Создана роботизированная инвалидная коляска, которая управляется сигналами мозга напрямую
Математики Института проблем машиноведения РАН и Санкт-Петербургского государственного университета создали алгоритм неинвазивного управления инвалидной коляской по нейронным сигналам головного мозга. О разработке доложил руководитель работ Александр Фрадков на VI Международной конференции по нейронным сетям и нейротехнологиям (NeuroNT'2025) в ЛЭТИ.
Кибернетическая нейробиология — это новая научная область, объединяющая методы вычислительной нейробиологии и кибернетики для изучения процессов управления в нервной системе и мозге. Она исследует математические модели нейронных ансамблей, применяя подходы теории управления, такие как синтез обратных связей, оценивание параметров и классификация состояний головного мозга по сигналам электроэнцефалографии (ЭЭГ).
Современные разработки в области нейротехнологий открывают новые горизонты в управлении оборудованием с помощью нейроинтерфейсов, включая роботов, инвалидные коляски и роботизированные протезы, а также значительно улучшают диагностику нервных заболеваний и патологических состояний мозга. Кроме того, применение математических моделей нейронных ансамблей и отдельных регионов коры головного мозга позволяет глубже понять принципы работы мозга, что способствует развитию новых методов лечения и реабилитации.
Сотрудники ИПМаш РАН ведут работы в данном направлении в последние годы совместно с СПбГУ. Так, они построили обучающиеся сетевые версии моделей Фитц Хью-Нагумо и Хиндмарша-Роуза для улучшения качества моделирования работы человеческого мозга.
«Мы не стоим на месте и сейчас, вместе со студентами мы разработали роботизированную инвалидную коляску, которая управляется сигналами мозга напрямую. Благодаря созданным алгоритмам она точно улавливает, когда человек хочет двигаться вправо, а когда влево», — прокомментировал главный научный сотрудник лаборатории управления сложными системами ИПМаш РАН, профессор СПбГУ Александр Фрадков.
Коляска реагирует на намерения пользователя, распознавая сигналы мозга через электроэнцефалографию (ЭЭГ). Специальные алгоритмы машинного обучения анализируют активность мозга, выделяя паттерны, соответствующие командам «вперёд», «налево», «направо» и «стоп». Для повышения точности используются адаптивные методы, такие как модифицированный алгоритм Якубовича–Брэгмана и «неявная полоска», которые эффективно разделяют сигналы даже при ограниченном объёме данных.
Основу системы составляет многоэтапная обработка сигналов мозга. Сначала ЭЭГ-данные очищаются от шумов с помощью полосовых фильтров, выделяя ключевые частотные диапазоны (например, альфа- и бета-ритмы). Затем алгоритмы машинного обучения анализируют паттерны активности мозга, сопоставляя их с конкретными намерениями пользователя.
Для повышения точности система использует адаптацию: параметры модели нейронных ансамблей непрерывно уточняются под индивидуальные особенности пользователя. Финальный этап — преобразование распознанных команд в сигналы для электроприводов коляски, обеспечивая плавное и точное движение. Таким образом, софт действует как «переводчик» между мозгом и механикой, соединяя нейробиологию, кибернетику и робототехнику.
Преимущества такой системы — в её неинвазивности и персонализации. В отличие от традиционных интерфейсов, требующих имплантации электродов напрямую в мозг, в данном случае применяются внешние датчики ЭЭГ. Алгоритмы самонастраиваются под индивидуальные особенности мозга пользователя, что ускоряет обучение и повышает точность управления.
Кроме того, технология позволяет адаптировать систему под новые типы команд, расширяя её функционал. В перспективе подобные разработки могут быть использованы не только для реабилитации, но и для управления другими устройствами — от умного дома до экзоскелетов, открывая новые возможности для людей с ограниченной подвижностью.
Источник: Официальный сайт РАН