Сегодня: 21.10.2019
RU / EN
Последнее обновление: 04.10.2019

Технологии «интерфейс мозг–компьютер» и нейробиоуправление: современное состояние, проблемы и возможности клинического применения (обзор)

А.И. Федотчев, С.Б. Парин, С.А. Полевая, С.Д. Великова

Ключевые слова: биоэлектрическое управление; интерфейс мозг–компьютер; нейробиоуправление; электроэнцефалограмма; ЭЭГ.

Технологии «интерфейс мозг–компьютер» и нейробиоуправление являются уникальными методами модуляции активности мозга на основе оперантного облучения. С момента возникновения в 60-х гг. XX в. эти технологии стали лечебным инструментом для множества психических и неврологических расстройств. Однако до сих пор их эффективность остается предметом споров. В нашем обзоре рассмотрены история возникновения, особенности и современное состояние этих технологий. Основное внимание уделено анализу возможностей и перспектив использования данных технологий в клинической медицине для мобилизации механизмов пластичности нейронных сетей мозга. Представлены результаты собственных исследований в этом направлении. Показано, что будущее технологий «интерфейс мозг–компьютер» и нейробиоуправления зависит от многопрофильного сотрудничества неврологов, нейробиологов, инженеров и математиков. Эффективное объединение различных областей науки позволит разработать новые терапевтические режимы для восстановления и улучшения нервных, познавательных и поведенческих функций.


Во второй половине прошлого столетия нейро­фи­зио­логами сделано выдающееся открытие. Было установлено, что функции организма, считавшиеся ранее непроизвольными и не поддающимися саморегуляции, могут при определенных условиях управляться человеком. Главным условием является то, чтобы человек посредством различных технических средств получал сигналы обратной связи о текущем состоянии своего организма. В результате этого открытия независимо сформировались две линии исследований, основанных на использовании сигналов обратной связи от биопотенциалов мозга человека для регуляции его функций.

Первая линия сформировалась на основе методологии биоэлектрического управления и связана с созданием компьютерных информационно-управляющих систем, которые опосредуют связь между мозгом и различными технологическими устройствами. Эти технологии получили название «интерфейс мозг–компьютер» (ИМК). Они позволяют человеку управлять компьютером и другими техническими устройствами при помощи сигналов мозга, регистрируемых на поверхности головы в виде электроэнцефалограммы (ЭЭГ), т.е. минуя передачу информации по нервам и мышцам [1].

Вторая линия базируется на теории И.П. Павлова об условных рефлексах и ее развитии в работах по оперантному обусловливанию ЭЭГ человека [2]. Благодаря этим исследованиям, продемонстрировавшим возможность произвольной перестройки и переобучения паттернов мозговых волн с использованием принципов обусловливания, сформировалась технология биоуправления с обратной связью по ЭЭГ, или технология нейробиоуправления — НБУ [3].

Обе технологии имеют как общие черты, так и отличия. Наличие общих свойств позволило ряду авторов либо рассматривать их совместно [4], либо считать технологию НБУ одним из самых ранних применений технологии ИМК [5] или ее частным случаем, цель которого — не управлять внешним устройством, а использовать внешнюю обратную связь для модулирования конкретных аспектов физиологического сигнала собственного головного мозга [6]. Основное различие двух подходов состоит в соотношении автоматической и контролируемой обработки сигналов обратной связи от биопотенциалов мозга. Если в технологии ИМК эти сигналы не требуют осознавания, автоматически управляя исполнительными устройствами или модулируя параметры внешних воздействий, то в технологии НБУ биопотенциалы мозга преобразуются в информационные сигналы обратной связи для обучения человека осознанной произвольной регуляции собственных функций.

В настоящее время наблюдается повышенный интерес к исследованиям в обеих направлениях. Это проявилось прежде всего в большом количестве недавних аналитических обзоров по различным аспектам нейроинтерфейсов [7–21]. Кроме того, за последние 5 лет произошло 2–3-кратное увеличение количества публикаций по ИМК и НБУ в базе данных научной медицинской периодики Pubmed. Такой экспоненциальный рост исследований разные авторы связывают с неэффективностью традиционных методов фармакологического лечения [22–26], c более полным пониманием механизмов пластичности мозга и растущей неудовлетворенностью текущими реабилитационными методами [27–29], а также с бурным ростом вычислительных мощностей, робототехники, методов записи сигналов мозга и математических алгоритмов для их декодирования [30].

Обилие недавних публикаций по данной проблеме и большое разнообразие используемых методических приемов затрудняют общую оценку состояния этой области знаний и выделение подходов, в наибольшей степени пригодных для клинической медицины. В представленном обзоре обобщены данные литературы последних пяти лет о сущности, особенностях и современном состоянии технологий ИМК и НБУ. Основное внимание уделено рассмотрению возможностей и перспектив использования этих технологий в медицине. Представлены результаты собственных исследований авторов в этом направлении.

Интерфейс мозг–компьютер

Интерфейс мозг–компьютер представляет собой компьютерную информационно-управляющую систему, которая регистрирует мозговые сигналы, анализирует их и переводит в команды, поступающие на выходные технические устройства для осуществления желаемого действия. Согласно формальному определению, ИМК — это система, измеряющая активность мозга и преобразующая ее в искусственный выходной сигнал, который заменяет, восстанавливает, усиливает, дополняет, информирует или улучшает естественный выходной сигнал и таким образом изменяет текущие взаимодействия мозга с внешней или внутренней средой [31].

Началом развития технологии ИМК считается 1973 г., когда был предложен термин «brain-computer interface» и изложен план экспериментальных исследований по взаимодействию человеческого мозга с компьютером [32]. Однако есть все основания утверждать, что основой данного направления послужила методология биоэлектрического управления, которая сформировалась в 50–60-е годы прошлого столетия и активно развивается в наши дни. Она предполагает использование биоэлектрических потенциалов, генерируемых тканями или органами человека, для автоматического управления различными внешними устройствами [33]. Ярким примером данного направления является пионерская работа Н.П. Бехтеревой, показавшая, что ритмическая световая стимуляция, автоматически управляемая электрическими сигналами мозга пациента, приводит к росту представленности альфа-ритма ЭЭГ и является более эффективным видом функциональной нагрузки, чем обычные виды фотостимуляции [34]. Впоследствии разные варианты данного приема были использованы в терапевтических целях в ряде зарубежных исследований, где он получил названия «EEG-driven photic stimulation» или «alpha power dependent light stimulation» [35–37].

