Сознание и душа: что добавят нейроинтерфейсы? Текст научной статьи по специальности «Медицинские технологии»

DOI: 10.24411/2541-9587-2019-10017

теология и современные исследования сознания

М.А. Лебедев

сознание и душа: что добавят нейроинтерфейсы?

Извечные вопросы, касающихся смысла нашего существования в этом мире и природы наших субъективных восприятий (то есть, природы души) занимают как ученых, так и религиозных мыслителей. В нейрона-уках в настоящее время активно развиваются исследования механизмов сознания. Хотя эти подходы остаются в русле «вульгарного материализма» и навряд ли дадут ответ на сложную проблему сознания (то есть на проблему существования души), от исследований сознания следует ожидать новых, интересных результатов и новых проблем. В этой связи развитие нейроинтерфейсов, то есть систем, подключающихся к мозгу для считывания и доставки информации, должно оказать существенное влияние на наши представления о механизмах сознательных и бессознательных процессов в мозге. Действительно, за последние два десятилетия было разработано множество видов нейроинтерфейсов, которые регистрируют и интерпретируют моторную, сенсорную и когнитивную информацию, представленную в мозге. Нейроинтерфейсы также способны создавать искусственные ощущения посредством стимуляции сенсорных областей нервной системы. Более того, разработаны нейроинтерфейсы, подключающиеся к нескольким мозгам одновременно и поддерживающие коммуникацию между людьми и кооперативное решение ими разных задач. Окажут ли нейроинтерфейсы влияние на религиозную сферу — вопрос открытый, но можно предполагать, что да, окажут, поскольку нейроинтерфейсы уже вторглись в сферы образования и искусства. Этот обзор посвящен принципам работы нейроинтерфейсов; делается прогноз о том, какой вклад внесут нейроинтерфейсы в наше понимание сознания и души.

ключевые слова: сознание, душа, нейроинтерфейсы. введение

Хотя наука зачастую старается изолировать себя от религии, она не может изолировать себя от извечных вопросов, касающихся смысла нашего существования в этом мире и природы души. Эти вопросы особенно насущны в нейронауках — дисциплинах, старающихся понять, как работает мозг и как образуются наши сознательные восприятия и мысли.

Хотя многие ученые старались избежать обсуждения этих проблем (например, Иван Павлов), изучать сознание (слово «душа» пока еще находится под запретом) стало в последнее время модно, и под исследования сознания даже выделяются значительные средства. Правда, абсолютное большинство

Михаил Альбертович Лебедев — PhD, научный руководитель центра биоэлектрических интерфейсов, Институт когнитивных нейронаук Высшей школы экономики, старший научный сотрудник отдела нейробиологии, Университет Дьюка ([email protected]).

нейроученых, исследующих сознание, придерживаются воззрений, которые Большая Советская Энциклопедия описывала как «вульгарный материализм»1.

В самом деле, современные теории сознания, предложенные нейроуче-ными, сводятся к тому, что сознание — это определенное состояние мозга. Здесь теории ранжируются от достаточно тривиальных, таких, как представления о нейрональном базисе сознания Крика и Коха [Crick, Koch, 2003] и теории интегративной информации Тонони [Tononi et al., 2016], до несколько необычных, утверждающих, что сознание эквивалентно электромагнитным полям [Pockett, 2000; McFadden, 2002; Cicurel, Nicolelis, 2015], или, что оно как-то связано с квантовыми процессами в микротрубочках нейронов [Hameroff, Penrose, 1996].

Вне зависимости от правильности каких-то из положений этих теорий (например, играют ли какую-то роль в работе мозга квантовые эффекты), все они упираются в фундаментальную философскую проблему соотношения духовного и материального, или, используя формулировку Дэвида Чалмерса, в сложную проблему сознания [Chalmers, 1995], а именно — откуда берутся наши субъективные восприятия, такие, как «краснота красного»? Если не выходить за рамки научных представлений, этот вопрос рискует остаться без ответа. Возможно, использование подходов нейронаук для поиска в мозге сознательного субъекта — бесполезное занятие [Dennett, 2000]. Тем не менее, нейронаучные исследования сознания активно продолжаются и, по всей видимости, дадут какие-то интересные результаты.

Важным трендом в нейронауках в последнее десятилетие стало развитие нейроинтерфейсов — систем, которые подключаются к мозгу, считывают из него информацию, а также посылают информацию в мозг. Этой теме посвящено значительное число исследований, нейроинтерфейсы активно развиваются. Вполне очевидно, что нейроинтерфейсы в скором времени будут использоваться в исследованиях сознания, ведь они являются как эффективным инструментом для анализа сознательных процессов (а также бессознательных), так и мощным инструментом воздействия на сознание.

Нейроинтерфейсы представляют интерес и для религиозной проблематики, хотя бы потому, что в будущем они будут оказывать существенное влияние на социум. Кроме того, не исключено, что нейроинтерфейсы будут применяться в религиозных практиках подобно тому, как они уже применяются в искусстве [Wadeson et al., 2015].

1 Вульгарный материализм — течение в буржуазной философии середины XIX в. Возникло в период великих открытий естествознания XIX в. Теоретическим предшественником вульгарного материализма был французский материалист П. Кабанис, главными представителями — немецкие философы К. Фохт, Л. Бюхнер, Я. Молешотт. Фридрих Энгельс называл их вульгарными материалистами (См. «Анти-Дюринг», 1966, 339), так как они упрощали материалистическое миропонимание, отрицали специфику сознания, отождествляя его с материей, отвергали необходимость разработки философии как науки. В то же время, популяризируя достижения естествознания и атеизм, вульгарный материализм имел известное прогрессивное значение, особенно там, где, как в России, были сильны позиции клерикализма. Однако и в России вульгарный материализм был подвергнут критике революционными демократами. Тенденции вульгарного материализма были свойственны в СССР «механистам».

В этом обзоре разбираются основные принципы нейроинтерфейсов и механизмы их взаимодействия с мозгом. На основании изложенного материала делается прогноз о том, какой вклад нейроинтерфейсы могут внести в наше понимание сознания и души.

Интерфейсы для мозга

Мозг уникален среди всех органов человеческого организма. Состоящий из миллиардов нейронов, соединенных в сложные схемы, он непрерывно обрабатывает потоки разнообразной информации, такие, как информация, поступающая от органов чувств, сигналы, которые мозг посылает к мышцам, и нейрональная активность, ответственная за высшие мыслительные функции. Благодаря непрерывной работе мозга (не прекращающейся даже во сне) мы способны управлять движениями частей тела, испытывать ощущения, принимать решения и мыслить. Большая часть деятельности мозга проходит бессознательно. Так, например, двигая рукой или ногой, мы не осознаем, какие комбинации мышц и в каком порядке активируются для осуществления той или иной моторной задачи. С точки зрения нашего сознательного «я», нам требуется лишь пожелать произвести движение, и оно будет выполнено. Мы считаем само собой разумеющимся то, что мы способны выполнять такие сложные задачи, как ходьба, поддержание равновесия, речь и распознавание лиц. Однако, безупречная и незаметная для сознания работа мозга может быть серьезно нарушена в результате травмы или болезни. Миллионы людей во всем мире страдают от тяжелых неврологических заболеваний, таких как инсульт, спинномозговая травма, боковой амиотрофический склероз, болезнь Паркинсона, болезнь Альцгеймера и эпилепсия. Многие из этих заболеваний в настоящее время считаются неизлечимыми.

Нейроинтерфейсы первоначально рассматривались в качестве радикально нового подхода к лечению неврологических расстройств и травм нервной системы [Lebedev, №со1е^, 2006]. Согласно этой терапевтической концепции, нейроинтерфейсы будут подключены к нервной системе и будут осуществлять передачу информации между мозгом и внешними устройствами, помогающими пациентам восполнить утерянные функции. Например, полагают, что с помощью нейроинтерфейса удастся исправлять повреждения спинного мозга, подключая кору мозга напрямую к механическому протезу конечности [№со1е^, 2001]. Кроме медицинских приложений, существуют и нейроинтерфейсы для здоровых людей, например, игровые приложения. Ожидается, что в будущем нейроинтерфейсы будут применяться для расширения функций мозга. Поскольку нейроинтерфейсы способны существенным образом воздействовать на мозг, личность и сознание, в литературе обсуждаются этические проблемы, связанные с разработкой таких устройств ^1аппоп, 2016].

В литературе нейроинтерфейсы также называют интерфейсами мозг-машина, нейрокомпьютерными интерфейсами и нейропротезами. Хотя между этими терминами существуют некоторые различия, они используются, в основном, взаимозаменяемо.

Нейроинтерфейсы развивались очень бурно в последние двадцать лет. Многие идеи, которые долгое время были уделом научной фантастики, перекочевали в реальные разработки. Например, было показано, что с помощью нейроинтерфейса мозг можно подключить к компьютеру, к механическому протезу конечности, экзоскелету, объектам виртуальной реальности, инвалидной коляске и даже беспилотнику [Lebedev, Nicolelis, 2017].

история нейроинтерфейсов

Аристотель сомневался в том, что мозг имеет отношение к ощущениям и мыслительной деятельности [Gross, 1995]. Он считал, что сердце, а не мозг, является центром, в котором рождаются ощущения. В поддержку своих взглядов Аристотель привел ряд логических аргументов, таких как «Эмоции влияют на сердце, а не на мозг», «Сердце теплое, a мозг холодный», «Сердце соединено с другими органами сосудами, но не мозг», и «Сердце необходимо для поддержания жизни, а мозг — нет». Аристотель также констатировал, что при проникновении в мозг предметов не возникает никаких ощущений; следовательно, он не может быть центром ощущений.

Человечеству понадобилось несколько столетий, чтобы перейти от философских доводов Аристотеля к эмпирическим подходам, которые приблизили нас к пониманию функций мозга. Ключевые открытия были сделаны не так давно. Лишь к 1930-м годам Ганс Бергер [Berger, 1929], Эдгар Адриан [Adrian, 1932] и Чарльз Шеррингтон [Sherrington, 1906] твердо установили, что коммуникация между нейронами осуществляется посредством электрических разрядов. В последние несколько десятилетий нейронауки развивались быстрыми темпами. В настоящее время накоплено значительное количество результатов экспериментов, продвинулись вперед теоретические построения и компьютерное моделирование функций мозга.

Устройства, которые мы сейчас назвали бы нейроинтерфейсами, начали появляться в 1960-х годах. В 1963 году Грей Уолтер впервые подключил человеческий мозг к машине — проектору слайдов. Сам Уолтер не опубликовал описание этого эксперимента, но мы знаем о нем из книги Дэниэла Денне-та, посетившего лекцию Уолтера [Dennett, 1991]. Уолтер исследовал пациентов, страдающих эпилепсией. Пациентам были имплантированы электроды, регистрирующие потенциалы корковых полей [Walter, Crow, 1964]. Уолтер инструктировал пациентов переключать слайды, нажимая рукой на кнопку. Примерно за пол-секунды до этого движения в моторной коре возникал потенциал готовности, в литературе также называемый Bereitschaftspotential. Далее, Уолтер переключил запуск проектора от кнопки к электрической схеме, которая реагировала на потенциал готовности. Пациенты продолжали нажимать на кнопку, но команда к действию уже исходила непосредственно из мозга; причем пациенты поражались тому, что их намерение распознавалось до того, как они двигали рукой.

Уолтер не подчеркивал важность идеи подключения мозга к внешнему устройству (его занимали вопросы свободы воли), но других нейрофизиологов заинтересовала именно эта идея. Их работы были посвящены исследованию

биологической обратной связи (также используются термины «нейрообрат-ная связь» и «нейрофидбек»). Идея биологической обратной связи состоит в том, что испытуемый (человек или животное) учится управлять активностью собственного мозга, получая информацию о нейрональной активности в виде зрительных, слуховых и других сигналов. Дэвид Ноулис и Джо Камия провели классические исследования, в которых испытуемые получали биологическую обратную связь от электроэнцефалографических (ЭЭГ) сигналов и обретали способность управлять собственными кортикальными ритмами, например, альфа-ритмом [Nowlis, Kamiya, 1970; Kamiya, 1971; Nowlis, Wortz, 1973]. Исследования обратной связи, основанной на ЭЭГ активности, продолжаются и по сей день [Ossadtchi et al., 2017].

В 1973 году Жак Видаль предложил термин «интерфейс мозг-компьютер» (ИМК) для обозначения системы, использующей сигналы мозга для коммуникации с компьютером [Vidal, 1973]. Среди практических приложений он назвал управление протезами и даже космическими кораблями. Видаль разработал несколько видов ИМК, основанных на использовании вызванных ЭЭГ потенциалов в качестве источника информации [Vidal, 1977]. Нильс Бир-баумер разработал первые ИМК для восстановления коммуникации у больных с неврологическими поражениями [Birbaumer et al., 1999]. Его пациенты набирали шрифт на экране компьютера, используя медленные ЭЭГ потенциалы в качестве управляющего сигнала.

