Нейрокомпьютерный интерфейс

Priority5
Question0

Нейрокомпьютерный интерфейс (НКИ, мозго-машинный интерфейс, ММИ, интерфейс мозг-компьютер, ИМК) – это устройство, выполняющее преобразование данных об электрической или метаболической активности мозга человека (далее активности) или животного в сигналы управления внешним техническим устройством1. Как правило, в однонаправленных интерфейсах внешние устройства могут либо принимать сигналы от мозга, либо посылать ему сигналы (например, имитируя сетчатку глаза при восстановлении зрения электронным имплантатом). Другие интерфейсы, так называемые двунаправленные, позволяют обмениваться информацией мозгу и внешним устройствам в обоих направлениях. В центре нейрокомпьютерного интерфейса довольно часто используется такой метод, как биологическая обратная связь. Технологии нейрокомпьютерного интерфейса можно разбить на две направленности: непосредственное взаимодействие с нейронами с внедрением в тело специальных устройств и снятие внешних сигналов с помощью наружных датчиков.

Новое поколение технических средств реабилитации

Разработка и производство современных интеллектуальных изделий медицинского и специального назначения, основанных на управлении сигналами непосредственно от нервной системы человека, является приоритетной научной задачей.

В Российской Федерации существует потребность в производстве отечественных интеллектуальных технических средств реабилитации. Подавляющее большинство современных протезов в РФ сегодня импортируется из Германии, Исландии, США, Китая.

Развитие нейробиологии, нейрохирургии, микроэлектроники и технологий цифровой обработки сигналов создает возможности практической реализации нейроуправляемых систем управления протезами. Существует значительный объем накопленных в этой области теоретических знаний и практического опыта. Однако для успешного развития и массового применения подобных систем управления предстоит решить множество методологических и практических задач, находящихся на стыке медицины, электроники и других областей. К наиболее важным из них можно отнести разработку эффективных методов, алгоритмов и программно-аппаратных средств обработки и анализа нейробиоинформации в реальном времени, создание методов и средств реализации обратных связей путем формирования искусственных ощущений, разработку искусственных компонентов конечностей, максимально схожих с естественными по биомеханическим (эргономическим, силовым и функциональным) параметрам. Это позволит решить насущную социальную проблему, связанную со здоровьем и качеством жизни российских инвалидов.

Интерфейсы технических средств реабилитации

Технические средства реабилитации (TCP, или протезы) людей с ограничениями жизнедеятельности – это общее название средств и технических решений для облегчения повседневной жизни людей с инвалидностью, компенсации или устранения стойких ограничений жизнедеятельности инвалида.

До начала XXI века практически все изделия для протезирования имели механический или косметический характер. Основные минусы подобных изделий – отсутствие какой-либо связи с организмом и низкая функциональность. Сейчас в сфере протезирования наблюдается большой скачок, появляются новые разработки и технологии, инженеры всего мира работают над созданием протезов нового поколения, которые по функциям максимально приближены к работе живой руки или ноги.

Существуют различные виды управления протезами, опирающиеся на физиологические сигналы. Среди TCP нового поколения можно выделить бионические протезы, использующие:

• биоэлектрические потенциалы мышц (мио-электрический интерфейс);

• сигналы с периферических нервных волокон (периферический нейроинтерфейс);

• сигналы головного мозга (интерфейс «мозг-компьютер»);

• движение глаз (окулографический интерфейс).

Бионические протезы состоят из трех конструктивных узлов:

1) индивидуальной ортопедической части по слепку или обчерку;

2) механических полуфабрикатов (например, механический плечевой шарнир, механический или электромеханический локтевой шарнир и т. п.);

3) полуфабрикатов электрических и электронных узлов (например, аккумулятор, электроды управления, усилительные каскады и выключатели, моторы для приведения в движение шарниров).

Миоэлектрический интерфейс

Биоэлектрические потенциалы мышц (мио-электрические сигналы микровольтового диапазона) возникают при всяком их сокращении (напряжении). Эти сигналы с помощью поверхностных электродов, накладываемых на кожу (вводимых внутрь мышцы или под кожу) в местах, найденных индивидуально, передаются на электронную систему управления протезом23. Процессор, получив усиленный сигнал, дает команду на приведение протеза в действие. Контролируемый потенциал мышц, например сгибателей или разгибателей плеча или предплечья, может быть использован в качестве команды на переключение какой-либо функции протеза (сгибания и разгибания электромеханического локтевого шарнира, раскрытия и смыкания кисти).

