Работа нейросетей мозга и их моделей в режиме системного синтеза

Пятин В.Ф.; Еськов В.В.; Иванова Н.В.; Хакимова В.В.; Тагирова Е.Д.

10.12737/artide_5cb82c6828cf34.65546123

РАБОТА НЕЙРОСЕТЕЙ МОЗГА И ИХ МОДЕЛЕЙ В РЕЖИМЕ СИСТЕМНОГО СИНТЕЗА

В.Ф. ПЯТИН1, ВВ. ЕСЬКОВ2, Н.В. ИВАНОВА2, ВВ. ХАКИМОВА2, Е.Д. ТАГИРОВА2

1ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России,

ул. Гагарина, 18, Самара, Россия, 443079

2БУ ВО ХМАО-Югры «Сургутский государственный университет», ул. Ленина, 1, Сургут,

Россия, 628400, e-mail: [email protected]

Аннотация. До настоящего времени в математике нет моделей эвристической деятельности мозга человека. Одновременно не решена в общем виде задача системного синтеза, т.е. нахождение параметров порядка - главных диагностических признаков в медицине. За последние годы развитие теории хаоса-самоорганизации привело к доказательству двух особых режимов реальных нейронных сетей (хаос и многократные реверберации). Если эти режимы включить в работу нейро-ЭВМ (искусственных нейросетей), то они обеспечивают и разделение выборок (в неопределенности 1-го типа) и решают задачу системного синтеза. Фактически речь идет об открытии нового направления в медицине и биологии - внедрение нейро-ЭВМ в работу медицинских учреждений. Такая общая компьютеризация даст толчок развитию и индивидуализированной медицины.

Ключевые слова: нейро-ЭВМ, эффект Еськова-Зинченко, хаос и реверберации.

THE NEURAL NETWORKS OF THE BRAIN AND THEIR MODELS IN THE SYSTEM

SYNTHESIS MODE

V.F. PYATIN1, V.V. ESKOV2, N.V. IVANOVA2, V.V. HAKIMOVA2, ED. TAGIROVA2

1Samara State Medical University of the Health Ministry, Gagarina st., 18, Samara, Russia, 443079

Surgut State University, Lenтаpr., 1, Surgut, Russia, 628400, e-mail: [email protected]

Abstract. So far, in mathematics there are no models for heuristic activity of human brain. At the same time, the problem of system synthesis has not been solved, i.e. finding order parameters - the main diagnostic features in medicine. In recent years, the development of the theory of chaos-self-organization led to the proof of two special modes of real neural networks (chaos and multiple reverberations). If these modes are included in the work of neurocomputer (artificial neural networks), then they provide the separation of samples (in type 1 uncertainty) and solve the problem of system synthesis. In fact, we are talking about opening of a new direction in medicine and biology - the introduction of neuro-computers into the work of medical institutions. Such a general computerization will give impetus to the development of individualized medicine.

Key words: neuro-computer, Eskov-Zinchenko effect, chaos and reverberation.

Введение. Трехуровневая (трех-кластерная) организации системы регуляции движением сейчас уже не вызывает сомнений, т.к. она базируется на реальности нейросетей мозга - НСМ (1-й кластер), систем управления на описательном уровне (включая и мышцы) и последний кластер - биомеханика конечности. Однако, при этом главная проблема все-таки заключается в принципах работы головного мозга человека, т.е. 1 -го кластера - иерарха всей трехкластерной системы. Как работают НСМ, как работает головной мозг в режиме

управления, каковы основные режимы НСМ и можно ли создать модели НСМ, которые обеспечат основные свойства мозга (в режиме управления НСМ)?

