Математическое моделирование динамики нейронных ансамблей и разработка численных алгоритмов и комплексов программ мониторинга и контроля активности мозга тема диссертации и автореферата по ВАК РФ 05.13.18, доктор наук Максименко Владимир Александрович

• Максименко Владимир Александрович
• доктор наук
• 2020

Оглавление диссертации доктор наук Максименко Владимир Александрович

1.4 Аппробация модели

1.5 Выводы к первой главе

1.5.1 Основные результаты

1.5.2 Научная новизна

2 Численный метод оценки степени связи между нейронными ансамблями на основе вейвлет-спектров их макроскопических сигналов

2.1 Описание предлагаемого численного метода

2.2 Применение метода для анализа экспериментальных сигналов ЭКоГ

2.2.1 Регистрация экспериментальных сигналов

2.2.2 Анализ степени связи

2.3 Применение метода для анализа экспериментальных сигналов ЭЭГ

2.3.1 Методы экспериментального исследования

2.3.2 Численный алгоритм анализа экспериментальных данных

2.3.3 Результаты анализа

2.3.4 Заключение

2.4 Оптимизация алгоритмов машинного обучения на основе выявленных особенностей нейронной активности

2.4.1 Методы экспериментального исследования

2.4.2 Численные методы анализа экспериментальных данных ЭЭГ

2.4.3 Результаты

2.4.4 Обсуждение и заключение

2.5 Выводы ко второй главе

2.5.1 Основные результаты

2.5.2 Научная новизна

3 Численный метод анализа сигналов ЭЭГ/ЭКоГ в реальном

времени

3.1 Описание предлагаемого численного метода

3.2 Численный алгоритм идентификации предшественников эпилептических приступов в реальном времени

3.3 Численный алгоритм для оценки концентрации внимания человека на основе сигналов ЭЭГ

3.4 Численный алгоритм идентификации нейронной активности, соответствующей выполнению и воображению движений у нетренированных испытуемых

3.5 Идентификации характеристик двигательной активности

3.5.1 Актуальность анализа нейронной активности при выполнении и воображении движений

3.5.2 Методы экспериментального исследования

3.5.3 Численный метод анализа сигналов ЭЭГ

3.5.4 Результаты анализа

3.6 Разработка и оптимизация алгоритма машинного обучения

для классификации воображаемых моторных команд

3.6.1 Актуальность решения задачи оптимизации при классификации моторных команд

3.6.2 Методы экспериментального исследования

3.6.3 Численный алгоритм анализа экспериментальных данных

3.6.4 Результаты анализа

3.6.5 Обсуждение результатов

3.7 Выводы к третьей главе

3.7.1 Полученные результаты

3.7.2 Научная новизна

4 Программные комплексы для анализа нейрофизиологиче-

ских сигналов

4.1 Программный комплекс для предсказания эпилептических приступов на основе сигналов ЭКоГ и их предотвращения

при помощи электрической стимуляции

4.1.1 Востребованность программного комплекса

4.1.2 Методы экспериментального исследования

4.1.3 Результаты испытания программного комплекса

4.1.4 Обсуждение результатов и выводы

4.2 Программный комплекс для контроля состояния человека

при помощи биологической обратной связи

4.2.1 Актуальность использования биологической обратной связи

4.2.2 Методы экспериментального исследования

4.2.3 Результаты применения программного комплекса

4.2.4 Обсуждение полученных результатов

4.3 Программный комплекс для распределения когнитивной нагрузки между испытуемыми

4.3.1 Актуальность распределения когнитивной нагрузки между испытуемыми

4.3.2 Методы экспериментального исследования

4.3.3 Результаты применения программного комплекса

4.3.4 Обсуждение полученных результатов

4.4 Выводы по четвертой главе

4.4.1 Основные результаты

4.4.2 Научная новизна

Заключение

Благодарности

Введение диссертации (часть автореферата) на тему «Математическое моделирование динамики нейронных ансамблей и разработка численных алгоритмов и комплексов программ мониторинга и контроля активности мозга»

Актуальность исследуемой проблемы

В настоящее время большой интерес исследователей привлекает изучение активности нейронной сети головного мозга. Данные исследования носят принципиально междисциплинарный характер, сочетая как методы и подходы биологии и психологии, так и методы математического моделирования и анализа экспериментальных данных.

Следует отметить, что состояние головного мозга характеризуется большим массивом экспериментальных данных, включающих многоканальные данные электрической активности, характеризующие активность нейронных ансамблей, и данные, регистрируемые на поведенческом уровне, характеризующие те или иные особенности поведение человека (быстроту его реакции на внешние стимулы, быстроту и корректность решения когнитивной задачи и т.д.).

Кроме того, регистрируемые экспериментальные сигналы характеризуются изменяющимся во времени спектральным составом, высоким уровнем шума и наличием различных артефактов. Дополнительная сложность анализа экспериментальных нейрофизиологических сигналов вызвана также необходимостью учитывать взаимосвязь между ними. Это приводит к до-

полнительному усложнению структуры данных и повышению их размерности. В виду вышесказанного, исследования нейронной активности мозга требуют развития новых математических методов и численных алгоритмов анализа больших данных, позволяющих преодолеть описанные сложности.

Отметим также, что несмотря на большой объем регистрируемых экспериментальных данных, большая часть информации о функционировании нейронной сети мозга остаётся недоступной для регистрации. Регистрируемые инвазивным способом сигналы позволяют описать активность отдельных нейронов в ограниченных небольших областях мозга. Неинва-зивные сигналы, в свою очередь, позволяют регистрировать суммарную активность нейронных ансамблей, расположенных в разных частях мозга. В последнем случае теряется информация об особенностях индивидуальной активности нейронов внутри этих ансамблей.

Таким образом, актуальным научным направлением является математическое моделирование динамики нейронных ансамблей мозга и выявление связи между нейронной активностью на микроскопическом уровне (между отдельными нейронами) и характеристиками макроскопических сигналов (электроэнцефалограмм, ЭЭГ и электрокортикограмм, ЭКоГ), характеризующих суммарную активность нейронных ансамблей в условиях нормального и патологического функционирования мозга. Данное направление имеет большое практическое значение, связанное с разработкой численных алгоритмов идентификации нормальной и патологической активности головного мозга на основе сигналов ЭЭГ/ЭКоГ.

Разработка численных алгоритмов анализа экспериментальных сигналов ЭЭГ/ЭКоГ, в свою очередь, необходима для реализации программно-аппаратных комплексов "интерфейсы мозг-компьютер" (ИМ К) [1]. ИМ К

позволяют осуществлять управление внешними устройствами с использованием команд, генерируемых на основании регистрируемых особенностей активности головного мозга [2]. Они востребованы в различных областях, включая нейрореабилитацию [3], робототехнику [4] и медицину [5]. С помощью ИМ К возможно управление биопротезами и экзоскелетами [6], осуществление коммуникации между полностью парализованными пациентами [7], тренировки психофизиологического и ментального состояния человека [8], а также мониторинга и контроля течения неврологических заболеваний [5].

Существенный прогресс в области ИМК достигнут с использованием имплантированных многоэлектродных матриц, позволяющих регистрировать активность сотен нейронов. Инвазивная регистрация нейронной активности позволяет детектировать моторные паттерны у обезьян и осуществлять управление протезом и элементами экзоскелета [9-11]. Применение данных методов для детектирования характерных режимов нейронной активности человека по неинвазивным сигналам (ЭЭГ) оказывается невозможным. Разработанные в данной области математические методы позволяют регистрировать только небольшое число (до четырех) команд, при этом оператор ИМК должен проходить длительные тренировки [2]. Существуют математические методы, позволяющие регистрировать характеристики психофизиологического состояния человека (концентрация внимания и усталость), на основе многоканальных записей ЭЭГ [12-16]. Однако, данные методики используют фрагменты сигналов ЭЭГ с большой длительностью и способны регистрировать только медленные изменения состояния человека. Вышесказанное не позволяет использовать такие методы для разработки ИМК с биологической обратной связью (БОС), в

которых необходима быстрая диагностика изменений активности нейронной сети, вызванной как изменением состояния человека, так и эффектом БОС [17-19].

В области разработки ИМК для лечения пациентов с эпилепсией разработанные на сегодняшний день методы детектирования патологической нейронной активности, основанные как на инвазивных (ЭКоГ), так и неин-вазивных (ЭЭГ) методов регистрации, не обладают достаточными показателями точности и селективности для использования в клинических испытаниях [20-23].

С учетом вышесказанного, можно заключить, что дальнейшее развитие технологий ИМК требует разработки новых численных методов детектирования характерных особенностей нейронной активности на основе регистрируемых нейрофизиологических сигналов, обладающих высокой точностью и селективностью. Известно, что регистрируемые экспериментальные сигналы ЭЭГ/ЭКоГ представляют собой суммарную активность больших групп нейронов. Очевидно, что процессы, протекающие в данном нейронном ансамбле на микроскопическом уровне, приводят к характерным изменением частотно-временной структуры соответствующего макроскопического сигнала.

Таким образом, разрабатываемые для использовании в ИМК численные методы должны базироваться на математических моделях, описывающих взаимосвязь между особенностями регистрируемых нейрофизиологических сигналов и процессами, протекающими в нейронной сети головного мозга на микроскопическом уровне и отвечающими за формирование моторных команд, изменения состояния человека и возникновение патологической активности.

Анализ научной литературы свидетельствует о существовании нескольких научных направлений, объединяющих исследования в данной области.

Анализом и моделированием нейронной активности на микроскопическом уровне с использованием математических моделей в виде сетей осцилляторов занимаются научные группы L. F. Abbot (Бостонский Университет, США) [24,25], D. Basset (Университет Пенсильвании, США) [26,27], A. Batista (Университет Понта Гросса, Бразилия) [28,29], S. Dana (Джадав-пурский университет, Индия) [30,31], J. Kurths [32,33] (Потсдамский Университет, Германия), М. Perk (Мариборский университет, Словения) [34,35], A. Pisarchik (Технический университет Мадрида, Испания) [36,37], Е. Scholl (Технический Университет Берлина, Германия) [38, 39], I. Segev (Иерусалимский Университет, Израиль) [40,41], Д. Захарова (Высшая Школа Экономики, Россия) [42,43], В. Казанцева (Нижегородский Университет, Россия) [44,45], В. Некоркина (Институт Прикладной Физики РАН, Россия) [46,47], Г. Осипова (Нижегородский Университет, Россия) [48,49], Н. Рулькова (Калифорнийский Университет, США) [50,51], А. Храмова (Университет Иннополис, Россия) [52,53] и др.

Разрабатываемые математические модели строятся на основе существующих знаний о функционировании отдельного нейрона и его взаимодействии с другими нейронами. В этом контексте, последние достижения в области химии и биологии позволяют создавать нейроноподобные модели, отражающие основные принципы активности отдельных нейронов. Среди них можно выделить модели нейронов Integrate-and-Fire [54], Моррис-Лекар [55], Фитцхью-Нагумо [56,57], Хиндмарш-Роуз [58], Ходжкина-Хаксли [59]. Нейрон Ходжкина-Хаксли является одной из самых сложных моделей, которая описывает инициирование и распространение потенциалов действия

в нейронах и учитывает большинство биологических процессов. Показано, что спайковая активность, генерируемая данной моделью, совпадает с активностью реального нейрона [60]. Несмотря на это, применение данных моделей ограничено описанием динамики малых нейронных ансамблей, расположенных в определённых областях мозга, для которых известен тип нейрона и тип биологических связей между ними. Вместе с тем, анализ особенностей коллективной активности больших нейронных ансамблей с использованием данных моделей проблематичен.

В то же время, коллективная (или интегративная) динамика нейронных ансамблей играет важную роль в функционировании нейронных сетей мозга [61]. Согласно нейрофизиологическим исследованиям, проведённых с использованием функциональной магнитно-резонансной томографии (фМРТ), функции мозга реализуются в результате взаимодействия нескольких подсетей нейронных ансамблей как во время состояния покоя, так и при выполнении когнитивных задач. Эти подсети включают, например дорсальную сеть внимания (dorsal attentional network), лобно-теменную сеть (fronto-parietal network), сеть исполнительного управления (executive-control network), сеть режима по умолчанию (default-mode network) и т. д. [62]. Хотя нейронные ансамбли, участвующие в формировании этих подсетей, имеют разное анатомическое расположение, они взаимодействуют друг с другом посредством длинных нейронных связей [63].

Интегративные процессы, возникающие в результате функционального взаимодействия между удалёнными нейронными ансамблями, формируют активность мозга во время выполнения сложных задач. Например, при высокой сложности задачи мозг задействует дополнительный ресурс путем вовлечения дополнительных популяций нейронов [64]. В задачах ви-

зуальной обработки небольшой объем сенсорной информации может обрабатываться затылочно-теменной сетью, в то время как увеличение сложности информации требует дополнительной активации нейронных ансамблей префронтальной области [65]. Наконец, коллективная нейронная активность лежит в основе когнитивной деятельности во время длительных когнитивных задач. В этом случае мозг динамически перераспределяет когнитивную нагрузку между различными нейронными популяциями [66,67].

Современный взгляд на взаимодействие между нейронными ансамблями подчёркивает важную роль фазовой когерентности между сигналами активности, генерируемыми нейронами данных ансамблей [68]. Рассмотрим взаимодействие между парой нейронов. Пресинаптический нейрон активирует нейротрансмиттер в результате того, что потенциал действия входит в его аксон. Постсинаптический нейрон получает нейротрансмиттер и может испытывать потенциал действия, если нейротрансмиттер достаточно силен. В головном мозге постсинаптический нейрон получает входные сигналы от нескольких пресинаптических нейронов одновременно [69]. В отсутствие когерентности входные сигналы поступают в постсинаптический нейрон в случайной фазе его цикла возбудимости, имея, тем самым, низкую эффективность связи. Таким образом, эффективная коммуникация между нейронами требует фазовой синхронизации сигналов их спайковой активности.

Фазовая синхронизация между нейронами внутри локального ансамбля приводит к высокой амплитуде электрического потенциала, регистрируемого электродом (например амплитуде сигнала ЭЭГ или ЭКоГ). Более того, экспериментальные результаты подтверждают наличие фазовой синхронизации между высокочастотной импульсной активностью отдельных

нейронов и низкочастотной электрической активностью, регистрируемой при помощи электродов в эксперименте [70]. В частности, в работе [71] показано, что фаза низкочастотного #-ритма (4 — 8 Гц) , регистрируемого при помощи электрокортикограммы, модулирует фазу высокочастотной активности отдельных нейронов в 7-диапазоне (80 — 150 Гц). Это означает, что фазовая синхронизация между низкочастотными и высокочастотными ритмами нейронной активности координирует активность нейронных ансамблей, расположенных в различных областях головного мозга.

