information from the surface EMG for the control of upper-limb prostheses : emerging avenues and challenges / D. Farina [et al.] // IEEE Transactions on Neural Systems and Rehabilitation Engineering. — 2014. — Vol. 22, № 4. — P. 797–809.

Hochberg, L. R. Reach and grasp by people with tetraplegia using a neurally controlled robotic arm / L. R. Hochberg [et al.] // Nature. — 2012. — Vol. 485, № 7398. — P. 372–375.

Lebedev, M. A. Brain–machine interfaces : from basic science to neuroprostheses and neurorehabilitation / M. A. Lebedev, M. A. L. Nicolelis // Physiological Reviews. — 2017. — Vol. 97, № 2. — P. 767–837.

Pfurtscheller, G. Motor imagery and direct brain–computer communication / G. Pfurtscheller, C. Neuper // Proceedings of the IEEE. — 2001. — Vol. 89, № 7. — P. 1123–1134.

Ramos-Murguialday, A. Brain–machine interface in chronic stroke rehabilitation : a controlled study / A. Ramos-Murguialday [et al.] // Annals of Neurology. — 2013. — Vol. 74, № 1. — P. 100–108.

Sutton, R. S. Reinforcement learning : an introduction / R. S. Sutton, A. G. Barto. — 2nd ed. — Cambridge : MIT Press, 2018. — 526 p.

Wolpaw, J. R. Brain–computer interfaces : principles and practice / J. R. Wolpaw, E. W. Wolpaw. — Oxford : Oxford University Press, 2012. — 424 p.

Код для цитирования: Скопировать