БАДАРИН А.А., к.ф.-м.н.
г. Москва
BADARIN A.A., PhD.
Moscow
АНТИПОВ В.М.
г. Москва
ANTIPOV V.M.
Moscow
СМИРНОВ Н.М.
г. Калининград
SMIRNOV N.M.
Kaliningrad
ДРАПКИНА О.М., д.м.н, профессор, академик РАН
г. Москва
DRAPKINA O.M., DSc, Prof., Academician of the Russian Academy of Sciences
Moscow
КИСЕЛЕВ А.Р., д.м.н.
г. Москва
KISELEV A.R., DSc.
Moscow
ХРАМОВ А.Е., д.ф.-м.н., профессор, член-корреспондент РАН
г. Москва
HRAMOV A.E., DSc, Prof., Corresponding Member of the Russian Academy of Sciences
Moscow
Работа посвящена созданию программно-аппаратного комплекса нейрореабилитации на основе моторного воображения, реализующего полный цикл работы интерфейса мозг–компьютер – от регистрации и предобработки ЭЭГ до классификации, управления мультимодальной обратной связью и формирования клинически ориентированных отчётов.
Материалы и методы: Архитектура комплекса включает базы данных пациентов и сценариев, модуль синхронизации потоков данных, автоматическое удаление глазодвигательных артефактов методом независимых компонент (ICA), классификатор на основе римановой геометрии ковариационных матриц и механизм адаптивного согласования признаков для снижения межиндивидуальной вариабельности.
Результаты: Разработанный комплекс обеспечивает надёжную работу в реальном времени и формирует отчёты, включающие нейрофизиологические показатели (спектральные мощности в диапазонах дельта, тета, альфа и бета ритмов, ERD, индекс латерализации) и поведенческие характеристики (скорость формирования моторного образа, количество успешных воображений). Система обеспечивает объективный мониторинг состояния пациента и динамики восстановления, включая оценку изменений фоновой ритмической активности и функциональных ответов сенсомоторной коры.
Выводы: Разработанное решение сочетает современные алгоритмические методы и клиническую применимость, что делает его перспективным инструментом для нейрореабилитации и когнитивно-моторных тренировок.
The study presents the development of a hardware-software system for neurorehabilitation based on motor imagery, implementing the full cycle of brain-computer interface (BCI) operation – from EEG acquisition and preprocessing to classification, multimodal feedback control, and generation of clinically oriented reports.
Materials and Methods: The system architecture includes patient and scenario databases, a data stream synchronization module, automatic removal of oculomotor artifacts using Independent Component Analysis (ICA), a classifier based on Riemannian geometry of covariance matrices, and an adaptive feature alignment mechanism to reduce inter-individual variability.
Results: The developed system ensures reliable real-time performance and generates reports including neurophysiological parameters (spectral power in delta, theta, alpha, and beta bands, ERD, lateralization index) and behavioral characteristics (motor imagery formation speed, number of successful imagery attempts). The system provides objective monitoring of patient’s condition and recovery dynamics, including assessment of changes in background rhythmic activity and functional responses of the sensorimotor cortex.
Conclusions: The proposed solution combines state-of-the-art algorithmic methods with clinical applicability, making it a promising tool for neurorehabilitation and cognitive-motor training.
The authors declare that there are no conflicts of interest present.