Все это составляет фундаментальные основы физиологии центральной нервной системы (ЦНС) и нервно-мышечной системы (НМС), всей иерархической системы организации движения. Над этой проблемой бьются все физиологи мира последние 100-150 лет, но пока успехи небольшие. Сейчас это стало возможным изучать с позиций компартментно -кластерной теории биосистем (ККТБ) и

работы нейроэмуляторов (искусственных нейронных сетей - НЭВМ) [12, 13, 14, 15, 16, 17, 18]. Именно в аспекте хаоса и самоорганизации НСМ, т.к. до настоящего времени хаос параметров НСМ, НМС, сердечно-сосудистой системы (ССС) никем не учитывался. Все исследования функциональных систем организма (ФСО) базировались на стохастике (расчетах статистический функций f(x)

спектральной плотности сигнала (СПС), автокорреляций A(t) и т.д.).

1. Нейросети мозга искусственные нейросети (модели мозга). Напомним, что в 80-х годах был сделан рывок в организации работы искусственных нейросетей (нейроэмуляторов, НЭВМ), когда В.А. Охонин (г. Красноярск) предложил алгоритм обратной ошибки (back propagation - BP). Несомненно, что этот принцип как-то реализуется в рамках физиологических систем за счет огромного количества проприорецепторов (в мышцах, сухожилиях и т.д.). Именно эти обратные

связи (импульсы от рецепторов мышц, например) и реализуют определенную точность в работе НМС. Однако, этого свойства (ВР) все - таки оказалось мало для создания реальных моделей НМС, для их (НЭВМ) практического использования в медицине и физиологии.

Из всего полученного нами материала следует [1, 2, 3, 4, 5, 6, 7, 8, 18, 19, 20, 21, 22, 23, 24, 25], что электроэнцефалограмма - ЭЭГ (т.е. НСМ) демонстрирует непрерывный хаос х() и реверберации (многократные повторения возбудимости НСМ в виде суммарной ЭЭГ). Эти реверберации НСМ (в виде хаоса ЭЭГ, см. табл.1) должны бы были и как-то учитываться в работе искусственных нейронных сетей - ИНС, но этого на сегодня нет. Хаос и реверберации в этих искусственных НЭВМ (нейроэмуляторах) отсутствуют, но их необходимо было ввести и мы это сделали (за последние 1015 лет).

Таблица 1

Матрица парного сравнения ЭЭГ одного и того же здорового человека (число повторов .N=15) в период релаксации в отведении Тб-Ке(", использовался критерий Вилкоксона ____ (число совпадений £=25) _____

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

1 0.00 0.00 0.00 0.00 0.00 0.19 0.00 0.00 0.00 0.01 0.00 0.01 0.00 0.04

2 0.00 0.99 0.00 0.06 0.93 0.02 0.25 0.33 0.57 0.00 0.03 0.04 0.00 0.00

3 0.00 0.99 0.00 0.09 0.75 0.03 0.21 0.50 0.95 0.00 0.10 0.10 0.00 0.00

4 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.03 0.00 0.51 0.00 0.15 0.00

5 0.00 0.06 0.09 0.00 0.28 0.29 0.00 0.88 0.11 0.00 0.00 0.65 0.00 0.00

6 0.00 0.93 0.75 0.00 0.28 0.11 0.07 0.57 0.39 0.00 0.09 0.40 0.00 0.00

7 0.19 0.02 0.03 0.00 0.29 0.11 0.00 0.09 0.10 0.00 0.00 0.58 0.00 0.01

8 0.00 0.25 0.21 0.02 0.00 0.07 0.00 0.05 0.71 0.00 0.43 0.07 0.00 0.00

9 0.00 0.33 0.50 0.00 0.88 0.57 0.09 0.05 0.08 0.00 0.00 0.60 0.00 0.00

10 0.00 0.57 0.95 0.03 0.11 0.39 0.10 0.71 0.08 0.00 0.18 0.60 0.00 0.00

11 0.01 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.30

12 0.00 0.03 0.10 0.51 0.00 0.09 0.00 0.43 0.00 0.18 0.00 0.00 0.01 0.00

13 0.01 0.04 0.10 0.00 0.65 0.40 0.58 0.07 0.60 0.60 0.00 0.00 0.00 0.00

14 0.00 0.00 0.00 0.15 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.01 0.00 0.00