В экспериментах показано, что высокая амплитуда электрических потенциалов, регистрируемых при помощи электродов в затылочной и височной областях коры может указывать на повышение когерентности между нейронами в локальных ансамблях на ранних стадиях обработки визуальной или аудиальной информации. Затем, чтобы объединить сенсорную информацию из нескольких источников или выполнить более сложную когнитивную обработку, мозг координирует деятельность удалённых ансамблей. Последнее требует установления фазовой синхронизации между сигналами, характеризующими активность этих ансамблей. Вышесказанное обуславливает возможность использования макроскопических сигналов (ЭЭГ/ЭКоГ), регистрируемых в эксперименте в различных областях головного мозга, для анализа особенностей интегративной динамики, характеризующейся формированием связей между удалёнными нейронными ансамблями.

Анализом нейронной активности на макроскопическом уровне с использованием сигналов ЭЭГ/ЭКоГ занимаются научные группы G. Buzsaki (Нью-Йоркский Университет, США) [72,73], P. Fries (Институт нейробио-логии им. Эрнста Штрюнгмана, Германия) [69,74], G. van Luijtelaar (Уни-

верситет Радбауд, Нидерланды) [75,76], А. Каплана (Московский Государ-

ственный Университет, Россия) [77, 78], А. Фролова (Институт высшей нервной деятельности и нейрофизиологии РАН, Россия) [79, 80], М. Лебедева (Университет Дьюка, США) [81,82], А. Осадчего (Высшая Школа Экономики, Россия) [83,84], Е. Ситниковой (Институт высшей нервной деятельности и нейрофизиологии РАН, Россия) [85,86], А. Храмова (Университет Иннополис, Россия) [87,88] и др.

В этом случае для изучения процессов взаимодействия между нейронными ансамблями мозга на основе анализа соответствующих сигналов электрической активности применяется много различных математических методов. В частности, связи между нейронными ансамблями головного мозга выявляются с помощью анализа причинности по Грейнджеру [89,90], метода нелинейных ассоциаций [91], рекуррентных методов [92] и методов переноса энтропии [93]. В последнее время для решения данной задачи используются подходы, основанные на вейвлет-анализе. Непрерывный вейвлет-анализ является эффективным методом обработки временных рядов, который позволяет выделить частотно-временную структуру нестационарных сигналов, таких как экспериментальные сигналы ЭЭГ/ЭКоГ [88]. Согласно результатам недавних работ, вейвлет-анализ может быть эффективно использован для оценки силы связи между нейронными ансамблями головного мозга [94]. Использование вейвлет-анализа позволяет оценить связь между нейронными ансамблями, коллективная динамика которых описывается соответствующими ЭЭГ сигналами, с помощью бикогерентно-сти. Этот метод дает представление о нелинейных взаимодействиях между биологическими сигналами, регистрируемыми в эксперименте [95-98]. В тоже самое время, большинство разработанных методов анализа связи

между нейронными ансамблями оказываются чувствительными к неточностям определения фазы исследуемых сигналов. С учетом того, что экспериментальные сигналы ЭЭГ/ЭКоГ характеризуются сильной нестационарностью, зашумленностью и содержат большое число артефактов различной природы, точное определение фазы этих сигналов в каждый момент времени оказывается проблематичным. Решением проблемы в ряде случаем является фильтрация исходных данных, удаление фрагментов записей, содержащих значительные помехи, а также использование усреднения по большому числу фрагментов сигналов, характеризующих события одного типа. Данные подходы требуют использование заранее предопределённых протоколов проведения эксперимента и не могут быть использованы для потоковой обработки данных.

В силу вышесказанного, разработка численных методов анализа экспериментальных сигналов ЭЭГ/ЭКоГ, характеризующих взаимодействие нейронов и нейронных ансамблей мозга, является актуальной задачей и, как следствие, активно изучается российскими и зарубежными научными группами. Среди них можно выделить группы A Lüttjohann (Вестфальский Университет, Германия) [99, 100], М. Nicolelis (Университет Дьюка, США) [101,102], J. O'Doherty (Нейролинк, США) [103,104], И. Бондаря (Институт высшей нервной деятельности и нейрофизиологии РАН) [105, 106], В. Раевского (Институт высшей нервной деятельности и нейрофизиологии РАН) [107,108], А. Саргсяна (Университет Сиднея, Австралия) [109, 110], А. Фролова (Институт высшей нервной деятельности и нейрофизио-

логии РАН) [111,112] и др.

Суммируя вышесказанное, на данный момент разработано большое число математических моделей, описывающих взаимодействие между нейро-

нами, которые позволяют исследовать особенности коллективной динамики отдельных нейронных ансамблей. Вместе с тем, изучение интегративных процессов динамики нейронной сети мозга, вовлекающих взаимодействие между различными нейронными ансамблями, основано на анализе макроскопических сигналов ЭЭГ/ЭКоГ, описывающих суммарную активность нейронных ансамблей в различных областях мозга и требует развития новых математических методов, позволяющих выявить связь между различными ансамблями.

Процессы, протекающие внутри нейронного ансамбля, такие как формирование синхронных кластеров нейронной активности, приводят к изменению спектральных (амплитудных и фазовых) характеристик регистрируемых макроскопических сигналов. Таким образом, возникает необходимость развития математических моделей и численных методов, позволяющих выявить связь между нейронной активностью на микроскопическом и макроскопических уровнях.

Цель диссертационной работы

С учетом вышесказанного, целью диссертационного исследования является развитие математических моделей и численных методов анализа процессов взаимодействия нейронов и нейронных ансамблей, позволяющих выявить связь между нейронной активностью на микроскопическом и макроскопическом уровнях в условиях нормального функционирования мозга и патологического.

Для достижения указанной цели были решены следующие задачи.

Создание математической модели взаимодействующих ансамблей осцилляторов и анализ связи между активностью нейронов на микроскопическом уровне и частотно-временными особенностями макроскопических сигналов, характеризующих суммарную активность ансамблей.

Разработка метода и эффективного численного алгоритма для оценки степени связи между нейронными ансамблями на основе вей влет-спектров макроскопических сигналов этих ансамблей без учета особенностей микроскопической динамики отдельных нейронов и его применение в эксперименте.

Разработка метода и эффективного численного алгоритма анализа сигналов ЭЭГ и ЭКоГ в реальном времени на основе модифицированного вейвлетного базиса с улучшенной локализацией во временной области.

Анализ связей между нейронными ансамблями таламо-кортикальной сети головного мозга при нормальной активности и при возникновении эпилептического приступа на основе регистрируемых сигналов ЭКоГ.

Анализ связей между нейронными ансамблями затылочно-теменной сети головного мозга человека в процессе восприятия зрительной информации на основе регистрируемых сигналов ЭЭГ.

Разработка численного алгоритма для идентификации предшественников эпилептических приступов у крыс на основе анализа связей между нейронными ансамблями коры и таламуса с использованием многоканальных сигналов ЭКоГ.

• Разработка численного алгоритма для идентификации нейронной активности, соответствующей воображению и выполнению движений у нетренированного оператора, с использованием частотно-временных и пространственных особенностей многоканальных сигналов ЭЭГ.

•

ния человека при восприятии зрительной информации в затылочно-теменной нейронной сети мозга человека с использованием спектральных свойств сигналов ЭЭГ.

•

ских приступов на основе сигналов ЭКоГ и их предотвращения при помощи электрической стимуляции.

внимания человека в процессе обработки сенсорной информации с использованием биологической обратной связи.

нагрузки между операторами, исходя из оценки и сравнения их состояний с использованием регистрируемых сигналов ЭЭГ.

Достоверность и обоснованность

Достоверность и обоснованность полученных результатов обеспечивается применением метрологически поверенной измерительной аппаратуры, аттестованных методик измерения при проведении экспериментальных исследований. Разработанные математические модели базируются на известных подходах теории сложных сетей и математического моделирования,

опубликованных в авторитетных рецензируемых изданиях. Результаты, полученные с использованием предложенных новых методов и подходов, сопоставлены с результатами применения известных методов. Обсуждены границы применимости предлагаемых методов и подходов. Все допущения, сделанные в ходе выполнения работ, детально изложены с описанием границ применимости и влиянием на конечный результат. Воспроизводимость полученных результатов обеспечивается детальным описанием всех этапов обработки данных с указанием параметров методов обработки, численного интегрирования и использованного программного обеспечения. Результаты теоретического анализа и численного моделирования подтверждаются результатами, полученными в ходе экспериментальных исследований.

Научная новизна

Научная новизна полностью соответствует пунктам 1-7 паспорта специальности 05.13.18 и заключается в разработке математических моделей взаимодействующих нейронных ансамблей мозга, отличающихся использованием частотно-временных и пространственно-временных свойств макроскопических сигналов ЭЭГ/ЭКоГ, и создании эффективных численных алгоритмов и комплексов программ для детектирования нейронной активности в реальном времени, отличающихся высокой точностью и селективностью по сравнению с существующими аналогами.

1. Создана математическая модель взаимодействующих ансамблей осцилляторов, отличающаяся наличием связей между элементами различных ансамблей. Данная модель позволяет исследовать процессы формирования кластеров как на микроскопическом уровне (внутри

каждого ансамбля), так и на макроскопическом уровне (между различными ансамблями) (соответствует пунктам 1,2,3 паспорта специальности 05.13.18).

2. С использованием разработанной математической модели впервые показано, что формирования кластеров синхронных осцилляторов различных ансамблей, приводит к совпадению определенных пиков вейвлет-спектров макроскопических сигналов данных ансамблей на частоте синхронизации, (соответствует пунктам 1,2,3 паспорта специальности 05.13.18).

3. Предложен метод для оценки степени связей между нейронными ансамблями мозга, отличающийся использованием вей влети ых энергетических спектров регистрируемых сигналов ЭЭГ/ЭКоГ в различных частотных диапазонах без учета фазовых соотношений между сигналами (соответствует пунктам 6, 7 паспорта специальности 05.13.18).

4. С использованием предложенного численного метода показано, что эпилептический приступ у крысы характеризуется усилением связей между ансамблями коры и таламуса в диапазоне частот 5-10 Гц. Во время сна усиление связей наблюдается в диапазоне 1-5 Гц, а во время бодрствования - в диапазоне 7-20 Гц. Полученный результат позволяет эффективно отличать эпилептический приступ от других типов активности мозга на основе анализа многоканальных сигналов ЭЭГ/ЭКоГ (соответствует пунктам 6, 7 паспорта специальности 05.13.18).

5. С использованием предложенного численного метода показано, что восприятие зрительной информации сопровождается усилением свя-

зей между нейронными ансамблями в затылочно-теменной сети мозга человека в диапазонах 8-12 Гц и 15-30 Гц. При этом, увеличение сложности информации приводит к усилению связей между ансамблями теменной зоны в диапазоне 15-30 Гц, что свидетельствует о повышенной концентрации внимания (соответствует пунктам 6, 7 паспорта специальности 05.13.18).

6. Предложен численный метод анализа сигналов ЭЭГ/ЭКоГ, отличающийся использованием вейвлетного базиса с лучшей локализацией во временной области по сравнению с существующими аналогами. Использование данного метода позволяет в 4 раза сократить длину временного интервала, необходимого для построения спектра сигнала, что дает возможность регистрировать быстрые изменения частотного состава ЭЭГ/ЭКоГ в реальном времени соответствует пунктам 1, 3 паспорта специальности 05.13.18).

7. Разработан численный алгоритм предсказания эпилептического приступа на основе регистрируемых сигналов ЭКоГ. Точность предсказания составляет 87.7%, что превосходит существующие аналоги (соответствует пунктам 4, 5 паспорта специальности 05.13.18).

8. Предложен численный алгоритм оценки концентрации внимания человека при обработке визуальной сенсорной информации, отличающийся использованием главных спектральных компонент сигналов ЭЭГ. Метод позволяет детектировать изменения характеристик нейронной активности на временном интервале менее 5 секунд, что превосходит существующие аналоги (соответствует пунктам 2, 3 паспорта специальности 05.13.18).

9. Разработан численный алгоритм идентификации нейронной активности, соответствующей выполнению и воображению движений у нетренированных испытуемых, отличающийся использованием низкочастотных (1-4 Гц) спектральных компонент и сенсо-моторного ритма (8-13 Гц) на сигналах ЭЭГ. Алгоритм позволяет детектировать реальные движения с точностью 92.9% и воображаемые движения с точностью 81.6%, что превосходит существующие аналоги (соответствует пунктам 2, 3 паспорта специальности 05.13.18).

Список литературы диссертационного исследования доктор наук Максименко Владимир Александрович, 2020 год

Литература

[1] Lebedev, Mikhail A. Brain-machine interfaces: past, present and future / Mikhail A Lebedev, Miguel AL Nicolelis // Trends in Neurosciences. — 2006. - Vol. 29, no. 9. - Pp. 536-546.

[2] Wolpaw, Jonathan R. Control of a two-dimensional movement signal by a noninvasive brain-computer interface in humans / Jonathan R. Wolpaw, Dennis J. McFarland // Proceedings of the National Academy of Sciences of the United States of America. - 2004. - Vol. 101, no. 51. - Pp. 17849 17854.

[3] A hybrid BMI-based exoskeleton for paresis: EMG control for assisting arm movements / Toshihiro Kawase, Takeshi Sakurada, Yasuharu Koike, Kenji Kansaku // Journal of Neural Engineering. — 2017. — Vol. 14, no. 1. - P. 016015.

[4] Adaptive control of exoskeleton robots for periodic assistive behaviours based on EMG feedback minimisation / Luka Peternel, Tomoyuki Noda, Tadej Petric et al. // PloS one. - 2016. - Vol. 11, no. 2. - P. e0148942.

[5] Stacey, William C. Technology insight: neuroengineering and epilep-syn'fSdesigning devices for seizure control / William C Stacey, Brian Litt // Nature Reviews Neurology. — 2008. — Vol. 4, no. 4. — P. 190.

[6] Brain-computer interface devices for patients with paralysis and amputation: a meeting report / K Bowsher, EF Civillico, J Coburn et al. //J. Neural Eng. - 2016. - Vol. 13, no. 2. - P. 023001.

[7] High-speed spelling with a noninvasive brain-computer interface / Xiao-gang Chen, Yijun Wang, Masaki Nakanishi et al. // Proceedings of the national academy of sciences. — 2015. — Vol. 112, no. 44. — Pp. E6058-E6067.

[8] A brain-computer interface based attention training program for treating attention deficit hyperactivity disorder / Choon Guan Lim, Tih Shih Lee, Cuntai Guan et al. // PloS one. - 2012. - Vol. 7, no. 10. - P. e46692.

[9] Cortical control of a prosthetic arm for self-feeding / Meel Velliste, Sa-gi Perel, M Chance Spalding et al. // Nature. — 2008. — Vol. 453, no. 7198_ _ Pp 1098-1101.

[10] Decoding lower limb muscle activity and kinematics from cortical neural spike trains during monkey performing stand and squat movements / Xuan Ma, Chaolin Ma, Jian Huang et al. // Frontiers in neuroscience. — 2017. - Vol. 11. - P. 44.

[11] Wireless cortical brain-machine interface for whole-body navigation in primates / Sankaranarayani Rajangam, Po-He Tseng, Allen Yin et al. // Scientific reports. — 2016. — Vol. 6, no. 1. — Pp. 1-13.