Среди машин, к которым мозг может быть подключен через нейроинтер-фейс, особый интерес представляют роботы, так как они могут имитировать многие человеческие действия. Например, роботизированная рука может выполнять роль протеза, восстанавливающего двигательные способности парализованного человека. Впервые об управлении роботом через нейроинтер-фейс сообщили в 1988 году Бозиновский и его коллеги [Bozinovski et al., 1988]. В этом исследовании люди посылали мобильному роботу команды «старт» и «стоп», модулируя свой альфа-ритм, закрывая и открывая глаза.

Вышеупомянутые нейроинтерфейсы использовали небольшое число каналов записи для расшифровки сигналов мозга. За счет увеличения числа каналов можно улучшить точность декодирования нейрональной активности [Lebedev, Nicolelis, 2006; Nicolelis, Lebedev, 2009]. Джон Лилли был пионером многоканальных имплантатов. В 1950-е годы он имплантировал до 600 электродов в кору макак резус [Lilly, 1958]. Он использовал эти электроды как для записи потенциалов корковых полей, так и для электрической стимуляции. Лилли наблюдал сложные пространственно-временные паттерны мозговой активности во время бодрствования и сна, которые он не мог детально проанализировать из-за отсутствия в то время соответствующей электроники и вычислительных устройств.

В конце 1960-х лаборатория нейроконтроля Национального института здоровья под руководством Карла Франка разработала имплантаты, которые регистрировали потенциалы действия отдельных корковых нейронов у обезьян. Франк заявил: «Мы будем заниматься разработкой принципов и методов, с помощью которых информация, извлеченная из нервной системы, может использоваться для управления внешними устройствами, такими

как протезы, оборудование связи... и в конечном счете, возможно, даже компьютеры» [Frank, 1968].

В своем первом исследовании ученые из этой лаборатории имплантировали пять электродов в моторную кору обезьян [Humphrey et al., 1970]. Исследователи записывали активность 3-8 нейронов одновременно. Обезьяны выполняли простую моторную задачу, в которой они сгибали или разгибали кисть руки. Ученым удалось реконструировать движения кисти из записей активности нейронов при помощи алгоритма, основанного на линейной регрессии. Эта исследовательская группа продолжала работу еще десятилетие и в конечном итоге добилась того, что обезьяна управляла через нейроинтер-фейс одномерными перемещениями курсора в режиме реального времени [Schmidt, 1980].

Еще одним пионером нейроинтерфейсов, использующих потенциалы действия нейронов, был Эберхард Фетц. Он интерпретировал свои результаты как обучение отдельных нейронов [Fetz, 1969]. Например, Фетц записывал активность единственного коркового нейрона и преобразовывал ее в звук или в отклонение стрелки прибора. Обезьяна получала пищевое подкрепление, когда частота разрядов нейронов достигала определенной величины. Так обезьяна постепенно обучалась произвольно управлять разрядами собственного нейрона, не прибегая при этом к уловкам, таким, как помогать себе движениями руками.

Примерно в то же время Бриндли и Крэггс регистрировали активность моторной коры бабуинов с помощью эпидуральных электродов. Они использовали быстрые (80-250 Гц) корковые ритмы, что гарантировало отсечение механических артефактов. Ученым удалось создать нейроинтерфейс, воспроизводивший движения конечностей из активности моторной коры [Brindley, Craggs, 1972; Craggs, 1974]. Затем они провели эксперименты на бабуинах с параличом ног, вызванным перерезкой спинного мозга [Craggs, 1975]. Оказалось, что корковую зону, ответственную за управление ногами, можно было использовать в качестве источника моторных команд даже тогда, когда она отключена от спинного мозга.

Таким образом, с 1960-х по 1980-е годы был достигнут значительный прогресс в развитии нейроинтерфейсов. Хотя исследователи использовали разные названия (биологическая обратная связь, операционное обучение, нейропротез, интерфейс мозг-компьютер), разработанные ими устройства работали по сходной схеме — информация извлекалась из мозга и передавались на внешнее устройство. Такие системы можно назвать эфферентными интерфейсами, поскольку они оперируют сигналом, исходящим из нервной системы.

Параллельно с разработкой эфферентных интерфейсов несколько групп работали над афферентными интерфейсами, то есть системами, передающими информацию от внешних устройств к нервной системе. Основной целью таких систем было восстановление восприятия у людей с сенсорными нарушениями, например, у глухих и слепых. С целью восстановления чувствительности использовалась электрическая стимуляция сенсорных отделов мозга, в том числе корковых сенсорных зон [Libet et al., 1964; Brindley, Lewin,

1968] и периферических нервов [Collins et al., 1960]. Нейропротезы для восстановления слуха стали особенно успешной разработкой — сотни тысяч людей по всему миру обрели слух благодаря кохлеарным имплантатам [Djourno, Eyries, 1957; Simmons et al., 1964; Eddington, 1980]. Определенные успехи были достигнуты и в восстановлении зрения. Лаборатории Добелле [Dobelle et al., 1974; Dobelle et al., 1979] и Бриндли [Brindley, Lewin, 1968; Brindley, 1970] использовали с этой целью имплантаты, помещенные в зрительную кору. В этих исследованиях электрическая стимуляция зрительной коры вызывала ощущение вспышек (фосфенов). Испытуемые успешно распознавали простые изображения, составленные из таких вспышек, например, цифры и буквы.

После первоначального всплеска интереса к нейроинтерфейсам исследования в этой области пошли на убыль. Однако, в середине 1990-х годов интерес к этим проблемам возобновился благодаря развитию многоэлектродных им-плантатов, способных регистрировать активность большого числа нейронов одновременно, и благодаря развитию компьютерных систем, способных обрабатывать эти многоканальные записи. Джон Чапин и Мигель Николелис разработали мультиэлектродные имплантаты, которые записывали разряды нескольких десятков нейронов в мозге крысы [Nicolelis, Chapin, 1994; Nicoleli et al., 1995]. В 1999 году они опубликовали знаменитую работу, в которой было показано, что крысы могут обучиться управлять через нейроинтерфейс одномерными движениями робота, используя в качестве командного сигнала активность нескольких десятков корковых и подкорковых нейронов [Chapin et al., 1999]. Эта статья положила начало новой волне исследований нейроинтер-фейсов, которая продолжается по сей день.

В 2000 году Николелис и его коллеги имплантировали ночным обезьянам в кору мозга массивы электродов, которые записывали разряды нескольких сотен нейронов. Обезьяны управляли движениями механической руки в режиме «открытой петли», то есть, они не видели, чем управляли [Wessberg et al., 2000]. Затем несколько групп начали экспериментировать на макаках резус и «замкнули петлю». Их подопытные обезьяны наблюдали за управляемым объектом и могли корректировать его движения [Serruya et al., 2002; Taylor et al., 2002; Carmena et al., 2003]. Например, Николелис, Лебедев, Кармена и их коллеги разработали нейроинтерфейс, который управлял механической рукой, схватывающей объекты [Carmena et al., 2003; Lebedev et al., 2005].

Для достижения лучшей биосовместимости имплантата с мозгом в 1989 году Филип Кеннеди имплантировал парализованному пациенту нейротро-фический электрод, содержащий факторы роста нерва, с целью вызвать прорастание нервных волокон внутрь электрода [Kennedy, 1989; Kennedy et al., 1992; Kennedy et al., 1992a]. Эта группа продолжает работать с такими электродами [Guenther et al., 2009; Brumberg et al., 2010], но действенность этой методики пока не была подтверждена другими группами.

В начале 2000-х годов несколько групп сообщили об имплантации корковых электродов парализованным пациентам. Они использовали многоэлектродный имплантат, одобренный для клинических испытаний на людях [Campbell et al., 1991; Maynard et al., 1997]. В 2006 году Джон Донохью и его коллеги имплантировали такие электроды двум парализованным пациентам

[Hochberg et al., 2006]. Пациенты научились управлять двумерными движениями курсора. В других экспериментах люди управляли курсорами [Shenoy et al., 2003; Aflalo et al., 2015], механическими руками [Hochberg et al., 2012; Collinger et al., 2013] и стимуляторами мышц, вызывавшими движения конечностей испытуемого [Bouton et al., 2016].

В 2009 году Фитцсаймон, Лебедев и их коллеги опубликовали результаты исследования, в котором они воспроизводили кинематику ходьбы обезьян из записей разрядов нейронов моторной коры [Fitzsimmons et al., 2009]. Это было существенное достижение, так как нейроинтерфейс был впервые применен для расшифровки движений нижних конечностей.

В 2011 году О'Дохерти, Лебедев и их коллеги добавили к нейроинтерфей-су электрическую микростимуляцию для вызова искусственных тактильных ощущений [O'Doherty et al., 2011]. Эта новая парадигма была названа интерфейсом мозг-машина-мозг, поскольку моторные команды декодировались из активности коры одновременно с подачей микростимуляции в соматосен-сорную кору.

Параллельно с разработкой этих инвазивных нейроинтерфейсов развивались также неинвазивные интерфейсы, использующие, в основном, ЭЭГ в качестве источника нейронального сигнала [Wolpaw et al., 2000; Hinterberger et al., 2003; Vaughan et al., 2003; Birbaumer et al., 2006; Allison et al., 2007; Fazel-Rezai et al., 2012]. Так, базирующийся на ЭЭГ неинвазивный интерфейс был применен в проекте «Снова ходить». В этом эксперименте пациенты с парализованными ногами контролировали экзоскелет при помощи ЭЭГ [Shokur et al., 2016]. Аналогичные разработки по управлению экзоскелетом записями ЭЭГ были созданы другими группами [Contreras-Vidal, Grossman, 2013; Wang et al., 2015].

типы нейроинтерфейсов

Нейроинтерфейсы можно подразделить на определенные типы, причем существует несколько таких классификаций. Первая классификация — по физиологической функции, которую воспроизводит нейроинтерфейс. В этой классификации выделяют моторные, сенсорные, двунаправленные, когнитивные интерфейсы, а также интерфейсы, включающие несколько пользователей. Моторные нейроинтерфейсы воспроизводят двигательные функции, такие как движения верхних [Wessberg et al., 2000; Carmena et al., 2003; Velliste et al., 2008; Collinger et al., 2013] и нижних конечностей [Fitzsimmons et al., 2009], а также движения всего тела [Xu et al., 2014; Rajangam et al., 2016]. Сенсорные нейроинтерфейсы воспроизводят ощущения, а двунаправленные интерфейсы совмещают сенсорные и моторные функции [O'Doherty et al., 2009; O'Doherty et al., 2011; Bensmaia, Miller, 2014]. Когнитивные нейроинтерфейсы [Andersen et al., 2004] воспроизводят высшие нервные функции, такие как память [Berger et al., 2011], внимание [Lubar, 1995; Fuchs et al., 2003] и принятия решений [Musallam et al., 2004; Hasegawa et al., 2009]. Интерфейсы для многих пользователей записывают активность нескольких мозгов одновременно и позволяют выполнять кооперативные задачи [Ramakrishnan et al., 2015].

Нейроинтерфейсы также классифицируют по уровню инвазивности. Ин-вазивные интерфейсы требуют хирургической операции, состоящей в трепанации черепа и введении электродов в нервную ткань. Такая операция несет риск повреждения тканей и/или инфекции, особенно если имплантат имеет внешние части, такие как провода, необходимые для подключения к записывающей аппаратуре, как это было в клинических испытаниях на людях [Hochberg et al., 2006; Hochberg et al., 2012; Collinger et al., 2013; Bouton et al., 2016]. Неинвазивные интерфейсы не несут таких рисков и могут быть реализованы относительно легко. Например, для записи ЭЭГ электроды помещаются на поверхность головы [Niedermeyer, Lopes da Silva, 2005].

Поскольку безопасность пациентов имеет первостепенное значение, неин-вазивные интерфейсы в настоящее время являются первым выбором для клинических приложений. Однако во многих случаях объём считываемой таким образом информации недостаточен, поскольку ЭЭГ представляет из себя ослабленный и искаженный тканями электрический сигнал, производимый синхронной активностью многих миллионов нейронов. ЭЭГ имеет низкое пространственное разрешение и не обеспечивает достаточной точности моторных нейроинтерфейсов [Lebedev, Nicolelis, 2006].

Инвазивные интерфейсы имеют лучшую точность, потому что они используют сенсоры, приближенные к источнику электрической активности — нейронам, генерирующим потенциалы действия (Li, Jasper, 1953; Green, 1958; Cordeau et al., 1960]. Так, многоэлектродные имплантаты записывают разряды сотен нейронов [Lebedev, Nicolelis, 2006; Nicolelis, Lebedev, 2009; Stevenson, Kording, 2011; Schwarz et al., 2014].

