Достижима ли неинвазивная гармония человека и машины

Когда речь заходит о том, чтобы человек управлял своей бионической конечностью-протезом с помощью мозга, перед инженерами, врачами и пациентами встает сложный выбор. Имплантировать чип, получающий сигналы от мозга, непосредственно в голову пациента или наладить управление конечностью неинвазивно? В каждом из этих способов есть свои плюсы и минусы. При вживлении электродов в зону коры головного мозга, отвечающую за моторику, получается более мощный сигнал. Запись разрядов нейронов происходит напрямую, сигнал четкий, многоканальный. Он встречает меньше помех в виде костных тканей, мимики лица.

А при неинвазивном управлении уходят риски кровотечений, инфекций и отторжения. Устройство можно надеть и снять за минуту. Оно отлично подходит для реабилитации или когда операция противопоказана. Но при таком методе главным критерием становится четкость восприятия бионическим протезом сигнала от мозга. Все дело в шуме. Сигнал проходит через кости черепа и кожу, теряя силу. Датчики улавливают многочисленные помехи (моргание, напряжение мышц шеи). Есть потеря в скорости и точности: протез работает с небольшой задержкой, поэтому трудно выполнить задачу со сложной моторикой, например завязать шнурки.

Но есть хорошие новости для сторонников щадящего метода. Разберемся в них на примере одного из проектов, который усиливает сигнал с помощью интеграции в управляющую систему модуля компьютерного зрения, а также технологии дополненной реальности (AR).

Проект «Нексус»: попытка преодолеть барьеры неинвазивного метода

Чтобы разобраться в одной из самых передовых неинвазивных технологий управления бионической рукой через нейрокомпьютерный интерфейс, мы обратились к Богдану Макарову, лидеру проекта «Нексус», который входит в экосистему Национальной технологической инициативы. 

Вопрос с точностью обработки и управления протезом стартап Богдана Макарова решил при помощи интеграции в систему модуля, благодаря которому система видит, с чем пользователь хочет взаимодействовать, и прогнозирует наиболее подходящий жест. ИИ объединяет воедино данные ЭЭГ и компьютерное зрение, что на выходе дает высокую точность и комфорт управления протезом. Создатель технологии дал интервью, в котором поделился ноу-хау. Ниже наши вопросы и ответы основателя «Нексуса».

Богдан, как устроен нейропротез на техническом уровне? Какие основные аппаратные и программные компоненты входят в систему?

— Наш комплекс — это система из трех устройств, где каждый модуль выполняет определенную функцию. Сам бионический протез представляет собой антропоморфный электромеханический захват с культеприемной гильзой. Гильза повторяет строение и функционал человеческой руки: у нее пять независимых пальцев с индивидуальными приводами, датчики силы на каждом пальце, гироскоп и акселерометр, чтобы считывать положение в пространстве.

В систему также входит нейрогарнитура, которая считывает электрическую активность головного мозга (ЭЭГ). Она включает модуль компьютерного зрения: камеру с мини-лидаром, которая обрабатывает объекты вокруг и формирует систему дополненной реальности для отображения информации прямо перед глазами пользователя.

Еще один важный элемент — вычислитель. Он представляет собой компактный и легкий блок, который обрабатывает всю полученную информацию и отправляет управляющие команды в протез. И все это объединяет программно-аппаратный комплекс с элементами искусственного интеллекта. Аккумуляторы — сменные, протез работает автономно до десяти часов, а заряжается беспроводной станцией.

Какие биосигналы используются для управления протезом, как это работает?

— Для управления протезом мы используем комбинацию двух основных биосигналов: электроэнцефалограммы (ЭЭГ) и электромиограммы (ЭМГ), дополненные данными с датчиков силы и инерциальных датчиков (гироскоп, акселерометр). Это позволяет сделать управление максимально надежным, естественным и адаптивным. 

Электроэнцефалография (ЭЭГ) — основной канал управления. Нейрогарнитура «Нексус-1МС» считывает электрическую активность головного мозга с поверхности кожи головы. Мы регистрируем не просто общую активность, а специфические паттерны, связанные с моторными образами (мысленным представлением человека о своих движениях) и уровнем концентрации внимания пользователя. Это позволяет системе угадывать намерение человека, причем еще до того, как он начинает реальное физическое движение.