Миоэлектрические интерфейсы более просты, чем рассматриваемые далее нейроинтерфейсы. Основная предпосылка для применения такого типа протеза – наличие или способность к тренировке потенциалов активности мышц. Обычно это несложно, если не нарушена нервная система или культя не пострадала от ожогов, что осложняет или делает невозможным возникновение и передачу миопотенциалов. В таких случаях потенциалы могут быть «взяты» от других мышечных групп (большой и малой грудных мышц, широчайшей мышцы спины и др.).

Периферический нейроинтерфейс

В миоэлектрических TCP наблюдается дефицит входной управляющей информации. Эту проблему можно решить за счет использования сигналов, поступающих непосредственно от нервной системы человека; поскольку объем полученной таким образом информации о различных состояниях организма велик, эффективность протеза существенно возрастает.

Имплантируемые в периферические нервы электроды (микроэлектродные массивы – МЭМ) позволяют не только считывать электрические сигналы отдельных нервных волокон, но и стимулировать волокна электрическими импульсами и тем самым управлять сокращением отдельных мышц и создавать искусственные ощущения.

Можно выделить следующие основные типы микроэлектродных массивов4: сетчатые (sieve electrodes), планарные массивы микроигл (plannar shaft electrodes) и манжетные (cuffs electrodes).

Если после проведения ампутации нервные окончания функционируют нормально, то они могут быть приращены к определенной целевой мышце и передавать ей нейронные сигналы5. Этому способствует естественный механизм регенерации, который помогает восстановить способность пациента к сокращениям мышц. После повторного «подключения» нервов мышца будет реагировать, если пациент помыслит движение несуществующей конечностью. Таким способом можно, например, соединить остаточные нервы плечевого сплетения, передающие информацию от мозга к руке и в обратном направлении, с грудными мышцами.

Формирование функциональных связей нервов и мышц занимает, как правило, несколько месяцев. В итоге команды мозга, предназначавшиеся несуществующим конечностям, отправляются целевым мышцам и приводят к их сокращениям. Электрические сигналы, создаваемые сокращениями реиннервированных мышц, могут быть зафиксированы с помощью поверхностных электродов и использоваться для управления протезом.

Интерфейс «мозг-компьютер»

Наука о мозге в XXI веке обогатилась новой методологической и технологической концепцией, в.основе которой – идея использования психических усилий человека-оператора для коммуникации с внешней средой напрямую от мозга. Интерфейс, использующий сигналы активности головного мозга для коммуникации человека с электронными и электронно-механическими устройствами (интерфейс «мозг-компыотер» -ИМК), основан на непосредственном преобразовании намерений человека, отраженных в регистрируемых электрических сигналах мозга, в управляющие команды67.

В случае применения протезов, использующих миоэлектрические сигналы или сигналы с нервных волокон, используются уже готовые функциональные системы, ранее обеспечивавшие управление конечностью. В случае применения сигналов электрической активности головного мозга существуют два принципиально различных подхода к решению задачи8.

Первый подход – использование паттернов электроэнцефалографической (электроэнцефалограмма – ЭЭГ) активности, изначально являющихся отражением работы функциональных систем мозга, связанных с той или иной командой телу, которая перенаправляется протезу. Очевидно, что этот способ требует решения задачи распознавания образов по массивам ЭЭГ-паттернов с последующей адаптацией результатов ко всему- пространству возможных состояний, где образы – классы распознавания – соответствуют ключевым командам телу. Решение данной задачи является сложным, но стандартным.

Второй подход – выбор произвольных ЭЭГ-паттернов для последующего формирования из них пространства состояний управляемой системы путем обучения человека. Способ основан па возможности человека произвольным образом изменить выраженность спектральных компонентов собственной ЭЭГ’. Произвольное управление показателями собственной ЭЭГ можно использовать для кодирования команд и их передачи внешним исполнительным устройствам. В этом случае речь идет уже о подстройке человека к неизменной системе управления конечностью. Задача такого рода решается следующим образом: выбирается система управляющих входов (например, повышение мощности ЭЭГ в альфа-диапазоне на 10 % – сигнал «рука вверх на 5 градусов», понижение «рука вниз на 5 градусов»), после этого осуществляется обучение человека произвольному изменению выбранных параметров.