Главная цель технологий ИМК заключается в замене или восстановлении полезных функций для людей, неспособных их выполнять из-за нервно-мышечных расстройств, таких как амиотрофический склероз, церебральный паралич, инсульт или повреждение спинного мозга [38–41].

Интерфейс мозг–компьютер является одной из самых многообещающих технологий в области лечения неврологических заболеваний и травм. Эта технология позволяет установить связь между неповрежденными участками мозга и вспомогательными устройствами, которые способны компенсировать моторные и сенсорные функции. Например, пациенты, парализованные из-за перелома позвоночника, смогут восстановить подвижность, используя ИМК, который соединяет нейронные структуры моторной коры с роботизированными руками, экзоскелетами или нейроморфными электрогенераторами [42]. Более того, сенсорные ИМК могут служить средством восстановления чувствительности парализованных участков тела путем передачи соматосенсорных ощущений прикосновения, температуры, боли и вибрации у этих пациентов [43]. Определенные успехи в разработке таких ИМК уже достигнуты [44, 45], в том числе и в России [46–50].

Наряду с нейротренажерами, нацеленными главным образом на восстановление двигательной функции, достойное место в реабилитационной медицине занимают ИМК, обладающие вспомогательной функцией. Они позволяют пациентам волевыми усилиями осуществлять набор текстов на экране монитора, нажимать виртуальные кнопки включения/выключения доступных им для самообслуживания устройств, приводов больничной кровати и др. Совокупность подобных ассистирующих пациенту систем ИМК можно назвать нейрокоммуникаторами, так как они по своей сути помогают человеку без мышечных движений выбрать на экране компьютера те или иные символы для набора текста или команд [51, 52].

Нейробиоуправление

Нейробиоуправление представляет собой компью­терные информационно-управляющие системы, дающие возможность модификации биопотенциалов головного мозга при активном участии самого больного. Для этого текущая амплитуда того или иного ЭЭГ-ритма с помощью различных компьютерных средств отражается в параметрах световых и/или звуковых сигналов обратной связи, предъявляемых пациенту с целью его обучения сознательному контролю выраженности собственных ритмических компонентов ЭЭГ для достижения требуемых лечебных эффектов. Если человек может в режиме реального времени видеть или слышать адекватное отражение собственных биопотенциалов, он получает возможность постепенно обучиться изменять их в нужном направлении. Сначала достигнутые эффекты кратковременны, но в процессе тренировки у большинства людей этот навык закрепляется. Таким образом, НБУ предоставляет дополнительные возможности для нелекарственной реабилитации самых разных мозговых патологий [53].

В общем случае система НБУ состоит из пяти элементов или шагов обработки: получение сигнала мозга, его предварительная обработка, выделение ключевых признаков, генерирование сигнала обратной связи и адаптивное обучение. После записи ЭЭГ данные подвергаются предварительной обработке (например, обнаружению, удалению или исправлению артефактов), генерации и выделению признаков, вычислению и представлению сигнала обратной связи. Последний шаг замыкает контур обратной связи, где участник пытается научиться использовать сигнал обратной связи для изменения активности мозга в соответствии с инструкциями. Все необходимые шаги осуществляются в режиме реального времени. Выделенные признаки, как правило, количественно отражают уровень деятельности определенного участка мозга или сети, а сигнал обратной связи передает информацию о соответствующих изменениях в состоянии мозга. Участники должны найти и адаптировать стратегии, чтобы целенаправленно изменять состояние мозга в соответствии с предварительными инструкциями [5].

Исходным этапом в становлении технологии НБУ явилась серия исследований, выполненная J. Kamiya в 60-е годы прошлого столетия [54] и продемонстрировавшая возможность человека произвольным образом изменять выраженность спектральных компонентов собственной ЭЭГ. Впоследствии это обстоятельство послужило основой для разработки целого ряда клинических приложений НБУ с целью лечения многих заболеваний через прямые перестройки электрических процессов в головном мозге.

Механизмы лечебного действия НБУ до конца не выяснены, хотя их пониманию посвящены работы многих исследователей [55–58]. Согласно одним представлениям, потенциальными механизмами НБУ являются перестройки нейронных сетей, включая увеличение их глобальной взаимосвязанности и нейропластичности [59]. Другие авторы считают, что НБУ осуществляет настройку колебаний электрической активности мозга на такой гомеостатический уровень, который обеспечивает оптимальный баланс между гибкостью и стабильностью нейронной сети [60].

К настоящему времени положительный клинический опыт применения НБУ накоплен в отношении широкого спектра заболеваний. Среди них синдром дефицита внимания с гиперактивностью [61–65], трудности обучения [66], инсульт [67], черепно-мозговая травма [68], неконтролируемая эпилепсия [69], злоупотребление психоактивными веществами [70–72], депрессия [73], аутизм [74], мигрень [75], расстройства пищевого поведения [76], болевые синдромы [77, 78] и другие патологии. Важно подчеркнуть, что независимо от происхождения симптомов тренировки НБУ предлагают дополнительные возможности для реабилитации через непосредственное переобучение электрических процессов в головном мозге.

В литературе встречаются также данные о лечебных эффектах применения НБУ при психиатрических заболеваниях, таких как расстройства пищевого поведения, шизофрения и психозы [79], для лечения функции исполнительного контроля при синдроме Туретта [80], а также для восстановления и совершенствования функций в спорте высших достижений [81].

Следует отметить, что по вопросу эффективности НБУ при лечении различных патологических состояний и заболеваний существуют противоречивые мнения. Одни авторы считают НБУ безусловно эффективным и специфичным средством лечения эпилепсии, синдрома дефицита внимания с гиперактивностью и тревожных расстройств, вероятно эффективным — при лечении мозговых травм, наркомании и бессонницы и недостаточно эффективным — при депрессивных расстройствах, аутизме и посттравматическом стрессе [23]. Другие авторы при анализе литературных данных приходят к выводу об эффективности НБУ при расстройствах аутистического спектра, лечении наркозависимости и последствий мозговых травм [59]. Еще одна группа авторов считает НБУ потенциальным клиническим инструментом при тяжелых психоневрологических расстройствах — шизофрении, депрессии, болезни Паркинсона и других [82].

Проблемы и перспективы технологий «интерфейс мозг–компьютер» и нейробиоуправления

Несмотря на международное признание важности темы, наличие специализированных научных журналов, в исследованиях ИМК и НБУ существует ряд проблем, требующих своего решения.