15 0.04 0.00 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.00 0.30 0.00 0.00 0.00

Оказывается, если в ИНС повторить решение задачи бинарной классификации, т.е. делать многочисленные (#>1000) повторения настройки нейросети, и при этом на каждой итерации работы ИНС повторять хаотически (из интервала (0,1)) начальные веса диагностических

признаков х;, то ИНС будет работать как

мозг талантливого человека [12, 13, 14, 15, 16, 18]. Подчеркнем, что эти признаки х; являются параметрами работы ИНС и ФСО т.е. они всегда на некотором интервале времени образуют выборку х^), которая демонстрирует статистическую

неустойчивость (подобно табл. 1) в виде

двух эффектов Еськова-Зинченко (ЭЕЗ) и Еськова-Филатовой (ЭЕФ) [4, 7].

В этом случае мозг может решать задачу системного синтеза - находить главные диагностические признаки (параметры порядка - ПП) и при этом моделировать эвристическую работу талантливого врача. Отметим, что ИНС в этом случае использует хаос и реверберации, т.е. они (ИНС) становится подобными реальным нейросетям мозга. Это наше открытие в области физиологии. ИНС сейчас обеспечивает диагностику ФСО (различия гомеостазов Н1 и Н2) там, где статистика бессильна.

В этом случае все выборки (с позиции общепринятой статистики) Xj для ФСО могут совпадать, а ИНС будут различать гомеостазы (покажет, что Н1фН2). Это и есть СС для НЭВМ. Мы предполагаем, что в таких режимах работает и мозг человека, когда многократно запускается решение одной и той же задачи (ранее никем не разрешенной) и при этом талантливый человек (врач) пытается решить эту задачу (в режиме хаоса и ревербераций)

2. Аппроксимация ИНС на другие области знаний. Таким образом, сейчас мы предлагаем объяснение не только механизмов хаоса статистических функций f(x) для ТМГ, ЭЭГ, ЭМГ, но и представляем новые физиологические модели организации такого хаоса. Этот хаос начинается в работе мозга, его НСМ. Без этого хаоса мозг не может выбрать и оптимальную траекторию движения конечности (при треморе или теппинге). Однако мозгом передается этот хаос на периферию и при работе сознания, в организации не только движений, но и поведения человека.

Эвристическая деятельность мозга невозможна без хаоса и ревербераций в ИНС. В итоге в этих двух режимах он (мозг) управляет движениями, действиями человека, его поведением в обществе. Мы сейчас объясняем почему возникают «повторения без повторений» Н.А. Бернштейна в организации движений. Это сейчас объясняется суперпозицией хаоса и самоорганизации на всех трех уровнях (НСМ, спинальный уровень,

биомеханический аппарат, конечности) [4, 9, 22, 24].

Возникает новая концепция

гомеостатического регулирования НМС (именно для НМС мы сейчас все это представили), которая базируется на хаосе и реверберациях возбуждений как в нейросетях мозга, так и на уровне организации биопотенциалов мышц (ЭМГ). Однако этот хаос имеет ограничение - он происходит в пределах квазиаттракторов - КА [2, 4, 8, 11]. Параметры квазиаттракторов ограничивают движение вектора состояния системы х=х^)=(хи х2, х3) , где у нас для НМС х() - это реальная координата конечности (пальца) по отношению к каждому перемещению, x2=dxl/dt - скорость движения конечности, xз=dx2/dt - ускорение движения конечности [4, 11, 20, 22].