Электромиография (ЭМГ) используется как резервный канал и коррекция. Датчики на поверхности культи регистрируют микросокращения мышц. Это традиционный способ управления миоэлектрическими протезами. У нас он используется в случае помех в ЭЭГ-сигнале. И как способ тонкой коррекции силы сжатия — пользователь может сознательно напрягать мышцы, чтобы увеличить или уменьшить усилие захвата.

Еще один важный элемент управления — компьютерное зрение. По сути, речь идет о контекстном анализе. Камера с лидаром распознает объекты перед пользователем, определяет их форму, размер и расстояние. Это не биосигнал, но критически важная информация для ИИ, которая помогает системе прогнозировать оптимальный тип захвата.

И еще один элемент: тактильная обратная связь (датчики силы). Они расположены на каждом пальце и регистрируют усилие сжатия, передавая информацию в систему управления. Что позволяет замкнуть контур управления: протез «чувствует», что он сжимает, и корректирует усилие в реальном времени.

Как происходит распознавание намерений пользователя? Какие алгоритмы определяют, какое движение человек хочет выполнить?

— Распознавание намерений — ключевая задача, которую решает наш ИИ. В отличие от традиционных систем, которые просто реагируют на команду после ее выполнения (реактивно), мы реализовали проактивное управление. Система прогнозирует, что пользователь собирается сделать, еще до того, как он начнет движение.

Общий принцип работы: распознавание строится на анализе не одного, а сразу нескольких типов данных. Система одновременно обрабатывает:

• ЭЭГ-сигналы (электрическая активность мозга), которые отражают моторные образы — мысленное представление движения;

• ЭМГ-сигналы (мышечная активность на культе), которые появляются за 100–300 мс до фактического начала движения;

• данные компьютерного зрения (камера + лидар) — информация об объекте, на который смотрит пользователь;

• телеметрию протеза (положение кисти, угол поворота, текущее усилие).

Искусственный интеллект анализирует эти потоки одновременно. На основе этой комбинации система определяет не только какое движение хочет выполнить пользователь, но и как его лучше выполнить в конкретной ситуации.

Какие задачи решает машинное обучение?

— Машинное обучение — основа всей интеллектуальной начинки комплекса. Без него невозможно было бы реализовать ни прогнозирование движений, ни адаптацию под пользователя, ни надежное распознавание жестов в реальном времени.

Какие задачи оно решает:

• Классификация жестов и намерений. Это базовая задача: по сигналам ЭЭГ и ЭМГ система определяет, какое движение хочет выполнить пользователь — сжать кисть, разжать, повернуть, указать пальцем и т. д. Нейросеть анализирует паттерны сигналов и относит их к одному из заранее определенных классов.

• Прогнозирование движений. Это ключевое отличие нашего подхода от традиционных систем. Мы не ждем, пока пользователь совершит движение, а предсказываем его намерение заранее (за 100–300 мс). Для этого используются рекуррентные нейросети, которые анализируют временные последовательности сигналов и улавливают подготовительные изменения (например, появление моторного образа в ЭЭГ или микросокращений в ЭМГ).

• Адаптация под конкретного пользователя. Каждый человек имеет уникальные паттерны сигналов. Система использует методы трансферного обучения и обучения с подкреплением, чтобы персонализировать модель под конкретного пользователя. Первичная калибровка занимает 15–20 минут, а затем система продолжает адаптироваться в процессе использования.

• Мультимодальная интеграция. Мы объединяем данные из разных источников: ЭЭГ, ЭМГ, компьютерное зрение (камера + лидар), телеметрия протеза. Нейросеть учится взвешивать значимость каждого канала в зависимости от ситуации — это называется механизмом внимания.

• Обработка и фильтрация сигналов. Нейросетевые алгоритмы используются для подавления шумов и выделения полезной информации из зашумленных биофизических сигналов. Это особенно важно для ЭЭГ, где уровень помех может быть высоким.

• Обнаружение ошибок и самодиагностика. Система анализирует собственные ошибки (например, неправильно распознанный жест) и корректирует модель, чтобы в будущем таких ошибок было меньше.

Какие алгоритмы используются?