Одним из важнейших приложений интерфейса «мозг-компьютер» является нейропротезирование – область неврологии, занимающаяся созданием и имплантацией искусственных устройств для восстановления нарушенных функций нервной системы или сенсорных органов (нейропротезов или нейроимплантатов). Наиболее часто используется кохлеарный нейроимплантат (медицинский прибор, позволяющий частично или полностью восстановить слух). Существуют также нейропротезы для восстановления зрения, например имплантаты сетчатки, протезы верхних конечностей, кистей и пр.

Термины «нейропротезирование» и «ИМК» могут быть взаимозаменяемыми, поскольку оба подхода преследуют одну цель – восстановление зрения, слуха, двигательных способностей, способности общаться и других когнитивных функций. Основное отличие ИМК от нейропротезирования заключается в особенностях их применения: нейропротезы чаще всего «подключают» нервную систему к имплантированному устройству, в то время как ИМК обычно соединяет мозг (или нервную систему) с компьютерной системой. На практике нейропротез может быть подсоединен к любой части нервной системы, например к периферическим нервам, в го время как ИМК взаимодействует с центральной нервной системой.

Окулографический интерфейс

Окулографический интерфейс – комплекс аппаратно-программных средств, физический принцип действия которого основан на бесконтактной регистрации движения глаз. Отслеживая движение глаз, комплекс определяет, па каких объектах сфокусировано внимание пользователя, и, анализируя паттерны этих движений, определяет намерение пользователя по выполнению действия с данными объектами.

Методы формирования и выделения ЭЭГ-паттернов

Анализ множества научных работ, среди которых следует выделить910111213141516, показал, что при проектировании нейрокомпьютерных интерфейсов возможно использование следующих методов формирования и выделения ЭЭГ-паттернов: метод зрительных вызванных потенциалов, метод вызванного потенциала на волне Р300, метод вызванного потенциала на волне N100, метод комбинирования вызванных потенциалов па волне N100-Р300, метод ментальной активности, метод воображаемых движений крупной моторики, метод воображаемых движений мелкой моторики. Рассмотрим каждый из перечисленных методов более подробно.

Метод зрительных вызванных потенциалов (ЗИП)

Выделение и формирование ЭЭГ-паттерна методом ЗВП
Рис. 1. Выделение и формирование ЭЭГ-паттерна методом ЗВП

Заключается в формировании управляющих команд посредством направления взгляда человека, либо повышения концентрации взгляда. При этом электроды должны быть расположены на затылочной области, соответствующей активности зрительной коры. Практические применения: управление курсором манипулятора по направлению взгляда. Сигнал, формирующий паттерн, измеряется через 100мс после начала предъявления пользователю мерцающих стимулов. Во временной области, в которую входил стимул, на который смотрел пользователь, амплитуда ЭЭГ будет выше по отношению к остальному сигналу (рис. 1)17.

Метод вызванного потенциала на волне Р300

Выделение и формирование ЭЭГ-паттерна вызванного потенциала на волне Р300
Рис. 2. Выделение и формирование ЭЭГ-паттерна вызванного потенциала на волне Р300

Согласно данному методу, пользователю предъявляется значимый стимул, а регистрация паттерна производится после 300мс после предъявления стимула. Записываемый ЭЭГ паттерн имеет длительность 300-400мс и положительную амплитуду от 5мкВ до 15мкВ. В качестве стимула может быть концентрация внимания на каком-либо предмете. Практические применения: набор букв при концентрации внимания на символах. Метод не требует обучения пользователя в течение длительного времени, но недостатком является отсутствие средств автоматического привлечения внимания к предъявляемым стимулам, в то время как остальные окружающие стимулы могут вносить искажения. Соответственно, пользователь может неосознанно переключать внимание от символа к символу. Достоинством метода является быстро обучение пользователя — от 5 минут до нескольких часов (рис. 2)1819.

Метод вызванного потенциала на волне N100 (N1)

Выделение ЭЭГ-паттерна методом вызванного потенциала на волне N100 (N1)
Рис. 3. Выделение ЭЭГ-паттерна методом вызванного потенциала на волне N100 (N1)

Метод аналогичен предыдущему методу за исключением того, что паттерн регистрируется после 100мс после предъявления стимула и имеет отрицательную ампплитуду (рис. 3)20.