В таком трехмерном фазовом пространстве состояний мы имеем непрерывное и хаотическое движение х(^, но оно происходит в пределах КА [2, 4, 8, 11, 24, 25, 26]. Все это довольно хорошо описывает и движение конечности и работу мозга (в виде моделей - НЭВМ). Открываются особые перспективы в области новой (иной) интерпретации гомеостаза (управления ФСО и НСМ). Возникают и новые перспективы в области индивидуализированной медицины, т.к. работать с отдельными выборками (их статистическими характеристиками) в физиологии НМС теперь уже не имеет смысла (ТМГ и ЭМГ уникальны). Выборки непрерывно и хаотически изменяются, их статистические функции /(.X¡), их СПС, А(^ непрерывно и хаотически изменяются. Мы до настоящего времени работали с неоднородными выборками ТМГ, ТПГ, ЭМГ, ЭЭГ и различных других параметров ССС, например, кардиоинтервалов - КИ [5, 6, 7, 18, 19, 29, 33, 34]. Если все эти выборки непрерывно и хаотически изменяются, то как вообще следует анализировать различные параметры в физиологии гомеостатических систем? Где новые критерии однородности выборок всех этих диагностических признаков (ЭМГ, ЭЭГ, КИ, и т.д.)? Ответ на этот вопрос представлен в новой теории хаоса-

самоорганизации (ТХС), где вводятся новые критерии неустойчивости гомеостаза или его изменения (эволюции) [8, 11, 20]. В рамках нового понимания гомеостаза (как хаоса на всех уровнях организации НМС) мы сейчас доказали, что в неизменном гомеостазе остаются неизменными параметры КА, а не статистических функций распределения f(x). Именно КА (в координатах xi и x2=dxi/dt) обеспечат диагностику гомеостаза [2, 3, 4, 8, 11, 20, 22].

Классики физиологии 20-го века (W. Cannon, П.К. Анохин, Н.А. Бернштейн) понимали неустойчивость параметров гомеостаза ФСО, любой регулярной системы. Однако, точного количественного описания этой неустойчивости даже во всем естествознании в наше время пока еще нет. Хаос параметров xt гомеостаза ФСО и ИНС никак сейчас не описан и даже не предполагается, т.к. тогда окажется, что ДСН не может описывать гомеостатические системы [4, 20, 23, 30, 31, 32].

Как оказалось, многократные повторения выборок ТМГ и ТПГ для одного человека (или группы) показывают отсутствие устойчивости подряд получаемых выборок (в неизменном гомеостазе). Возникает новое понимание гомеостатического регулирования в НМС, которое основано на хаосе выборок ТМГ, ТПГ, ЭМГ. Предлагаются новые модели для описания ГС в виде квазиаттракторов и с использованием ККТБ. В рамках ККТБ имеется трехкластерная система регуляции НМС, в которой первичный хаос возникает в НСМ. Однако, доля хаоса в НСМ не превышает 60-65%, но далее (на нижнем уровне) он усиливается в мышцах (до 90%), и, наконец, биомеханическая система (кисть, палец) демонстрирует 95-97% хаоса выборок ТМГ (для ТМГ это 85-90%). Таким образом, сознание в произвольных движениях не только снижает долю хаоса, но он (наос) в любом случае доминирует в параметрах ТМГ, ТПГ, ЭМГ, ЭЭГ, КИ и т.д.

Заключение. Введение хаоса и ревербераций в работу искусственных нейросетей (моделей НМС, ИНС) порождает новые качества таких

нейроэмуляторов. В частности, НЭВМ решает задачи системного анализа, находит главные диагностические признаки (параметры порядка). Одновременно мы получаем и новые модели хаотической организации всей трехкластерной системы регуляции движений (НМС). Хаос и реверберации имеются и в ЭМГ, и в ТМГ (ТПГ), что подтверждает новые механизмы работы мозга и всей системы регуляции НМС.