Для оптимизации технологии ИМК должны быть решены две основные задачи. Во-первых, это подбор наиболее динамичных биометрических сигналов с последующим выделением из них надежных маркеров мысленных усилий человека. Во-вторых, это разработка в значительной степени индивидуализированных регламентов самой процедуры формирования командного мысленного усилия, которое должно приводить к четким и стабильным изменениям в регистрируемых электрографических или метаболических показателях [52].

Необходим прогресс в разработке инвазивных и неинвазивных ИМК, а также в создании приемов точной целенаправленной стимуляции мозга или сенсорных каналов с высоким пространственным и временным разрешением для замещения утраченных сенсорных входов (например, протез ощущения прикосновения у ампутантов), немедленной коррекции дисфункциональных сетей (например, обнаружение и смягчение последствий нарушения нейронной активности) и долгосрочного восстановления здоровых функциональных сетей посредством использования нервных механизмов пластичности мозга [45]. В результате будет развиваться новое направление в медицине — нейропротезирование, или междисциплинарная область исследований, включающая в себя нейронауку, компьютерную науку, физиологию и биомедицинскую инженерию для замены или восстановления двигательных, сенсорных и когнитивных функций, которые могли быть повреждены в результате травмы или болезни [83].

Много открытых вопросов и проблем существует также в отношении НБУ. Так, одни авторы отмечают недостаточное число строго контролируемых исследований и минимальные размеры выборок, используемых в работах по изучению разных вариантов НБУ, несмотря на выводы о положительных результатах [23]. Другие авторы при анализе публикаций по НБУ указывают на такие проблемы, как отсутствие правильного выбора схемы эксперимента, неадекватное использование контрольных условий и групп испытуемых, недостаточность представлений о механизмах обучения, участвующих в саморегуляции мозга [82].

Считается, что клинические перспективы НБУ напрямую зависят от решения перечисленных выше и других методологических проблем, а также от более широкого использования современных технологий визуализации живого человеческого мозга (например, функциональной магнитно-резонансной томографии в режиме реального времени или спектроскопии в ближней инфракрасной области). Использование таких технологий с применением все более строгих протоколов исследований позволит пролить свет на глубинные механизмы НБУ, которые будут способствовать развитию более эффективных клинических применений нейроинтерфейсов [84].

В современных исследованиях по ИМК и НБУ можно выделить две прогрессивные тенденции. Одна из них связана с использованием индивидуально выявляемых специфических компонентов ЭЭГ вместо излишне широкополосных, заранее заданных традиционных ЭЭГ-ритмов [85]. Как показано в ряде работ [63, 86], такой подход приводит к значительному увеличению эффективности лечебных процедур. Вторая тенденция заключается в сочетании технологий нейроинтерфейсов с другими технологиями — транскраниальной магнитной стимуляцией [87] или аудиовизуальной стимуляцией [88], что также увеличивает эффективность воздействий.

Музыкальный нейроинтерфейс

Одной из центральных в технологии НБУ является проблема оптимальной организации сигналов обратной связи как важнейшего фактора, определяющего успешность биоуправления [89, 90]. В то же время наиболее перспективным подходом к организации процедур НБУ считаются комбинированные воздействия, ориентированные на взаимодействие между мозгом, телом и поведением человека [91]. Именно таким подходом является разработанная авторами технология музыкального НБУ, сочетающая предельную индивидуальность биоуправления с достоинством неосознаваемого восприятия воздействий, характерного для музыкальной терапии [92, 93].

Основу данного подхода составляет использование музыкальных или музыкоподобных воздействий, которые организуются в строгом соответствии с текущими значениями биопотенциалов мозга пациента. Отличительной чертой метода является музыкальная обратная связь от характерных и значимых для индивида узкочастотных ЭЭГ-осцилляторов, выявляемых в режиме реального времени на основе специально разработанного динамического подхода [94–96].

Как известно, музыка сама по себе способна вызывать сильные эмоции, изменять настроение и помогать в лечении психиатрических и неврологических заболеваний [97]. Воздействуя на мозг, основные функции организма и поведение человека, музыка может подавлять стресс [98, 99], корректировать состояния сознания [100, 101] и вообще служить универсальным терапевтическим средством [102]. Особой эффективностью обладает музыка, предъявляемая в соответствии с индивидуальными характеристиками мозга пациента [103–105]. В нашем случае музыкальные воздействия организуются в строгом соответствии с функционально значимыми для индивида узкочастотными ЭЭГ-осцилляторами, благодаря чему лечебные процедуры приобретают особые целебные свойства [106].

Главным преимуществом технологии музыкального НБУ является возможность его применения для коррекции неблагоприятных функциональных состояний в условиях, не требующих осознанных усилий испытуемых. Это особенно важно при проведении лечебных сеансов с детьми и с пациентами, для которых характерны измененные психические состояния или противопоказана медикаментозная терапия. Поэтому технология музыкального НБУ была успешно опробована для коррекции психоэмоциональных расстройств при беременности и при подготовке к родам [107, 108], а также для устранения стресс-вызванных расстройств [109]. В настоящее время проводятся исследования, направленные на устранение с помощью данной технологии признаков синдрома дефицита внимания с гиперактивностью у детей [110].

Заключение

Предпринятый анализ литературы показывает, что технологии нейроинтерфейсов уже в настоящее время начинают использоваться в медицине для замены или восстановления полезных функций у людей, неспособных их выполнять из-за нервно-мышечных расстройств или травм, а также для нелекарственного лечения широкого спектра заболеваний и расстройств.

Технология «интерфейс мозг–компьютер» позволяет помочь компенсировать моторные и сенсорные функции, способствует восстановлению чувствительности поврежденных участков тела, дает возможность проводить амбулаторный мониторинг для обнаружения и предупреждения потенциально опасных состояний (например, эпилептических припадков), обеспечивает восстановление части утраченных функций у парализованных пациентов. Благодаря технологии «интерфейс мозг–компьютер» парализованные пациенты могут волевыми усилиями осуществлять набор текстов на экране монитора и нажимать виртуальные кнопки включения/выключения доступных им для самообслуживания устройств. В перспективе в результате многопрофильного сотрудничества неврологов, психологов, врачей, инженеров и математиков указанные возможности технологии «интерфейс мозг–компьютер» будут дополнены программами ускоренного обучения и целенаправленного восстановления памяти, что позволит существенно расширить сферы ее клинического применения как для диагностики заболеваний и скрининга групп риска, так и для эффективной коррекции самых различных патологий.