Промежуточный подход, известный как электрокортикография (ЭКоГ), является минимально инвазивной методикой. Хотя для имплантации ЭКоГ электродов необходима краниотомия, электродная сетка не проникает в мозг, а размещается на его поверхности [Walker et al., 1949; Broseta et al., 1980; Reid, 1989; Schalk, 2010; Anderson et al., 2012; Hill et al., 2012; Martens et al., 2014]. ЭКоГ имеет лучшее пространственное и временное разрешение по сравнению с ЭЭГ. Как было показано в экспериментах на животных [Loeb et al., 1977; Bullara et al., 1979; Chen et al., 2006; Chao et al., 2010; Rouse et al., 2013] и людях [Wyler et al., 1991; Weinand et al., 1994] ЭКоГ электроды можно имплантировать на долгое время.

Существует также классификация нейроинтерфейсов на независимые (эндогенные) и зависимые (экзогенные). При использовании независимых интерфейсов, пользователи самостоятельно инициируют команды, например, представляя движения [Obermaier et al., 2001; Pfurtscheller, Neuper, 2006; Scherer et al., 2007; Prasad et al., 2010]. Зависимые интерфейсы, как следует из названия, используют внешние стимулы, вызывающие нейрональный ответ [Wang et al., 2005; Sellers et al., 2006; Lee et al., 2010; Fazel-Rezai et al., 2012]. Например, интерфейсы на основе потенциала P300 EEG распознают более сильный ответ на ожидаемый стимул [Donchin et al., 2000; Mirghasemi et al., 2006; Piccione et al., 2006; Finke et al., 2009; Townsend et al., 2010; Brunner et al., 2011].

В дополнение к независимым и зависимым интерфейсам, недавно были предложены пассивные интерфейсы, которые не требуют активных усилий

со стороны пользователя. Целью пассивных интерфейсов является улучшение взаимодействия человека с техническими системами посредством регистрации активности мозга, отражающей когнитивные и эмоциональные состояния, и корректирования работы системы на основе этих записей.

методы записи активности мозга

Кроме вышеупомянутых методик записи активности мозга — регистрации разрядов отдельных нейронов, ЭЭГ и ЭКоГ — существует и многие другие методы, которые могут использоваться в нейроинтерфейсах.

«Нейронная пыль» — это метод записи, который использует небольшие (10-100 мкм) датчики («пыль»), регистрирующие внеклеточные нейронные потенциалы и передающие их к внешним устройствам при помощи ультразвука [Seo et al., 2015]. Каждый датчик содержит электрод, миниатюрный усилитель и пьезоэлектрический преобразователь, переводящий электрические потенциалы в ультразвук. Нейронная пыль менее травматична для нервной ткани, чем классические электроды. Однако, эта методология пока еще недостаточно разработана [Seo et al., 2016].

Эндоваскулярная регистрации нейрональной активности основана на размещения электродов в кровеносных сосудах мозга. Эта методика позволяет приблизить электроды к нейронам, не нарушая гематоэнцефалический барьер. Эндоваскулярные стентовые электроды используются в кардиологии уже несколько десятилетий. Мировски с коллегами [Mirowski et al., 1980] разработали эндоваскулярный дефибриллятор для мониторинга сердечной электрической активности. Этот же электрод используется для электрической стимуляции сердца при обнаружении фибрилляции желудочков. Аналогичная методика были использована для эндоваскулярной записи нейрональной активности [Thomke et al., 1998; Bower et al., 2013; He et al., 2016; Sefcik et al., 2016]. Бонифас и Антун [Boniface, Antoun, 1997] записывали ЭЭГ эндоваску-лярным электродом с тефлоновым покрытием. Электрод был помещен в среднюю мозговую артерию пациента-эпилептика. Оксли и его коллеги [Oxley et al., 2016] разработали многоканальную запись с использованием стентовых электродов, которые они назвали стентрозами. Стентрозы имплантировались в поверхностные вены коры головного мозга овцы. Качество записываемого сигнала было сопоставимо с ЭКоГ. Перспективным методом для записи из капилляров мозга является наноэлектроника. Масаюки Накао, Родольфо Ллинас и их коллеги разработали нанотехнологические зонды, состоящие из изолированных платиновых проводов диаметром 0,6 мкм, и записывали с их помощью нейрональную активность в спинном мозге лягушки [Llinas et al., 2005; Watanabe et al., 2009].

Перспективны также оптические методы регистрации активности нейронов. Разработаны оптические методы для регистрации электрических потенциалов нервной ткани [Tasaki et al., 1968; Patrick et al., 1971; Grinvald et al., 1988; Grinvald, Hildesheim, 2004] и методы, измеряющие концентрацию кальция [Smetters et al., 1999; Stosiek et al., 2003; Grewe et al., 2010]. Двухфотонная лазерная микроскопия используется для трехмерного сканирование нервной

ткани с пространственным разрешением в доли микрона [Helmchen et al., 2001; Svoboda, Yasuda, 2006; Nikolenko et al., 2007]. Кланси с коллегами [Clancy et al., 2014] работали с мышами с генетически закодированным индикатором кальция. Записи велись при помощи двухфотонной микроскопии. Мыши обучились управлять нейроинтерфейсом, на вход которого подавались сигналы от двадцати нейронов, в то время как выходным сигналом служил звук.

Среди неинвазивных методов регистрации особенно интересна магнето-энцефалография (МЭГ) — методика регистрации слабых магнитные полей, генерируемых нейронами [Cohen, 1968; Cohen, 1972; Hamalainen et al., 1993]. Магнитные поля мозга очень слабые. Они в десять миллионов раз меньше, чем магнитное поле Земли. Для регистрации столь слабых сигналов используются чувствительные магнитометры [Cohen, 1972; Xia et al., 2006]. МЭГ имеет лучшее временное и пространственное разрешение, чем ЭЭГ, но требует специального, дорогого оборудования. Георгопулос и его коллеги [Georgopoulos et al., 2005] использовали 248-канальную МЭГ для реконструкции движений рук. Лал и его коллеги декодировали движения из МЭГ активности в реальном времени [Lal et al., 2005].

Спектроскопия в ближней инфракрасной области (600-1000 нм) позволяет «видеть» сквозь череп. Этот метод регистрирует изменения концентрации оксигемоглобина и дезоксигемоглобина в кровотоке мозга [Jobsis, 1977; Ferrari et al., 2004]. Нейроинтерфейс на основе этого метода разработали Койл и его коллеги [Coyle et al., 2004]. Их испытуемые управляли интерфейсом, представляя движения рук. В нескольких исследованиях с применением интерфейса, основанного на ближней инфракрасной спектроскопии, испытуемые выполняли арифметические вычисления в уме для генерации управляющего сигнала [Bauernfeind et al., 2008; Power et al., 2010; Power et al., 2011; Bauernfeind et al., 2014; Hwang et al., 2014].

Функциональная магнитно-резонансная томография (МРТ) также отслеживает гемодинамику мозга [Cox et al., 1995; Friston et al., 1998; Logothetis et al., 2001; Strangman et al., 2002]. Было показано, что МРТ можно использовать для управления нейроинтерфейсом [Weiskopf et al., 2004; Sitaram et al., 2007; Sitaram et al., 2009].

Представление информации нейронами мозга

Несмотря на обилие экспериментальных данных, мы все еще далеки от понимания того, как работает мозг. Однако, несмотря на отсутствие такого понимания, разработчики нейроинтерфейсов утверждают, что они считывают информацию из нейрональной активности. Для считывания используются декодирующие алгоритмы, основанные на наличии корреляции между нейронной активности и представляющими интерес параметрами (например, кинематическими параметрами, описывающими движения конечностей).

Одним из первых корреляцию между разрядами нейронов моторной коры и параметрами движений описал Эдвард Эвартс [Evarts et al., 1962; Evarts, 1964; Evarts, 1966]. Апостолос Георгопулос и его коллеги дополнили эти результаты исследованием зависимости частоты разряда от направления движения

[Georgopoulos et al., 1986; Georgopoulos et al., 1988; Kettner et al., 1988; Schwartz et al., 1988]. Они показали, что активность отдельного нейрона достигает максимума, когда рука движется в определенном направлении движения, называемом предпочтительным. При отклонении направления движения от предпочтительного частота разряда нейрона снижается пропорционально косинусу угла отклонения.

В современных экспериментальных исследованиях, как правило, записывается активность не одного нейрона, как в экспериментах Эвартса, а большого количества — от десятков до нескольких тысяч. Записываемую группу нейронов часто называют нейронным ансамблем. Запись больших нейронных ансамблей предпочтительна, поскольку декодирование информации улучшается с увеличением числа одновременно регистрируемых нейронов [Wessberg et al., 2000; Carmena et al., 2003; Lebedev et al., 2005; Lebedev, Nicolelis, 2006; Lebedev et al., 2008; Fitzsimmons et al., 2009; Nicolelis, Lebedev, 2009; Ifft et al., 2013].

Декодирование нейрональной информации

Для декодирования нейрональных сигналов используются методы статистического и машинного обучения. Эти алгоритмы относятся к классу моделей с несколькими входами и выходами [Kim et al., 2006], где входами являются каналы записи нейронной активности, а выходами — командные сигналы, посылаемые к внешнему устройству.

Наиболее простые алгоритмы декодирования — линейные [Humphrey et al., 1970; Wessberg et al., 2000], а наиболее популярный линейный алгоритм — фильтр Винера [Levinson, 1946; Wiener, 1949; Haykin, 2014]. В нейро-интерфейсах также используется фильтр Калмана [Kalman, 1960; Kalman, Bucy, 1961; Serruya et al., 2003; Patil et al., 2004; Wu et al., 2004; Kim et al., 2006; Li et al., 2009], известный и по многочисленным инженерным приложениям [Grewal, 2011]. Фильтр Калмана может быть модифицирован для включения нелинейных моделей [Li et al., 2009].

Искусственные нейронные сети используются в качестве декодеров в ней-роинтерфейсах с конца 1990-х [Chapin et al., 1999; Wessberg et al., 2000]. Среди искусственных нейронных сетей, применяющихся в нейроинтерфейсах, многослойный перцептрон [Anderson et al., 1995; Costa, Cabral, 2000; Kim et al., 2003; Sanchez et al., 2003; Huan, Palaniappan, 2004; Kim et al., 2005] и адаптивная логическая сеть [Kostov, Polak, 1997; Kostov, Polak, 2000].

Дискретные классификаторы преобразуют нейрональную активность в один из нескольких возможных выборов [Halder et al., 2010; Naseer et al., 2014; Placidi et al., 2015]. В качестве дискретных алгоритмов часто используются линейный дискриминантный анализ [Fisher, 1936; Pfurtscheller, Lopes da Silva, 1999; Garrett et al., 2003], метод опорных векторов [Suykens, Vandewalle, 1999; Bennett, Campbell, 2000; Garrett et al., 2003], искусственные нейронные сети [Hiraiwa et al., 1990], многослойный перцептрон [Bishop, 1995; Balakrishnan, Puthusserypady, 2005] и нелинейные байесовские классификаторы [Denison, 2002].

искусственные ощущения

Нейроинтерфейсы используются не только для считывания информации из активности мозга, но и для доставки информации в мозг с целью вызова искусственных ощущений [Dobelle, 1994; Lebedev, Nicolelis, 2006; Nicolelis, Lebedev, 2009; Rothschild, 2010; Lebedev et al., 2011; Bensmaia, Miller, 2014]. Например, разработаны сенсорные интерфейсы, вызывающие искусственные тактильные ощущения. В таких интерфейсах используется электрическая [Romo et al., 1998; Fitzsimmons et al., 2007; O'Doherty et al., 2011; Tabot et al., 2013] и оптогенетическая стимуляция [May et al., 2014; Yazdan-Shahmorad et al., 2016].

То, что электрическая стимуляция поверхности соматосенсорной коры вызывает тактильные ощущения, было известно со времен Харви Кушин-га [Cushing, 1909] и Уайлдера Пенфилда [Penfield, Boldrey, 1937]. Ранульфо Ромо и его коллеги впервые использовали микростимуляцию (то есть, стимуляцию небольшие токами через микроэлектрод) для вызова тактильных ощущений у обезьян [Romo et al., 1998]. Фитцсаймонс и его коллеги впервые применили для микростимуляции имплантированные электроды [Fitzsimmons et al., 2007].

Тактильные ощущения можно также вызывать стимуляцией периферических нервов [Tan et al., 2014; Davis et al., 2016]. Таким способом удается вызывать тактильные ощущения у людей с ампутированными конечностями.

Двунаправленные интерфейсы совмещают считывание информации из мозга с доставкой информации в мозг. О'Дороти, Лебедев и их коллеги продемонстрировали такой интерфейс на обезьянах [O'Doherty et al., 2011]. В этих экспериментах макакам резус были имплантированы электроды в моторной и соматосенсорной коре. Моторные команды считывались из моторной коры, а к соматосенсорной коре прикладывалась микростимуляция для вызова тактильных ощущений. Обезьяны управляли виртуальной рукой на экране компьютера и ощупывали этой рукой виртуальные объекты. Они успешно обучились сканировать таким образом несколько объектов на экране и находить объект с определенными тактильными свойствами.