— Мы используем гибридную нейросетевую архитектуру, которая объединяет несколько типов моделей: Сверточные нейронные сети (CNN) — для обработки спектральных характеристик ЭЭГ- и ЭМГ-сигналов, выделения характерных паттернов. CNN хорошо справляются с задачей извлечения признаков из зашумленных биофизических данных. Рекуррентные нейронные сети (LSTM) — для анализа временных последовательностей. Поскольку сигналы меняются во времени, LSTM позволяет улавливать динамику изменений и прогнозировать развитие события. Механизмы кросс-модального внимания — они определяют, какой из входных потоков данных в данный момент наиболее информативен, и динамически взвешивают их значимость. Это позволяет системе адаптивно переключаться между разными источниками информации. Модели для классификации жестов — на основе извлеченных признаков система относит текущее состояние к одному из классов движений (сжатие, разжатие, ротация, указательный жест и т. д.).

Вся обработка выполняется непосредственно на борту устройства (Edge AI), что обеспечивает задержку менее 100 мс и не требует передачи данных в облако.

Как система отличает похожие команды?

— Это одна из самых сложных задач. Например, намерение «сжать» и «схватить» могут давать очень похожие начальные паттерны сигналов. Мы решаем эту проблему несколькими способами:

• Анализ временных окон разной длины. Система смотрит на сигнал не в один момент, а на отрезках 200–500 мс. Короткие окна позволяют уловить быстрые изменения, длинные — увидеть общую картину и контекст.

• Мультимодальная верификация. Если ЭЭГ- и ЭМГ-сигналы дают неоднозначный результат, система обращается к данным компьютерного зрения: какой объект перед пользователем, какое у него положение, размер. Например, если перед пользователем стакан, вероятность команды «схватить» выше, чем «сжать кулак».

• Контекстная адаптация. Система запоминает, какие действия пользователь совершал в похожих ситуациях ранее, и использует эту информацию для уточнения прогноза.

• Порог уверенности. Каждое решение принимается с определенным уровнем уверенности. Если уверенность ниже заданного порога, система может запросить уточнение (например, через микродвижение мышц) или выбрать наиболее вероятный вариант.

Как организовано обучение протеза под конкретного человека?

— Процесс обучения системы протеза — это ее персонализация под индивидуальные нейрофизиологические особенности пользователя. Мы реализовали подход, при котором система адаптируется к человеку, а не человек к системе. Это достигается за счет комбинации первичной калибровки и непрерывного дообучения в процессе эксплуатации. Первичная калибровка (сбор данных для персонализации алгоритмов) занимает 15–20 минут. Она происходит за счет минимального набора данных. Этого времени достаточно, чтобы собрать такие данные и сформировать базовую персонализированную модель. Участия разработчика при этом не требуется — процедура полностью автоматизирована. А сам процесс калибровки выглядит так: пользователь надевает нейрогарнитуру и протез, затем выполняет серию стандартизированных движений по инструкции. Это может быть сжатие и разжатие кисти, имитация захвата, указательный жест, вращение и другие базовые действия. Каждое движение сопровождается подсказкой на экране или голосовым сопровождением. Во время калибровки система регистрирует и синхронизирует несколько типов данных: Многоканальные ЭЭГ-сигналы (электрическая активность мозга, соответствующая моторным образам). ЭМГ-сигналы (мышечная активность при движениях и микросокращениях). Данные с датчиков силы на пальцах (усилие, которое прикладывает пользователь). Показания гироскопа и акселерометра (положение и ориентация протеза).

Каждый тип движения повторяют несколько раз, чтобы система могла выделить устойчивые паттерны и отличить их от случайных помех. Все данные синхронизируются по времени и сохраняются в виде размеченных последовательностей. А далее в процессе использования система продолжает адаптироваться, собирая данные о движениях пользователя и дообучаясь без участия разработчика. Фактически происходит постоянная адаптация под изменяющиеся паттерны сигналов в процессе использования.

Как часто требуется перенастройка?

— На основе собранных данных система строит индивидуальную модель распознавания жестов. Мы используем подход few-shot learning: вместо того чтобы обучать модель с нуля на большом датасете, мы берем предобученную универсальную модель (обученную на данных многих пользователей) и адаптируем ее под конкретного человека. Это делается с помощью методов transfer learning — веса модели корректируются на основе данных калибровки, но базовая архитектура и общие знания сохраняются. Такой подход позволяет достичь высокой точности распознавания уже после первой калибровки, даже если у пользователя нестандартные паттерны сигналов.