Нейробиоуправление исходно было ориентировано на клинические приложения и к настоящему времени успешно опробовано при лечении или коррекции большого числа заболеваний и расстройств, начиная от синдрома дефицита внимания с гиперактивностью и аутизма до наркозависимости и иммунодефицита. Несмотря на наличие ряда нерешенных проблем, к настоящему времени технология нейробиоуправления представляется как минимум очень полезным дополнением к существующим средствам лечения. В перспективе благодаря разработке более совершенных протоколов исследований, использованию современных технологий визуализации живого человеческого мозга и оптимальной организации сигналов обратной связи (например, в виде музыки) технологии нейроинтерфейсов могут занять ключевые позиции в клинической практике.

Финансирование исследования. Работа поддержана Российским гуманитарным научным фондом, гранты РГНФ №15-06-10894 и №16-06-00133.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.


  1. Каплан А.Я., Кочетова А.Г., Шишкин С.Л., Ба­сюл И.А., Ганин И.П., Васильев А.Н., Либуркина С.П. Экспериментально-теоретические основания и практи­ческие реализации технологии «интерфейс мозг-ком­пьютер». Бюллетень сибирской медицины 2013; 12 (2): 21–29.
  2. Arns M., Heinrich H., Ros T., Rothenberger A., Strehl U. Editorial: neurofeedback in ADHD. Front Hum Neurosci 2015; 9: 602, https://doi.org/10.3389/fnhum.2015.00602.
  3. Frederick J.A. Psychophysics of EEG alpha state discrimination. Conscious Cogn 2012; 21(3): 1345–1354, https://doi.org/10.1016/j.concog.2012.06.009.
  4. Choi K. Electroencephalography (EEG)-based neurofeedback training for brain–computer interface (BCI). Exp Brain Res 2013; 231(3): 351–365, https://doi.org/10.1007/s00221-013-3699-6.
  5. Huster R.J., Mokom Z.N., Enriquez-Geppert S., Herrmann C.S. Brain–computer interfaces for EEG neurofeedback: peculiarities and solutions. Int J Psychophysiol 2014; 91(1): 36–45, https://doi.org/10.1016/j.ijpsycho.2013.08.011.
  6. Wood G., Kober S.E., Witte M., Neuper C. On the need to better specify the concept of “control” in brain-computer-interfaces/neurofeedback research. Front Syst Neurosci 2014; 8: 171, https://doi.org/10.3389/fnsys.2014.00171.
  7. Johnston S.J., Boehm S.G., Healy D., Goebel R., Linden D.E.J. Neurofeedback: a promising tool for the self-regulation of emotion networks. NeuroImage 2010; 49(1): 1066–1072, https://doi.org/10.1016/j.neuroimage.2009.07.056.
  8. Lofthouse N., Arnold L.E., Hurt E. Current status of neurofeedback for attention-deficit/hyperactivity disorder. Curr Psychiatry Rep 2012; 14(5): 536–542, https://doi.org/10.1007/s11920-012-0301-z.
  9. Nicolas-Alonso L.F., Gomez-Gil J. Brain computer interfaces, a review. Sensors 2012; 12(12): 1211–1279, https://doi.org/10.3390/s120201211.
  10. Миняева Н.Р. Неинвазивные технологии в системах интерфейс мозг-компьютер. Валеология 2012; 4: 29–31.
  11. Arns M., Heinrich H., Strehl U. Evaluation of neurofeedback in ADHD: the long and winding road. Biol Psychol 2014; 95: 108–115, https://doi.org/10.1016/j.biopsycho.2013.11.013.
  12. Gevensleben H., Moll G.H., Rothenberger A., Heinrich H. Neurofeedback in attention-deficit/hyperactivity disorder — different models, different ways of application. Front Hum Neurosci 2014; 8: 846, https://doi.org/10.3389/fnhum.2014.00846.
  13. Holtmann M., Sonuga-Barke E., Cortese S., Brandeis D. Neurofeedback for ADHD: a review of current evidence. Child Adolesc Psychiatr Clin N Am 2014; 23(4): 789–806, https://doi.org/10.1016/j.chc.2014.05.006.
  14. Hurt E., Arnold L.E., Lofthouse N. Quantitative EEG neurofeedback for the treatment of pediatric attention-deficit/hyperactivity disorder, autism spectrum disorders, learning disorders, and epilepsy. Child Adolesc Psychiatr Clin N Am 2014; 23(3): 465–486, https://doi.org/10.1016/j.chc.2014.02.001.
  15. Linden D.E. Neurofeedback and networks of depression. Dialogues Clin Neurosci 2014; 16(1): 103–112.
  16. Micoulaud-Franchi J.A., Geoffroy P.A., Fond G., Lopez R., Bioulac S., Philip P. EEG neurofeedback treatments in children with ADHD: an updated meta-analysis of randomized controlled trials. Front Hum Neurosci 2014; 8: 906, https://doi.org/10.3389/fnhum.2014.00906.
  17. Strehl U. What learning theories can teach us in designing neurofeedback treatments. Front Hum Neurosci 2014; 8: 894, https://doi.org/10.3389/fnhum.2014.00894.
  18. Wander J.D., Rao R.P. Brain–computer interfaces: a powerful tool for scientific inquiry. Curr Opin Neurobiol 2014; 25: 70–75, https://doi.org/10.1016/j.conb.2013.11.013.
  19. Шурхай В.А., Александрова Е.В., Потапов А.А., Го­ряйнов С.А. Современное состояние проблемы интерфейс мозг–компьютер. Вопросы нейрохирургии им. Н.Н. Бур­денко 2015; 79(1): 97–104.
  20. Huggins J.E., Moinuddin A.A., Chiodo A.E., Wren P.A. What would brain-computer interface users want: opinions and priorities of potential users with spinal cord injury. Arch Phys Med Rehabil 2015; 96(3): S38–S45.e5, https://doi.org/10.1016/j.apmr.2014.05.028.
  21. Peters B., Bieker G., Heckman S.M., Huggins J.E., Wolf C., Zeitlin D., Fried-Oken M. Brain-computer interface users speak up: the Virtual Users’ Forum at the 2013 International Brain-Computer Interface Meeting. Arch Phys Med Rehabil 2015; 96(3 Suppl): S33–S37, https://doi.org/10.1016/j.apmr.2014.03.037.