Кроме интерфейсов, воссоздающих тактильные ощущения, значительные успехи были достигнуты в восстановлении слуха при помощи электрической стимуляции. Сотни тысяч людей восстановили слух благодаря кохлеарному имплантату. Кохлеарный имплантат включает следующие части: (1) внешний микрофон; (2) речевой процессор, преобразующий сигнал от микрофона в последовательность импульсов стимуляции; (3) передатчик, передающий последовательность стимулов к имплантированному приемнику; (4) приемник/стимулятор, имплантированный под кожей и прикрепленный к кости, (5) кабель, идущий от стимулятора к электродам и (6) стимулирующие электроды, имплантированные в улитку. Для пациентов с тяжелыми повреждениями улитки и слухового нерва был разработан имплантат ствола мозга. Это устройство стимулирует кохлеарное ядро — ядро ствола мозга, получающее проекции от улитки. В клинических испытаниях этого имплантата качество

звуковых ощущений у нескольких пациентов оказалось низким, но также сообщалось о хороших результатах у других пациентов, сравнимых с показателями кохлеарных имплантов.

Успехи были достигнуты также в протезировании зрения. В зависимости от причины слепоты, используются различные типы зрительных имплан-татов. Так, ретинальные имплантаты используются, когда нет повреждения зрительного нерва. В этих случаях в глаз имплантируется миниатюрная видеокамера, сигналы из которой подаются на стимулирующие электроды, расположенные в сетчатке. Если же зрительный нерв поврежден, может быть использована электрическая стимуляция зрительной коры. Так, Уильям До-белле использовал 64 поверхностных электрода для восстановления рудиментарного зрения у слепых [Dobelle et al., 1974].

Интерфейсы «мозг-мозг»

Существуют нейроинтерфейсы, устанавливающие связь между несколькими пользователями [Pais-Vieira et al., 2013]. Такие интерфейсы называют интерфейсами «мозг-мозг». Также разработаны интерфейсы «мозг плюс мозг», позволяющие нескольким участникам работать над задачей сообща [Pais-Vieira et al., 2015; Ramakrishnan et al., 2015].

Впервые интерфейс мозг-мозг был продемонстрирован в экспериментах на крысах [Pais-Vieira et al., 2013]. В этом исследовании одно животное выполняло роль передатчика, а второе животное — приемника двоичного сообщения. Двоичное сообщение происходило из поведенческой задачи с двумя вариантами. Информация о поведенческом выборе считывалась из мозга крысы-передатчика и передавалась в мозг крысы-приемника посредством микростимуляции. В другом исследовании [Pais-Vieira et al., 2015] в сеть были соединены мозги до четырех крыс. Получившаяся «мозгосеть» выполняла элементарные вычисления.

Были также проведены эксперименты, в которых мозг человека был соединен со спинным мозгом крысы [Yoo et al., 2013], либо с мозгом таракана [Li, Zhang, 2016]. В других экспериментах были соединены мозги двух обезьян [Shanechi et al., 2014], мозг человека и культура клеток [Folcher et al., 2014], а также мозги двух человек [Grau et al., 2014]. В последнем случае в качестве стимула для «человека-приемника» использовалась транскраниальная магнитная стимуляция.

Растет число работ по нейроинтерфейсам с участием нескольких людей. Так, были разработаны нейроинтерфейсы для навигации космических аппаратов, управляемый двумя пользователями [Poli et al., 2013], для принятия групповых решений [Eckstein et al., 2012; Yuan et al., 2013; Poli et al., 2014] и для планирования движений [Wang, Jung, 2011].

Выводы

Так внесут ли нейроинтерфейсы вклад в наше понимание сознания и души? Вероятно, здесь нам следует руководствоваться словами Иисуса

Христа: «Но да будет слово ваше: «да, да»; «нет, нет»; а что сверх этого, то от лукавого» (Мф. 5:37).

Поскольку нейроинтерфейсы представляют строго научный метод, то навряд ли нам следует ожидать, что они дадут окончательный ответ на основной вопрос философии или сложную проблему сознания. Вероятнее всего, научные и религиозные подходы к этим проблемам будут розниться, как и сейчас, даже после того, как нейроинтерфейсы значительно продвинутся в «чтении мыслей», воздействии на сознание и создании новых способов коммуникации между людьми.

Тем не менее, следует ожидать, что нейроинтерфейсы многое добавят как в научную, так и религиозную проблематику. В науке нейроинтерфейсы помогут глубже разобраться в проблемах кодировки и обработки информации нейронными сетями мозга и откроют новые пути для объединения мозга с искусственными вычислительными и информационными ресурсами. Следует также ожидать внедрения нейроинтерфейсов в практические сферы, такие как медицина и технические приложения.

В религии нейроинтерфейсы, вполне вероятно, будут служить вспомогательным инструментом для осознания духовных состояний (например, в режиме нейрообратной связи); возможно, также инструментом контроля эмоций и моральных качеств. Здесь не следует недооценивать колоссального потенциала нейроинтерфейсов как метода расширения мыслительных функций, оказания воздействий на восприятия, эмоции и болевые ощущения (которые можно будет подавлять при помощи интерфейсов) — все то, что религия относит к качествам души.

Таким образом: нет, все тайны не будут раскрыты; но да, мы сделаем шаги к их пониманию и осознанию.

источники и литература

1. Adrian (1932) — Adrian E. D. A. The mechanism of nervous action; electrical studies of the neurone. Philadelphia, London, University of Pennsylvania Press; H. Milford, Oxford University Press, 1932.

2. Aflalo et al. (2015) — Aflalo T., S. Kellis, C. Klaes, B. Lee, Y. Shi, K. Pejsa, K. Shanfield, S. Hayes-Jackson, M. Aisen, C. Heck, C. Liu, R.A. Andersen. Neurophysiology. Decoding motor imagery from the posterior parietal cortex of a tetraplegic human // Science. 2015. 348 (6237). P. 906-910.

3. Allison et al. (2007) — Allison B. Z., E. W Wolpaw,, J. R. Wolpaw. Brain-computer interface systems: progress and prospects // Expert Rev Med Devices. 2007. 4 (4). P. 463-474.

4. Andersen et al. (2004) — Andersen R. A., J. W. Burdick, S. Musallam, B. Pesaran, J. G. Cham. Cognitive neural prosthetics // Trends Cogn Sci. 2004. 8 (11). P. 486-493.

5. Anderson et al. (1995) — Anderson C.W., S.V. Devulapalli, E.A. Stolz. EEG signal classification with different signal representations // Neural Networks for Signal Processing. 1995.

6. Anderson et al. (2012) — Anderson N. R., T. Blakely, G. Schalk, E. C. Leuthardt, D. W. Moran. Electrocorticographic (ECoG) correlates of human arm movements // Exp Brain Res. 2012. 223 (1). P. 1-10.

7. Balakrishnan, Puthusserypady (2005) — BalakrishnanD., Puthusserypady S. Multilayer perceptrons for the classification of brain computer interface data // Proceedings of the IEEE 31st Annual Northeast Bioengineering Conference, 2005.

8. Bauernfeind et al. (2008) — Bauernfeind G, R. Leeb, S. C. Wriessnegger, G. Pfurtscheller. Development, set-up and first results for a one-channel near-infrared spectroscopy system / Entwicklung, Aufbau und vorläufige Ergebnisse eines Einkanal-NahinfrarotSpektroskopie-Systems // Biomedizinische Technik. 2008. 53 (1). P. 36-43.

9. Bauernfeind et al. (2014) — Bauernfeind G., D. Steyrl, C. Brunner, G.R. Muller-Putz. Single trial classification of fNIRS-based brain-computer interface mental arithmetic data: a comparison between different classifiers // Conf. Proc. IEEE Eng. Med. Biol. Soc. 2014. P. 2004-2007.

10. Bennett, Campbell (2000) — Bennett K. P., Campbell C. Support vector machines: hype or hallelujah? // ACM SIGKDD Explorations Newsletter. 2000. 2 (2). P. 1-13.

11. Bensmaia, Miller (2014) — Bensmaia, S.J., Miller L.E. Restoring sensorimotor function through intracortical interfaces: progress and looming challenges // Nature reviews Neuroscience. 2014. 15 (5). P. 313-325.

12. Berger (1929) — Berger H. Über das elektrenkephalogramm des menschen // European Archives of Psychiatry and Clinical Neuroscience. 1929. 87 (1). P. 527-570.

13. Berger et al. (2011) — Berger T.W., R.E.Hampson, D.Song, A. Goonawardena, V.Z. Marmarelis, S.A. DeadwylerA cortical neural prosthesis for restoring and enhancing memory // Journal of Neural Engineering. 2011. 8 (4). P. 046017.

14. Birbaumer et al. (1999) — Birbaumer N., N. Ghanayim, T. Hinterberger, I. Iversen, B. Kotchoubey, A. Kubler, J. Perelmouter, E. Taub, H. Flor. A spelling device for the paralysed // Nature. 1999. 398 (6725). P. 297-298.

15. Birbaumer et al. (2006) — Birbaumer N., C. Weber, C. Neuper, E. Buch, K. Haapen, L. Cohen. Physiological regulation of thinking: brain-computer interface (BCI) research // Prog. Brain Res. 2006. 159. P. 369-391.

16. Bishop (1995) — Bishop C.M. Neural networks for pattern recognition. Oxford University press, 1995.

17. Boniface, Antoun (1997) — Boniface S., Antoun N. Endovascular electroencephalography: the technique and its application during carotid amytal assessment // Journal of Neurology, Neurosurgery & Psychiatry. 1997. 62 (2). P. 193-195.

18. Bouton et al. (2016) — Bouton C.E., A. Shaikhouni, N.V. Annetta, M.A. Bockbrader, D.A.Friedenberg, D.M.Nielson, G.Sharma, P.B.Sederberg, B.C.Glenn, W.J.Mysiw, A. G. Morgan, M. Deogaonkar, A. R. Rezai. Restoring cortical control of functional movement in a human with quadriplegia // Nature. 2016.

19. Bower et al. (2013) — BowerM.R., M. Stead, J.J. Van Gompel, R.S. Bower, V. Sulc, S. J. Asirvatham, G. A. Worrell. Intravenous recording of intracranial, broadband EEG // Journal of neuroscience methods. 2013. 214 (1). P. 21-26.

20. Bozinovski et al. (1988) — Bozinovski S., M. Sestakov, L. Bozinovska. Using EEG alpha rhythm to control a mobile robot // Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 1988.

21. Brindley (1970) — Brindley G.S. Sensations produced by electrical stimulation of the occipital poles of the cerebral hemispheres, and their use in constructing visual prostheses // Ann. R Coll. Surg. Engl. 47 (2). P. 106-108.

22. Brindley, Craggs (1972) — Brindley G. S., Craggs M. D. The electrical activity in the motor cortex that accompanies voluntary movement // J. Physiol. 1972. 223 (1). P. 28-29.

23. Brindley, Lewin (1968) — Brindley G.S., Lewin W.S. The sensations produced by electrical stimulation of the visual cortex // J. Physiol. 1968. 196 (2). P. 479-493.

24. Broseta et al. (1980) — Broseta J., Barcia-Salorio J.L., L. Lopez-Gomez, P. Roldan, J. Gonzalez-Darder, J. Barbera. Burr-hole electrocorticography // Acta. Neurochir. Suppl. (Wien). 1980. 30. P. 91-96.

25. Brumberg et al. (2010) — BrumbergJ.S., A.Nieto-Castanon, P.R.Kennedy, F.H. Guenther. Brain-Computer Interfaces for Speech Communication // Speech Commun. 2010. 52 (4). P. 367-379.

26. Brunner et al. (2011) — Brunner P., A.L. Ritaccio, J.F. Emrich, H. Bischof, G. Schalk. Rapid Communication with a "P300" Matrix Speller Using Electrocorticographic Signals (ECoG) // Front Neurosci. 2011. 5 (5).

27. Bullara et al. (1979) — Bullara L. A., W. F. Agnew, T. G. Yuen, S. Jacques, R. H. Pudenz. Evaluation of electrode array material for neural prostheses // Neurosurgery. 1979. 5 (6). P. 681-686.

28. Campbell et al. (1991) — CampbellP.K., K.E.Jones, R.J.Huber, K.W. Horch, R.A. Normann. A silicon-based, three-dimensional neural interface: manufacturing processes for an intracortical electrode array // Biomedical Engineering, IEEE Transactions. 1991. 38 (8). P. 758-768.

29. Carmena et al. (2003) — CarmenaJ.M., M.A. Lebedev, R. E. Crist, J. E. O'Doherty,

D. M. Santucci, D. F. Dimitrov, P. G. Patil, C. S. Henriquez, M. A. Nicolelis. Learning to control a brain-machine interface for reaching and grasping by primates // PLoS Biol. 2003. 1 (2). p. 42.

30. Chalmers (1995) — Chalmers D. J. Facing up to the problem of consciousness //Journal of consciousness studies. 1995. 2 (3). P. 200-219.

31. Chao et al. (2010) — Chao Z.C., Y. Nagasaka, N. Fujii. Long-term asynchronous decoding of arm motion using electrocorticographic signals in monkeys // Front Neuroeng. 2010. 3 (3).