[12] Physiological effects of adaptive cruise control behaviour in real driving / Anne-Marie Brouwer, Anne Snelting, Matthew Jaswa et al. // Proceedings of the 2017 ACM Workshop on An Application-oriented Approach to BCI out of the laboratory. - 2017. - Pp. 15-19.

[13] Herff, Christian. Evaluating fNIR-based workload discrimination in a realistic driving scenario / Christian Herff, Felix Putze, Tanja Schultz // The First Biannual Neuroadaptive Technology, Conference (Berlin). —

2017.

[14] Verdière, Kevin J. Detecting pilot's engagement using fNIRS connectivity features in an automated vs. manual landing scenario / Kevin J Verdière, Raphaëlle N Roy, Frédéric Dehais // Frontiers in human neuroscience. —

2018. - Vol. 12. - P. 6.

[15] Dasari, Deepika. ICA-derived EEG correlates to mental fatigue, effort, and workload in a realistically simulated air traffic control task / Deepika Dasari, Guofa Shou, Lei Ding // Frontiers in neuroscience. — 2017. — Vol. 11. - P. 297.

[16] Sustained attention in real classroom settings: An EEG study / Li-Wei Ko, Oleksii Komarov, W David Hairston et al. // Frontiers in human neuroscience. — 2017. — Vol. 11. — P. 388.

[17] Enhanced motor imagery training using a hybrid BCI with feedback / Tianyou Yu, Jun Xiao, Fangyi Wang et al. // IEEE Transactions on Biomedical Engineering. — 2015. — Vol. 62, no. 7. — Pp. 1706-1717.

[18] Enhancing human-computer interaction with input from active and passive brain-computer interfaces / Thorsten O Zander, Christian Kothe, Sabine Jatzev, Matti Gaertner // Brain-computer interfaces. — Springer, 2010. - Pp. 181-199.

[19] Zander, Thorsten Oliver. Enhancing human-machine systems with secondary input from passive brain-computer interfaces / Thorsten Oliv-

er Zander // Proceeding of 4th Internatinal BCI Workshop, 2008. — 2008. _ Pp. 44-49.

[20] Assessment of vagus nerve stimulation for epilepsy: report of the Therapeutics and Technology Assessment Subcommittee of the American Academy of Neurology / Robert S Fisher, Gregory L Krauss, Eugene Ramsay et al. // Neurology. - 1997. - Vol. 49, no. 1. - Pp. 293-297.

[21] Chronic anterior thalamus stimulation for intractable epilepsy / Mo-jgan Hodaie, Richard A Wennberg, Jonathan O Dostrovsky, Andres M Lozano // Epilepsia. - 2002. - Vol. 43, no. 6. - Pp. 603-608.

[22] Effect of an external responsive neurostimulator on seizures and electro-graphic discharges during subdural electrode monitoring / Eric H Kossoff, Eva K Ritzl, Jeffrey M Politsky et al. // Epilepsia. - 2004. - Vol. 45, no_ 12. - Pp. 1560-1567.

[23] An algorithm for real-time detection of spike-wave discharges in rodents / Alexey Ovchinnikov, Annika Liittjohann, Alexander Hramov, Gilles Van Luijtelaar // Journal of neuroscience methods. — 2010. — Vol. 194, no. 1. - Pp. 172-178.

[24] Dayan, Peter. Theoretical neuroscience: computational and mathematical modeling of neural systems / Peter Dayan, Laurence F Abbott. — 2001.

[25] Abbott, Larry F. Building functional networks of spiking model neurons / Larry F Abbott, Brian DePasquale, Raoul-Martin Memmesheimer // Nature neuroscience. — 2016. — Vol. 19, no. 3. — Pp. 350-355.

[26] Dynamic reconfiguration of human brain networks during learning / Danielle S Bassett, Nicholas F Wymbs, Mason A Porter et al. // Proceedings of the National Academy of Sciences. — 2011. — Vol. 108, no. 18. - Pp. 7641-7646.

[27] Human information processing in complex networks / Christopher W Lynn, Lia Papadopoulos, Ari E Kahn, Danielle S Bassett // Nature Physics. - 2020. - Pp. 1-9.

[28] Delayed feedback control of bursting synchronization in a scale-free neuronal network / CAS Batista, SR Lopes, Ricardo L Viana, Antonio M Batista // Neural Networks. - 2010. - Vol. 23, no. 1. - Pp. 114124.

[29] Bistable firing pattern in a neural network model / Paulo R Protachevicz, Fernando S Borges, Ewandson L Lameu et al. // Frontiers in computational neuroscience. — 2019. — Vol. 13. — P. 19.

[30] Dana, Syamal K. Complex dynamics in physiological systems: From heart to brain / Syamal K Dana, Prodyot K Roy, Jiirgen Kurths. — Springer Science & Business Media, 2008.

[31] Dragon-king-like extreme events in coupled bursting neurons / Arindam Mishra, Suman Saha, M Vigneshwaran et al. // Physical Review E_ _ 2018. - Vol. 97, no. 6. - P. 062311.

[32] Exponential synchronization of linearly coupled neural networks with impulsive disturbances / Jianquan Lu, Daniel WC Ho, Jinde Cao, Jiirgen Kurths // IEEE Transactions on Neural Networks. — 2011. — Vol. 22, no. 2. - Pp. 329-336.

[33] Neuron dynamics variability and anomalous phase synchronization of neural networks / BRR Boaretto, RC Budzinski, TL Prado et al. // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 2018. — Vol. 28, no. 10. - P. 106304.

[34] Synchronization transitions on scale-free neuronal networks due to finite information transmission delays / Qingyun Wang, Matjaz Perc, Zhisheng Duan, Guanrong Chen // Physical Review E. — 2009. — Vol. 80, no. 2. - P. 026206.

[35] Chimera states in neuronal networks: A review / Soumen Majhi, Bidesh K Bera, Dibakar Ghosh, Matjaz Perc // Physics of life reviews. — 2019. - Vol. 28. - Pp. 100-121.

[36] Sausedo-Solorio, JM. Synchronization of map-based neurons with memory and synaptic delay / JM Sausedo-Solorio, AN Pisarchik // Physics Letters A. _ 2014. - Vol. 378, no. 30-31. - Pp. 2108-2112.

[37] Coherence resonance in stimulated neuronal network / Andrey V An-dreev, Vladimir V Makarov, Anastasija E Runnova et al. // Chaos, Solitons & Fractals. - 2018. - Vol. 106. - Pp. 80-85.

[38] Time-delayed feedback in neurosystems / Eckehard Scholl, Gerald Hiller, Philipp Hovel, Markus A Dahlem // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. — 2009. - Vol. 367, no. 1891. - Pp. 1079-1096.

[39] Coherence-resonance chimeras in a network of excitable elements / Nadezhda Semenova, Anna Zakharova, Vadim Anishchenko, Ecke-

hard Schóll // Physical review letters. — 2016. — Vol. 117, no. 1. — P. 014102.

[40] Reconstruction and simulation of neocortical microcircuitry / Henry Markram, Eilif Muller, Srikanth Ramaswamy et al. // Cell. — 2015. - Vol. 163, no. 2. - Pp. 456-492.

[41] Human cortical pyramidal neurons: from spines to spikes via models / Guy Eyal, Matthijs B Verhoog, Guilherme Testa-Silva et al. // Frontiers in cellular neuroscience. — 2018. — Vol. 12. — P. 181.

[42] Dopamine neurons change the type of excitability in response to stimuli / Ekaterina O Morozova, Denis Zakharov, Boris S Gutkin et al. // PLoS computational biology. - 2016. - Vol. 12, no. 12. - P. el005233.

[43] Contribution of synchronized GABAergic neurons to dopaminergic neuron firing and bursting / Ekaterina O Morozova, Maxym Myroshnychenko, Denis Zakharov et al. // Journal of neurophysiology. — 2016. — Vol. 116, no_ 4_ _ Pp 1900-1923.

[44] Spiking signatures of spontaneous activity bursts in hippocampal cultures / Alexey Pimashkin, Innokentiy Kastalskiy, Alexander Simonov et al. // Frontiers in computational neuroscience. — 2011. — Vol. 5.

_ p. 46.

[45] Bi-directional astrocytic regulation of neuronal activity within a network / Susan Yu Gordleeva, Sergey V Stasenko, Alexey V Semyanov et al. // Frontiers in computational neuroscience. — 2012. — Vol. 6. — P. 92.

[46] Makarov, Valeri A. Spiking behavior in a noise-driven system combining oscillatory and excitatory properties / Valeri A Makarov, Vladimir I Neko-rkin, Manuel G Velarde // Physical Review Letters. — 2001. — Vol. 86, no. 15. - P. 3431.

[47] Maslennikov, Oleg V. Transient sequences in a hypernetwork generated by an adaptive network of spiking neurons / Oleg V Maslennikov, Dmitry S Shchapin, Vladimir I Nekorkin // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. — 2017. - Vol. 375, no. 2096. - P. 20160288.

[48] Phase synchronization in ensembles of bursting oscillators / Mikhail V Ivanchenko, Grigory V Osipov, Vladimir D Shalfeev, Jiirgen Kurths // Physical review letters. — 2004. — Vol. 93, no. 13. — P. 134101.

[49] The dynamics of ensemble of neuron-like elements with excitatory couplings / Alexander G Korotkov, Alexey O Kazakov, Tatiana A Levanova, Grigory V Osipov // Communications in Nonlinear Science and Numerical Simulation. - 2019. - Vol. 71. - Pp. 38-49.

[50] Bazhenov, Maxim. Effect of synaptic connectivity on long-range synchronization of fast cortical oscillations / Maxim Bazhenov, Nikolai F Rulkov, Igor Timofeev // Journal of neurophysiology. — 2008. — Vol. 100, no. 3. - Pp. 1562-1575.

[51] New class of reduced computationally efficient neuronal models for large-scale simulations of brain dynamics / Maxim Komarov, Giri Krishnan,

Sylvain Chauvette et al. // Journal of computational neuroscience. — 2018. - Vol. 44, no. 1. - Pp. 1-24.

[52] Chimera state in complex networks of bistable hodgkin-huxley neurons / AV Andreev, NS Frolov, AN Pisarchik, AE Hramov // Physical Review E_ _ 2019. - Vol. 100, no. 2. - P. 022224.

[53] Coherent resonance in the distributed cortical network during sensory information processing / Alexander N Pisarchik, Vladimir A Maksimenko, Andrey V Andreev et al. // Scientific Reports. — 2019. — Vol. 9, no. 1.

_ pp. i_9.

[54] Lapicque, Louis. Recherches quantitatives sur l'excitation electrique des nerfs traitee comme une polarization / Louis Lapicque // Journal de Physiologie et de Pathologie Generalej. — 1907. — Vol. 9. — Pp. 620635.

[55] Morris, Catherine. Voltage oscillations in the barnacle giant muscle fiber / Catherine Morris, Harold Lecar // Biophysical journal. — 1981. — Vol. 35, no. 1. - Pp. 193-213.

[56] FitzHugh, Richard. Impulses and physiological states in theoretical models of nerve membrane / Richard FitzHugh // Biophysical journal. — 1961. - Vol. 1, no. 6. - P. 445.

[57] Nagumo, Jinichi. An active pulse transmission line simulating nerve axon / Jinichi Nagumo, Suguru Arimoto, Shuji Yoshizawa // Proceedings of the IRE. - 1962. - Vol. 50, no. 10. - Pp. 2061-2070.

[58] Hindmarsh, James L. A model of neuronal bursting using three coupled first order differential equations / James L Hindmarsh, RM Rose // Proceedings of the Royal society of London. Series B. Biological sciences. — 1984. - Vol. 221, no. 1222. - Pp. 87-102.

[59] Hodgkin, A. A quantitative description of membrane current and its application to conduction and excitation in nerve / A. Hodgkin, A. Huxley // J. Physiol. - 1952. - no. 117. - Pp. 500-544.

[60] Delay-enhanced coherence of spiral waves in noisy Hodgkin-Huxley neuronal networks / Qingyun Wang, Matjaz Perc, Zhisheng Duan, Guan-rong Chen // Physics Letters A. - 2008. - Vol. 372, no. 35. - Pp. 56815687.

[61] Smith, Stephen. Linking cognition to brain connectivity /

Stephen Smith // Nature neuroscience. — 2016. — Vol. 19, no. 1. _ pp. 7^9.

[62] Van Den Heuvel, Martijn P. Exploring the brain network: a review on resting-state fMRI functional connectivity / Martijn P Van Den Heuvel, Hilleke E Hulshoff Pol // European neuropsychopharmacology. — 2010. - Vol. 20, no. 8. - Pp. 519-534.

[63] Xu, Jiansong. Spatial ICA reveals functional activity hidden from traditional fMRI GLM-based analyses / Jiansong Xu, Marc N Potenza, Vince D Calhoun // Frontiers in neuroscience. — 2013. — Vol. 7. — P. 154.

[64] Shine, James M. Principles of dynamic network reconfiguration across diverse brain states / James M Shine, Russell A Poldrack // Neurolmage. _ 2018. - Vol. 180. - Pp. 396-405.

[65] Dynamic regulation of interregional cortical communication by slow brain oscillations during working memory / B Berger, B Griesmayr, T Minarik et al. // Nature communications. — 2019. — Vol. 10, no. 1. — Pp. 1-11.

[66] Dehaene, Stanislas. A neuronal model of a global workspace in effortful cognitive tasks / Stanislas Dehaene, Michel Kerszberg, JeanPierre Changeux // Proc. Nat. Acad. Sci. — 1998. — Vol. 95, no. 24. - Pp. 14529-14534.

[67] Avena-Koenigsberger, Andrea. Communication dynamics in complex brain networks / Andrea Avena-Koenigsberger, Bratislav Misic, Olaf Sporns // Nature Reviews Neuroscience. — 2018. — Vol. 19, no. 1.

_ p. 17.

[68] Fries, Pascal. A mechanism for cognitive dynamics: neuronal communication through neuronal coherence / Pascal Fries // Trends in cognitive sciences. - 2005. - Vol. 9, no. 10. - Pp. 474-480.

[69] Fries, Pascal. Rhythms for cognition: communication through coherence / Pascal Fries // Neuron. - 2015. - Vol. 88, no. 1. - Pp. 220-235.

[70] Lisman, John E. The theta-gamma neural code / John E Lisman, Ole Jensen // Neuron. - 2013. - Vol. 77, no. 6. - Pp. 1002-1016.

[71] High gamma power is phase-locked to theta oscillations in human neocortex / Ryan T Canolty, Erik Edwards, Sarang S Dalai et al. // science. — 2006. - Vol. 313, no. 5793. - Pp. 1626-1628.

[72] Buzsaki, Gyorgy. Neuronal oscillations in cortical networks / Gyorgy Buzsaki, Andreas Draguhn // science. — 2004. — Vol. 304, no. 5679. - Pp. 1926-1929.

[73] Buzsaki, Gyorgy. The origin of extracellular fields and currentsn'fSEEG, ECoG, LFP and spikes / Gyorgy Buzsaki, Costas A Anastassiou, Christof Koch // Nature reviews neuroscience. — 2012. — Vol. 13, no. 6.