После первичной калибровки система не требует обязательной периодической перенастройки. Вместо этого она адаптируется автоматически в процессе использования: во время эксплуатации система продолжает собирать данные о движениях пользователя. Если она замечает, что точность распознавания по какому-то типу движений снижается, она инициирует дообучение в фоновом режиме — без участия пользователя. Для этого используются алгоритмы обучения с подкреплением и онлайн-обучения, которые корректируют веса модели на основе новых данных.

Кроме того, пользователь может вручную запустить процедуру перекалибровки, если чувствует, что система стала работать хуже. Это может быть связано с изменениями в организме (например, после отеков), сменой электродов или другими внешними факторами. Однако в штатном режиме такая необходимость возникает редко.

Может ли система забыть старые навыки?

— При дообучении мы используем метод упругого закрепления весов, который защищает модель от катастрофического забывания. Это означает, что при адаптации к новым данным модель сохраняет ранее полученные знания. Новая информация корректирует веса, но не перезаписывает их полностью. Поэтому система не теряет способность распознавать уже освоенные движения.

Помимо персонализации, мы собираем анонимизированные данные об использовании протезов — статистику движений, время работы, возникающие ошибки. Эти данные используются для дальнейшего улучшения универсальной базовой модели, которая затем может быть применена для новых пользователей. Все данные собираются с согласия пользователя и в обезличенном виде.

Таким образом, обучение протеза под конкретного человека — это быстрый, автоматизированный и непрерывный процесс. 15–20 минут первичной калибровки достаточно для начала работы. Дальнейшая адаптация происходит автоматически без вмешательства пользователя, что делает систему удобной и устойчивой к изменениям.

Как реализована обратная связь с нервной системой? Может ли человек ощущать силу хвата, положение пальцев, форму предмета, его вес?

— Обратная связь в нашем комплексе реализована по двум основным каналам: тактильному и визуальному. Это позволяет пользователю не только управлять протезом, но и получать от него информацию о выполняемых действиях, что делает его использование более естественным и интуитивным. Пользователь может чувствовать силу захвата и касание. Это реализовано через датчики силы, встроенные в пальцы протеза, и вибромоторы.

Процесс выглядит таким образом. Датчики на пальцах измеряют усилие сжатия и регистрируют момент касания. Сигнал с датчиков преобразуется в вибрацию разной интенсивности, которая передается через вибромоторы на кожу пользователя.

Пользователь ощущает эту вибрацию. Например, легкое касание вызывает слабую вибрацию, а крепкий хват — более сильную. Это позволяет точно контролировать силу сжатия, чтобы не раздавить хрупкий предмет. Важно отметить, что для этого не требуется хирургического вмешательства (вживления электродов). Вся обратная связь осуществляется через внешние датчики и тактильные стимуляторы на поверхности кожи.

Далее. Пользователь получает информацию о работе системы и подсказки через очки дополненной реальности (AR). При этом на дисплей очков выводится информация о состоянии системы: данные об уровне заряда, режиме работы, текущем усилии захвата. А также визуальные подсказки: система может подсветить объект, на который смотрит пользователь, и предложить оптимальный способ захвата. Это помогает пользователю лучше понимать, что делает протез, и принимать более взвешенные решения при взаимодействии с объектами.

Какие инженерные сложности оказались самыми серьезными при разработке протеза и системы управления?

— Первой сложностью я бы назвал помехоустойчивость — как четко «услышать» сигнал мозга на фоне шумов. Дело в том, что ЭЭГ-сигнал имеет амплитуду всего несколько микровольт. На этом уровне любое движение, электрическая наводка от бытовых приборов, даже моргание создают помехи, которые могут полностью перекрыть полезный сигнал. Мы решили эту проблему комплексно. Во-первых, использовали активное экранирование и дифференциальные усилители. Во-вторых, разработали алгоритмы цифровой фильтрации: подавление 50 Гц (сетевая помеха, так называемый фон переменного тока. — Прим. авт.), сделали фильтрацию артефактов движения с использованием данных акселерометра. Затем мы научились выделять полезные паттерны с помощью нейросетей, которые «знают», как выглядит сигнал, соответствующий моторному образу. Но и сейчас это остается одной из самых тонких частей системы. Качество сигнала сильно зависит от правильного наложения электродов и отсутствия помех.