32. Chapin et al. (1999) — Chapin J.K., K.A. Moxon, R. S. Markowitz, M.A. Nicolelis. Real-time control of a robot arm using simultaneously recorded neurons in the motor cortex // Nat. Neurosci. 1999. 2 (7). P. 664-670.

33. Chen et al. (2006) — Chen Q., H. Peng, C. Jiang, H. Fen. Off-line experiments and analysis of independent brain--computer interface // Sheng Wu Yi Xue Gong Cheng Xue Za Zhi. 2006. 23 (3). P. 478-482.

34. Cicurel, Nicolelis (2015) — Cicurel R., Nicolelis M.A. The Relativistic Brain: How it Works and why it cannot by Simulated by a Turing Machine, Kios Press, 2015.

35. Clancy et al. (2014) — ClancyK.B., A.C.Koralek, R.M.Costa, D.E.Feldman, J.M. Carmena. Volitional modulation of optically recorded calcium signals during neuroprosthetic learning // Nat Neurosci. 2014. 17 (6). P. 807-809.

36. Cohen (1968) — Cohen D. Magnetoencephalography: evidence of magnetic fields produced by alpha-rhythm currents // Science. 1968. 161 (3843). P. 784-786.

37. Cohen (1972) — Cohen D. Magnetoencephalography: detection of the brain's electrical activity with a superconducting magnetometer // Science. 1972. 175 (4022). P. 664-666.

38. Collinger et al. (2013) — CollingerJ.L., B. Wodlinger, J.E.Downey, W.Wang,

E. C. Tyler-Kabara, D.J. Weber, A.J. McMorland, M. Velliste, M.L. Boninger, A.B. Schwartz.

High-performance neuroprosthetic control by an individual with tetraplegia // Lancet. 2013. 381 (9866). P. 557-564.

39. Collins et al. (1960) - Collins W.R., Jr., F.E.Nulsen, C.T.Randt. Relation of peripheral nerve fiber size and sensation in man // Arch Neurol. 1960. 3. P. 381-385.

40. Contreras-Vidal, Grossman (2013) — Contreras-Vidal J. L., Grossman R. G. NeuroRex: a clinical neural interface roadmap for EEG-based brain machine interfaces to a lower body robotic exoskeleton // Conf. Proc. IEEE Eng. Med. Biol. Soc. 2013. P. 1579-1582.

41. Cordeau et al. (1960) — CordeauJ.P., J. Gybels, H.Jasper, L.J.Poirier. Microelectrode studies of unit discharges in the sensorimotor cortex: investigations in monkeys with experimental tremor // Neurology. 1960. 10. P. 591-600.

42. Costa, Cabral (2000) — CostaE.J., CabralE.F. EEG-based discrimination between imagination of left and right hand movements using adaptive gaussian representation // Medical Engineering & Physics. 2000. 22 (5). P. 345-348.

43. Cox et al. (1995) — CoxR.W., A. Jesmanowicz, J.S. Hyde. Real-Time Functional Magnetic Resonance Imaging // Magnetic resonance in medicine. 1995. 33 (2). P. 230-236.

44. Coyle et al. (2004) — Coyle S., T. Ward, C. Markham, G. McDarby. On the suitability of near-infrared (NIR) systems for next-generation brain-computer interfaces // Physiological measurement. 2004. 25 (4). P. 815.

45. Craggs (1974) — CraggsM.D. Electrical activity of the motor cortex associated with voluntary movements in the baboon // J. Physiol. 1974. 237 (2). P. 12-13.

46. Craggs (1975) — Craggs M. D. Cortical control of motor prostheses: using the cord-transected baboon as the primate model for human paraplegia // Adv. Neurol. 1975. 10. P. 91-101.

47. Crick, Koch (2003) — Crick F., Koch C. A framework for consciousness // Nature neuroscience. 2003. 6 (2). P. 119.

48. Cushing (1909) — Cushing H. A note upon the faradic stimulation of the postcentral gyrus in conscious patients // Brain. 1909. 32 (1). P. 44-53.

49. Davis et al. (2016) — Davis T.S., H.A.Wark, D.T. Hutchinson, D.J.Warren, K. O'Neill, T. Scheinblum, G.A. Clark, R.A. Normann, B. Greger. Restoring motor control and sensory feedback in people with upper extremity amputations using arrays of 96 microelectrodes implanted in the median and ulnar nerves // J. Neural Eng. 2016. 13 (3). P. 036001.

50. Denison (2002) — Denison D. G. Bayesian methods for nonlinear classification and regression. John Wiley & Sons, 2002.

51. Dennett (1991) — DennettD. C. Consciousness explained. Boston, Little, Brown and Co, 1991.

52. Dennett (2000) — Dennett D. C. Facing backwards on the problem of consciousness // Explaining Consciousness — The Hard Problem. P. 33-36.

53. Djourno, Eyries (1957) — Djourno A., Eyries C. Prothese auditive par excitation electrique a distance du nerf sensoriel a laide dun bobinage inclus a demeure // Presse medicale. 1957. 65 (63). P. 1417-1417.

54. Dobelle (1994) — Dobelle W.H. Artificial vision for the blind. The summit may be closer than you think // ASAIO J. 1994. 40 (4). P. 919-922.

55. Dobelle et al. (1974) — Dobelle W.H., M.G.Mladejovsky, J.P. Girvin. Artifical vision for the blind: electrical stimulation of visual cortex offers hope for a functional prosthesis // Science. 1974. 183 (4123). P. 440-444.

56. Dobelle et al. (1979) — Dobelle W.H., D.O.Quest, J.L.Antunes, T.S.Roberts, J.P. Girvin. Artificial vision for the blind by electrical stimulation of the visual cortex // Neurosurgery. 1979. 5 (4). P. 521-527.

57. Donchin et al. (2000) — Donchin E., K.M. Spencer, R. Wijesinghe. The mental prosthesis: assessing the speed of a P300-based brain-computer interface // IEEE Trans Rehabil Eng. 2000. 8 (2). P. 174-179.

58. Eckstein et al. (2012) — EcksteinM.P, K. Das, B.T. Pham, M.F.Peterson, C. K. Abbey, J. L. Sy and B. Giesbrecht. Neural decoding of collective wisdom with multi-brain computing // Neurolmage. 2012. 59 (1). P. 94-108.

59. Eddington (1980) — Eddington D. K. Speech discrimination in deaf subjects with cochlear implants // J. Acoust. Soc. Am. 1980. 68 (3). P. 885-891.

60. Evarts (1964) — EvartsE. V. Temporal Patterns of Discharge of Pyramidal Tract Neurons during Sleep and Waking in the Monkey // J. Neurophysiol. 1964. 27. P. 152-171.

61. Evarts (1966) — Evarts E. V. Pyramidal tract activity associated with a conditioned hand movement in the monkey // J. Neurophysiol. 1966. 29 (6). P. 1011-1027.

62. Evarts et al. (1962) — EvartsE. V., E.Bental, B.Bihari, P.R.Huttenlocher. Spontaneous discharge of single neurons during sleep and waking // Science. 1962. 135 (3505). P. 726-728.

63. Fazel-Rezai et al. (2012) — Fazel-Rezai R., B.Z.Allison, C. Guger, E.W. Sellers, S. C. Kleih, A. Kubler. P300 brain computer interface: current challenges and emerging trends // Front Neuroeng. 2012. 5. P. 14.

64. Ferrari et al. (2004) — Ferrari M., L. Mottola, V. Quaresima. Principles, techniques, and limitations of near infrared spectroscopy // Canadian journal of applied physiology. 2004. 29 (4). P. 463-487.

65. Fetz (1969) — FetzE.E. Operant conditioning of cortical unit activity // Science. 1969. 163 (3870). P. 955-958.

66. Finke et al. (2009) — Finke A., A. Lenhardt, H. Ritter. The MindGame: a P300-based brain-computer interface game // Neural Netw. 2009. 22 (9). P. 1329-1333.

67. Fisher (1936) — FisherR.A. The use of multiple measurements in taxonomic problems // Annals of eugenics. 1936. 7 (2). P. 179-188.

68. Fitzsimmons et al. (2007) — FitzsimmonsN.A., W.Drake, T.L.Hanson, M.A. Lebedev, M.A. Nicolelis. Primate reaching cued by multichannel spatiotemporal cortical microstimulation // J. Neurosci. 2007. 27 (21). P. 5593-5602.

69. Fitzsimmons et al. (2009) — FitzsimmonsN.A., M.A.Lebedev, I.D.Peikon, M.A. Nicolelis. Extracting kinematic parameters for monkey bipedal walking from cortical neuronal ensemble activity // Front Integr. Neurosci. 2009. 3 (3).

70. Folcher et al. (2014) — Folcher M., S. Oesterle, K. Zwicky, T. Thekkottil, J. Heymoz, M. Hohmann, M. Christen, M. D. El-Baba, P. Buchmann, M. Fussenegger. Mind-controlled transgene expression by a wireless-powered optogenetic designer cell implant // Nature communications. 2014. 5.

71. Frank (1968) — Frank K. Some approaches to the technical problem of chronic excitation of peripheral nerve // Ann. Otol. Rhinol. Laryngol. 1968. 77. P. 761-771.

72. Friston et al. (1998) — Friston K.J., P. Fletcher, O. Josephs, A. Holmes, M. Rugg, R. Turner. Event-related fMRI: characterizing differential responses // Neuroimage. 1998. 7 (1). P. 30-40.

73. Fuchs et al. (2003) — Fuchs T., N.Birbaumer, W. Lutzenberger, J.H. Gruzelier, J. Kaiser. Neurofeedback treatment for attention-deficit/hyperactivity disorder in children: a comparison with methylphenidate // Applied psychophysiology and biofeedback. 2003. 28 (1). P. 1-12.

74. Garrett et al. (2003) — Garrett D., D. A. Peterson, C. W Anderson, M. H. Thaut. Comparison of linear, nonlinear, and feature selection methods for EEG signal

classification // IEEE Transactions on neural systems and rehabilitation engineering. 2003. 11 (2). P. 141-144.

75. Georgopoulos et al. (1986) — GeorgopoulosA.P., A.B.Schwartz, R.E.Kettner. Neuronal population coding of movement direction // Science. 1986. 233 (4771). P. 1416-1419.

76. Georgopoulos et al. (1988) — GeorgopoulosA.P, R.E.Kettner, A.B.Schwartz. Primate motor cortex and free arm movements to visual targets in three-dimensional space. II. Coding of the direction of movement by a neuronal population // J. Neurosci. 1988. 8 (8). P. 2928-2937.

77. Georgopoulos et al. (2005) — GeorgopoulosA.P., F.J.Langheim, A. C.Leuthold, A.N. Merkle. Magnetoencephalographic signals predict movement trajectory in space // Exp Brain Res. 2005. 167 (1). P. 132-135.

78. Glannon (2016) — Glannon W. Ethical issues in neuroprosthetics // Journal of neural engineering. 2016. 13 (2). P. 021002.

79. Grau et al. (2014) — Grau C., R. Ginhoux, A. Riera, T. L. Nguyen, H. Chauvat, M. Berg, J.L. Amengual, A. Pascual-Leone, G. Ruffini. Conscious brain-to-brain communication in humans using non-invasive technologies // PLoS One. 2014. 9 (8). P. e105225.

80. Green (1958) — Green J.D. A simple microelectrode for recording from the central nervous system // Nature. 1958. 182 (4640). p. 962.

81. Grewal (2011) — Grewal M.S. Kalman filtering. Springer, 2011.

82. Grewe et al. (2010) — Grewe B.F., D. Langer, H. Kasper, B.M. Kampa, F. Helmchen. High-speed in vivo calcium imaging reveals neuronal network activity with near-millisecond precision // Nature methods. 2010. 7 (5). P. 399-405.

83. Grinvald et al. (1988) — Grinvald A., R. Frostig, E. Lieke, R. Hildesheim. Optical imaging of neuronal activity // Physiological reviews. 1988. 68 (4). P. 1285-1366.

84. Grinvald, Hildesheim (2004) — Grinvald A., Hildesheim R. VSDI: a new era in functional imaging of cortical dynamics // Nature Reviews Neuroscience. 2004. 5 (11). P. 874-885.

85. Gross (1995) — Gross C. G. Aristotle on the brain // The Neuroscientist. 1995. 1 (4). P. 245-250.

86. Guenther et al. (2009) — Guenther F. H., J. S. Brumberg, E. J. Wright, A. Nieto-Castanon, J. A. Tourville, M. Panko, R. Law, S. A. Siebert, J. L. Bartels, D. S. Andreasen, P. Ehirim, H. Mao, P. R. Kennedy. A wireless brain-machine interface for real-time speech synthesis // PLoS One. 2009. 4 (12). P. e8218.

87. Halder et al. (2010) — Halder S., M. Rea, R.. Andreoni, F. Nijboer, E.M. Hammer, S. C. Kleih, N. Birbaumer, A. Kubler. An auditory oddball brain-computer interface for binary choices // Clin. Neurophysiol. 2010. 121 (4). P. 516-523.