Эти механизмы основаны на статистической неустойчивости любых выборок х; параметров любой гомеостатической системы, на градуальном нарастании хаоса от центра (ЦНС) к периферии и на сохранении параметров КА (если гомеостаз биосистемы существенно не изменился). Искусственные нейросети (НЭВМ) и расчет КА весьма полезны в развитии индивидуализированной

медицины, т.к. любая выборка уникальна, а ее статистические параметры не дают объективной информации (в следующий момент времени мы получим другие статистические характеристики того же человека в неизменном гомеостазе). Если использовать ИНС, то мы накрываем и неопределенность 1 -го типа и моделируем эвристическую работу мозга талантливого человека.

Работа выполнена при поддержке гранта РФФИ № 18-07-00161 А

Литература

1. Еськов В.В., Белощенко Д.В., Баженова А.Е., Живаева Н.В. Влияние локального холодового воздействия на параметры электромиограмм у женщин // Экология человека. - 2018. - № 9. - С. 4247.

2. Еськов В.В. Проблема статистической неустойчивости в биомеханике и в биофизике в целом // Вестник новых медицинских технологий. -2018. - Т. 25, № 2. - С. 166-175.

3. Еськов ВВ., Пятин В.Ф., Клюс Л.Г., Миллер А.В. Гомеостатичность нейросетей мозга // Вестник новых медицинских

технологий. - 2018. - Т. 25, № 1. - С. 102113.

4. Еськов В.М., Зинченко Ю.П., Филатова О.Е., Еськов В.В. Гипотеза Н.А. Бернштейна и реальный хаос гомеостатических систем в психологии // Вестник Московского университета. Серия 14: Психология. - 2017. - № 3. - С. 22-38.

5. Еськов В.М., Белощенко Д.В., Башкатова Ю.В., Иляшенко Л.К. Параметры кардиоинтервалов испытуемых в условиях гипотермии// Экология человека. - 2018. - № 10. - С. 39-45.

6. Мирошниченко И.В., Прохоров С.В., Эльман К.А., Срыбник М.А. Сравнительный анализ хаотической динамики показателей сердечнососудистой системы пришлого детско-юношеского населения Югры // Вестник новых медицинских технологий. - 2018. -Т. 25, № 1. - С. 154-160.

7. Мирошниченко И.В., Башкатова Ю.В., Филатова Д.Ю., Ураева Я.И. Эффект Еськова-Филатовой в регуляции сердечнососудистой системы - переход к персонифицированной медицине // Вестник новых медицинских технологий. - 2018. -Т. 25, № 2. - С. 200-208.

8. Пятин В.Ф., Еськов В.В., Алиев Н.Ш., Воробьева Л.А. Хаос параметров гомеостаза функциональных систем организма человека // Вестник новых медицинских технологий. - 2018. - Т. 25, № 1. - С. 143-153.

9. Bernstein N.A. The coordination and regulation of movements // Oxford, UK: Pergamon Press, 1967. - 196 p.

10. Eskov V.V., Filatova O.E., Gavrilenko T.V. and Gorbunov D.V. Chaotic Dynamics of Neuromuscular System Parameters and the Problems of the Evolution of Complexity // Biophysics. - 2017. - Vol. 62, No. 6. - Pp. 961-966.

11. Eskov V.V., Gavrilenko T.V., Eskov V.M., Vochmina Yu.V. Static Instability Phenomenon in Type-Three Secretion Systems: Complexity // Technical Physics. -2017. - Vol. 62, No. 11. - Pp. 1611-1616.

12. Eskov V. M. Cyclic respiratory neuron network with subcycles // Neural Network World. - 1994. - Vol. 4, No. 4. - Pp. 403-416.

13. Eskov V.M., Filatova O.E., Ivashenko V.P. Computer identification of compartmental neuron circuits // Measurement Techniques. - 1994. - Vol. 37, No. 8. - Pp. 967-971.

14. Eskov V.M. Hierarchical respiratory neuron networks // Modelling, Measurement and Control C. - 1995. - Vol. 48, No. (1-2). -Pp. 47-63.

15. Eskov V.M., Filatova O.E. Respiratory rhythm generation in rats: The importance of inhibition // Neurophysiology. - 1995. - Vol. 25, No. 6. - Pp. 348-353.