- Pp. 407-420.

[74] Investigating large-scale brain dynamics using field potential recordings: analysis and interpretation / Bijan Pesaran, Martin Vinck, Gaute T Einevoll et al. // Nature neuroscience. — 2018. — Vol. 21, no. 7. - Pp. 903-919.

[75] Evolving concepts on the pathophysiology of absence seizures: the cortical focus theory / Hanneke Meeren, Gilles van Luijtelaar, Fernando Lopes da Silva, Anton Coenen // Archives of neurology. — 2005.

- Vol. 62, no. 3. - Pp. 371-376.

[76] EEG transients in the sigma range during non-REM sleep predict learning in dogs / Ivaylo Borislavov Iotchev, Anna Kis, Robert Bodizs et al. // Scientific reports. — 2017. — Vol. 7, no. 1. — Pp. 1-11.

[77] Nonstationary nature of the brain activity as revealed by EEG/MEG: methodological, practical and conceptual challenges / Alexander Ya Ka-

plan, Andrew A Fingelkurts, Alexander A Fingelkurts et al. // Signal processing. - 2005. - Vol. 85, no. 11. - Pp. 2190-2212.

[78] Use of cross-correlation analysis of EEG signals for detecting risk level for development of schizophrenia / O Yu Panischev, SA Demin, A Ya Kaplan, N Yu Varaksina // Biomedical Engineering. — 2013. — Vol. 47, no. 3. — Pp. 153-156.

[79] Sources of EEG activity most relevant to performance of brain-computer interface based on motor imagery / Alexander Frolov, Dusan Husek, Pavel Bobrov et al. // Neural Network World. - 2012. - Vol. 22, no. 1. _ p. 21.

[80] Electrophysiological brain activity during the control of a motor imagery-based brain-computer interface / AA Frolov, GA Aziatskaya, PD Bobrov et al. // Human Physiology. — 2017. — Vol. 43, no. 5. — Pp. 501-511.

[81] Lebedev, Mikhail A. Decoding of temporal intervals from cortical ensemble activity / Mikhail A Lebedev, Joseph E O'doherty, Miguel AL Nicolelis // Journal of neurophysiology. — 2008. — Vol. 99, no. 1. - Pp. 166-186.

[82] Cortical neurons multiplex reward-related signals along with sensory and motor information / Arjun Ramakrishnan, Yoon Woo Byun, Kyle Rand et al. // Proceedings of the National Academy of Sciences. — 2017. — Vol. 114, no. 24. - Pp. E4841-E4850.

[83] Greenblatt, Robert E. Connectivity measures applied to human brain electrophysiological data / Robert E Greenblatt, ME Pflieger, AE Os-

sadtchi // Journal of neuroscience methods. — 2012. — Vol. 207, no. 1. _ pp. i_i6.

[84] Source-space EEG neurofeedback links subjective experience with brain activity during effortless awareness meditation / Remko Van Lutterveld, Sean D Houlihan, Prasanta Pal et al. // Neurolmage. — 2017. — Vol. 151. - Pp. 117-127.

[85] Application of adaptive nonlinear Granger causality: Disclosing network changes before and after absence seizure onset in a genetic rat model / Marina V Sysoeva, Evgenia Sitnikova, Ilya V Sysoev et al. // Journal of neuroscience methods. — 2014. — Vol. 226. — Pp. 33-41.

[86] Sitnikova, Evgenia. Cortical and thalamic coherence during spike-wave seizures in WAG/Rij rats / Evgenia Sitnikova, Gilles van Luijtelaar // Epilepsy research. - 2006. - Vol. 71, no. 2-3. - Pp. 159-180.

[87] Spike-wave discharges in WAG/Rij rats are preceded by delta and theta precursor activity in cortex and thalamus / Gilles Van Luijtelaar, Alexander Hramov, Evgenia Sitnikova, Alexei Koronovskii // Clinical Neurophysiology. - 2011. - Vol. 122, no. 4. - Pp. 687-695.

[88] Wavelets in neuroscience / Alexander E Hramov, Alexey A Koronovskii, Valeri A Makarov et al. — Springer, 2015.

[89] Inter-areal causal interactions in the gamma and beta frequency bands define a functional hierarchy in the primate visual system / J Vezoli, A Bastos, C Bosman et al. // Perception. - 2013. - Vol. 42. - Pp. 143143.

[90] Alpha-beta and gamma rhythms subserve feedback and feedforward influences among human visual cortical areas / Georgios Michalareas, Julien Vezoli, Stan Van Pelt et al. // Neuron. — 2016. — Vol. 89, no. 2.

- Pp. 384-397.

[91] da Silva, Fernando Lopes. Interdependence of EEG signals: linear vs. nonlinear associations and the significance of time delays and phase shifts / Fernando Lopes da Silva, Jan Pieter Pijn, Peter Boeijinga // Brain topography. - 1989. - Vol. 2, no. 1-2. - Pp. 9-18.

[92] Using recurrence plot for determinism analysis of EEG recordings in genetic absence epilepsy rats / Gaoxiang Ouyang, Xiaoli Li, Chuangyin Dang, Douglas A Richards // Clinical neurophysiology. — 2008. - Vol. 119, no. 8. - Pp. 1747-1755.

[93] Transfer entropyn'fSa model-free measure of effective connectivity for the neurosciences / Raul Vicente, Michael Wibral, Michael Lindner, Gordon Pipa // Journal of computational neuroscience. — 2011. — Vol. 30, no. 1. - Pp. 45-67.

[94] Macroscopic and microscopic spectral properties of brain networks during local and global synchronization / Vladimir A Maksimenko, Annika Liittjohann, Vladimir V Makarov et al. // Physical Review E. — 2017.

- Vol. 96, no. 1. - P. 012316.

[95] Matching pursuit-based time-variant bispectral analysis and its application to biomedical signals / Karin Schiecke, Matthias Wacker, Franz Ben-ninger et al. // IEEE Transactions on Biomedical Engineering. — 2015.

- Vol. 62, no. 8. - Pp. 1937-1948.

[96] Oscillatory dynamics of vasoconstriction and vasodilation identified by time-localized phase coherence / Lawrence W Sheppard, V Vuksanovic, PVE McClintock, A Stefanovska // Physics in Medicine & Biology. —

2011. - Vol. 56, no. 12. - P. 3583.

[97] Comparison of Hilbert transform and wavelet methods for the analysis of neuronal synchrony / Michel Le Van Quyen, Jack Foucher, JeanPhilippe Lachaux et al. // Journal of neuroscience methods. — 2001. — Vol. Ill, no. 2. - Pp. 83-98.

[98] Sakkalis, Vangelis. Review of advanced techniques for the estimation of brain connectivity measured with EEG/MEG / Vangelis Sakkalis // Computers in biology and medicine. — 2011. — Vol. 41, no. 12. — Pp. 1110— 1117.

[99] Liittjohann, Annika. The dynamics of cortico-thalamo-cortical interactions at the transition from pre-ictal to ictal LFPs in absence epilepsy / Annika Liittjohann, Gilles van Luijtelaar // Neurobiology of disease. —

2012. - Vol. 47, no. 1. - Pp. 49-60.

[100] Liittjohann, Annika. Dynamics of networks during absence seizure's on-and offset in rodents and man / Annika Liittjohann, Gilles van Luijtelaar // Frontiers in physiology. — 2015. — Vol. 6. — P. 16.

[101] Chronic, wireless recordings of large-scale brain activity in freely moving rhesus monkeys / David A Schwarz, Mikhail A Lebedev, Timothy L Hanson et al. // Nature methods. — 2014. — Vol. 11, no. 6. — Pp. 670-676.

[102] Decoding movements from cortical ensemble activity using a long short-term memory recurrent network / Po-He Tseng, Nuria Armengol Urpi,

Mikhail Lebedev, Miguel Nicolelis // Neural computation. — 2019. — Vol. 31, no. 6. - Pp. 1085-1113.

[103] Dadarlat, Maria C. A learning-based approach to artificial sensory feedback leads to optimal integration / Maria C Dadarlat, Joseph E O'doherty, Philip N Sabes // Nature neuroscience. — 2015. - Vol. 18, no. 1. - Pp. 138-144.

[104] Superior arm-movement decoding from cortex with a new, unsupervised-learning algorithm / Joseph G Makin, Joseph E On'fSDoherty, Mariana MB Cardoso, Philip N Sabes // Journal of neural engineering. — 2018. - Vol. 15, no. 2. - P. 026010.

[105] Leopold, David A. Norm-based face encoding by single neurons in the monkey inferotemporal cortex / David A Leopold, Igor V Bondar, Martin A Giese // Nature. - 2006. - Vol. 442, no. 7102. - Pp. 572-575.

[106] Long-term stability of visual pattern selective responses of monkey temporal lobe neurons / Igor V Bondar, David A Leopold, Barry J Richmond et al. // PloS one. - 2009. - Vol. 4, no. 12. - P. e8222.

[107] Effects of visual deprivation on the development of auditory sensitivity during formation of the freezing reaction in pied flycatcher nestlings / EV Korneeva, LI Aleksandrov, TB Golubeva, VV Raevskii // Neuroscience and behavioral physiology. — 2010. — Vol. 40, no. 5. — Pp. 479482.

[108] Sitnikova, E Yu. The lemniscal and paralemniscal pathways of the trigeminal system in rodents are integrated at the level of the somatosensory

cortex / E Yu Sitnikova, VV Raevskii // Neuroscience and behavioral physiology. - 2010. - Vol. 40, no. 3. - Pp. 325-331.

[109] Simulation of sleep spindles and spike and wave discharges using a novel method for the calculation of field potentials in rats / Armen Sargsyan, Evgenia Sitnikova, Albert Melkonyan et al. // Journal of neuroscience methods. - 2007. - Vol. 164, no. 1. - Pp. 161-176.

[110] A universal automated tool for reliable detection of seizures in rodent models of acquired and genetic epilepsy / Pablo M Casillas-Espinosa, Armen Sargsyan, Dmitri Melkonian, Terence J O'Brien // Epilepsia. — 2019. - Vol. 60, no. 4. - Pp. 783-791.

[111] Post-stroke rehabilitation training with a motor-imagery-based brain-computer interface (BCI)-controlled hand exoskeleton: a randomized controlled multicenter trial / Alexander A Frolov, Olesya Mokienko, Roman Lyukmanov et al. // Frontiers in neuroscience. — 2017. — Vol. 11. _ p. 400.

[112] Principles of motor recovery in post-stroke patients using hand exoskeleton controlled by the brain-computer interface based on motor imagery / Alexander A Frolov, Dus?an Hu?sek, Elena V Biryukova et al. // Neural Network World. - 2017. - Vol. 27, no. 1. - P. 107.

[113] Dissociating Cognitive Processes During Ambiguous Information Processing in Perceptual Decision-Making / Vladimir A Maksimenko, Alexander Kuc, Nikita S Frolov et al. // Frontiers in Behavioral Neuroscience. _ 2020. - Vol. 14.

[114] Исследование процесса обработки зрительной информации в зависимости от ориентации стимулов по многоканальным записям ЭЭГ / Владимир Александрович Максименко, Александр Константинович Куц, Марина Викторовна Храмова, Александр Евгеньевич Храмов // Информационно-управляющие системы. — 2020. — no. 1. — Pp. 73-80.

[115] Functional Near-Infrared Spectroscopy for the Classification of Motor-Related Brain Activity on the Sensor-Level / Alexander E Hramov, Vadim Grubov, Artem Badarin et al. // Sensors. — 2020. — Vol. 20, no. 8. - P. 2362.

[116] Motor execution reduces EEG signals complexity: Recurrence quantification analysis study / Elena Pitsik, Nikita Frolov, К Hauke Kraemer et al. // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 2020. - Vol. 30, no. 2. - P. 023111.

[117] Andreev, Andrey. SYNCHRONIZATION IN COUPLED NEURAL NETWORK WITH INHIBITORY COUPLING / Andrey Andreev, Vladimir Maksimenko // Cybernetics and physics. — 2019. — Vol. 8, no. 4. - P. 199.

[118] Maksimenko, Vladimir. BCI FOR A BRAIN STATE CONTROL IN A DUAL-TASK PARADIGM / Vladimir Maksimenko // Cybernetics and physics. - 2019. - Vol. 8, no. 4. - P. 262.

[119] Pisarchik, Alexander N. From novel technology to novel applications: Comment on "An integrated brain-machine interface platform with thousands of channels" by Elon Musk and Neuralink / Alexander N Pisarchik,

Vladimir A Maksimenko, Alexander E Hramov // Journal of medical Internet research. — 2019. — Vol. 21, no. 10. — P. el6356.

[120] Dynamics of functional connectivity in multilayer cortical brain network during sensory information processing / Nikita S Frolov, Vladimir A Maksimenko, Marina V Khramova et al. // The European Physical Journal Special Topics. - 2019. - Vol. 228, no. 11. - Pp. 2381-2389.

[121] Neural interactions in a spatially-distributed cortical network during perceptual decision-making / Vladimir A Maksimenko, Nikita S Frolov, Alexander E Hramov et al. // Frontiers in behavioral neuroscience. — 2019. - Vol. 13. - P. 220.

[122] Percept-related EEG classification using machine learning approach and features of functional brain connectivity / Alexander E Hramov, Vladimir Maksimenko, Alexey Koronovskii et al. // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 2019. — Vol. 29, no. 9. — P. 093110.

[123] Feed-forward artificial neural network provides data-driven inference of functional connectivity / Nikita Frolov, Vladimir Maksimenko, Annika Liittjohann et al. // Chaos: An Interdisciplinary Journal of Nonlinear Science. - 2019. - Vol. 29, no. 9. - P. 091101.

[124] Visual and kinesthetic modes affect motor imagery classification in untrained subjects / Parth Chholak, Guiomar Niso, Vladimir A Maksimenko et al. // Scientific reports. — 2019. — Vol. 9, no. 1. — Pp. 1-12.

[125] Анализ двигательной активности с использованием сигналов электромиограмм / ВС Хорев, ВА Максименко, ЕН Пицик et al. // Информационно-управляющие системы. — 2019. — по. 3 (100).

[126] Recognition of electroencephalographic patterns related to human movements or mental intentions with multiresolution analysis / AN Pavlov, DS Grishina, AE Runnova et al. // Chaos, Solitons & Fractals. — 2019. _ Vol. 126. - Pp. 230-235.

[127] Statistical properties and predictability of extreme epileptic events / Niki-ta S Frolov, Vadim V Grubov, Vladimir A Maksimenko et al. // Scientific reports. - 2019. - Vol. 9, no. 1. - Pp. 1-8.

[128] Nonlinear effect of biological feedback on brain attentional state / Vladimir A Maksimenko, Alexander E Hramov, Vadim V Grubov et al. // Nonlinear Dynamics. - 2019. - Vol. 95, no. 3. - Pp. 1923-1939.

[129] Multiscale interaction promotes chimera states in complex networks / Vladimir V Makarov, Srilena Kundu, Daniii V Kirsanov et al. // Communications in Nonlinear Science and Numerical Simulation. — 2019. — Vol. 7i. _ pp. 118-129.