88. Hämäläinen et al. (1993) — Hämäläinen, M., R. Hari, R.J. Ilmoniemi, J. Knuutila and O. V. Lounasmaa. Magnetoencephalography — theory, instrumentation, and applications to noninvasive studies of the working human brain // Reviews of modern Physics. 1993. 65 (2). p. 413.

89. Hameroff, Penrose (1996) — Hameroff S., Penrose R. Orchestrated reduction of quantum coherence in brain microtubules: A model for consciousness // Mathematics and computers in simulation. 1996. 40 (3-4). P. 453-480.

90. Hasegawa et al. (2009) — Hasegawa R. P., Y. T. Hasegawa, M. A. Segraves. Neural mind reading of multi-dimensional decisions by monkey mid-brain activity // Neural Networks. 2009. 22 (9). P. 1247-1256.

91. Haykin (2014) — HaykinS.S. Adaptive filter theory. Upper Saddle River, New Jersey, Pearson, 2014.

92. He et al. (2016) — He B.D., M. Ebrahimi, L. Palafox, L. Srinivasan. Signal quality of endovascular electroencephalography // Journal of neural engineering. 2016. 13 (1). P. 016016.

93. Helmchen et al. (2001) — Helmchen F., M. S. Fee, D. W. Tank, W. Denk. A miniature head-mounted two-photon microscope: high-resolution brain imaging in freely moving animals // Neuron. 2001. 31 (6). P. 903-912.

94. Hill et al. (2012) — HillN.J, D. Gupta, P.Brunner, A. Gunduz, M.A.Adamo, A. Ritaccio, G. Schalk. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping // J. Vis. Exp. 2012. (64).

95. Hinterberger et al. (2003) — Hinterberger, T., A. Kubler, J. Kaiser, N. Neumann, N. Birbaumer. A brain-computer interface (BCI) for the locked-in: comparison of different EEG classifications for the thought translation device // Clin. Neurophysiol. 2003. 114 (3). P. 416-425.

96. Hiraiwa et al. (1990) — Hiraiwa A., K. Shimohara, Y. Tokunaga. EEG topography recognition by neural networks // IEEE Engineering in Medicine and Biology Magazine. 1990. 9 (3). P. 39-42.

97. Hochberg et al. (2006) — Hochberg L.R., M.D. Serruya, G. M. Friehs, J. A. Mukand, M. Saleh, A.H. Caplan, A. Branner, D. Chen, R.D. Penn, J.P. Donoghue. Neuronal ensemble control of prosthetic devices by a human with tetraplegia // Nature. 2006. 442 (7099). P. 164-171.

98. Hochberg et al. (2012) — HochbergL.R., D.Bacher, B.Jarosiewicz, N.Y.Masse, J. D. Simeral, J. Vogel, S. Haddadin, J. Liu, S. S. Cash, P. van der Smagt, J. P. Donoghue. Reach and grasp by people with tetraplegia using a neurally controlled robotic arm // Nature. 2012. 485 (7398). P. 372-375.

99. Huan, Palaniappan (2004) — Huan N. J., Palaniappan R. Neural network classification of autoregressive features from electroencephalogram signals for brain-computer interface design // J. Neural Eng. 2004. 1 (3). P. 142-150.

100. Humphrey et al. (1970) — HumphreyD.R., E.M.Schmidt, W.D. Thompson. Predicting measures of motor performance from multiple cortical spike trains // Science. 1970. 170 (3959). P. 758-762.

101. Hwang et al. (2014) — Hwang H.-J., J.-H. Lim, D.-W. Kim, C.-H. Im. Evaluation of various mental task combinations for near-infrared spectroscopy-based brain-computer interfaces // Journal of biomedical optics. 2014. 19 (7). P. 77005.

102. Ifft et al. (2013) — Ifft P.J, S. Shokur, Z. Li, M.A. Lebedev, M.A. Nicolelis. A brain-machine interface enables bimanual arm movements in monkeys // Sci. Transl. Med. 2013. 5 (210). P. 210ra154.

103. Jobsis (1977) — Jobsis F. F. Noninvasive, infrared monitoring of cerebral and myocardial oxygen sufficiency and circulatory parameters // Science. 1977. 198 (4323). P. 1264-1267.

104. Kalman (1960) — Kalman R.E. A new approach to linear filtering and prediction problems // Journal of basic Engineering. 1960. 82 (1). P. 35-45.

105. Kalman, Bucy (1961) — KalmanR.E., BucyR.S. New results in linear filtering and prediction theory // Journal of basic engineering. 1961. 83 (1). P. 95-108.

106. Kamiya (1971) — Kamiya J. Biofeedback training in voluntary control of EEG alpha rhythms // Calif. Med. 1971. 115 (3). p. 44.

107. Kennedy (1989) — KennedyP.R. The cone electrode: a long-term electrode that records from neurites grown onto its recording surface // J. Neurosci. Methods. 1989. 29 (3). P. 181-193.

108. Kennedy et al. (1992) - KennedyP.R., R.A.Bakay, S.M.Sharpe. Behavioral correlates of action potentials recorded chronically inside the Cone Electrode // Neuroreport. 1992. 3 (7). P. 605-608.

109. Kennedy et al. (1992a) - KennedyP.R, S.S.Mirra, R.A.Bakay. The cone electrode: ultrastructural studies following long-term recording in rat and monkey cortex // Neurosci. Lett. 1992. 142 (1). P. 89-94.

110. Kettner et al. (1988) — KettnerR.E., A.B. Schwartz, A.P. Georgopoulos. Primate motor cortex and free arm movements to visual targets in three-dimensional space. III. Positional gradients and population coding of movement direction from various movement origins // J. Neurosci. 1988. 8 (8). P. 2938-2947.

111. Kim et al. (2003) — Kim S.P., J.C. Sanchez, D. Erdogmus, Y.N. Rao, J. Wessberg, J. C. Principe, M. Nicolelis. Divide-and-conquer approach for brain machine interfaces: nonlinear mixture of competitive linear models // Neural Netw. 2003. 16 (5-6). P. 865-871.

112. Kim et al. (2005) — Kim S.-P., Y.N. Rao, D. Erdogmus, J. C. Sanchez, M.A. Nicolelis, J. C. Principe. Determining patterns in neural activity for reaching movements using nonnegative matrix factorization // EURASIP Journal on Applied Signal Processing. 2005. P. 3113-3121.

113. Kim et al. (2006) — Kim S.P., J. C. Sanchez, Y.N. Rao, D. Erdogmus, J.M. Carmena, M. A. Lebedev, M. A. Nicolelis, J. C. Principe. A comparison of optimal MIMO linear and nonlinear models for brain-machine interfaces // J. Neural Eng. 2006. 3 (2). P. 145-161.

114. Kostov, Polak (1997) — Kostov A., Polak M. Prospects of computer access using voluntary modulated EEG signal // Proc. ECPD Symposium on Brain & Consciousness. Belgrade, 1997.

115. Kostov, Polak (2000) — Kostov A., Polak M. Parallel man-machine training in development of EEG-based cursor control // IEEE Transactions on Rehabilitation Engineering. 2000. 8 (2). P. 203-205.

116. Lal et al. (2005) — LalT.N., M.Schröder, N.J.Hill, H.Preissl, T. Hinterberger, J. Mellinger, M. Bogdan, W. Rosenstiel, T. Hofmann, N. Birbaumer. A brain computer interface with online feedback based on magnetoencephalography // Proceedings of the 22nd international conference on Machine learning. ACM, 2005.

117. Lebedev et al. (2005) — LebedevM.A., J.M. Carmena, J.E. O'Doherty, M. Zacksenhouse, C. S. Henriquez, J. C. Principe, M. A. Nicolelis. Cortical ensemble adaptation to represent velocity of an artificial actuator controlled by a brain-machine interface // J. Neurosci. 2005. 25 (19). P. 4681-4693.

118. Lebedev et al. (2008) — LebedevM.A, J.E. O'Doherty, M.A. Nicolelis. Decoding of temporal intervals from cortical ensemble activity // J. Neurophysiol. 2008. 99 (1). P. 166-186.

119. Lebedev et al. (2011) — LebedevM.A., A.J. Tate, T.L. Hanson, Z. Li, J.E. O'Doherty, J.A. Winans,P.J. Ifft,K.Z. Zhuang,N.A. Fitzsimmons, D.A. Schwarz, A.M. Fuller, J.H. An, M. A. Nicolelis. Future developments in brain-machine interface research // Clinics (Sao Paulo). 2011. 66 Suppl 1. P. 25-32.

120. Lebedev, Nicolelis (2006) — LebedevM.A., NicolelisM.A. Brain-machine interfaces: past, present and future // Trends Neurosci. 2006. 29 (9). P. 536-546.

121. Lebedev, Nicolelis (2017) — LebedevM.A., NicolelisM.A. Brain-Machine Interfaces: From Basic Science to Neuroprostheses and Neurorehabilitation // Physiological Reviews. 2017. 97 (2). P. 767-837.

122. Lee et al. (2010) — Lee P. L, J. J. Sie, Y. J. Liu, C. H. Wu, M. H. Lee, C. H. Shu, P. H. Li, C. W. Sun, K. K. Shyu. An SSVEP-actuated brain computer interface using phase-tagged flickering sequences: a cursor system // Ann Biomed Eng. 2010. 38 (7). P. 2383-2397.

123. Levinson (194б) — Levinson N. The Wiener (root mean square) error criterion in filter design and prediction // Journal of Mathematics and Physics. 194б. 25 (1). P. 261-218.

124. Li et al. (2009) — Li Z., J.E. O'Doherty, T.L. Hanson, M.A. Lebedev, C. S. Henriquez, M. A. Nicolelis. Unscented Kalman filter for brain-machine interfaces // PLoS One. 2009. 4 (1). P. e6243.

125. Li, Jasper (1953) — Li C. L., JasperH. Microelectrode studies of the electrical activity of the cerebral cortex in the cat // J. Physiol. 1953. 121 (1). P. 111-140.

126. Li, Zhang (2016) — Li G., Zhang D. Brain-Computer Interface Controlled Cyborg: Establishing a Functional Information Transfer Pathway from Human Brain to Cockroach Brain // PloS О^. 2016. 11 (3). P. e015066l.

121. Libet et al. (1964) — Libet B, W. W. Alberts, E. W. Wright, Jr., L. D. Delattre, G. Levin, B. Feinstein. Production of Threshold Levels of Conscious Sensation by Electrical Stimulation of Human Somatosensory Cortex // J. Neurophysiol. 1964. 21. P. 546-518.

128. Lilly (1958) — Lilly J. C. Electrode and cannulae implantation in the brain by a simple percutaneous method // Science. 1958. 121 (3301). P. 1181-1182.

129. Llinas et al. (2005) — Llinas R.R., K.D. Walton, M. Nakao, I. Hunter, P.A. Anquetil. Neuro-vascular central nervous recording/stimulating system: Using nanotechnology probes // Journal of Nanoparticle Research. 2005. 1 (2-3). P. 111-121.

130. Loeb et al. (1911) — Loeb G.E., A.E.Walker, S. Uematsu, B.W. Konigsmark. Histological reaction to various conductive and dielectric films chronically implanted in the subdural space // J. Biomed Mater Res. 1911. 11 (2). P. 195-210.

131. Logothetis et al. (2001) — LogothetisN.K., J.Pauls, M.Augath, T. Trinath, A. Oeltermann. Neurophysiological investigation of the basis of the fMRI signal // Nature.

2001. 412 (6843). P. 150-151.

132. Martens et al. (2014) — Martens S., M. Bensch, S. Halder, J. Hill, F. Nijboer, A. Ramos-Murguialday, B. Schoelkopf, N. Birbaumer, A. Gharabaghi. Epidural electrocortico-graphy for monitoring of arousal in locked-in state // Front Hum Neurosci. 2014. 8. P. 861.

133. May et al. (2014) — May T., I. Ozden, B. Brush, D. Borton, F. Wagner, N. Agha, D. L. Sheinberg, A. V. Nurmikko. Detection of Optogenetic Stimulation in Somatosensory Cortex by Non-Human Primates-Towards Artificial Tactile Sensation // PloS one. 2014. 9 (12). P. e114529.

134. Maynard et al. (1991) — MaynardE.M., C.T.Nordhausen, R.A.Normann. The Utah intracortical Electrode Array: a recording structure for potential brain-computer interfaces // Electroencephalogr Clin Neurophysiol. 1991. 102 (3). P. 228-239.

135. McFadden (2002) — McFadden J. The conscious electromagnetic information (cemi) field theory: the hard problem made easy? // Journal of Consciousness Studies.

2002. 9 (8). P. 45-60.

136. Mirghasemi et al. (2006) — Mirghasemi H., R. Fazel-Rezai, M.B. Shamsollahi. Analysis of p300 classifiers in brain computer interface speller // Conf. Proc. IEEE Eng Med Biol. Soc. 2006. 1. P. 6205-6208.