Метод вызванного потенциала на волнах N100-P300

Выделение ЭЭГ-паттерна методом вызванного потенциала на волнах N100-Р300
Рис. 4. Выделение ЭЭГ-паттерна методом вызванного потенциала на волнах N100-Р300

Состоит в комбинировании использования Р300 и N100, за счет чего достигается более высокая информативность формируемых паттернов, чем формирования посредством отдельного использования Р300 и N100 (рис. 4) 21.

Методы воображаемых движений крупной и мелкой моторики

Метод воображаемых движений крупной моторики -применяется при формировании паттернов крупной моторики. Пользователь воображает движение крупных частей тела, например, рук, запястий, локтевых суставов, плечевых суставов и ног. Используется показатели синхронизации/десинхронизации и частотный диапазон мю- и бета-ритмов ЭЭГ (моторные и сенсомоторные области), а также вызванные потенциалы. Время обучения пользователя от 5 минут до 2-3 недель2223.

Метод воображаемых движений мелкой моторики -применяется при формировании паттернов мелкой моторики. Пользователь воображает движение мелких частей тела, например, пальцев. Время обучения пользователя от 5 минут до 2-3 недель2425.

Метод ментальной активности

Применяется при формировании паттернов, направленных на решение задач определенного класса: воображение указателей движения, выполнения арифметических действий, вращения геометрической фигуры, визуальное представление последовательности чисел. В спектре основных частотных диапазонов ЭЭГ такие стимулы вызывают асимметрию, которую не сложно выделить посредством различных классификаторов26.

Оптоволоконные нейроинтерфейсы

В работе27 описываются так называемые оптоволоконные нейроинтерфейсы, которые можно выделить в отдельный тип микроэлектродных массивов (МЭМ). Основными элементами такого МЭМ являются: оптоаксоны, оптическая матрица, схема преобразования оптических сигналов в электрические (рис. 5).

Оптический нейроинтерфейс
Рис. 5. Оптический нейроинтерфейс

Оптоаксоны размещены в пучке, покрытом общей оболочкой. С одной стороны он соединен с оптической матрицей, а с другой – покрыт лекарственным веществом, которое скрепляет пучок, придавая ему необходимые жесткость и эластичность. В процессе вживления лекарственное вещество рассасывается и оптоаксоны распределяются в нервной ткани (рис. 6).

Соединение оптоаксонов с нейронами
Рис. 6. Соединение оптоаксонов с нейронами

Несущим элементом оптоаксона служит световод диаметром 5–10 мкм. На торце световода размещена наноструктура, содержащая миниатюрный фотоэлемент и разрядник. Фотоэлемент состоит из полупрозрачного электрода, слоя фотоактивного вещества и торцевого контакта. Вся наноструктура покрыта слоем резистивного вещества, а затем слоем диэлектрика толщиной 5–10 нм.

В качестве фотоактивного вещества могут использоваться поликристаллические пленки диселенида меди и индия (CulnSe2) или теллурида кадмия (CdTe). В качестве полупрозрачных электродов можно использовать проводящие оксидные пленки из SnO2, In2O3 или SnO2 + In2O3. Для формирования пленки изолятора можно применить хорошо зарекомендовавший себя на практике диоксид кремния.

На электрической схеме оптоаксона (рис. 7) показана форма исходного импульса и форма импульса переносного внеклеточного потенциала, действующего на мембрану нейрона.

Электрическая схема оптоаксона
Рис. 7. Электрическая схема оптоаксона

Оптические матрицы содержат светоизлучающие и светочувствительные ячейки, расположенные в шахматном порядке так, чтобы на каждый торец оптоволоконного световода попадало минимум по одной светоизлучающей и светочувствительной ячейке. Со стороны, обращенной к нейронной структуре, на конце каждого световода сформирована активная наноструктура, которая содержит жидкокристаллический модулятор, чувствительный к электрическому полю или микрогидроакустическим импульсам, возникающим при работе нейронов. С помощью активной наноструктуры, размещенной на конце каждого оптического волокна, луч в световоде модулируется в зависимости от активности ближайшего нейрона и отражается обратно в многоканальную матрицу, где в светочувствительной ячейке преобразуется в электрическую форму28.