И если выделить одну самую сложную проблему, то я бы охарактеризовал ее как совокупность всех упомянутых требований в одном устройстве. Нельзя сделать мощный привод и одновременно легкий. Нельзя обеспечить высокую скорость обработки и низкое энергопотребление. Нельзя сделать герметичным и при этом легким. Каждое решение тянет за собой цепочку компромиссов. И найти оптимальную точку баланса, где все параметры достигают приемлемых значений, было самой сложной инженерной задачей. Мы потратили много времени на итерации, прототипы, испытания и доработки. Но сейчас мы уверены, что нашли эти решения.

Каких показателей вам удалось достичь?

ключевые характеристики, подтвержденные лабораторными испытаниями и пилотным тестированием на производстве. Задержка между намерением и движением: нам удалось добиться менее 100 мс от момента возникновения сигнала (ЭЭГ или ЭМГ) до начала движения пальцев. Это делает управление практически мгновенным для человека и обеспечивает естественность взаимодействия.

Точность распознавания жестов и намерений. Мы вышли на показатель не менее 85% для основных типов движений (сжатие, разжатие, ротация, указательный жест). Точность классификации уровня концентрации по ЭЭГ — также не менее 85%. В процессе адаптации под пользователя точность растет.

И у нас неплохие показатели по количеству доступных жестов. Система распознает не менее восьми различных типов движений, включая:

• пинцетный захват (большой и указательный палец),

• латеральный захват (боковое сжатие),

• силовой (цилиндрический) захват,

• раскрытую ладонь (расслабленное положение),

• ротацию кисти в двух плоскостях (вверх-вниз, вправо-влево),

• указательный жест,

• щепоть (три пальца),

• естественный режим (расслабленное положение пальцев).

Количество жестов может быть расширено программно.

Будущие показатели для версии TRL 6 (полнофункциональный прототип протестирован в условиях, близких к реальности). Усилие на один палец: 50 Н (5 кг). Общая грузоподъемность захвата: до 200 Н (20 кг) во всех положениях. Ресурс механизма: не менее 200 000 циклов открытия-закрытия, что соответствует сроку службы более пяти лет при интенсивной ежедневной эксплуатации. Степень защиты у нас IP67 — полная пыленепроницаемость и защита от временного погружения в воду на глубину до одного метра. Масса протеза в сборе составляет не более 1,5 кг с гильзой и аккумулятором. Это сопоставимо с массой натуральной конечности и не создает дополнительной нагрузки. При переходе к TRL 6 и TRL 8 планируется улучшение точности распознавания (до 90%+), снижение задержки (до 50–70 мс) и увеличение автономности (до 12–14 часов) за счет оптимизации алгоритмов и аппаратной платформы.

Чем ваша технология отличается от зарубежных аналогов и российских конкурентов?

— Главное отличие — в подходе к управлению. Большинство коммерческих протезов работают по принципу «реакции на факт»: ты напрягаешь мышцу — протез сжимается. Это работает, но требует обучения и неестественно. Мы делаем по-другому. У нас управление строится на прогнозировании намерения. Система анализирует не только мышцы, но и активность мозга (ЭЭГ) и окружающую обстановку (компьютерное зрение). Она пытается угадать, что ты хочешь сделать, до того, как ты это сделал. Это не маркетинг — это действительно другой принцип взаимодействия человека и машины.

Второе отличие — мультимодальность. Мы не используем один сигнал (как все). У нас три источника: ЭЭГ (что ты думаешь), ЭМГ (что делают мышцы) и компьютерное зрение (что ты видишь). ИИ объединяет эти данные и принимает решение. Это сложнее в реализации, но надежнее и естественнее для пользователя.

Третье — двойное назначение. Наш нейроинтерфейс — это не только способ управления протезом. Это самостоятельное устройство, которое можно использовать для управления роботами, станками, для нейротренинга. Мы уже протестировали его на реальном производстве — для контроля качества и пусконаладки. Конкуренты таким не занимаются, потому что их продукты — это чистая медицина, а у нас платформа.

Что касается цифр и железа:

• Усилие 50 Н на палец — это в 2–4 раза выше, чем у аналогов. Мы сделали это за счет спироидной передачи, а не планетарной или волновой, как у всех.

• IP67 и 200 000 циклов — мы проектировали протез для реальной жизни, а не для чистых лабораторий.

• Цена 1,6 млн руб. — в 2–3 раза дешевле Ottobock при сопоставимой функциональности.

На каком этапе после потери конечности можно устанавливать протез, какое врачебное вмешательство требуется?