131. Mirowski et al. (1980) — Mirowski M., P.R.Reid, M.M.Mower, L. Watkins, V.L. Gott, J.F. Schauble, A. Langer, M. Heilman, S.A. Kolenik, R. E. Fischell. Termination of malignant ventricular arrhythmias with an implanted automatic defibrillator in human beings // New England Journal of Medicine. 1980. 303 (6). P. 322-324.

138. Musallam et al. (2004) — Musallam S., B.D. Corneil, B. Greger, H. Scherberger, R.A. Andersen. Cognitive control signals for neural prosthetics // Science. 2004. 305 (5681). P. 258-262.

139. Naseer et al. (2014) — Naseer N., M.J. Hong, K.S. Hong. Online binary decision decoding using functional near-infrared spectroscopy for the development of brain-computer interface // Exp. Brain Res. 2014. 232 (2). P. 555-564.

140. Nicoleli et al. (1995) — NicolelisM.A, L.A.Baccala, R.C.Lin, J.K. Chapin. Sensorimotor encoding by synchronous neural ensemble activity at multiple levels of the somatosensory system // Science. 1995. 268 (5215). P. 1353-1358.

141. Nicolelis (2001) — NicolelisM.A. Actions from thoughts // Nature. 2001. 409 (6818). P. 403-407.

142. Nicolelis, Chapin (1994) — NicolelisM.A., Chapin J.K. Spatiotemporal structure of somatosensory responses of many-neuron ensembles in the rat ventral posterior medial nucleus of the thalamus // J. Neurosci. 1994. 14 (6). P. 3511-3532.

143. Nicolelis, Lebedev (2009) — NicolelisM.A., LebedevM.A. Principles of neural ensemble physiology underlying the operation of brain-machine interfaces // Nat. Rev. Neurosci. 2009. 10 (7). P. 530-540.

144. Niedermeyer, Lopes da Silva (2005) — Niedermeyer E., Lopes da Silva F.H. Electr oencephalography basic principles, clinical applications, and related fields. Philadelphia, Lippincott Williams & Wilkins, 2005. 1309p.

145. Nikolenko et al. (2007) — Nikolenko V., K.E. Poskanzer, R. Yuste. Two-photon photostimulation and imaging of neural circuits // Nature methods. 2007. 4 (11). P. 943-950.

146. Nowlis, Kamiya (1970) — NowlisD.P., Kamiya J. The control of electroen-cephalographic alpha rhythms through auditory feedback and the associated mental activity // Psychophysiology. 1970. 6 (4). P. 476-484.

147. Nowlis, Wortz (1973) — Nowlis D.P., Wortz E.C. Control of the ratio of midline parietal to midline frontal EEG alpha rhythms through auditory feedback // Percept Mot Skills. 1973. 37 (3). P. 815-824.

148. Obermaier et al. (2001) — Obermaier B., C. Neuper, C. Guger, G. Pfurtscheller. Information transfer rate in a five-classes brain-computer interface // IEEE Trans Neural Syst. Rehabil. Eng. 2001. 9 (3). P. 283-288.

149. O'Doherty et al. (2009) — O'DohertyJ.E., M.A.Lebedev, T.L.Hanson, N.A. Fitzsimmons, M.A. Nicolelis. A brain-machine interface instructed by direct intracortical microstimulation // Front Integr. Neurosci. 2009. 3 (20).

150. O'Doherty et al. (2011) — O'DohertyJ.E, M.A. Lebedev, P.J. Ifft, K.Z. Zhuang, S. Shokur, H. Bleuler, M.A. Nicolelis. Active tactile exploration using a brain-machine-brain interface // Nature. 2011. 479 (7372). P. 228-231.

151. Ossadtchi et al. (2017) — Ossadtchi A., T. Shamaeva, E. Okorokova, V. Moiseeva, M.A. Lebedev. Neurofeedback learning modifies the incidence rate of alpha spindles, but not their duration and amplitude // Scientific reports. 2017. 7 (1). P. 3772.

152. Oxley et al. (2016) — OxleyT.J., N.L. Opie, S.E. John, G.S. Rind, S.M. Ronayne, T. L. Wheeler, J. W. Judy, A. J. McDonald, A. Dornom, T. J. Lovell. Minimally invasive endovascular stent-electrode array for high-fidelity, chronic recordings of cortical neural activity // Nature biotechnology. 2016.

153. Pais-Vieira et al. (2013) — Pais-Vieira, M., M. Lebedev, C. Kunicki, J. Wang, M.A. Nicolelis. A brain-to-brain interface for real-time sharing of sensorimotor information // Sci Rep. 2013. 3. P. 1319

154. Pais-Vieira et al. (2015) — Pais-Vieira M., G. Chiuffa, M. Lebedev, A. Yadav, M.A. Nicolelis. Building an organic computing device with multiple interconnected brains // Sci Rep. 2015. 5. P. 11869.

155. Patil et al. (2004) - PatilP.G, J.M. Carmena, M.A.Nicolelis, D.A. Turner. Ensemble recordings of human subcortical neurons as a source of motor control signals for a brain-machine interface // Neurosurgery. 2004. 55 (1). P. 27-35.

156. Patrick et al. (1971) — Patrick, J., B. Valeur, L. Monnerie, J.-P. Changeux. Changes in extrinsic fluorescence intensity of the electroplax membrane during electrical excitation // The Journal of membrane biology. 1971. 5 (1). P. 102-120.

157. Penfield, Boldrey (1937) — Penfield W., Boldrey E. Somatic motor and sensory representation in the cerebral cortex of man as studied by electrical stimulation // Brain: A journal of neurology. 1937.

158. Pfurtscheller, Lopes da Silva (1999) — Pfurtscheller G., Lopes da Silva F. EEG event-related desynchronization (ERD) and event-related synchronization (ERS) // Electroencephalography: basic principles, clinical applications and related fields.

1999. P. 958.

159. Pfurtscheller, Neuper (2006) — Pfurtscheller G, Neuper C. Future prospects of ERD/ERS in the context of brain-computer interface (BCI) developments // Prog. Brain Res. 2006. 159. P. 433-437.

160. Piccione et al. (2006) — Piccione F., F. Giorgi, P. Tonin, K. Priftis, S. Giove, S. Silvoni, G. Palmas, F. Beverina. P300-based brain computer interface: reliability and performance in healthy and paralysed participants // Clin. Neurophysiol. 2006. 117 (3). P. 531-537.

161. Placidi et al. (2015) — Placidi G., A. Petracca, M. Spezialetti, D. Iacoviello. Classification strategies for a single-trial binary Brain Computer Interface based on remembering unpleasant odors // Conf. Proc. IEEE Eng. Med Biol. Soc. 2015. P. 7019-7022.

162. Pockett (2000) — Pockett S. The nature of consciousness: A hypothesis. IUniverse,

2000.

163. Poli et al. (2013) — Poli R., C. Cinel, A. Matran-Fernandez, F. Sepulveda, A. Stoica. Towards cooperative brain-computer interfaces for space navigation // Proceedings of the 2013 international conference on Intelligent user interfaces. ACM, 2013.

164. Poli et al. (2014) — Poli R., D. Valeriani, C. Cinel. Collaborative brain-computer interface for aiding decision-making // PLoS One. 2014. 9 (7). P. e102693.

165. Power et al. (2010) — PowerS.D., T.H. Falk, T. Chau. Classification of prefrontal activity due to mental arithmetic and music imagery using hidden Markov models and frequency domain near-infrared spectroscopy // Journal of neural engineering. 2010. 7 (2). P. 026002.

166. Power et al. (2011) — PowerS.D., A. Kushki, T. Chau. Towards a system-paced near-infrared spectroscopy brain-computer interface: differentiating prefrontal activity due to mental arithmetic and mental singing from the no-control state // J. Neural. Eng. 2011. 8 (6). P. 066004.

167. Prasad et al. (2010) — Prasad G., P. Herman, D. Coyle, S. McDonough, J. Crosbie. Applying a brain-computer interface to support motor imagery practice in people with stroke for upper limb recovery: a feasibility study // J. Neuroeng. Rehabil. 2010. 7 (60).

168. Rajangam et al. (2016) — Rajangam S., P.H. Tseng, A. Yin, G. Lehew, D. Schwarz, M.A. Lebedev, M.A. Nicolelis. Wireless Cortical Brain-Machine Interface for Whole-Body Navigation in Primates // Sci. Rep. 2016. 6. P. 22170.

169. Ramakrishnan et al. (2015) — Ramakrishnan A., P. J. Ifft, M. Pais-Vieira, Y. W. Byun, K. Z. Zhuang, M. A. Lebedev, M. A. Nicolelis. Computing Arm Movements with a Monkey Brainet // Sci. Rep. 5. P. 10767.

170. Reid (1989) — Reid S.A. Toward the ideal electrocorticography array // Neurosurgery 25 (1). P. 135-137.

171. Romo et al. (1998) — Romo R., A. Hernández, A. Zainos, E. Salinas. Somatosensory discrimination based on cortical microstimulation // Nature. 1998. 392 (6674). P. 387-390.

172. Rothschild (2010) — Rothschild R. M. Neuroengineering tools/applications for bidirectional interfaces, brain-computer interfaces, and neuroprosthetic implants — a review of recent progress // Front Neuroeng. 2010. 3. P. 112.

173. Rouse et al. (2013) — Rouse A. G, J. J. Williams, J. J. Wheeler, D. W. Moran. Cortical adaptation to a chronic micro-electrocorticographic brain computer interface // J. Neurosci. 2013. 33 (4). P. 1326-1330.

174. Sanchez et al. (2003) — Sanchez J. C., D. Erdogmus, Y. Rao, J. C. Principe, M. Nicolelis, J. Wessberg. Learning the contributions of the motor, premotor, and posterior parietal cortices for hand trajectory reconstruction in a brain machine interface // Neural Engineering, 2003. Conference Proceedings. First International IEEE EMBS Conference on, IEEE.

175. Schalk (2010) — Schalk G. Can Electrocorticography (ECoG) Support Robust and Powerful Brain-Computer Interfaces? // Front Neuroeng. 2010. 3 (9).

176. Scherer et al. (2007) — Scherer R., A. Schloegl, F. Lee, H. Bischof, J. Jansa, G. Pfurtscheller. The self-paced graz brain-computer interface: methods and applications // Comput. Intell. Neurosci. 2007. P. 79826.

177. Schmidt (1980) — Schmidt E. M. Single neuron recording from motor cortex as a possible source of signals for control of external devices // Ann Biomed. Eng. 1980. 8 (4-6). P. 339-349.

178. Schwartz et al. (1988) — SchwartzA.B., R.E. Kettner, A.P. Georgopoulos. Primate motor cortex and free arm movements to visual targets in three-dimensional space. I. Relations between single cell discharge and direction of movement // J. Neurosci. 1988. 8 (8). P. 2913-2927.

179. Schwarz et al. (2014) — Schwarz D.A., M.A. Lebedev, T.L. Hanson, D. F. Dimitrov, G. Lehew, J. Meloy, S. Rajangam, V. Subramanian, P.J. Ifft, Z. Li, A. Ramakrishnan, A. Tate, K.Z. Zhuang, M.A. Nicolelis. Chronic, wireless recordings of large-scale brain activity in freely moving rhesus monkeys // Nat. Methods. 2014. 11 (6). P. 670-676.

180. Sefcik et al. (2016) — SefcikR.K., N.L. Opie, S.E. John, C.P. Kellner, J. Mocco, T. J. Oxley. The evolution of endovascular electroencephalography: historical perspective and future applications // Neurosurgical focus. 2016. 40 (5). E7.

181. Sellers et al. (2006) — Sellers E. W., D.J. Krusienski, D.J. McFarland, T.M. Vaughan, J. R. Wolpaw. A P300 event-related potential brain-computer interface (BCI): the effects of matrix size and inter stimulus interval on performance // Biol. Psychol. 2006. 73 (3). P. 242-252.

182. Seo et al. (2015) — Seo D., J.M. Carmena, J.M.Rabaey, M.M.Maharbiz, E. Alon. Model validation of untethered, ultrasonic neural dust motes for cortical recording // J. Neurosci Methods. 2015. 244. P. 114-122.

183. Seo et al. (2016) — Seo D., R.M. Neely K. Shen, U. Singhal, E. Alon, J.M. Rabaey J.M. Carmena, M.M. Maharbiz. Wireless Recording in the Peripheral Nervous System with Ultrasonic Neural Dust // Neuron. 91 (3). P. 529-539.

184. Serruya et al. (2002) — Serruya M.D., N. G. Hatsopoulos, L. Paninski, M.R. Fellows, J.P. Donoghue. Instant neural control of a movement signal // Nature. 2002. 416 (6877). P. 141-142.

185. Serruya et al. (2003) — Serruya M., A. Shaikhouni, J. Donoghue. Neural decoding of cursor motion using a Kalman filter // Advances in Neural Information Processing Systems 15: Proceedings of the 2002 Conference, MIT Press, 2003.

