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).
Разработку представил руководитель работ, профессор Санкт‑Петербургского университета, главный научный сотрудник лаборатории управления сложными системами ИПМаш РАН Александр Фрадков на VI Международной конференции по нейронным сетям и нейротехнологиям (NeuroNT’2025) в ЛЭТИ.
Ученые Санкт‑Петербургского университета входят в число лидеров в этом направлении, именно они ранее сформулировали суть новой области научного знания и одними из первых стали систематически ее развивать. Современные разработки в области нейротехнологий открывают новые горизонты в управлении оборудованием с помощью нейроинтерфейсов, включая роботов, инвалидные коляски и роботизированные протезы. Подобные разработки 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. Ученые Санкт‑Петербургского университета и ИПМаш РАН разработали роботизированную инвалидную коляску, которая управляется сигналами мозга напрямую.
Вместе со студентами мы построили обучающиеся сетевые версии моделей ФитцХью — Нагумо и Хиндмарша — Роуза для улучшения качества моделирования работы человеческого мозга. Благодаря созданным алгоритмам она точно улавливает сигналы, когда человек хочет двигаться вправо, а когда влево.
Главный научный сотрудник лаборатории управления сложными системами ИПМаш РАН, профессор Санкт‑Петербургского государственного университета Александр Фрадков
Коляска реагирует на намерения пользователя, распознавая сигналы мозга через электроэнцефалографию (ЭЭГ). Специальные алгоритмы машинного обучения анализируют активность мозга, выделяя паттерны, соответствующие командам «вперед», «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 объеме 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 с учетом индивидуальных особенностей пользователя. На финальном этапе распознанные команды преобразуются 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 ее 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 ее 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.