Разработка нейроустройства с биологической обратной связью для восполнения утраченных двигательных функций Development of a neurodevice with a biological feedback for compensating for lost motor functions Одновременное использование электрофизиологических сигналов нескольких типов (данных электроэнцефалограм-мы (ЭЭГ), электромиограммы (ЭМГ), электроокулограммы (ЭОГ) и др.) обеспечивает более высокую эффективность систем управления внешними устройствами -нейропротезами, экзоскелетами, роботизированными инвалидными креслами и телеуправляемыми роботами. В статье представлены результаты первых испытаний многофункционально-го нейроустройства, способного распознавать одновременно ЭЭГ-, ЭМГ-и ЭОГ-сигналы (последние -с подключением модулей фотоплетизмограммы, SpO2 и температуры). Результаты измерений сигналов с помощью разработки срав-нивали с данными прибора KARDi3 («Медицинские компьютерные системы», Россия) и мультиметра Fluke 17b с под-ключаемым термистором (Fluke Corporation, США). По информативности и точности данные были сопоставимы. Также исследовали эффективность гибридизации ЭЭГ-и ЭМГ-сигналов с помощью нейроустройства: она позволила увели-чить точность классификации у всех испытуемых в среднем на 12,5 % -до среднего значения 86,8 % (от 75 до 97 %).Concurrent use of electrophysiological signals of various types, such as obtained from electroencephalogram (EEG), electromyogram (EMG), electrooculogram (EOG), and others, increases the effectiveness of systems for external device control, namely, neural prostheses, exoskeletons, robotic wheelchairs and teleoperated robots. This article presents the results of the first tests of a multifunctional neurodevice capable of detecting EEG, EMG and EOG signals simultaneously (with EOG signals, photoplethysmogram, SpO2 and temperature modules of the neurodevice were used). Measurement results were then compared to the data obtained from KARDi3 device (Medical Computer Systems, Russia) and Fluke 17b multimeter with a plug-in thermistor (Fluke Corporation, USA). The informative value and accuracy of both datasets were comparable. We also studied the effectiveness of EEG and EMG signal hybridization on the basis of the neurodevice of interest; it allowed for an increase of classification accuracy in all subjects by an average of 12.5 % up to the mean of 86.8 % (from 75 to 97 %).