  22. Jensen M.P., Sherlin L.H., Askew R.L., Fregni F., Witkop G., Gianas A., Howe J.D., Hakimian S. Effects of non-pharmacological pain treatments on brain states. Clin Neurophysiol 2013; 124(10): 2016–2024, https://doi.org/10.1016/j.clinph.2013.04.009.
  23. Larsen S., Sherlin L. Neurofeedback: an emerging technology for treating central nervous system dysregulation. Psychiatr Clin North Am 2013; 36(1): 163–168, https://doi.org/10.1016/j.psc.2013.01.005.
  24. Meisel V., Servera M., Garcia-Banda G., Cardo E., Moreno I. Neurofeedback and standard pharmacological intervention in ADHD: a randomized controlled trial with six-month follow-up. Biol Psychol 2013; 94(1): 12–21, https://doi.org/10.1016/j.biopsycho.2013.04.015.
  25. Holtmann M., Pniewski B., Wachtlin D., Wörz S., Strehl U. Neurofeedback in children with attention-deficit/hyperactivity disorder (ADHD) — a controlled multicenter study of a non-pharmacological treatment approach. BMC Pediatr 2014; 14(1): 202, https://doi.org/10.1186/1471-2431-14-202.
  26. Johnson M.R. Fear of stimulant therapy for children and adolescents with attention-deficit/hyperactivity disorder. J Child Adolesc Psychopharmacol 2015; 25(2): 182, https://doi.org/10.1089/cap.2014.0117.
  27. Haller S., Kopel R., Jhooti P., Haas T., Scharnowski F., Lovblad K.O., Scheffler K., Van De Ville D. Dynamic reconfiguration of human brain functional networks through neurofeedback. Neuroimage 2013; 81: 243–252, https://doi.org/10.1016/j.neuroimage.2013.05.019.
  28. Burns A., Adeli H., Buford J.A. Brain–computer interface after nervous system injury. Neuroscientist 2014; 20(6): 639–651, https://doi.org/10.1177/1073858414549015.
  29. Bamdad M., Zarshenas H., Auais M.A. Application of BCI systems in neurorehabilitation: a scoping review. Disabil Rehabil Assist Technol 2015; 10(5): 355–364, https://doi.org/10.3109/17483107.2014.961569.
  30. Bowsher K., Civillico E.F., Coburn J., Collinger J., Contreras-Vidal J.L., Denison T., Donoghue J., French J., Getzoff N., Hochberg L.R., Hoffmann M., Judy J., Kleitman N., Knaack G., Krauthamer V., Ludwig K., Moynahan M., Pancrazio J.J., Peckham P.H., Pena C., Pinto V., Ryan T., Saha D., Scharen H., Shermer S., Skodacek K., Takmakov P., Tyler D., Vasudevan S., Wachrathit K., Weber D., Welle C.G., Ye M. Brain–computer interface devices for patients with paralysis and amputation: a meeting report. J Neural Eng 2016; 13(2): 023001, https://doi.org/10.1088/1741-2560/13/2/023001.
  31. Daly J.J., Huggins J.E. Brain–computer interface: current and emerging rehabilitation applications. Arch Phys Med Rehabil 2015; 96(3): S1–S7, https://doi.org/10.1016/j.apmr.2015.01.007.
  32. Vidal J.J. Toward direct brain-computer communication. Annu Rev Biophys Bioeng 1973; 2(1): 157–180, https://doi.org/10.1146/annurev.bb.02.060173.001105.
  33. Гурфинкель В.С., Малкин В.Б., Цетлин М.Л., Шней­дер А.Ю. Биоэлектрическое управление. М: Наука; 1972; 244 с.
  34. Бехтерева Н.П., Усов В.В. Методика прерывистой фото­стимуляции в ритме собственных потенциалов мозга при регистрации ЭЭГ. Физиологический журнал СССР им. И.М. Сеченова 1960; 46(1): 108–111.
  35. Kumano H., Horie H., Shidara T., Kuboki T., Suematsu H., Yasushi M. Treatment of a depressive disorder patient with EEG-driven photic stimulation. Biofeedback Self Regul 1996; 21(4): 323–334, https://doi.org/10.1007/bf02214432.
  36. Kamei T., Toriumi Y., Kumano H., Fukada M., Matsumoto T. Use of photic feedback as an adjunct treatment in a case of miller fisher syndrome. Percept Mot Skills 2000; 90(1): 262–264, https://doi.org/10.2466/pms.90.1.262-264.
  37. Woertz M., Pfurtscheller G., Klimesch W. Alpha power dependent light stimulation: dynamics of event-related (de)synchronization in human electroencephalogram. Brain Res Cogn Brain Res 2004; 20(2): 256–260, https://doi.org/10.1016/j.cogbrainres.2004.03.014.
  38. Shih J.J., Krusienski D.J., Wolpaw J.R. Brain-computer interfaces in medicine. Mayo Clin Proc 2012; 87(3): 268–279, https://doi.org/10.1016/j.mayocp.2011.12.008.
  39. Yanagisawa T., Hirata M., Saitoh Y., Kishima H., Matsushita K., Goto T., Fukuma R., Yokoi H., Kamitani Y., Yoshimine T. Electrocorticographic control of a prosthetic arm in paralyzed patients. Ann Neurol 2011; 71(3): 353–361, https://doi.org/10.1002/ana.22613.
  40. Frolov A.A., Biryukova E.V., Bobrov P.D., Mokienko O.A., Platonov A.K., Pryanichnikov V.E., Chernikova L.A. Principles of neurorehabilitation based on the brain-computer interface and biologically adequate control of the exoskeleton. Hum Physiol 2013; 39(2): 196–208, https://doi.org/10.1134/s0362119713020035.
  41. Каплан А.Я. Гармония большого взрыва. Отечест­венные записки 2014; 2(59): 123–136.
  42. Левицкая О.С., Лебедев М.А. Интерфейс мозг–компьютер: будущее в настоящем. Вестник Российского государственного медицинского университета 2016; 2: 4–16.
  43. Hebert J.S., Olson J.L., Morhart M.J., Dawson M.R., Marasco P.D., Kuiken T.A., Chan K.M. Novel targeted sensory reinnervation technique to restore functional hand sensation after transhumeral amputation. IEEE Trans Neural Syst Rehabil Eng 2014; 22(4): 765–773, https://doi.org/10.1109/tnsre.2013.2294907.