[130] Increasing human performance by sharing cognitive load using brain-to-brain interface / Vladimir A Maksimenko, Alexander E Hramov, Niki-ta S Frolov et al. // Frontiers in neuroscience. — 2018. — Vol. 12. — P. 949.

[131] Математическое моделирование процессов обработки визуальной сенсорной информации по многоканальным сигналам ЭЭГ /

ВА Максименко, АК Куц, АН Писарчик, АЕ Храмов / / Информационно-управляющие системы. — 2018. — по. 6 (97).

[132] Максименко, Владимир Александрович. Автоматизированная система для предсказания эпилептических приступов по многоканальным записям электрической активности мозга / Владимир Александрович Максименко, Александр Андреевич Харченко, Люттьёханн Анника / / Информационно-управляющие системы. — 2018. — по. 4 (95).

[133] Assortative mixing in spatially-extended networks / Vladimir V Makarov, Daniil V Kirsanov, Nikita S Frolov et al. // Scientific reports. — 2018. — Vol. 8, no. 1. - Pp. 1-8.

[134] Macroscopic chimeralike behavior in a multiplex network / Nikita S Frolov, Vladimir A Maksimenko, Vladimir V Makarov et al. // Physical Review E_ _ 2018. - Vol. 98, no. 2. - P. 022320.

[135] Алгоритм для автоматического детектирования особенностей активности мозга во время выполнения когнитивных задач / Владимир Александрович Максименко, Анастасия Евгеньевна Руннова, Роман Анатольевич Куланин et al. // Информационно-управляющие системы. — 2018. — по. 5. — Pp. 104-111.

[136] Human personality reflects spatio-temporal and time-frequency EEG structure / Vladimir A Maksimenko, Anastasia E Runnova, Maksim О Zhuravlev et al. // PloS one. — 2018. — Vol. 13, no. 9. — P. e0197642.

[137] Artificial neural network classification of motor-related eeg: An increase in classification accuracy by reducing signal complexity / Vladimir A Mak-simenko, Semen A Kurkin, Elena N Pitsik et al. // Complexity. — 2018.

- Vol. 2018.

[138] Detrended fluctuation analysis of EEG patterns associated with real and imaginary arm movements / AN Pavlov, AE Runnova, VA Maksimenko et al. // Physica A: Statistical Mechanics and its Applications. — 2018. _ v0i. 509. _ Pp. 777-782.

[139] Nonlinear analysis of brain activity, associated with motor action and motor imaginary in untrained subjects / Vladimir A Maksimenko, Alex-ey Pavlov, Anastasia E Runnova et al. // Nonlinear Dynamics. — 2018.

- Vol. 91, no. 4. - Pp. 2803-2817.

[140] Метод вейвлет-анализа паттернов двигательной активности на экспериментальных данных многоканальной электроэнцефалографии человека для управления внешними устройствами / Анастасия Евгеньевна Руннова, Владимир Александрович Максименко, Светлана Вячеславовна Пчелинцева et al. // Информационно-управляющие системы. — 2018. — no. 1 (92).

[141] Multiscale neural connectivity during human sensory processing in the brain / Vladimir A Maksimenko, Anastasia E Runnova, Nikita S Frolov et al. // Physical Review E. - 2018. - Vol. 97, no. 5. - P. 052405.

[142] Artificial neural network detects human uncertainty / Alexander E Hramov, Nikita S Frolov, Vladimir A Maksimenko et al. // Chaos:

An Interdisciplinary Journal of Nonlinear Science. — 2018. — Vol. 28, no. 3. - P. 033607.

[143] Возбуждение и подавление химерных состояний в многослойной сети осцилляторов с нелокальной связью / ВА Максименко, MB Горем ы ко. ВВ Макаров et al. // Известия Российской академии наук. Серия физическая. — 2017. — Vol. 81, no. 1. — Pp. 121-124.

[144] Эволюция пространственно-временного хаоса в дискретно-непрерывной активной среде / В А Максименко, ДЭ Постнов, АА Короновский et al. // Письма в ЖТФ. — 2017. — Vol. 43, по. 12.

[145] Visual perception affected by motivation and alertness controlled by a noninvasive brain-computer interface / Vladimir A Maksimenko, Anastasia E Runnova, Maksim О Zhuravlev et al. // PloS one. — 2017. — Vol. 12, no. 12. - P. e0188700.

[146] Lyapunov analysis of the spatially discrete-continuous system dynamics / Vladimir A Maximenko, Alexander E Hramov, Alexey A Koronovskii et al. // Chaos, Solitons & Fractals. - 2017. - Vol. 104. - Pp. 228-237.

[147] Absence seizure control by a brain computer interface / Vladimir A Maksimenko, Sabrina van Heukelum, Vladimir V Makarov et al. // Scientific Reports. - 2017. - Vol. 7, no. 1. - Pp. 1-8.

[148] Excitation and suppression of chimera states by multiplexing / Vladimir A Maksimenko, Vladimir V Makarov, Bidesh К Bera et al. // Physical Review E. - 2016. - Vol. 94, no. 5. - P. 052205.

[149] Emergence of a multilayer structure in adaptive networks of phase oscillators / VV Makarov, AA Koronovskii, VA Maksimenko et al. // Chaos, Solitons & Fractals. - 2016. - Vol. 84. - Pp. 23-30.

[150] Methods of automated absence seizure detection, interference by stimulation, and possibilities for prediction in genetic absence models / Gilles van Luijtelaar, Annika Liittjohann, Vladimir V Makarov et al. // Journal of neuroscience methods. — 2016. — Vol. 260. — Pp. 144-158.

[151] Способ идентификации состояния сомнений человека по данным активности головного мозга. Патент на изобретение № 2688320, 2019 / / Официальный бюллетень Федеральной службы по интеллектуальной собственности, патентам и товарным знакам. Москва: ФИПС. 21.05.2019, Фролов Н.С., Максименко В.А., Храмов А.Е., Писарчик А.Н.

[152] Способ классификации сигналов ЭЭГ при воображении двигательной активности у нетренированного оператора. Патент на изобретение № 2682492, 2019 // Официальный бюллетень Федеральной службы по интеллектуальной собственности, патентам и товарным знакам. Москва: ФИПС. 19.03.2019, Максименко В.А., Руннова А.Е., Куркин С.А., Храмов А.Е.

[153] Способ определения уровня концентрации внимания по временным данным электроэнцефалограмм. Патент на изобретение № 2675340, 2018 / / Официальный бюллетень Федеральной службы по интеллектуальной собственности, патентам и товарным знакам.

Москва: ФИПС. 18.12.2018, Бадарин A.A., Максименко В.А., Руннова А.Е., Храмов А.Е., Писарчик А.Н.

[154] Способ определения относительного размера синхронного кластера в сети по ее макропараметрам. Патент на изобретение № 2647677, 2018 // Официальный бюллетень Федеральной службы по интеллектуальной собственности, патентам и товарным знакам. Москва: ФИПС. 16.03.2018, Храмов А.Е., Горемыко М.В., Фролов Н.С., Максименко В.А., Макаров В.В.

[155] Программа распределения когнитивной нагрузки между двумя операторами. Свидетельство о государственной регистрации программы для ЭВМ № 2020614954, 2020 // Правообладатель: AHO ВО "Университет Иннополис" / Недайвозов В.О., Максименко В.А., Андреев A.B.

[156] Выделение функциональных связей данных головного мозга с использованием вейвлетного преобразования и рекуррентного анализа временных рядов. Свидетельство о государственной регистрации программы для ЭВМ № 2019661069, 2019 / / Правообладатель: AHO ВО "Университет Иннополис" / Фролов Н.С., Максименко В.А., Храмов А.Е.

[157] Оценка концентрации внимания человека по данным ЭЭГ-измерений. Свидетельство о государственной регистрации программы для ЭВМ № 2019661003, 2019 // Правообладатель: AHO ВО "Университет Иннополис" / Максименко В.А., Недайвозов В.О., Храмов А.Е.

[158] Программа для выявления в реальном времени паттернов на ЭЭГ в процессе решения когнитивных задач. Свидетельство о государственной регистрации программы для ЭВМ № 2018662580 // Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А., Официальный бюллетень Реестра программ для ЭВМ. Москва. 24.09.2018 / Недайвозов В.О., Руннова А.Е., Максименко В.А.

[159] Программный модуль для поиска и классификации состояний головного мозга в процессе принятия решения. Свидетельство о государственной регистрации программы для ЭВМ № 2018662581 // Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А., Официальный бюллетень Реестра программ для ЭВМ. Москва. 24.09.2018 / Фролов Н.С., Максименко В.А., Храмов А.Е.

[160] Программа для выявления характерных осцилляторных паттернов на ЭЭГ, возникающих при решении человеком последовательно предъявляемых когнитивных задач. Свидетельство о государственной регистрации программы для ЭВМ № 2018663538 // Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А., Официальный бюллетень Реестра программ для ЭВМ. Москва. 24.09.2018 / Недайвозов В.О., Руннова А.Е., Максименко В.А.

[161] Программа для идентификации синхронных частотно-временных структур на многокомпонентных сигналах Свидетельство о государственной регистрации программы для ЭВМ № 2018612996 // Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А., Официальный бюллетень Реестра программ для ЭВМ. Москва. 09.01.2018 / Куц А.К., Бадарин A.A., Максименко В.А., Храмов А.Е.

[162] Программа для ЭВМ для расчёта степени некогерентности многослойной сети нелокально связанных фазовых осцилляторов Курамото-Сакагучи. Свидетельство о государственной регистрации программы для ЭВМ № 2017613754, 2017 // Правообладатель: ФГБОУ ВПО СГУ имени Чернышевского Н.Г., Официальный бюллетень Реестра программ для ЭВМ. Москва. 29.03.2017 / Горемыко М.В., Макаров В.В., Фролов Н.С., Максименко В.А., Храмов А.Е.

[163] Программа для ЭВМ для выделения предшественников приступов абсанс-эпилепсии по многоканальным записям ЭЭГ на основе искусственной нейронной сети. Свидетельство о государственной регистрации программы для ЭВМ № 2017619455 // Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А., Официальный бюллетень Реестра программ для ЭВМ. Москва.26.6.2017 / Фролов Н.С., Максименко В.А., Храмов А.Е.

[164] Программа оценки связей по вей плотным энергиям между областями головного мозга, Свидетельство о государственной регистрации программы для ЭВМ № 2017618876 // Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А., Официальный бюллетень Реестра программ для ЭВМ. Москва. 3.7.2017 / Макаров В.В., Максименко В.А., Горемыко М.В., Храмов А.Е.

[165] Программа по диагностике предшественников эпилептических разрядов с использованием вейвлетного анализа. Свидетельство о государственной регистрации программы для ЭВМ № 2017619772 // Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А.,

Официальный бюллетень Реестра программ для ЭВМ. Москва. 3.7.2017 / Макаров В.В., Максименко В.А., Фролов Н.С., Храмов А.Е.

[166] Программа для ЭВМ выделения осцилляторных паттернов по сигналам многоканальной энцефаллограммы, соответствующих визуальному восприятию, с использованием нейростетевого аппарата. Свидетельство о государственной регистрации программы для ЭВМ № 2017613490, 2017 // Правообладатель: ФГБОУ ВПО СГУ имени Чернышевского Н.Г., Официальный бюллетень Реестра программ для ЭВМ. Москва. 21.03.2017 / Макаров В.В., Максименко В.А., Короновский A.A., Храмов А.Е.

[167] Программа для ЭВМ для проведения потокового вейвлетного преобразования длинных временных рядов в реальном времени. Свидетельство о государственной регистрации программы для ЭВМ № 2014610494, 2014 // Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А., Официальный бюллетень Реестра программ для ЭВМ. Москва. 10.01.2014 / Максименко В.А., Короновский A.A., Храмов А.Е., Фролов Н.С., Грубов В.В.

[168] Программа для диагностики характерных паттернов в сложных сетях. Свидетельство о государственной регистрации программы для ЭВМ № 2014618147, 2014 // Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А., Официальный бюллетень Реестра программ для ЭВМ. Москва. 11.08.2014 / Максименко В.А., Храмов А.Е., Короновский A.A., Макаров В.В.

[169] Программа для моделирования многослойной адаптивной сети осцилляторов Курамото. Свидетельство о государственной регистрации программы для ЭВМ № 2014617846, 2014 / / Правообладатель: ФГБОУ ВПО СГТУ имени Гагарина Ю.А., Официальный бюллетень Реестра программ для ЭВМ. Москва. 05.08.2014 / Короновский А.А., Москаленко О.П., Макаров В.В., Храмов А.Е., Максименко В.А.

[170] Brain-computer interface for the epileptic seizures prediction and prevention / Vladimir Maksimenko, Annika Liittjohann, Sabrina van Heukelum et al. // 2020 8th International Winter Conference on Brain-Computer Interface (BCI) / IEEE. - 2020. - Pp. 1-5.

[171] Cognitive interaction via a brain-to-brain interface / Vladimir Maksimenko, Nikita Frolov, Vadim Grubov, Vladimir Nedaivozov // Saratov Fall Meeting 2019: Computations and Data Analysis: from Nanoscale Tools to Brain Functions / International Society for Optics and Photonics. - Vol. 11459. - 2020. - P. 1145906.

[172] Neural activity during maintaining a body balance / Vladimir Maksimenko, Vladimir Khorev, Vadim Grubov et al. // Saratov Fall Meeting 2019: Computations and Data Analysis: from Nanoscale Tools to Brain Functions / International Society for Optics and Photonics. — Vol. 11459. _ 2020. - P. 1145903.

[173] Maksimenko, Vladimir. Cognitive interaction during a collaborative at-tentional task / Vladimir Maksimenko, Vadim Grubov // 2019 3rd School

on Dynamics of Complex Networks and their Application in Intellectual Robotics (DCNAIR) / IEEE. - 2019. - Pp. 119-121.

[174] Brain-to-brain interface increases efficiency of human-human interaction / Vladimir Maksimenko, Alexander Hramov, Anastasia Runnova, Alexander Pisarchik // 2019 7th International Winter Conference on Brain-Computer Interface (BCI) / IEEE. - 2019. - Pp. 1-5.

[175] Maksimenko, Vladimir. Control of Human Psychophysiological Condition by the Neurointerface With Biological Feedback / Vladimir Maksimenko, Vladimir Nedayvozov, Alexander Hramov // 2018 2nd School on Dynamics of Complex Networks and their Application in Intellectual Robotics (DCNAIR) / IEEE. - 2018. - Pp. 87-89.

[176] Maksimenko, Vladimir A. Analysis of bistable perception based on MEG data / Vladimir A Maksimenko, Nikita S Frolov, Alexander N Pisarchik // Dynamics and Fluctuations in Biomedical Photonics XV / International Society for Optics and Photonics. - Vol. 10493. - 2018. - P. 104931G.

[177] Maksimenko, Vladimir. Study of the interactions in neural ensemble of the brain using wavelet analysis / Vladimir Maksimenko, Vladimir Makarov, Mikhail Goremyko // Dynamics and Fluctuations in Biomedical Photonics XV / International Society for Optics and Photonics. — Vol. 10493. _ 2018. - P. 1049311.