16. Eskov V.M. Models of hierarchical respiratory neuron networks // Neurocomputing. - 1996. - Vol. 11, No. (2-4).

- Pp. 203-226.

17. Eskov V.M., Filatova O.E. A compartmental approach in modeling a neuronal network. Role of inhibitory and excitatory processes // Biophysics. - 1999. -Vol. 44, No. 3. - Pp. 518-525.

18. Eskov V.M., Eskov V.V., Filatova O.E., Khadartsev A.A., Sinenko D.V. Neurocomputational identification of order parameters in gerontology // Advances in Gerontology. - 2016. - Vol. 6, No. 1. - Pp. 24-28.

19. Eskov V.M., Khadartsev A.A., Eskov V.V., Vokhmina J.V. Chaotic dynamics of cardio intervals in three age groups of indigenous and nonindigenous populations of Ugra // Advances in Gerontology. - 2016. -Vol. 6, No. 3. - Pp. 191-197.

20. Eskov V.M., Filatova O.E., Eskov V.V. and Gavrilenko T.V. The Evolution of the Idea of Homeostasis: Determinism, Stochastics and Chaos-Self-Organization // Biophysics. - 2017. - Vol. 62, No. 5. - Pp. 809-820.

21. Eskov V.M., Gudkov A.B., Bazhenova A.E., Kozupitsa G.S. The tremor parameters of female with different physical training in the Russian North // Human Ecology [In Russian].

- 2017. - No. 3. - Pp. 38-42.

22. Eskov V.M., Eskov V.V., Gavrilenko T.V. and Vochmina Yu.V. Formalization of the Effect of "Repetition without Repetition" Discovered by N.A. Bernshtein // Biophysics.

- 2017. - Vol. 62, No. 1. - Pp. 143-150.

23. Eskov V.M., Eskov V.V., Vochmina Y.V., Gorbunov D.V., Ilyashenko L.K.

Shannon entropy in the research on stationary regimes and the evolution of complexity // Moscow University Physics Bulletin. - 2017. - Vol. 72, No. 3. - Pp. 309-317.

24. Eskov V.M., Bazhenova A.E., Vochmina U.V., Filatov M.A., Ilyashenko L.K. N.A. Bernstein hypothesis in the Description of chaotic dynamics of involuntary movements of person // Russian Journal of Biomechanics. - 2017. - Vol. 21, No. 1. - Pp. 14-23.

25. Filatova D.U., Veraksa A.N., Berestin D.K., Streltsova T.V. Stochastic and chaotic assessment of human's neuromuscular system in conditions of cold exposure // Human Ecology [In Russian]. - 2017. - No. 8. - Pp. 15-20.

26. Filatova O.E., Eskov V.V., Filatov M.A., Ilyashenko L.K. Statistical instability phenomenon and evaluation of voluntary and involuntary movements // Russian Journal of Biomechanics. - 2017. - Vol. 21, No. 3. - Pp. 224-232.

27. Filatova O.E., Bazhenova A.E., Ilyashenko L.K., Grigorieva S.V. Estimation of the Parameters for Tremograms According to the Eskov-Zinchenko Effect Biophysics // Biophysics. - 2018. - Vol. 63, No. 2. - Pp. 125-130.

28. Ilyashenko L.K., Bazhenova A.E., Berestin D.K., Grigorieva S.V. Chaotic dynamics parameters of the tremorgrams at the stress exposure // Russian Journal of Biomechanics. - 2018. - Vol. 22, No. 1. - Pp. 62-71.

29. Leonov B.I., Grigorenko V.V., Eskov V.M., Khadartsev A.A., and Ilyashenko L.K. Automation of the Diagnosis of Age-Related Changes in Parameters of the Cardiovascular System // Biomedical Engineering. - 2018. -Vol. 52, No. 3. - Pp. 210-214.