  44. Kwok R. Neuroprosthetics: once more, with feeling. Nature 2013; 497(7448): 176–178, https://doi.org/10.1038/497176a.
  45. Miranda R.A., Casebeer W.D., Hein A.M., Judy J.W., Krotkov E.P., Laabs T.L., Manzo J.E., Pankratz K.G., Pratt G.A., Sanchez J.C., Weber D.J., Wheeler T.L., Ling G.S. DARPA-funded efforts in the development of novel brain–computer interface technologies. J Neurosci Methods 2015; 244: 52–67, https://doi.org/10.1016/j.jneumeth.2014.07.019.
  46. Ganin I.P., Shishkin S.L., Kaplan A.Y. A P300-based brain-computer interface with stimuli on moving objects: four-session single-trial and triple-trial tests with a game-like task design. PLoS One 2013; 8(10): e77755, https://doi.org/10.1371/journal.pone.0077755.
  47. Mokienko O.A., Lyukmanov R.K., Chernikova L.A., Suponeva N.A., Piradov M.A., Frolov A.A. Brain–computer interface: the first experience of clinical use in Russia. Hum Physiol 2016; 42(1): 24–31, https://doi.org/10.1134/s0362119716010126.
  48. Фролов А.А., Мокиенко О.А., Люкманов Р.Х., Чер­ни­кова Л.А., Котов С.В., Турбина Л.Г., Бобров П.Д., Би­рю­­кова Е.В., Кондур А.А., Иванова Г.Е., Старицын А.Н., Буш­кова Ю.В., Джалагония И.З., Курганская М.Е., Пав­лова О.Г., Будилин С.Ю., Азиатская Г.А., Хижнико­ва А.Е., Чер­вяков А.В., Лукьянов А.Л., Надайрейшвили Г.Г. Пред­варительные результаты контролируемого исследования эффективности технологии ИМК-экзоскелет при пост­инсультном парезе руки. Вестник Российского госу­дарст­венного медицинского университета 2016; 2: 17–25.
  49. Frolov A.A., Husek D., Silchenko A.V., Tintera J., Rydlo J. The changes in the hemodynamic activity of the brain during motor imagery training with the use of brain-computer interface. Hum Physiol 2016; 42(1): 1–12, https://doi.org/10.1134/s0362119716010084.
  50. Шишкин С.Л., Козырский Б.Л., Трофимов А.Г., Нуж­дин Ю.О., Федорова А.А., Свирин Е.П., Величковский Б.М. Улучшение работы интерфейса глаз–мозг–компьютер при использовании частотных компонентов ЭЭГ. Вестник Российского государственного медицинского университета 2016; 2: 39–44.
  51. Bradberry T.J., Gentili R.J., Contreras-Vidal J.L. Fast attainment of computer cursor control with noninvasively acquired brain signals. J Neural Eng 2011; 8(3): 036010, https://doi.org/10.1088/1741-2560/8/3/036010.
  52. Kaplan A.Y. Neurophysiological foundations and practical realizations of the brain–machine interfaces in the technology in neurological rehabilitation. Hum Physiol 2016; 42(1): 103–110, https://doi.org/10.1134/s0362119716010102.
  53. Hammond D.C. What is neurofeedback: an update. J Neurother 2011; 15(4): 305–336, https://doi.org/10.1080/10874208.2011.623090.
  54. Kamiya J. The first communications about operant conditioning of the EEG. J Neurother 2011; 15(1): 65–73, https://doi.org/10.1080/10874208.2011.545764.
  55. Ghaziri J., Tucholka A., Larue V., Blanchette-Sylvestre M., Reyburn G., Gilbert G., Lévesque J., Beauregard M. Neurofeedback training induces changes in white and gray matter. Clin EEG Neurosci 2013; 44(4): 265–272, https://doi.org/10.1177/1550059413476031.
  56. Seitz A.R. Cognitive Neuroscience: Targeting neuroplasticity with neural decoding and biofeedback. Curr Biol 2013; 23(5): R210–R212, https://doi.org/10.1016/j.cub.2013.01.015.
  57. Асланян Е.В., Кирой В.Н., Столетний А.С., Лазу­ренко Д.М., Бахтин О.М., Миняева Н.Р., Кирой Р.И. Влияние индивидуальных особенностей на способность к произвольной регуляции человеком выраженности в ЭЭГ альфа- и бета-частот. Российский физиологический журнал им. И.М. Сеченова 2015; 101(5): 599–613.
  58. Kiroy V.N., Lazurenko D.M., Shepelev I.E., Minyaeva N.R., Aslanyan E.V., Bakhtin O.M., Shaposhnikov D.G., Vladimirskiy B.M. Changes in EEG spectral characteristics in the course of neurofeedback training. Hum Physiol 2015; 41(3): 269–279, https://doi.org/10.1134/s0362119715030081.
  59. Niv S. Clinical efficacy and potential mechanisms of neurofeedback. Pers Individ Dif 2013; 54(6): 676–686, https://doi.org/10.1016/j.paid.2012.11.037.
  60. Ros T., Baars J.B., Lanius R.A., Vuilleumier P. Tuning pathological brain oscillations with neurofeedback: a systems neuroscience framework. Front Hum Neurosci 2014; 8: 1008, https://doi.org/10.3389/fnhum.2014.01008.
  61. Arnold L.E., Lofthouse N., Hersch S., Pan X., Hurt E., Bates B., Kassouf K., Moone S., Grantier C. EEG neurofeedback for ADHD: double-blind sham-controlled randomized pilot feasibility trial. J Atten Disord 2012; 17(5): 410–419, https://doi.org/10.1177/1087054712446173.
  62. Gevensleben H., Kleemeyer M., Rothenberger L.G., Studer P., Flaig-Röhr A., Moll G.H., Rothenberger A., Heinrich H. Neurofeedback in ADHD: further pieces of the puzzle. Brain Topogr 2014; 27(1): 20–32, https://doi.org/10.1007/s10548-013-0285-y.
  63. Escolano C., Navarro-Gil M., Garcia-Campayo J., Congedo M., Minguez J. The effects of individual upper alpha neurofeedback in ADHD: an open-label pilot study. Appl Psychophysiol Biofeedback 2014; 39(3–4): 193–202, https://doi.org/10.1007/s10484-014-9257-6.
  64. Duric N.S., Aßmus J., Elgen I.B. Self-reported efficacy of neurofeedback treatment in a clinical randomized controlled study of ADHD children and adolescents. Neuropsychiatr Dis Treat 2014; 10: 1645–1645, https://doi.org/10.2147/ndt.s66466.