[178] Brain-computer interface on the basis of EEG system Encephalan / Vladimir Maksimenko, Artem Badarin, Vladimir Nedaivozov et al. // Saratov Fall Meeting 2017: Laser Physics and Photonics XVIII; and Com-

putational Biophysics and Analysis of Biomedical Data IV / International Society for Optics and Photonics. - Vol. 10717. - 2018. - P. 107171R.

[179] Analysis of structural patterns in the brain with the complex network approach / Vladimir A Maksimenko, Vladimir V Makarov, Alexander A Kharchenko et al. // Dynamics and Fluctuations in Biomedical Photonics XII / International Society for Optics and Photonics. — Vol. 9322. - 2015. - P. 932213.

[180] Strogatz, Steven H. From Kuramoto to Crawford: exploring the onset of synchronization in populations of coupled oscillators / Steven H Strogatz // Physica D: Nonlinear Phenomena. — 2000. — Vol. 143, no. 1-4. _ pp. 1-20.

[181] Wavelet phase coherence analysis: application to skin temperature and blood flow / Andriy Bandrivskyy, Alan Bernjak, Peter McClintock, Ane-ta Stefanovska // Cardiovascular engineering: an international journal. — 2004. - Vol. 4, no. 1. - Pp. 89-93.

[182] Estimating alertness from the EEG power spectrum / Tzyy-Ping Jung, Scott Makeig, Magnus Stensmo, Terrence J Sejnowski // IEEE transactions on biomedical engineering. — 1997. — Vol. 44, no. 1. — Pp. 60-69.

[183] Balconi, Michela. Consciousness and arousal effects on emotional face processing as revealed by brain oscillations. A gamma band analysis / Michela Balconi, Claudio Lucchiari // International Journal of Psy-chophysiology. - 2008. - Vol. 67, no. 1. - Pp. 41-46.

[184] Liu, Xing-Han. Recognizing the Degree of Human Attention Using EEG Signals from Mobile Sensors / Xing-Han Liu, Cheng-Yu Chiang, Hsuan-

Chin Chu // Sensors (Basel). - 2013. - Aug. - Vol. 13, no. 8. -Pp. 10273-10286.

[185] Onton, Julie. Frontal midline EEG dynamics during working memory / Julie Onton, Arnaud Delorme, Scott Makeig // Neuroimage. — 2005. — Vol. 27, no. 2. - Pp. 341-356.

[186] Fronto-parietal EEG coherence in theta and upper alpha reflect central executive functions of working memory / Paul Sauseng, Wolfgang Klimesch, Manuel Schabus, Michael Doppelmayr // International Journal of Psy-chophysiology. - 2005. - Vol. 57, no. 2. - Pp. 97-103.

[187] Conflict between gesture representations extinguishes n rhythm desyn-chronization during manipulable object perception: an EEG study / Yannick Wamain, Aïsha Sahaï, Jérémy Decroix et al. // Biological psychology. _ 2017.

[188] Large scale functional brain networks underlying temporal integration of audio-visual speech perception: An EEG study / G Vinodh Kumar, Tamesh Haider, Amit K Jaiswal et al. // Frontiers in psychology. — 2016. _ Vol. 7. _ p. 1558.

[189] Prefrontal cortex modulates posterior alpha oscillations during top-down guided visual perception / Randolph F Helfrich, Melody Huang, Guy Wilson, Robert T Knight // Proceedings of the National Academy of Sciences. _ 2017. - Vol. 114, no. 35. - Pp. 9457-9462.

[190] Busch, Niko A. The Phase of Ongoing EEG Oscillations Predicts Visual Perception / Niko A. Busch, Julien Dubois, Rufin VanRullen // Journal of Neuroscience. - 2009. - Vol. 29, no. 24. - Pp. 7869-7876.

[191] Milton, Alex. The phase of pre-stimulus alpha oscillations influences the visual perception of stimulus timing / Alex Milton, Christopher W Pleydell-Pearce // Neuroimage. — 2016. — Vol. 133. — Pp. 53-61.

[192] Shourie, Nasrin. Cepstral Analysis of EEG During Visual Perception and Mental Imagery Reveals the Influence of Artistic Expertise / Nasrin Shourie // Journal of medical signals and sensors. — 2016. — Vol. 6, no. 4. - P. 203.

[193] Alpha and gamma oscillation amplitudes synergistically predict the perception of forthcoming nociceptive stimuli / Yiheng Tu, Zhiguo Zhang, Ao Tan et al. // Human brain mapping. — 2016. — Vol. 37, no. 2. — Pp. 501-514.

[194] Alpha rhythm of the EEG modulates visual detection performance in humans / Tolgay Ergenoglu, Tamer Demiralp, Zubeyir Bayraktaroglu et al. // Cognitive Brain Research. — 2004. — Vol. 20, no. 3. — Pp. 376383.

[195] Classifying the Perceptual Interpretations of a Bistable Image Using EEG and Artificial Neural Networks / Alexander E. Hramov, Vladimir A. Maksimenko, Svetlana V. Pchelintseva et al. // Frontiers in Neuroscience. — 2017. - Vol. 11. - P. 674.

[196] Stimulus-induced visual cortical networks are recapitulated by spontaneous local and interareal synchronization / Christopher M Lewis, Conrado A Bosman, Thilo Womelsdorf, Pascal Fries // Proceedings of the National Academy of Sciences. — 2016. — Vol. 113, no. 5. — Pp. E606-E615.

[197] Engel, Andreas K. Neuronal Oscillations, Coherence, and Consciousness / Andreas K Engel, Pascal Fries // The Neurology of Conciousness (Second Edition). - Elsevier, 2016. - Pp. 49-60.

[198] Fairhall, Scott L. Effective connectivity within the distributed cortical network for face perception / Scott L Fairhall, Alumit Ishai // Cerebral cortex. - 2006. - Vol. 17, no. 10. - Pp. 2400-2406.

[199] Activity and effective connectivity of parietal and occipital cortical regions during haptic shape perception / Scott Peltier, Randall Stilla, Erica Mar-iola et al. // Neuropsychologia. - 2007. - Vol. 45, no. 3. - Pp. 476-483.

[200] Necker, L. A. Observations on some remarkable phenomena seen in Switzerland; and an optical phenomenon which occurs on viewing of a crystal or geometrical solid / L. A. Necker // Philos. Mag. — 1832. — Vol. 3. - Pp. 329-343.

[201] Kornmeier, Jurgen. Necker cube: Stimulus-related (low-level) and percept-related (high-level) EEG signatures early in occipital cortex / Jurgen Kornmeier, Miriam Pfaffle, Michael Bach //J. Vis. — 2011. — Vol. 11, no. 9. _ p. 12.

[202] Voluntary control of Necker cube reversals modulates the EEG delta-and gamma-band response / Birgit Mathes, Daniel Str?ber, Michael A. Stadler, Canan Basar-Eroglu // Neurosci. Lett. — 2006. — Vol. 402, no. 1. - Pp. 145-149.

[203] Critical slowing down and noise-induced intermittency in bistable perception: bifurcation analysis / A. N. Pisarchik, R. Jaimes-Reategui, C. D. Ale-

jandro Magall?n-Garcia, C. Obed Castillo-Morales // Biol. Cyber. — 2014. - Vol. 108, no. 4. - Pp. 397-404.

[204] Pisarchik, A. N. Controlling bistability in a stochastic perception model / A. N. Pisarchik, I. A. Bashkirtseva, L. Ryashko // Eur. Phys. J. Spec. Top. - 2015. - Vol. 224, no. 8. - Pp. 1477-1484.

[205] Bashkirtseva, I. A. Stochastic sensitivity of a bistable energy model for visual perception / I. A. Bashkirtseva, L. Ryashko // Indian J. Phys. — 2017. - Vol. 91, no. 1. - Pp. 57-62.

[206] Visual perception affected by motivation and alertness controlled by a noninvasive brain-computer interface / Vladimir A. Maksimenko, A. E. Runnova, Maksim O. Zhuravlev et al. // PLoS ONE. - 2017. _ 12. _ Vol. 12, no. 12. - Pp. 1-20.

[207] Wang, Megan. Brain mechanisms for simple perception and bistable perception / Megan Wang, Daniel Arteaga, Biyu J He // Proc. Nat. Acad. Sci. - 2013. - Vol. 110, no. 35. - Pp. E3350-E3359.

[208] Niedermeyer, E. Electroencephalography: Basic Principles, Clinical Applications, and Related Fields, Nonlinear Dynamics / E. Niedermeyer, F. L. da Silva. — Lippincot Williams & Wilkins, 2014.

[209] A shift of visual spatial attention is selectively associated with human EEG alpha activity / Paul Sauseng, Wolfgang Klimesch, Waltraud Stadler et al. // European Journal of Neuroscience. — 2005. — Vol. 22, no. 11. - Pp. 2917-2926.

[210] Foxe, John J. The role of alpha-band brain oscillations as a sensory suppression mechanism during selective attention / John J Foxe, Adam C Snyder // Frontiers in psychology. — 2011. — Vol. 2. — P. 154.

[211] A human intracranial study of long-range oscillatory coherence across a frontal-occipital-hippocampal brain network during visual object processing / Pejman Sehatpour, Sophie Molholm, Theodore H Schwartz et al. // Proceedings of the National Academy of Sciences. — 2008. — Vol. 105, no. 11. - Pp. 4399-4404.

[212] Wrobel, Andrzej. Beta activity: a carrier for visual attention / An-drzej Wrobel et al. // Acta neurobiologiae experimentalis. — 2000. — Vol. 60, no. 2. - Pp. 247-260.

[213] EEG beta band activity is related to attention and attentional deficits in the visual performance of elderly subjects / Mateusz Gola, Mikdaj Mag-nuski, Izabela Szumska, Andrzej Wrobel // International Journal of Psy-chophysiology. - 2013. - Vol. 89, no. 3. - Pp. 334-341.

[214] Sprague, Thomas C. Attention modulates spatial priority maps in the human occipital, parietal and frontal cortices / Thomas C Sprague, John T Serences // Nature neuroscience. — 2013. — Vol. 16, no. 12.

_ p. 1879.

[215] Indovina, Iole. Occipital-parietal interactions during shifts of exogenous visuospatial attention: trial-dependent changes of effective connectivity / Iole Indovina, Emiliano Macaluso // Magnetic resonance imaging. — 2004. - Vol. 22, no. 10. - Pp. 1477-1486.

[216] Multisensory auditory-visual interactions during early sensory processing in humans: a high-density electrical mapping study / Sophie Molholm, Walter Ritter, Micah M Murray et al. // Cognitive brain research. — 2002. - Vol. 14, no. 1. - Pp. 115-128.

[217] Laminar differences in gamma and alpha coherence in the ventral stream / Elizabeth A Buffalo, Pascal Fries, Rogier Landman et al. // Proceedings of the National Academy of Sciences. — 2011. — Vol. 108, no. 27. — Pp. 11262-11267.

[218] Inter-and intra-individual variability in alpha peak frequency / Saskia Haegens, Helena Cousijn, George Wallis et al. // Neuroimage. — 2014. _ v0i. 92. _ Pp. 46-55.

[219] Gregoriou, Georgia G. Oscillatory synchrony as a mechanism of atten-tional processing / Georgia G Gregoriou, Sofia Paneri, Panagiotis Sa-pountzis // brain research. — 2015. — Vol. 1626. — Pp. 165-182.

[220] Human Occipital and Parietal GABA Selectively Influence Visual Perception of Orientation and Size / Chen Song, Kristian Sandberg, Lau M0ller Andersen et al. // Journal of Neuroscience. — 2017. — Vol. 37, no. 37. - Pp. 8929-8937.

[221] Where the BOLD signal goes when alpha EEG leaves / H Laufs, John L Holt, Robert Elfont et al. // Neuroimage. — 2006. — Vol. 31, no. 4. _ pp. 1408-1418.

[222] Beta Oscillation Dynamics in Extrastriate Cortex after Removal of Primary Visual Cortex / Joscha T. Schmiedt, Alexander Maier, Pascal Fries et al. // J Neurosci. - 2014. - Aug. - Vol. 34, no. 35. - Pp. 11857-11864.

[223] Lusch, Bethany. Deep learning for universal linear embeddings of nonlinear dynamics / Bethany Lusch, J Nathan Kutz, Steven L Brunton // Nature communications. — 2018. — Vol. 9, no. 1. — P. 4950.

[224] Synchronization of chaotic systems and their machine-learning models / Tongfeng Weng, Huijie Yang, Changgui Gu et al. // Physical Review E. _ 2019. - Vol. 99, no. 4. - P. 042203.

[225] Using machine learning to replicate chaotic attractors and calculate Lya-punov exponents from data / Jaideep Pathak, Zhixin Lu, Brian R Hunt et al. // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 2017.

- Vol. 27, no. 12. - P. 121102.

[226] Lu, Zhixin. Attractor reconstruction by machine learning / Zhixin Lu, Brian R Hunt, Edward Ott // Chaos: An Interdisciplinary Journal of Nonlinear Science. - 2018. - Vol. 28, no. 6. - P. 061104.

[227] Detection of generalized synchronization using echo state networks / David Ibanez-Soria, Jordi Garcia-Ojalvo, Aureli Soria-Frisch, Giulio Ruffi-ni // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 2018.

- Vol. 28, no. 3. - P. 033118.

[228] Classification of motor imagery EEG signals with support vector machines and particle swarm optimization / Yuliang Ma, Xiaohui Ding, Qingshan She et al. // Computational and mathematical methods in medicine. - 2016. - Vol. 2016.

[229] The effects of high-frequency oscillations in hippocampal electrical activities on the classification of epileptiform events using artificial neural

networks / Alan W. L. Chiu, Shokrollah S. Jahromi, Ilournan Khosravani et al. // Journal of Neural Engineering. — 2006. — Vol. 3, no. 1. — P. 9.

[230] Artificial neural network detects human uncertainty / A. E. Hramov, N. S. Frolov, V. A. Maksimenko et al. // Chaos. - 2018. - Vol. 28, no. 033607.

[231] EEG-based prediction of driver's cognitive performance by deep convolu-tional neural network / Mehdi Hajinoroozi, Zijing Mao, Tzyy-Ping Jung et al. // Signal Processing: Image Communication. — 2016. — Vol. 47, no. Supplement C. — Pp. 549-555.

[232] Âberg, Malin CB. Evolutionary optimization of classifiers and features for single-trial EEG Discrimination / Malin CB Âberg, Johan Wessberg // Biomed Eng Online. - 2007. - August. - Vol. 6. - Pp. 32-32.

[233] Spatiotemporal Representations of Rapid Visual Target Detection: A Single-Trial EEG Classification Algorithm / Fuhrmann G. Alpert, R. Manor, A. B. Spanier et al. // IEEE Transactions on Biomedical Engineering. - 2014. - Vol. 61, no. 8. - Pp. 2290-2303.