Следует отметить, что МЭМ такого типа появились относительно недавно и требуют детального и тщательного изучения. К потенциальным преимуществам можно отнести тот факт, что число оптоаксонов в таких МЭМ на порядок больше количества электродов в других типах МЭМ и, по прогнозам специалистов, должно постепенно приблизиться к количеству реальных нервных волокон, которые ими заменяются. Так как оптоаксоны не имеют прямой гальванической связи с окружающими клетками, то, во-первых, оказывают меньшее влияние на нервную ткань, а во-вторых, соединение «оптоаксон – нервная клетка», вероятно, будет более стабильным и надежным.

К недостаткам можно отнести отсутствие жесткой фиксации МЭМ такого типа на нерве, относительную сложность изготовления и дополнительные погрешности, вносимые МЭМ, связанные с преобразованием сигналов.

Footnotes

  1. Мокиенко О.А., Люкманов Р.Х.. Черникова Л.А.. Супонева Н.А., Пирадов М.А., Фролов А.А. Интерфейс мозг-компьютер: первый опыт клинического применения в России // Физиология человека, 2016. Т. 42. № I. С. 31-39.
  2. Fleischer С., Wege A., Kondak К., Hommel G. Application of EMG signals for controlling exoskeleton robots // Biomed. Tech. (Berl). 2006, Dec. Vol. 51 (5-6). PP. 314-319.
  3. Kuiken T.A., Li G Lock B.A., Lipschutz R.D., Miller L.A., Stubblefield K.A., Englehart K.B. Targeted Muscle Reinnervation for Real-time Myoelectric Control of Multifunction Artificial Arms // The Journal of the American Medical Association (JAMA). 2009, Feb. 11. Vol. 301 (6). PP. 619-628.
  4. Сафин Д.Р., Пильщиков И. С., Ураксеев М.А., Мигранова Р. М. Применение имплантируемых микроэлектродов в системах управления протезами И Вестник УГАТУ. 2010. Т. 14. № 2.
  5. http://www.ric.org/research/centers/cbm/Research/ #reinnervation.
  6. Каплан А.Я., Кочеткова А.Г., Шишкин С.Л. и др. Экспериментально-теоретические основания и практические реализации технологии «интерфейс мозг-компьютер» // Бюллетень сибирской медицины. 2013. Т. 12. № 1.
  7. Прохоров Н.Л., Знайко Г.Г., Швеин А.А., Красовский В.Е. Анализ проблем и перспектив разработки робототехнических систем интеллектуального протезирования на основе нейротехнологий // Вопросы радиоэлектроники. Сер. ЭВТ. 2014. Вып. 3.
  8. Milller-Putz G.R., Scherer R., Pfurtscheller G., Rupp R. EEG-based neuroprosthesis control: A step towards clinical practice // Neuroscience Letters. 2005. 382. PP. 169-174.
  9. Фролов А.А.. Рощин В.Ю. Интерфейс мозг-компьютер. Реальность и перспективы: [Электронный ресурс] // Научная конференция по нейроинформатике МИФИ. Лекции по нейроинформатике -2008. Режим доступа: http://neurolectures.narod.ru/2008/Frolov-2008.pdf (Дата обращения: 12.02.2017).
  10. Станкевич Л.А.. Сонькин К.М., Нагорнова Ж.В.. Хоменко Ю.Г., Шемякина Н.В. Классификация электроэнцефалографических паттернов воображаемых движений пальцами руки для разработки интерфейса мозг-компьютер И Труды СПИИРАН. 2015. Вып. 40. С. 163-182.
  11. Ганин И.П., Каплан А.Я. Интерфейс мозг компьютер на основе волны рЗОО: предъявление комплексных стимулов “подсветка + движение” // Журнал высшей нервной деятельности. 2014. Т.64. № I.C. 32-40.
  12. Шишкин С.Л.. Ганин И.П. Басюл И.А.. Каплан А.Я. Интерфейс мозг-компьютер на основе волны РЗОО: волна N1 и проблема дистракторов / Материалы XV Междунар. конф, по нейрокибернетике. 2009 г. Изд-во ЮФУ, 2009. Т. 2. Симпозиум “Интерфейс мозг-компьютер”. С. 30-33.