  65. Bink M., van Nieuwenhuizen C., Popma A., Bongers I.L., van Boxtel G.J.M. Neurocognitive effects of neurofeedback in adolescents with ADHD. J Clin Psychiatry 2014; 75(05): 535–542, https://doi.org/10.4088/jcp.13m08590.
  66. Cannon R.L., Pigott H.E., Surmeli T., Simkin D.R., Thatcher R.W., Van den Bergh W., Gluck G., Lubar J.F., Davis R., Foster D.S., Douglas J., Malcolm A.T., Bars D., Little K., Center W., Berman M., Russell H., Hammer B., Koberda J.L. The problem of patient heterogeneity and lack of proper training in a study of EEG neurofeedback in children. J Clin Psychiatry 2014; 75(3): 289–290, https://doi.org/10.4088/jcp.13lr08850.
  67. Lee Y.-S., Bae S.-H., Lee S.-H., Kim K.-Y. Neurofeedback training improves the dual-task performance ability in stroke patients. Tohoku J Exp Med 2015; 236(1): 81–88, https://doi.org/10.1620/tjem.236.81.
  68. Peskind E.R., Brody D., Cernak I., McKee A., Ruff R.L. Military- and sports-related mild traumatic brain injury. J Clin Psychiatry 2013; 74(8): e17, https://doi.org/10.4088/jcp.12011nr2c.
  69. Strehl U., Birkle S.M., Wörz S., Kotchoubey B. Sustained reduction of seizures in patients with intractable epilepsy after self-regulation training of slow cortical potentials — 10 years after. Front Hum Neurosci 2014; 8: 604, https://doi.org/10.3389/fnhum.2014.00604.
  70. Ross S.M. Neurofeedback. Holist Nurs Pract 2013; 27(4): 246–250, https://doi.org/10.1097/hnp.0b013e3182971b7c
  71. Unterrainer H.F., Lewis A.J., Gruzelier J.H. EEG-neurofeedback in psychodynamic treatment of substance dependence. Front Psychol 2013; 4: 692, https://doi.org/10.3389/fpsyg.2013.00692.
  72. Dehghani-Arani F., Rostami R., Nadali H. Neurofeedback training for opiate addiction: improvement of mental health and craving. Appl Psychophysiol Biofeedback 2013; 38(2): 133–141, https://doi.org/10.1007/s10484-013-9218-5.
  73. Peeters F., Oehlen M., Ronner J., van Os J., Lousberg R. Neurofeedback as a treatment for major depressive disorder — a pilot study. PLoS One 2014; 9(3): e91837, https://doi.org/10.1371/journal.pone.0091837.
  74. Pineda J.A., Juavinett A., Datko M. Self-regulation of brain oscillations as a treatment for aberrant brain connections in children with autism. Med Hypotheses 2012; 79(6): 790–798, https://doi.org/10.1016/j.mehy.2012.08.031.
  75. Сорокина Н.Д., Селицкий Г.В. Головная боль на­пряжения и мигрень: эффективность биологической обратной связи в их терапии. Журнал неврологии и психиатрии им. C.C. Корсакова 2013; 113(4): 86–91.
  76. Bartholdy S., Musiat P., Campbell I.C., Schmidt U. The potential of neurofeedback in the treatment of eating disorders: a review of the literature. Eur Eat Disord Rev 2013; 21(6): 456–463, https://doi.org/10.1002/erv.2250.
  77. Jensen M.P., Day M.A., Miró J. Neuromodulatory treatments for chronic pain: efficacy and mechanisms. Nat Rev Neurol 2014; 10(3): 167–178, https://doi.org/10.1038/nrneurol.2014.12.
  78. Hassan M.A., Fraser M., Conway B.A., Allan D.B., Vuckovic A. The mechanism of neurofeedback training for treatment of central neuropathic pain in paraplegia: a pilot study. BMC Neurol 2015; 15(1), https://doi.org/10.1186/s12883-015-0445-7.
  79. Schoenberg P.L.A., David A.S. Biofeedback for psychiatric disorders: a systematic review. Appl Psychophysiol Biofeedback 2014; 39(2): 109–135, https://doi.org/10.1007/s10484-014-9246-9.
  80. Farkas A., Bluschke A., Roessner V., Beste C. Neurofeedback and its possible relevance for the treatment of Tourette syndrome. Neurosci Biobehav Rev 2015; 51: 87–99, https://doi.org/10.1016/j.neubiorev.2015.01.012.
  81. Graczyk M., Pąchalska M., Ziółkowski A., Mańko G., Łukaszewska B., Kochanowicz K., Mirski A., Kropotov I.D. Neurofeedback training for peak performance. Ann Agric Environ Med 2014; 21(4): 871–875, https://doi.org/10.5604/12321966.1129950.
  82. Ruiz S., Birbaumer N., Sitaram R. Editorial: learned brain self-regulation for emotional processing and attentional modulation: from theory to clinical applications. Front Behav Neurosci 2016; 10, https://doi.org/10.3389/fnbeh.2016.00062.
  83. Hayashibe M., Guiraud D., Pons J.L., Farina D. Editorial: biosignal processing and computational methods to enhance sensory motor neuroprosthetics. Front Neurosci 2015; 9: 434, https://doi.org/10.3389/fnins.2015.00434.
  84. Thibault R.T., Lifshitz M., Raz A. The self-regulating brain and neurofeedback: experimental science and clinical promise. Cortex 2016; 74: 247–261, https://doi.org/10.1016/j.cortex.2015.10.024.
  85. Hammond D.C. The need for individualization in neurofeedback: heterogeneity in QEEG patterns associated with diagnoses and symptoms. Appl Psychophysiol Biofeedback 2009; 35(1): 31–36, https://doi.org/10.1007/s10484-009-9106-1.
  86. Лазарева О.Ю., Базанова О.М. Влияние инструкций на эффективность тренинга произвольного повышения мощности в индивидуальном высокочастотном альфа-диапазоне ЭЭГ. Бюллетень сибирской медицины 2013; 12(2): 58–65.
  87. Sokhadze E.M., El-Baz A.S., Tasman A., Sears L.L., Wang Y., Lamina E.V., Casanova M.F. Neuromodulation integrating rTMS and neurofeedback for the treatment of autism spectrum disorder: an exploratory study. Appl Psychophysiol Biofeedback 2014; 39(3–4): 237–257, https://doi.org/10.1007/s10484-014-9264-7.