— Для установки нашего протеза «Нексус-1С» не требуется никакого хирургического вмешательства. Протез крепится на культю с помощью индивидуальной гильзы, как и большинство современных протезов. Процесс подготовки и установки протеза состоит из нескольких этапов, и главное условие для начала — это стабильное состояние культи.

Врачи выделяют три этапа. Первый: послеоперационное заживление (первые недели). Сразу после ампутации начинается подготовка культи. В этот период рана заживает, снимают швы, проводят первые реабилитационные процедуры. Полное заживление раны обычно занимает до четырех недель.

Второй этап: формирование и стабилизация культи (от одного до шести месяцев). Это ключевой этап. Культя должна «созреть»: она уменьшается в объеме за счет спада отеков, а рубец становится прочным и эластичным. В этот период очень важно ухаживать за культей, делать массаж и выполнять специальные упражнения.

Третий: начало протезирования. Как только культя стабилизируется, можно приступать к изготовлению и подгонке протеза. Таким образом, протез не требует дополнительных операций и может быть установлен, как только культя заживет и стабилизируется, в идеале — в первые месяцы после ампутации.

На какой стадии проект как стартап сейчас?

— Мы находимся на стадии после создания успешного прототипа и перед началом серийного производства. Это примерно соответствует Seed-раунду.

Что уже сделано:

• Создан рабочий прототип бионического протеза «Нексус-1С» и нейроинтерфейса «Нексус-1МС» (уровень готовности технологии TRL 4).

• Прототип успешно прошел лабораторные испытания и пилотное тестирование на реальном производстве (контроль качества, пусконаладка).

• Получен патент на полезную модель № 241087.

• Закрыт грант Фонда содействия инновациям (программа «Студенческий стартап»).

• Сформирована команда (шесть ключевых специалистов).

• Собраны письма поддержки от Центра ассистивных технологий «Феникс» и Центра развития цифровых технологий Челябинской области.

• Проведены переговоры с потенциальными партнерами по кооперации.

Мы в активном поиске стратегического инвестора на сумму 165 млн рублей для завершения НИОКР, сертификации и запуска производства. Готовим заявки на грантовые программы, дорабатываем конструкторскую документацию и готовимся к изготовлению предсерийных образцов. А также работаем над формированием цепочки кооперации с промышленными партнерами для серийного выпуска. 

В текущем году хотим довести стартап до TRL 6 (полнофункциональный прототип, испытанный в условиях, приближенных к реальным). В следующем году выйти на TRL 8 и пройти сертификацию медицинского изделия. И к 2028 году выйти на запуск серийного производства и на рынок. Стартап прошел «долину смерти» и находится на этапе масштабирования. Техническая гипотеза подтверждена, рынок есть (60 млрд руб. в РФ), команда сформирована. Основная задача сейчас — привлечь финансирование для индустриализации. Это классическая точка для привлечения инвестора, когда риски уже снижены прототипом, а потенциал роста очевиден.

Как вы планируете дальше развивать технологию нейропротеза руки?

— Мы разделяем развитие на три направления: техническое (ИИ и инженерия), биомедицинское и социальное. 

Вызовы в области ИИ: видим несколько ключевых задач, которые нам предстоит решить. Хотим также улучшить прогнозирование в сложных сценариях. Сейчас система хорошо работает для базовых движений в стандартных условиях. Но в реальной жизни пользователь двигается, меняет позу, отвлекается, находится в разных средах. Нужно научить ИИ работать стабильно в этих условиях, различая полезный сигнал от помех движения и электромагнитных наводок.

Еще одна задача на перспективу — сокращение времени калибровки и повышение точности. Сейчас первичная калибровка занимает 15–20 минут. Мы хотим сократить ее до пяти минут и повысить точность распознавания до 90%+. Для этого нам нужно собирать больше размеченных данных и улучшать архитектуры нейросетей (в том числе пробовать трансформеры для анализа длинных временных последовательностей).

В деле интеграции с внешними системами планируем развивать API для взаимодействия нейроинтерфейса с другими устройствами — умным домом, промышленными роботами, медицинскими системами мониторинга. Это требует разработки стандартизированных протоколов и обеспечения безопасности передачи данных.