  13. Сонькин К.М. Система классификации электроэнцефалографических сигналов воображаемых движений мелкой моторики для интерфейса мозг-компьютер: диссертация канд. техн, наук: 05.11.16: М., 2016. http://www.spbstu.ru/defences_files/067d-thesis.pdf.
  14. Гончаров С.М.. Маркин М.Е. «Интерфейс мозг-компьютер» как нестандартная технология управления и передачи информации //Доклады ТУСУР. 2014. №2 (32).
  15. Abiyev R.H.. Akkaya N.. Aytac Е.. Giinsel /.. QaLman A. Brain-Computer Interface for Control of Wheelchair Using Fuzzy Neural Networks// BioMed Research International ,Vol.2016(2016), pp. 67-73.
  16. Alexandre Ormiga G. Barbosa. David Ronald A. Diaz. Marley Maria B. R. Vellasco. Marco Antonio Meggiolaro. Ricardo Tanscheit. Mental Tasks Classification for a Noninvasive BCI Application / ICANN ’09 Proceedings of the 19th International Conference on Artificial Neural Networks: Part II, 2009. Pp. 495-504.
  17. Фролов А.А.. Рощин В.Ю. Интерфейс мозг-компьютер. Реальность и перспективы: [Электронный ресурс] // Научная конференция по нейроинформатике МИФИ. Лекции по нейроинформатике -2008. Режим доступа: http://neurolectures.narod.ru/2008/Frolov-2008.pdf (Дата обращения: 12.02.2017).
  18. Фролов А.А.. Рощин В.Ю. Интерфейс мозг-компьютер. Реальность и перспективы: [Электронный ресурс] // Научная конференция по нейроинформатике МИФИ. Лекции по нейроинформатике -2008. Режим доступа: http://neurolectures.narod.ru/2008/Frolov-2008.pdf (Дата обращения: 12.02.2017).
  19. Ганин И.П., Каплан А.Я. Интерфейс мозг компьютер на основе волны рЗОО: предъявление комплексных стимулов “подсветка + движение” // Журнал высшей нервной деятельности. 2014. Т.64. № I.C. 32-40.
  20. Шишкин С.Л.. Ганин И.П. Басюл И.А.. Каплан А.Я. Интерфейс мозг-компьютер на основе волны РЗОО: волна N1 и проблема дистракторов / Материалы XV Междунар. конф, по нейрокибернетике. 2009 г. Изд-во ЮФУ, 2009. Т. 2. Симпозиум “Интерфейс мозг-компьютер”. С. 30-33.
  21. Шишкин С.Л.. Ганин И.П. Басюл И.А.. Каплан А.Я. Интерфейс мозг-компьютер на основе волны РЗОО: волна N1 и проблема дистракторов / Материалы XV Междунар. конф, по нейрокибернетике. 2009 г. Изд-во ЮФУ, 2009. Т. 2. Симпозиум “Интерфейс мозг-компьютер”. С. 30-33.
  22. Фролов А.А.. Рощин В.Ю. Интерфейс мозг-компьютер. Реальность и перспективы: [Электронный ресурс] // Научная конференция по нейроинформатике МИФИ. Лекции по нейроинформатике -2008. Режим доступа: http://neurolectures.narod.ru/2008/Frolov-2008.pdf (Дата обращения: 12.02.2017).
  23. Abiyev R.H.. Akkaya N.. Aytac Е.. Giinsel /.. QaLman A. Brain-Computer Interface for Control of Wheelchair Using Fuzzy Neural Networks// BioMed Research International ,Vol.2016(2016), pp. 67-73.
  24. Станкевич Л.А.. Сонькин К.М., Нагорнова Ж.В.. Хоменко Ю.Г., Шемякина Н.В. Классификация электроэнцефалографических паттернов воображаемых движений пальцами руки для разработки интерфейса мозг-компьютер И Труды СПИИРАН. 2015. Вып. 40. С. 163-182.
  25. Гончаров С.М.. Маркин М.Е. «Интерфейс мозг-компьютер» как нестандартная технология управления и передачи информации //Доклады ТУСУР. 2014. №2 (32).
  26. Alexandre Ormiga G. Barbosa. David Ronald A. Diaz. Marley Maria B. R. Vellasco. Marco Antonio Meggiolaro. Ricardo Tanscheit. Mental Tasks Classification for a Noninvasive BCI Application / ICANN ’09 Proceedings of the 19th International Conference on Artificial Neural Networks: Part II, 2009. Pp. 495-504.
  27. Никитин В. C. Многоканальные оптоволоконные нейроинтерфейсы // Наноиндустрия. 2009.№ 1.
  28. Никитин В. C. Многоканальные оптоволоконные нейроинтерфейсы // Наноиндустрия. 2009.№ 1.