  88. Tang H.-Y., Vitiello M.V., Perlis M., Riegel B. Open-Loop neurofeedback audiovisual stimulation: a pilot study of its potential for sleep induction in older adults. Appl Psychophysiol Biofeedback 2015; 40(3): 183–188, https://doi.org/10.1007/s10484-015-9285-x.
  89. Fedotchev A.I. Efficacy of EEG biofeedback procedures in correcting stress-related functional disorders. Hum Physiol 2010; 36(1): 86–90, https://doi.org/10.1134/s0362119710010111.
  90. Gruzelier J.H. EEG-neurofeedback for optimising performance. III: a review of methodological and theoretical considerations. Neurosci Biobehav Rev 2014; 44: 159–182, https://doi.org/10.1016/j.neubiorev.2014.03.015.
  91. Friedrich E.V., Suttie N., Sivanathan A., Lim T., Louchart S., Pineda J.A. Brain-computer interface game applications for combined neurofeedback and biofeedback treatment for children on the autism spectrum. Front Neuroeng 2014; 7: 21, https://doi.org/10.3389/fneng.2014.00021.
  92. Fedotchev A.I., Oh S.J., Semikin G.I. Combination of neurofeedback technique with music therapy for effective correction of stress-induced disorders. Sovremennye tehnologii v medicine 2014; 6(3): 60–63.
  93. Fedotchev A.I., Bondar A.T., Bakhchina A.V., Grigorieva V.N., Katayev A.A., Parin S.B., Radchenko G.S., Polevaya S.A. Transformation of patient’s EEG oscillators into music-like signals for correction of stress-induced functional states. Sovremennye tehnologii v medicine 2016; 8(1): 93–98, https://doi.org/10.17691/stm2016.8.1.12.
  94. Федотчев А.И. Анализ резонансных ЭЭГ-реакций при оценке эффективности сенсорных воздействий. Физиология человека 1997; 23(4): 117–123.
  95. Федотчев А.И., Бондарь А.Т., Акоев И.Г. Ритмическая структура ЭЭГ человека: современное состояние и тенденции исследований. Успехи физиологических наук 2000; 31(3): 39–53.
  96. Федотчев А.И., Бондарь А.Т., Матрусов С.Г., Семенов В.С., Соин А.Г. Использование сигналов обратной связи от эндогенных ритмов пациента для нелекарственной коррекции функциональных расстройств. Успехи физиологических наук 2006; 37(4): 82–93.
  97. Koelsch S. Brain correlates of music-evoked emotions. Nat Rev Neurosci 2014; 15(3): 170–180, https://doi.org/10.1038/nrn3666.
  98. Thoma M.V., La Marca R., Brönnimann R., Finkel L., Ehlert U., Nater U.M. The effect of music on the human stress response. PLoS One 2013; 8(8): e70156, https://doi.org/10.1371/journal.pone.0070156.
  99. Radstaak M., Geurts S.A.E., Brosschot J.F., Kompier M.A.J. Music and psychophysiological recovery from stress. Psychosom Med 2014; 76(7): 529–537, https://doi.org/10.1097/psy.0000000000000094.
  100. Rollnik J.D., Altenmüller E. Music in disorders of consciousness. Front Neurosci 2014; 8, https://doi.org/10.3389/fnins.2014.00190.
  101. Clark C.N., Downey L.E., Warren J.D. Brain disorders and the biological role of music. Soc Cogn Affect Neurosci 2014; 10(3): 444–452, https://doi.org/10.1093/scan/nsu079.
  102. Gray E. In practice: music: a therapy for all? Perspect Public Health 2013; 133(1): 14, https://doi.org/10.1177/1757913912468642.
  103. Höller Y., Thomschewski A., Schmid E.V., Höller P., Crone J.S., Trinka E. Individual brain-frequency responses to self-selected music. Int J Psychophysiol 2012; 86(3): 206–213, https://doi.org/10.1016/j.ijpsycho.2012.09.005.
  104. Park M., Hennig-Fast K., Bao Y., Carl P., Pöppel E., Welker L., Reiser M., Meindl T., Gutyrchik E. Personality traits modulate neural responses to emotions expressed in music. Brain Res 2013; 1523: 68–76, https://doi.org/10.1016/j.brainres.2013.05.042.
  105. Müller W., Haffelder G., Schlotmann A., Schaefers A.T.U., Teuchert-Noodt G. Amelioration of psychiatric symptoms through exposure to music individually adapted to brain rhythm disorders — a randomised clinical trial on the basis of fundamental research. Cogn Neuropsychiatry 2014; 19(5): 399–413, https://doi.org/10.1080/13546805.2013.879054.
  106. Федотчев А.И., Бондарь А.Т., Бахчина А.В., Па­рин С.Б., Полевая С.А., Радченко Г.С. Музыкально-акустические воздействия, управляемые биопотенциалами мозга, в коррекции неблагоприятных функциональных состояний. Успехи физиологических наук 2016; 47(1): 69–79.
  107. Fedotchev A.I., Kim E.V. Correction of functional disturbances during pregnancy by the method of adaptive EEG biofeedback training. Hum Physiol 2006; 32(6): 652–656, https://doi.org/10.1134/s0362119706060041.
  108. Федотчев А.И., Ким Е.В. Особенности лечебных сеансов биоуправления с обратной связью по электроэнцефалограмме при нормальном и отягощенном протекании беременности. Журнал высшей нервной деятельности им. И.П. Павлова 2009; 59(4): 421–428.
  109. Федотчев А.И. Стресс, его последствия для человека и современные нелекарственные подходы к их устранению. Успехи физиологических наук 2009; 40(1): 77–91.
  110. Fedotchev A.I., Zemlyanaya A.A., Polevaya S.A., Savchuk L.V. Attention deficit hyperactivity disorder and current possibilities of its treatment by the method of neurofeedback training. Zhurnal nevrologii i psikhiatrii im. S.S. Korsakova 2016; 116(5): 98, https://doi.org/10.17116/jnevro20161165198-101.


Журнал базах данных

web_of_science.jpg

scopus.jpg

crossref.jpg

doaj.jpg

ebsco.jpg

embase.jpg

ulrich.jpg

cyberleninka.jpg

e-library.jpg

lan.jpg

ajd.jpg

vak.jpg