30. Prigogine I. R. The End of Certainty: Time, Chaos, and the New Laws of Nature; Free Press. 1997.

31. Weaver W. Science and Complexity. Rokfeller Foundation, New York City // American Scientist. - 1948. - Vol. 36. - Pp. 536-544.

32. Wheeler J.A. Information, physics, quantum: the search for links. In Feyman and Computation: Exploring the Limits of

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Computers, ed A.J.G. Hey, Cambridge, MA / Perseus Books, 1999. - 309 p.

33. Zilov V.G., Khadartsev A.A., Eskov V.V. and Eskov V.M. Experimental Study of Statistical Stability of Cardiointerval Samples // Bulletin of experimental biology and medicine. - 2017. - Vol. 164, No. 2. - Pp. 115-117.

34. Zilov V.G., Khadartsev A.A., Ilyashenko L.K., Eskov V.V., Minenko I.A. Experimental analysis of the chaotic dynamics of muscle biopotentials under various static loads // Bulletin of experimental biology and medicine. - 2018. - Vol. 165, No. 4. - Pp. 415-418.

References

1. Es'kov V.V., Beloshchenko D.V., Bazhenova A.E., Zhivaeva N.V. Vliyanie lokal'nogo holodovogo vozdejstviya na parametry ehlektromiogramm u zhenshchin [The influence of local cold effects on electromygram parameters in women] // Ekologiya cheloveka [Human Ecology]. -2018. - № 9. - S. 42-47.

2. Es'kov V.V. Problema statisticheskoj neustojchivosti v biomekhanike i v biofizike v celom [The problem of statistical instability in biomechanics and biophysics in general] // Vestnik novyh medicinskih tekhnologij [Journal of new medical technologies]. - 2018.

- T. 25, № 2. - S. 166-175.

3. Es'kov V.V., Pyatin V.F., Klyus L.G., Miller A.V. Gomeostatichnost' nejrosetej mozga [Homeostasis of brain neural network] // Vestnik novyh medicinskih tekhnologij [Journal of new medical technologies]. - 2018.

- T. 25, № 1. - S. 102-113.

4. Es'kov V.M., Zinchenko Yu.P., Filatova O.Ye., Yes'kov V.V. Gipoteza N.A. Bernshteyna i real'nyy khaos gomeostaticheskikh sistem v psikhologii [Hypothesis N.A. Bernstein and the real chaos of homeostatic systems in psychology] // Vestnik Moskovskogo universiteta. Seriya 14: Psikhologiya [Moscow University Psychology bulletin]. - 2017. - № 3. - S. 22-38.

5. Es'kov V.M., Beloshchenko D.V., Bashkatova Yu.V., Ilyashenko L.K. Parametry kardiointervalov ispytuemyh v usloviyah gipotermii [Cardiointervals parameters of

human body in response to hypothermia] // Ekologiya cheloveka [Human Ecology]. -2018. - № 10. - S. 39-45.

6. Miroshnichenko I.V., Prohorov S.V., Ehl'man K.A., Srybnik M.A. Sravnitel'nyj analiz haoticheskoj dinamiki pokazatelej serdechno-sosudistoj sistemy prishlogo detsko-yunosheskogo naseleniya Yugry [Comparative analysis of the chaotic dynamics of the CVS alien youth of Ugra population] // Vestnik novyh medicinskih tekhnologij [Journal of new medical technologies]. - 2018.

- T. 25. - № 1. - S. 154-160.

7. Miroshnichenko I.V., Bashkatova Yu.V., Filatova D.Yu., Urayeva Ya.I. Effekt Yes'kova-Filatovoy v regulyatsii serdechno-sosudistoy sistemy - perekhod k personifitsirovannoy meditsine [The effect of Eskov- Filatova in regulation of the cardiovascular system as a transition to individualized medicine] // Vestnik novykh meditsinskikh tekhnologiy [Journal of new medical technologies]. - 2018. - T. 25, № 2. -S. 200-208.