[234] Validation in Principal Components Analysis Applied to EEG Data / Joâo Carlos G. D. Costa, Paulo José G. Da-Silva, Renan Moritz V. R. Almeida, Antonio Fernando C. Infantosi // Comput Math Methods Med. — 2014.

- September. - Vol. 2014. - P. 413801.

[235] Putilov, Arcady A. Principal component analysis of the EEG spectrum can provide yes-or-no criteria for demarcation of boundaries between NREM sleep stages / Arcady A. Putilov // Sleep Sci. — 2015. — March.

- Vol. 8, no. 1. - Pp. 16-23.

[236] Z-Score Linear Discriminant Analysis for EEG Based Brain-Computer Interfaces / Rui Zhang, Peng Xu, Lanjin Guo et al. // PLoS One. — 2013. - September. - Vol. 8, no. 9. - P. 74433.

[237] Regularized Linear Discriminant Analysis of EEG Features in Dementia Patients / Emanuel Neto, Felix Biessmann, Harald Aurlien et al. // Frontiers in Aging Neuroscience. — 2016. — Vol. 8. — P. 273.

[238] Genetic algorithm for the optimization of features and neural networks in ECG signals classification / Hongqiang Li, Danyang Yuan, Xiangdong Ma et al. // Scientific Reports. - 2017. - January. - Vol. 7. - P. 41011 EP.

[239] Channel selection and classification of electroencephalogram signals: An artificial neural network and genetic algorithm-based approach / Jian-hua Yang, Harsimrat Singh, Evor L. Hines et al. // Artificial Intelligence in Medicine. - 2012. - Vol. 55, no. 2. - Pp. 117-126.

[240] Nanthini, Suguna B. Electroencephalogram Signal Classification for Automated Epileptic Seizure Detection Using Genetic Algorithm / Suguna B. Nanthini, B. Santhi // J Nat Sci Biol Med. - 2017. - Vol. 8, no. 2. - Pp. 159-166.

[241] World Medical Association (2000) Declaration of Helsinki: ethical principles for medical research involving human subjects // The Journal of the American Medical Association. - 2000. - Vol. 284, no. 23. - Pp. 30433045.

[242] Multi-stable perception balances stability and sensitivity / Alexander Pas-tukhov, Pedro E. Garcia-Rodriguez, Joachim Haenicke et al. // Frontiers in Computational Neuroscience. — 2013. — Vol. 7. — P. 17.

[243] Carpenter, R. H. S. Analysing the Detail of Saccadic Reaction Time Distributions / R. H. S. Carpenter // Biocybernetics and Biomedical Engineering. _ 2012. - Vol. 32, no. 2. - Pp. 49-63.

[244] Merk, I. A stochastic model of multistable visual perception / I. Merk, J. Schnakenberg // Biological Cybernetics. — 2002. — Vol. 86. — Pp. Ill— 116.

[245] Classifying the perceptual interpretations of a bistable image using EEG and artificial neural networks / Alexander E. Hramov, Vladimir A. Mak-simenko, Svetlana V. Pchelintseva et al. // Front. Neurosci. — 2017. — Vol. 11. - P. 674.

[246] Haykin, Simon. Neural Networks: A Comprehensive Foundation / Simon Haykin. — Pearson; 3d edition, 2008.

[247] Duda, R. Pattern Classification and Scene Analysis / R. Duda, P. Hart. - New York, Wiley, 1973.

[248] Haselsteiner, E. Using time-dependent neural networks for EEG classification / E. Haselsteiner, G. Pfutscheller // IEEE Transactions on Rehabilitation Enginering. - 2000. - Vol. 8. - Pp. 457-463.

[249] Fontoura da, Costa L. Shape analysis and classification: theory and practice / Costa L. Fontoura da, Jr. R. M. Cesar. — Boca Raton, CRC Press, 2001.

[250] Comparison of linear, nonlinear, and feature selection methods for EEG signal classification / D. Garrett, D. A. Peterson, C. W. Anderson,

M. H. Thaut // IEEE Transactions on Neural Systems and Rehabilitation Engineering. — 2003. — Vol. 11, no. 2. — Pp. 141-144.

[251] Comparison of EEG pattern classification methods for brain-computer interfaces / N. S. Dias, M. Kamrunnahar, P. M. Mendes et al. // Conf Proc IEEE Eng Med Biol Soc. - 2007. - P. 2540.

[252] Classification of Multichannel EEG Signal by Linear Discriminant Analysis / Mohammad Rubaiyat Hasan, Muhammad Ibn Ibrahimy, S. M.A. Mo-takabber, Shahjahan Shahid / Ed. by Henry Selvaraj, Dawid Zydek, Grze-gorz Chmaj. — Springer International Publishing, 2015. — Pp. 279-282.

[253] Yao, Xin. Evolving artificial neural networks / Xin Yao // Proceedings of the IEEE. - 1999. - Vol. 87, no. 9. - Pp. 1423-1447.

[254] Cybenko, G.V. "Approximation by Superpositions of a Sigmoidal function-/ G.V. Cybenko // Mathematics of Control, Signals, and Systems. Springer International. — 2006. — Pp. 303-314.

[255] Strutz, T. Data Fitting and Uncertainty (A practical introduction to weighted least squares and beyond) / T. Strutz. — 2nd edition edition. — Springer, 2016.

[256] Torresani, B. Continuous wavelet transform / B. Torresani. — Paris: Savoire, 1995.

[257] Neural substrates for depth perception of the Necker cube; a functional magnetic resonance imaging study in human subjects / T. Inui, S. Tanaka, T. Okada et al. // Neuroscience Letters. - 2000. - Vol. 282, no. 145-148.

[258] The neurophysiological time pattern of illusionary visual perceptual transitions: A simultaneous EEG and fMRI study / T. J. Mtiller, A. Federspiel, H. Horn et al. // International Journal of Psychophysiology. — 2005. — Vol. 55, no. 299-312.

[259] Desimone, Robert. Neural Mechanisms of Selective Visual Attention / Robert Desimone, John Duncan // Annual Review of Neuroscience. — 1995. - Vol. 18, no. 1. - Pp. 193-222. - PMID: 7605061.

[260] Alpha rhythm of the EEG modulates visual detection performance in humans / Tolgay Ergenoglu, Tamer Demiralp, Zubeyir Bayraktaroglu et al. // Cognitive Brain Research. — 2004. — Vol. 20, no. 3. — Pp. 376 383.

[261] Taylor, Paul Christopher John. Brain activity underlying visual perception and attention as inferred from TMS-EEG: A review / Paul Christopher John Taylor, Gregor Thut // Brain Stimulation: Basic, Translation-al, and Clinical Research in Neuromodulation. — 2012. — Vol. 5, no. 2. - Pp. 124-129.

[262] Nobre, Anna Christina. The attentive homunculus: Now you see it, now you don't / Anna Christina Nobre // Neuroscience & Biobehavioral Reviews. - 2001. - Vol. 25, no. 6. - Pp. 477-496.

[263] Corbetta, Maurizio. Control of goal-directed and stimulus-driven attention in the brain / Maurizio Corbetta, Gordon L. Shulman // Nature Reviews Neuroscience. - 2002. - March. - Vol. 3. - P. 201 EP.

[264] Toward fewer EEG channels and better feature extractor of non-motor imagery mental tasks classification for a wheelchair thought controller /

R. Chai, S. H. Ling, G. P. Hunter, H. T. Nguyen // 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology S0Ciety. - 2012. - August. - Pp. 5266-5269.

[265] Wang, Yijun. Common spatial pattern method for channel selelction in motor imagery based brain-computer interface / Yijun Wang, Shangkai Gao, Xiaornog Gao // Engineering in medicine and biology society, 2005. IEEE-EMBS 2005. 27th Annual international conference of the / IEEE. - 2006. - Pp. 5392-5395.

[266] Optimal channel selection for analysis of EEG-sleep patterns of neonates / Alexandra Piryatinska, Wojbor A. Woyczynski, Mark S. Scher, Kenneth A. Loparo // Computer methods and programs in biomedicine. — 2012. - Vol. 106, no. 1. - Pp. 14-26.

[267] Automated single channel seizure detection in the neonate / B. R. Greene, G. B. Boylan, W. P. Marnane et al. // 2008 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. — 2008. - August. - Pp. 915-918.

[268] Li, M. Optimal combination of channels selection based on common spatial pattern algorithm / M. Li, J. Ma, S. Jia // 2011 IEEE International Conference on Mechatronics and Automation. — 2011. — August. — Pp. 295-300.

[269] Support vector channel selection in BCI / T. N. Lai, M. Schroder, T. Hin-terberger et al. // IEEE Transactions on Biomedical Engineering. — 2004. _ june. _ Vol. 51, no. 6. - Pp. 1003-1010.

[270] A hybrid BMI-based exoskeleton for paresis: EMG control for assisting arm movements / Toshihiro Kawase, Takeshi Sakurada, Yasuharu Koike, Kenji Kansaku // Journal of Neural Engineering. — 2017. — Vol. 14, no. 1. - P. 016015.

[271] Spiiler, Martin. A high-speed brain-computer interface (BCI) using dry EEG electrodes / Martin Spiiler // PLOS ONE. - 2017. - 02. - Vol. 12, no. 2. - Pp. 1-12.

[272] Brainn'fScomputer interface devices for patients with paralysis and amputation: a meeting report / K. Bowsher, E. F. Civillico, J. Coburn et al. // Journal of Neural Engineering. — 2016. — Vol. 13, no. 2. — P. 023001.

[273] High-speed spelling with a noninvasive brainn'fScomputer interface / Xi-aogang Chen, Yijun Wang, Masaki Nakanishi et al. // Proceedings of the National Academy of Sciences. - 2015. - Vol. 112, no. 44. - Pp. E6058-E6067.

[274] A spelling device for the paralysed / N. Birbaumer, N. Ghanayim, T. Hin-terberger et al. // Nature. - 1999. - Vol. 398. - Pp. 297-298.

[275] The hybrid BCI system for movement control by combining motor imagery and moving onset visual evoked potential / Teng Ma, Hui Li, Lili Deng et al. // Journal of Neural Engineering. — 2017. — Vol. 14, no. 2. - P. 026015.

[276] Daly, Janis J. Brainn'fScomputer interfaces in neurological rehabilitation / Janis J Daly, Jonathan R Wolpaw // The Lancet Neurology. — 2008. — Vol. 7, no. 11. - Pp. 1032 - 1043.

[277] Adaptive Control of Exoskeleton Robots for Periodic Assistive Behaviours Based on EMG Feedback Minimisation / Luka Peternel, Tomoyuki Noda, Tadej Pétrie et al. // PLOS ONE. - 2016. - 02. - Vol. 11, no. 2. -Pp. 1-26.

[278] Adapting the P300-based brain-computer interface for gaming: a review / Alexander Y Kaplan, Sergei L Shishkin, Ilya P Ganin et al. // IEEE Transactions on Computational Intelligence and AI in Games. — 2013. — Vol. 5, no. 2. - Pp. 141-149.

[279] Jackson, Andrew. Brain-controlled robot grabs attention / Andrew Jackson // Nature. - 2012. - Vol. 485, no. 7398. - Pp. 317-318.

[280] Wolpaw, Jonathan R. Control of a two-dimensional movement signal by a noninvasive brain-computer interface in humans / Jonathan R Wolpaw, Dennis J McFarland // Proceedings of the national academy of sciences. _ 2004. - Vol. 101, no. 51. - Pp. 17849-17854.

[281] Jalili, Mahdi. Functional brain networks: does the choice of dependency estimator and binarization method matter? / Mahdi Jalili // Scientific reports. - 2016. - Vol. 6. - P. 29780.

[282] Assessing motor imagery in brain-computer interface training: psychological and neurophysiological correlates / Anatoly Vasilyev, Sofya Liburkina, Lev Yakovlev et al. // Neuropsychologia. — 2017. — Vol. 97. — Pp. 56-65.

[283] Basyul, IA. Changes in the n200 and p300 components of event-related potentials on variations in the conditions of attention in a brain-computer interface system / IA Basyul, A Ya Kaplan // Neuroscience and Behavioral Physiology. - 2015. - Vol. 45, no. 9. - Pp. 1038-1042.

[284] The extraction of motion-onset VEP BCI features based on deep learning and compressed sensing / Teng Ma, Hui Li, Hao Yang et al. // Journal of neuroscience methods. — 2017. — Vol. 275. — Pp. 80-92.

[285] Wang, Yubo. Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications / Yubo Wang, Kalyana C Veluvolu, Minho Lee // Journal of neuroengineering and rehabilitation. — 2013. — Vol. 10, no. 1. - P. 109.

[286] Hamedi, Mahyar. Electroencephalographic motor imagery brain connectivity analysis for BCI: a review / Mahyar Hamedi, Sh-Hussain Salleh, Alias Mohd Noor // Neural computation. — 2016. — Vol. 28, no. 6. — Pp. 999-1041.

[287] The non-invasive Berlin brain-computer interface: fast acquisition of effective performance in untrained subjects / Benjamin Blankertz, Guido Dornhege, Matthias Krauledat et al. // Neurolmage. — 2007. — Vol. 37, no. 2. - Pp. 539-550.

[288] Ferrante, Andrea. Data-efficient hand motor imagery decoding in EEG-BCI by using Morlet wavelets & common spatial pattern algorithms / Andrea Ferrante, Constantinos Gavriel, Aldo Faisal // 2015 7th International IEEE/EMBS Conference on Neural Engineering (NER) / IEEE. — 2015. - Pp. 948-951.

[289] Gao, Lin. Event-related desynchronization and synchronization quantification in motor-related EEG by Kolmogorov entropy / Lin Gao, Jue Wang, Longwei Chen // Journal of neural engineering. — 2013. — Vol. 10, no. 3. - P. 036023.

[290] Event-related desynchronization and movement-related cortical potentials on the ECoG and EEG / Camilo Toro, Giinther Deuschl, Robert Thatcher et al. // Electroencephalography and Clinical Neurophysiology/Evoked Potentials Section. - 1994. - Vol. 93, no. 5. - Pp. 380-389.

[291] Duann, Jeng-Ren. A comparison of independent event-related desynchronization responses in motor-related brain areas to movement execution, movement imagery, and movement observation / Jeng-Ren Duann, Jin-Chern Chiou // PLoS One. - 2016. - Vol. 11, no. 9. - P. e0162546.

[292] Harmony, Thalia. The functional significance of delta oscillations in cognitive processing / Thalia Harmony // Frontiers in integrative neuroscience. _ 2013. - Vol. 7. - P. 83.

[293] Todor, John I. Handedness and hemispheric asymmetry in the control of movements / John I Todor, Thomas Doane // Journal of Motor Behavior. _ 1978. _ v0i. io, no. 4. - Pp. 295-300.

[294] Nam, Chang S. Brain-computer interfaces handbook: technological and theoretical advances / Chang S Nam, Anton Nijholt, Fabien Lotte. — CRC Press, 2018.

[295] Active data selection for motor imagery EEG classification / Naoki Tomida, Toshihisa Tanaka, Shunsuke Ono et al. // IEEE Transactions on Biomedical Engineering. — 2014. — Vol. 62, no. 2. — Pp. 458-467.