Еще одно направление развития — самообучение и адаптация без участия пользователя. Сейчас дообучение происходит в фоновом режиме, но пользователь иногда замечает изменения. Мы хотим сделать этот процесс еще более плавным и незаметным, чтобы система адаптировалась непрерывно, а калибровка требовалась только один раз.

Обработка на устройстве и увеличение вычислительной мощности. Мы используем Edge AI, но возможности встраиваемых процессоров ограничены. В перспективе — переход на более мощные нейропроцессоры (NPU) с сохранением энергоэффективности, чтобы реализовать более сложные модели прямо на борту.

На какие технологические вызовы вы готовы ответить в ближайшие годы?

— Улучшение обратной связи. Сейчас у нас тактильная (вибрация) и визуальная (AR) обратная связь. Мы хотим добавить температурную обратную связь (датчики температуры на пальцах, передача ощущения тепла/холода) и более точную тактильную обратную связь по форме и текстуре предмета. Но без хирургического вмешательства это сложно, поэтому ищем пути через поверхностную стимуляцию кожи или более продвинутые вибромоторы.

Адаптация под разные типы ампутаций. Сейчас протез рассчитан на стандартные культи. Мы хотим сделать его более универсальным — адаптировать под разные уровни ампутации, под разные анатомические особенности, под детей и пожилых людей.

Разработка протеза стопы. В этом году планируем запустить серийное производство бионического протеза стопы. Это новая задача — другой тип биомеханики, другая нагрузка, другие алгоритмы управления.

Клинические испытания и сертификация. Это не технологический вызов, а организационный и регуляторный, но он критически важен. Нам нужно доказать безопасность и эффективность протеза по всем стандартам медицинских изделий.

А какие вы видите социальные вызовы?

— Доступность и информированность. 1,6 млн рублей — это большие деньги, даже с господдержкой. Нам нужно работать над снижением стоимости за счет масштаба, импортозамещения и упрощения производства. А также объяснять врачам и пациентам, почему нейропротез лучше миоэлектрического

Подготовка специалистов. Центры протезирования должны уметь настраивать и обслуживать наши устройства. Это требует обучения, методических материалов, сервисной поддержки. Мы планируем создать сеть сервисных центров и программу обучения для специалистов.

Взаимодействие с государством. Мы работаем над тем, чтобы наш продукт включили в реестры ТСР (технических средств реабилитации) и закупали через ФСС по программам ИПР. Это долгий процесс, но без него мы не сможем масштабироваться.

Экспорт и международное признание. В перспективе 3–5 лет планируем выход на рынки СНГ, Ближнего Востока, Юго-Восточной Азии. Это требует международной сертификации и адаптации продукта под разные регуляторные требования.

Мы видим развитие технологии как непрерывный процесс — от улучшения качества распознавания до расширения функциональности и снижения стоимости. Каждый шаг требует баланса между инновациями и надежностью, между доступностью и технологичностью. Но мы уверены, что движемся в правильном направлении, и готовы отвечать на эти вызовы.

Комментарий эксперта

Мы попросили прокомментировать перспективы проекта участника пула «Эксперты НТИ», кандидата технических наук Антона Гуменного.

Проект выглядит актуальным и перспективным, потому что предлагает комбинированный неинвазивный подход к распознаванию намерений пользователя, — сказал эксперт.

Он отметил, что портативные ЭЭГ-интерфейсы существуют давно, но их главным ограничением всегда было качество сигнала: при сухом контакте и съеме через кожу головы сигнал слабый, зашумленный и плохо подходит для точного управления сложной моторикой.

«Вероятно, часть компонентов на первых этапах может казаться избыточной, но именно такая мультимодальность может стать способом компенсировать слабые стороны неинвазивного нейроинтерфейса», — пояснил эксперт. 

При этом наиболее сложным и рискованным элементом, по мнению Антона Гуменного, остается именно неинвазивный нейроинтерфейс с сухими электродами. «Ключевой вопрос перспектив проекта — не в самой идее, а в том, удастся ли добиться устойчивой точности распознавания в реальных условиях: при движении, усталости пользователя, изменении положения гарнитуры и внешних помехах», — сказал он.

Отдельно эксперт НТИ отметил потенциал технологии не только в протезировании, но и в реабилитации после инсульта, ДЦП и других двигательных нарушений:

Сама платформа распознавания намерений, нейротренинга и обратной связи может быть востребована в восстановительной медицине. В этом смысле проект имеет более широкий потенциал, чем просто рынок протезов.