8. Pyatin VF., Es'kov V.V., Aliev N.Sh., Vorob'eva L.A. Haos parametrov gomeostaza funkcional'nyh sistem organizma cheloveka [Chaos of homeostasis parameters of functional systems of the human body] // Vestnik novyh medicinskih tekhnologij [Journal of new medical technologies]. - 2018.

- T. 25, № 1. - S. 143-153.

9. Bernstein N.A. The coordination and regulation of movements // Oxford, UK: Pergamon Press, 1967. - 196 p.

10. Eskov V.V., Filatova O.E., Gavrilenko T.V. and Gorbunov D.V. Chaotic Dynamics of Neuromuscular System Parameters and the Problems of the Evolution of Complexity // Biophysics. - 2017. - Vol. 62, No. 6. - Pp. 961-966.

11. Eskov V.V., Gavrilenko T.V., Eskov V.M., Vochmina Yu.V. Static Instability Phenomenon in Type-Three Secretion Systems: Complexity // Technical Physics. -2017. - Vol. 62, No. 11. - Pp. 1611-1616.

12. Eskov V. M. Cyclic respiratory neuron network with subcycles // Neural Network World. - 1994. - Vol. 4, No. 4. - Pp. 403-416.

13. Eskov V.M., Filatova O.E., Ivashenko V.P. Computer identification of compartmental neuron circuits // Measurement

Techniques. - 1994. - Vol. 37, No. 8. - Pp. 967-971.

14. Eskov V.M. Hierarchical respiratory neuron networks // Modelling, Measurement and Control C. - 1995. - Vol. 48, No. (1-2). -Pp. 47-63.

15. Eskov V.M., Filatova O.E. Respiratory rhythm generation in rats: The importance of inhibition // Neurophysiology. - 1995. - Vol. 25, No. 6. - Pp. 348-353.

16. Eskov V.M. Models of hierarchical respiratory neuron networks // Neurocomputing. - 1996. - Vol. 11, No. (2-4).

- Pp. 203-226.

17. Eskov V.M., Filatova O.E. A compartmental approach in modeling a neuronal network. Role of inhibitory and excitatory processes // Biophysics. - 1999. -Vol. 44, No. 3. - Pp. 518-525.

18. Eskov V.M., Eskov V.V., Filatova O.E., Khadartsev A.A., Sinenko D.V. Neurocomputational identification of order parameters in gerontology // Advances in Gerontology. - 2016. - Vol. 6, No. 1. - Pp. 24-28.

19. Eskov V.M., Khadartsev A.A., Eskov V.V., Vokhmina J.V. Chaotic dynamics of cardio intervals in three age groups of indigenous and nonindigenous populations of Ugra // Advances in Gerontology. - 2016. -Vol. 6, No. 3. - Pp. 191-197.

20. Eskov V.M., Filatova O.E., Eskov V.V. and Gavrilenko T.V. The Evolution of the Idea of Homeostasis: Determinism, Stochastics and Chaos-Self-Organization // Biophysics. -2017. - Vol. 62, No. 5. - Pp. 809-820.

21. Eskov V.M., Gudkov A.B., Bazhenova A.E., Kozupitsa G.S. The tremor parameters of female with different physical training in the Russian North // Human Ecology [In Russian].

- 2017. - No. 3. - Pp. 38-42.

22. Eskov V.M., Eskov V.V., Gavrilenko T.V. and Vochmina Yu.V. Formalization of the Effect of "Repetition without Repetition" Discovered by N.A. Bernshtein // Biophysics.

- 2017. - Vol. 62, No. 1. - Pp. 143-150.

23. Eskov V.M., Eskov V.V., Vochmina Y.V., Gorbunov D.V., Ilyashenko L.K. Shannon entropy in the research on stationary regimes and the evolution of complexity // Moscow University Physics Bulletin. - 2017.

- Vol. 72, No. 3. - Pp. 309-317.