[296] Channel selection and classification of electroencephalogram signals: an artificial neural network and genetic algorithm-based approach / Jian-hua Yang, Harsimrat Singh, Evor L Hines et al. // Artificial intelligence in medicine. - 2012. - Vol. 55, no. 2. - Pp. 117-126.

[297] Comparing different classifiers in sensory motor brain computer interfaces / Hossein Bashashati, Rabab К Ward, Gary E Birch, Ali Bashashati // PloS one. - 2015. - Vol. 10, no. 6. - P. e0129435.

[298] Wheelchair control by elderly participants in a virtual environment with a brain-computer interface (BCI) and tactile stimulation / Andreas Herweg, Julian Gutzeit, Sonja Kleih, Andrea Kiibler // Biological psychology. — 2016. - Vol. 121. - Pp. 117-124.

[299] Classifying EEG and ECoG signals without subject training for fast BCI implementation: comparison of nonparalyzed and completely paralyzed subjects / N Jeremy Hill, Thomas Navin Lai, M Schroder et al. // IEEE transactions on neural systems and rehabilitation engineering. — 2006. — Vol. 14, no. 2. - Pp. 183-186.

[300] Increased motor cortex excitability during motor imagery in brain-computer interface trained subjects / Olesya Mokienko, Alexander Chervyakov, Sofia Kulikova et al. // Frontiers in computational neuroscience. - 2013. - Vol. 7. - P. 168.

[301] Stuss, Donald T. Principles of frontal lobe function / Donald T Stuss, Robert T Knight. — Oxford University Press, 2013.

[302] Development of intelligent system for classification of multiple human brain states corresponding to different real and imaginary movements / Vadim Grubov, Vyacheslav Musatov, Vladimir Maksimenko et al. // Cybernetics and Physics. — 2017. — Vol. 6, no. 3. — Pp. 103-107.

[303] Tabar, Yousef Rezaei. A novel deep learning approach for classification of EEG motor imagery signals / Yousef Rezaei Tabar, Ugur Halici // Journal of neural engineering. — 2016. — Vol. 14, no. 1. — P. 016003.

[304] Mixed neural network approach for temporal sleep stage classification / Hao Dong, Akara Supratak, Wei Pan et al. // IEEE Transactions on Neural Systems and Rehabilitation Engineering. — 2017. — Vol. 26, no. 2. - Pp. 324-333.

[305] Support vector machines to detect physiological patterns for EEG and EMG-based human-computer interaction: a review / LR Quitadamo, F Cavrini, L Sbernini et al. // Journal of neural engineering. — 2017. - Vol. 14, no. 1. - P. 011001.

[306] Vallabhaneni, Anirudh. Motor imagery task classification for brain computer interface applications using spatiotemporal principle component analysis / Anirudh Vallabhaneni, Bin He // Neurological research. — 2004. - Vol. 26, no. 3. - Pp. 282-287.

[307] Hsu, Wei-Yen. Independent component analysis and multiresolution asymmetry ratio for brain-computer interface / Wei-Yen Hsu // Clinical EEG and neuroscience. — 2013. — Vol. 44, no. 2. — Pp. 105-111.

[308] Radial basis function neural network for classification of quantitative EEG in patients with advanced chronic renal failure / Juan A Barios, César Gonzalez, Bettina Benbunan et al. // International Work-Conference on the Interplay Between Natural and Artificial Computation / Springer. - 2011. - Pp. 411-418.

[309] An improved adaptive RBF network for classification of left and right hand motor imagery tasks / Xiao-mei Pei, Jin Xu, Chong-xun Zheng, Guang-yu Bin // International Conference on Natural Computation / Springer. - 2005. - Pp. 1031-1034.

[310] Neural network-based three-class motor imagery classification using time-domain features for BCI applications / Mahyar Hamedi, Sh-Hussain Salleh, Alias Mohd Noor, Iman Mohammad-Rezazadeh // 2014 IEEE Region 10 Symposium / IEEE. - 2014. - Pp. 204-207.

[311] Hagmann, Cornelia Franziska. Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy / Cornelia Franziska Hagmann, Nicola Jayne Robertson, Denis Azzopardi // Pediatrics. — 2006. — Vol. 118, n0. 6. - Pp. 2552-2554.

[312] Feature selection before EEG classification supports the diagnosis of Alzheimer's disease / LR Trambaiolli, N Spolaor, AC Lorena et al. // Clinical Neurophysiology. - 2017. - Vol. 128, no. 10. - Pp. 2058-2067.

[313] Motor imagery EEG signal processing and classification using machine learning approach / SR Sreeja, Joytirmoy Rabha, KY Nagarjuna et al. // 2017 International Conference on New Trends in Computing Sciences (ICTCS) / IEEE. - 2017. - Pp. 61-66.

[314] Tam, Wing-Kin. Performance of common spatial pattern under a smaller set of EEG electrodes in brain-computer interface on chronic stroke patients: a multi-session dataset study / Wing-Kin Tam, Zheng Ke, Kai-

Yu Tong // 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society / IEEE. — 2011. — Pp. 6344-6347.

[315] Optimizing the channel selection and classification accuracy in EEG-based BCI / Mahnaz Arvaneh, Cuntai Guan, Kai Keng Ang, Chai Quek // IEEE Transactions on Biomedical Engineering. — 2011. — Vol. 58, no. 6. - Pp. 1865-1873.

[316] Subacute and chronic electrical stimulation of the hippocampus on intractable temporal lobe seizures: preliminary report / Ana Luisa Velasco, Marcos Velasco, Francisco Velasco et al. // Archives of Medical Research. _ 2000. - Vol. 31, no. 3. - Pp. 316-328.

[317] Transcranial magnetic stimulation (TMS) modulates epileptiform discharges in patients with frontal lobe epilepsy: a preliminary EEG-TMS study / Vasilios K Kimiskidis, Dimitris Kugiumtzis, Sotirios Pa-pagiannopoulos, Nikolaos Vlaikidis // International journal of neural systems. - 2013. - Vol. 23, no. 01. - P. 1250035.

[318] On-demand optogenetic control of spontaneous seizures in temporal lobe epilepsy / Esther Krook-Magnuson, Caren Armstrong, Mikko Oijala, Ivan Soltesz // Nature communications. — 2013. — Vol. 4. — P. 1376.

[319] Seizure predictionn'fSready for a new era / Levin Kuhlmann, Klaus Lehn-ertz, Mark P Richardson et al. // Nature Reviews Neurology. — 2018. — Vol. 14, no. 10. - Pp. 618-630.

[320] Freestone, Dean R. A forward-looking review of seizure prediction / Dean R Freestone, Philippa J Karoly, Mark J Cook // Current opinion in neurology. - 2017. - Vol. 30, no. 2. - Pp. 167-173.

[321] Dynamical diseases of brain systems: different routes to epileptic seizures / Fernando H Lopes da Silva, Wouter Blanes, Stiliyan N Kalitzin et al. // IEEE transactions on biomedical engineering. — 2003. — Vol. 50, no. 5.

- Pp. 540-548.

[322] Bidirectional control of generalized epilepsy networks via rapid real-time switching of firing mode / Jordan M Sorokin, Thomas J Davidson, Eric Frechette et al. // Neuron. - 2017. - Vol. 93, no. 1. - Pp. 194-210.

[323] Seizure prediction: the long and winding road / Florian Mormann, Ralph G Andrzejak, Christian E Elger, Klaus Lehnertz // Brain. — 2007.

- Vol. 130, no. 2. - Pp. 314-333.

[324] Gamma-band phase clustering and photosensitivity: is there an underlying mechanism common to photosensitive epilepsy and visual perception? / J Parra, SN Kalitzin, J Iriarte et al. // Brain. — 2003. — Vol. 126, no. 5. - Pp. 1164-1172.

[325] Buzsaki, G. Neuronal oscillations in cortical networks / G. Buzsaki, A. Draguhn // Science. - 2004. - Vol. 304. - Pp. 1926-1929.

[326] Lopes da Silva, F. H. Electric Fields of the Brain: The Neurophysics of EEG / F. H. Lopes da Silva, P. L. Nunez, K. Srinivasan. — Oxford University Press, 2006.

[327] Luders, H. Atlas and Classification of Electroencephalography / H. Luders, S. Noachtar. — Philadelphia: WB Saunders Co., 2000.

[328] Guirao, J. L. G. New trends in nonlinear dynamics and chaoticity / J. L. G. Guirao, A. C. J. Luo // Nonlin. Dyn. - 2016. - Vol. 84. _ pp. i_2.

[329] Gao, J. Entropy measures for biological signal analyses / J. Gao, J. Hu, W. W. Tung // Nonlin. Dyn. - 2012. - Vol. 68. - Pp. 431-444.

[330] Analysis of electrocorticogram in epilepsy patients in terms of criticality / J. Yan, Y. Wang, G. Ouyang et al. // Nonlin. Dyn. - 2016. - Vol. 83. - Pp. 1909-1917.

[331] Daly, D. Current Practice of Clinical Electroencephalography / D. Daly, T. A. Pedley; Ed. by T. A. Pedley. - New York: Raven Press, 1990.

[332] Spuler, M. A high-speed brain-computer interface (BCI) using dry EEG electrodes / M. Spuler // PLoS ONE. - 2017. - Vol. 12, no. 2. -Pp. 1-12.

[333] Two-stage frequency recognition method based on correlated component analysis for SSVEP-based BCI / Yangsong Zhang, Erwei Yin, Fali Li et al. // arXiv preprint arXiv: 1805.02809. - 2018.

[334] Correlated component analysis for enhancing the performance of SSVEP-based brain-computer interface / Yangsong Zhang, Daqing Guo, Fali Li et al. // IEEE Trans. Neural Syst. Rehabil. Eng. - 2018. - Vol. 26, no. 5. - Pp. 948-956.

[335] Neuronal ensemble control of prosthetic devices by a human with tetraplegia /LR Hochberg, M. D. Serruya, G. M. Friehs et al. // Nature. — 2006. _ Vol. 442. _ Pp. 164-171.

[336] Chaudhary, U. Brain-computer interfaces for communication and rehabilitation / U. Chaudhary, N Birbaumer, A. Ramos-Murguialday // Nat. Rev. Neurol. - 2016. - Vol. 12. - Pp. 513-525.

[337] Tactile feedback is an effective instrument for the training of grasping with a prosthesis at low- and medium-force levels / A. M. De Nunzio, S. Dosen, S. Lemling et al. // Exp. Brain Res. — 2017. — Vol. 235. — Pp. 2547-2559.

[338] Auditory display as a prosthetic hand sensory feedback for reaching and grasping tasks / J. Gonzalez, H. Suzuki, N. Natsumi et al. // 2012 Ann. Internat. Conf. of the IEEE Engineering in Medicine and Biology Society. _ 2012.

[339] Restoring Natural Sensory Feedback in Real-Time Bidirectional Hand Prostheses / S. Raspopovic, M. Capogrosso, F. M. Petrini et al. // Sci. Transl. Med. - 2014. - Vol. 6. - P. 222.

[340] De Pascalis, V. Effects of feedback control on EEG alpha asymmetry during covert mental tasks / V. De Pascalis, A. Silveri // Int. J. Psy-chophysiol. - 1986. - Vol. 3. - Pp. 163-170.

[341] Touron, D. R. Accuracy and speed feedback: Global and local effects on strategy use / D. R. Touron, C. Hertzog // Exp. Aging Res. — 2014. — Vol. 40. - Pp. 332-356.

[342] Yagasaki, K. Chaos in a pendulum with feedback control / K. Yagasaki // Nonlin. Dyn. - 1994. - Vol. 6. - Pp. 125-142.

[343] Yagasaki, K. A simple feedback control system: Bifurcations of periodic orbits and chaos / K. Yagasaki // Nonlinear Dynamics. — 1996. — Vol. 9. - Pp. 391-417.

[344] Yabuno, H. Bifurcation Control of Parametrically Excited Duffing System by a Combined Linear-Plus-Nonlinear Feedback Control / H. Yabuno // Nonlin. Dyn. - 1997. - Vol. 12.

[345] Martinez-Zerega, B. E. Using periodic modulation to control coexisting attractors induced by delayed feedback / B. E. Martinez-Zerega, A. N. Pisarchik, L. S. Tsimring // Phys. Lett. A. - 2003. - Vol. 318. -Pp. 102-111.

[346] Zhu, W. Q. An Optimal Nonlinear Feedback Control Strategy for Randomly Excited Structural Systems / W. Q. Zhu, Z. G. Ying, T. T. Soong // Nonlin. Dyn. - 2001. - Vol. 24. - Pp. 31-51.

[347] Masoud, Z. N. Sway Reduction on Container Cranes Using Delayed Feedback Controller / Z. N. Masoud, A. H. Nayfeh // Nonlin. Dyn. - 2003. _ v0i. 34. _ pp. 347-358.

[348] Bhoir, N. Output Feedback Modular Adaptive Control of a Nonlinear Prototypical Wing Section / N. Bhoir, S. N. Singh // Nonlin. Dyn. — 2004. - Vol. 37. - Pp. 357-373.

[349] Selective monostability in multi-stable systems / R. Sevilla-Escoboza, A. N. Pisarchik, R. Jaimes-Reategui, G. Huerta-Cuellar // Proc. R. Soc. Lou. A. - 2015. - Vol. 471.

[350] Error-feedback control of multistability / R. Sevilla-Escoboza, G. Huerta-Cuellar, R. Jaimes-Reategui et al. //J. Franklin Inst. — 2017. — Vol. 354.

[351] Enhanced visual perception with occipital transcranial magnetic stimulation / Manon Mulckhuyse, Todd A Kelley, Jan Theeuwes et al. // Eur. J. Neurosci. - 2011. - Vol. 34, no. 8. - Pp. 1320-1325.

[352] Gleiss, Stephanie. Acoustic noise improves visual perception and modulates occipital oscillatory states / Stephanie Gleiss, Christoph Kayser // J. Cogn. Neurosci. - 2014. - Vol. 26, no. 4. - Pp. 699-711.

[353] Electroencephalography. Basic Principles, Clinical Applications, and Related Fields, 5th ed. / Ed. by E. Niedermeyer, F. H. Lopes da Silva. — Lippincott, Williams & Wilkins, 2005.

[354] Stable perception of visually ambiguous patterns / David A. Leopold, Melanie Wilke, Alexander Maier, Nikos K. Logothetis // Nat. Neurosci. - 2002. - June. - Vol. 5, no. 6. - Pp. 605-609.

[355] Discontinuous presentation of ambiguous figures: How interstimulus-interval durations affect reversal dynamics and ERPs / J. Kornmeier, W. Ehn, H. Bigalke, M. Bach // Psychophysiol. — 2007. — Vol. 44, no. 552-560.

[356] Wavelet analysis in neurodynamics / A. N. Pavlov, A. E. Hramov, A. A. Koronovskii et al. // Physics-Uspekhi. — 2012. — Vol. 55, no. 9. — Pp. 845-875.

[357] Ogden, Todd. Essential Wavelets for Statistical Applications and Data Analysis / Todd Ogden. — Springer Science & Business Media, 2012.