186. Shanechi et al. (2014) - Shanechi M. M., R. C. Hu, Z. M. Williams. A cortical-spinal prosthesis for targeted limb movement in paralysed primate avatars // Nature communications. 2014. 5.

187. Shenoy et al. (2003) — ShenoyK.V., D. Meeker, S. Cao, S.A. Kureshi, B. Pesaran,

C. A. Buneo, A. P. Batista, P. P. Mitra, J. W. Burdick, R. A. Andersen. Neural prosthetic control signals from plan activity // Neuroreport. 2003. 14 (4). P. 591-596.

188. Sherrington (1906) — Sherrington C.S. The integrative action of the nervous system. New York, C. Scribner's sons, 1906.

189. Shokur et al. (2016) — Shokur S., S. Gallo, R. C. Moioli, A. R. Donati, E. Morya, H. Bleuler, M. A. Nicolelis. Assimilation of virtual legs and perception of floor texture by complete paraplegic patients receiving artificial tactile feedback // Sci. Rep. 2016.

190. Simmons et al. (1964) — Simmons F. B., C. J. Mongeon, W. R. Lewis, D. A. Huntington. Electrical Stimulation of Acoustical Nerve and Inferior Colliculus // Arch Otolaryngol. 1964. 79. P. 559-568.

191. Sitaram et al. (2007) — Sitaram R., A. Caria, R. Veit, T. Gaber, G. Rota, A. Kuebler, N. Birbaumer. FMRI brain-computer interface: a tool for neuroscientific research and treatment // Comput Intell Neurosci. 2007. P. 25487.

192. Sitaram et al. (2009) — Sitaram R., A. Caria, N. Birbaumer. Hemodynamic brain-computer interfaces for communication and rehabilitation // Neural networks. 2009. 22.(9). P. 1320-1328.

193. Smetters et al. (1999) — Smetters D., A. Majewska, R. Yuste. Detecting action potentials in neuronal populations with calcium imaging // Methods. 1999. 18 (2). P. 215-221.

194. Stevenson, Kording (2011) — Stevenson I. H., Kording K. P. How advances in neural recording affect data analysis // Nat. Neurosci. 2011. 14 (2). P. 139-142.

195. Stosiek et al. (2003) — Stosiek C., O. Garaschuk, K. Holthoff, A. Konnerth. In vivo two-photon calcium imaging of neuronal networks // Proceedings of the National Academy of Sciences. 2003. 100 (12). P. 7319-7324.

196. Strangman et al. (2002) — Strangman G., J.P. Culver, J.H. Thompson, D.A. Boas. A quantitative comparison of simultaneous BOLD fMRI and NIRS recordings during functional brain activation // Neuroimage. 2002. 17 (2). P. 719-731.

197. Suykens, Vandewalle (1999) — Suykens J.A., Vandewalle J. Least squares support vector machine classifiers // Neural processing letters. 1999. 9 (3). P. 293-300.

198. Svoboda, Yasuda (2006) — Svoboda K., Yasuda R. Principles of two-photon excitation microscopy and its applications to neuroscience // Neuron. 2006. 50 (6). P. 823-839.

199. Tabot et al. (2013) — Tabot G.A., J.F.Dammann, J.A.Berg, F.V. Tenore, J. L. Boback, R. J. Vogelstein, S. J. Bensmaia. Restoring the sense of touch with a prosthetic hand through a brain interface // Proceedings of the National Academy of Sciences. 2013. 110 (45). P. 18279-18284.

200. Tan et al. (2014) — Tan D.W., M.A. Schiefer, M.W.Keith, J.R. Anderson, J. Tyler,

D. J. Tyler. A neural interface provides long-term stable natural touch perception // Science translational medicine. 2014. 6 (257). P. 257ra138-257ra138.

201. Tasaki et al. (1968) — Tasaki I., A. Watanabe, R. Sandlin, L. Carnay. Changes in fluorescence, turbidity, and birefringence associated with nerve excitation // Proceedings of the National Academy of Sciences of the United States of America. 1968. 61 (3). P. 883.

202. Taylor et al. (2002) — TaylorD.M., S.I.Tillery, A.B.Schwartz. Direct cortical control of 3D neuroprosthetic devices // Science. 2002. 296 (5574). P. 1829-1832.

203. Thomke et al. (1998) — Thomke F., P. Stoeter, D. Stader. Endovascular electroencephalography during an intracarotid amobarbital test with simultaneous recordings from 16 electrodes // J. Neurol. Neurosurg. Psychiatry. 1998. 64 (4). P. 565.

204. Tononi et al. (2016) — Tononi G., M. Boly, M. Massimini, C. Koch. Integrated information theory: from consciousness to its physical substrate // Nature Reviews Neuroscience. 17 (7). P. 450.

205. Townsend et al. (2010) — Townsend G., B.K. LaPallo, C.B. Boulay, D.J. Krusienski, G. E. Frye, C. K. Hauser, N. E. Schwartz, T. M. Vaughan, J. R. Wolpaw, E. W. Sellers. A novel P300-based brain-computer interface stimulus presentation paradigm: moving beyond rows and columns // Clin Neurophysiol. 2010. 121 (7). P. 1109-1120.

206. Vaughan et al. (2003) — Vaughan, T.M., W.J. Heetderks, L.J. Trejo, W.Z. Rymer, M. Weinrich, M.M. Moore, A. Kubler,B.H. Dobkin, N. Birbaumer, E. Donchin, E.W. Wolpaw and J.R. Wolpaw. Brain-computer interface technology: a review of the Second International Meeting // IEEE Trans Neural Syst Rehabil Eng. 2003. 11 (2). P. 94-109.

207. Velliste et al. (2008) — Velliste, M., S. Perel, M. C. Spalding, A. S. Whitford, A.B. Schwartz. Cortical control of a prosthetic arm for self-feeding // Nature. 2008. 453 (7198). P. 1098-1101.

208. Vidal (1973) — Vidal J.-J. Toward direct brain-computer communication // Annual review of Biophysics and Bioengineering. 2 (1). P. 157-180.

209. Vidal (1977) — Vidal J. J. Real-time detection of brain events in EEG // Proceedings of the IEEE. 1977. 65 (5). P. 633-641.

210. Wadeson et al. (2015) — Wadeson A., A.Nijholt, C.S.Nam. Artistic brain-computer interfaces: state-of-the-art control mechanisms // Brain-Computer Interfaces. 2015. 2 (2-3). P. 70-75.

211. Walker et al. (1949) — WalkerA.E, H.C.Johnson, C.Marshall. Electrocorti-cography // Bull Johns Hopkins Hosp. 1949. 84 (6). P. 583.

212. Walter, Crow (1964) — Walter W. G., Crow H. J. Depth Recording from the Human Brain // Electroencephalogr Clin Neurophysiol. 1964. 16. P. 68-72.

213. Wang et al. (2015) — Wang S., L. Wang, C. Meijneke, E. van Asseldonk, T. Hoellinger, G. Cheron, Y. Ivanenko, V. La Scaleia, F. Sylos-Labini, M. Molinari, F. Tamburella, I. Pisotta, F. Thorsteinsson, M. Ilzkovitz, J. Gancet, Y. Nevatia, R. Hauffe, F. Zanow and H. van der Kooij. Design and control of the MINDWALKER exoskeleton // IEEE Trans Neural Syst Rehabil Eng. 23 (2). P. 277-286.

214. Wang et al. (2005) — Wang C., C. Guan, H. Zhang. P300 brain-computer interface design for communication and control applications // Conf. Proc. IEEE Eng Med. Biol. Soc. 2005. 5. P. 5400-5403.

215. Wang, Jung (2011) — Wang Y., Jung T.-P. A collaborative brain-computer interface for improving human performance // PloS one. 2011. 6 (5). P. e20422.

216. Watanabe et al. (2009) — Watanabe H., H. Takahashi, M. Nakao, K. Walton and R.R. Llinâs. Intravascular neural interface with nanowire electrode // Electronics and Communications in Japan. 2009. 92 (7). P. 29-37.

217. Weinand et al. (1994) — WeinandM.E., B.Hermann, A.R. Wyler, L. P. Carter, K. J. Oommen, D. Labiner, G. Ahern and A. Herring. Long-term subdural strip electro-corticographic monitoring of ictal déjà vu // Epilepsia. 1994. 35 (5). P. 1054-1059.

218. Weiskopf et al. (2004) — Weiskopf, N., K. Mathiak, S.W. Bock, F. Scharnowski, R. Veit, W. Grodd, R. Goebel and N. Birbaumer. Principles of a brain-computer interface (BCI) based on real-time functional magnetic resonance imaging (fMRI) // IEEE Trans Biomed Eng. 2004. 51 (6). P. 966-970.

219. Wessberg et al. (2000) — Wessberg J, C.R.. Stambaugh, J.D. Kralik, P.D. Beck, M. Laubach, J.K. Chapin, J. Kim, S.J. Biggs, M.A. Srinivasan and M.A. Nicolelis. Realtime prediction of hand trajectory by ensembles of cortical neurons in primates // Nature. 2000. 408 (6810). P. 361-365.

220. Wiener (1949) — Wiener N. Extrapolation, interpolation, and smoothing of stationary time series. MIT press Cambridge, MA, 1949.

221. Wolpaw et al. (2000) — Wolpaw J.R.,N. Birbaumer, W.J. Heetderks, D.J. McFarland, P.H. Peckham, G. Schalk, E. Donchin, L.A. Quatrano, C.J. Robinson and T. M. Vaughan. Brain-computer interface technology: a review of the first international meeting // IEEE Trans Rehabil Eng. 2000. 8 (2). P. 164-173.

222. Wu et al. (2004) — Wu W, A. Shaikhouni, J.P. Donoghue, M.J. Black. Closed-loop neural control of cursor motion using a Kalman filter // Conf. Proc. IEEE Eng Med Biol. Soc. 2004. 6. P. 4126-4129.

223. Wyler et al. (1991) — WylerA.R, G. Walker, G. Somes. The morbidity of long-term seizure monitoring using subdural strip electrodes // J. Neurosurg. 1991. 74 (5). P. 734-737.

224. Xia et al. (2006) — Xia H., A. B.-A. Baranga, D. Hoffman, M. Romalis. Magnetoencephalography with an atomic magnetometer // Applied Physics Letters. 2006. 89 (21). P. 211104.

225. Xu et al. (2014) — Xu Z., R.Q.So, K.K. Toe, K.K. Ang, C. Guan. On the asynchronously continuous control of mobile robot movement by motor cortical spiking activity // Engineering in Medicine and Biology Society (EMBC), 2014 36th Annual International Conference of the IEEE, IEEE.

226. Yazdan-Shahmorad et al. (2016) — Yazdan-Shahmorad A., C. Diaz-Botia, T. L. Hanson, V. Kharazia, P. Ledochowitsch, M. M. Maharbiz and P. N. Sabes. A large-scale interface for optogenetic stimulation and recording in nonhuman primates // Neuron. 2016. 89 (5). P. 927-939.

227. Yoo et al. (2013) — Yoo S.-S., H. Kim, E. Filandrianos, S.J. Taghados, S. Park. Non-invasive brain-to-brain interface (BBI): establishing functional links between two brains // PloS one. 2013. 8 (4). P. e60410.

228. Yuan et al. (2013) — Yuan P., Y. Wang, X. Gao, T.-P. Jung, S. Gao. A collaborative brain-computer interface for accelerating human decision-making // International Conference on Universal Access in Human-Computer Interaction, Springer, 2013.

Mikhail Lebedev. Consciousness and Soul: What Will Neurointerfaces Add?

Abstract: The perennial questions concerning the meaning of our existence in this world and the nature of our subjective perceptions (i.e., the nature of the soul) concern both the scientists and religious thinkers. Neuroscientific studies are currently on the rise on the mechanisms of consciousness. Although these approaches remain in line with "vulgar materialism" and are unlikely to give an answer to the hard problem of consciousness (i.e. the problem of the existence of the soul), new, interesting results and new problems should be expected from this research. In this regard, the development of brain-computer interfaces, i.e. systems that connect to the brain in order to read and deliver information, should have a significant impact

on our understanding of the mechanisms of conscious and unconscious processes in the brain. Indeed, over the past two decades, many types of brain-computer interfaces have been developed that record and interpret motor, sensory and cognitive information contained in the brain. Brain-computer interfaces also have the capacity to create artificial sensations by stimulating sensory areas of the nervous system. Moreover, brain-computer interfaces have been developed that connect to multiple brains simultaneously and support communication between people and cooperative solution of various problems. Whether or not brain-computer interfaces will have an impact on the religious sphere is an open question, but we can assume that yes, they would, since brain-computer interfaces have already entered the education and art. This review focuses on the principles of brain-computer interfaces. A speculation is made regarding the contribution of brain-computer interfaces to our understanding of consciousness and soul.

Keywords: consciousness, soul, neurointerfaces.

Mikhail Albertovich Lebedev — PhD, Scientific Director of the Center for Bioelectric Interfaces, National Research University of Higher School of Economics, Senior Researcher, Department of Neuroscience, Duke University ([email protected]).