Лебедев про мозг

В последнее время не утихают споры по поводу каких-то списков каких-то журналов, которые то ли двинут российскую науку вперед, то ли ее окончательно затормозят. При этом всякие чиновники требуют от бедных ученых публикаций в "Q1". При этом чиновникам наплевать на то, что в этих журналах русских ученых никто не ждет и их отвергнут просто потому, что они русские. Это выливается в колоссальную потерю времени. Между тем существуют прекрасные архивы (biorxiv, medrxiv, xarxiv), куда можно относительно легко поместить статью. Причем там есть неплохая модерация (внедрили и ИИ), и туфту они не публикуют. Спрашивается: что еще надо?? Так, между прочим, можно и обанкротить расплодившиеся open access journals, сосущие денюшки трудящихся. Но пока я обнаружил у себя публикацию: https://elibrary.ru/item.asp?id=74494081 которую загрузить не так просто, особенно нашим зарубежным партнерам. Поэтому прикрепляю ее к этому сообщению и на всякий случай перевожу на зарубежный язык: NEUROINTERFACES IN SCIENCE AND MEDICINE LEBEDEV M.A.¹,² ¹Lomonosov Moscow State University, Moscow ²Sechenov Institute of Evolutionary Physiology and Biochemistry of the Russian Academy of Sciences, St. Petersburg, mikhail.a.lebedev@gmail.com Neurointerfaces are systems that read signals from the nervous system, decode them, and convert them into commands for external devices such as robotic prostheses, exoskeletons, or neurostimulators. Neurointerfaces can not only read information but also transmit it to the nervous system, for example, through electrical stimulation. Neurointerfaces are rapidly developing, with a particular increase in the number of developments for the rehabilitation of patients with neurological disorders. Despite the success of clinical trials of approaches using neurointerfaces, their potential has not yet been fully realized, either in science or in medicine. This report highlights the fundamental aspects of neurointerfaces and the principles of their application in medicine: Hebbian mechanism-based therapeutic plasticity, neurointerfaces based on visuomotor transformation, and olfactory neurointerfaces. The rapid development of neurointerfaces has been ongoing since the end of the last century [1]. Among the promising applications of neurointerfaces are their medical applications, such as use in the rehabilitation of ailments like stroke, spinal cord injury, and neurodegenerative diseases [2]. Although results are accumulating showing that neurointerfaces aid rehabilitation [3], there is no complete understanding of how to optimize such systems. It is important to emphasize here that neurointerfaces will be effective for rehabilitation if they trigger neuronal plasticity according to the Hebbian principle, namely: synchronous activity of regions of the nervous system leads to the strengthening of connections between them [4]. Neurointerfaces read brain activity, which allows synchronizing this activity with therapeutic interventions, such as neurostimulation and mechanotherapy. A successful implementation of therapeutic plasticity is a neuro-trainer that combines a neurointerface operating on the P300 principle with a robotic device that moves a paralyzed limb [5]. The neuro-trainer uses the principle of visuomotor transformation: the goal of the movement is processed by visual areas in retinotopic coordinates and then translated into room coordinates and muscle coordinates [6]. This neuro-trainer is effective for post-stroke rehabilitation, as it allows reading signals from intact occipital and parietal cortical areas and rehabilitating the entire visuomotor transformation circuit. A trainer operating on the same principle has also been created, which does not have an assistive robot but has improved speed [7]. Bidirectional neurointerfaces are most effective for rehabilitation. In particular, neurostimulation that creates artificial tactile sensations [8] and suppresses pain syndromes [9] is effective. Stimulation of motivation centers in the future will allow significantly influencing the processes of neuronal plasticity and

Интеграция P300-спеллера с большой языковой моделью Наше исследование демонстрирует, как использование больших языковых моделей может преодолеть ключевое ограничение интерфейсов "мозг-компьютер" для набора текста — низкую скорость. Традиционные спеллеры, основанные на детекции P300-потенциала, требуют высокой точности распознавания каждого символа, что замедляет коммуникацию. Предлагаемый подход меняет парадигму: вместо идеального посимвольного ввода пользователь формирует слова, фокусируясь на буквах с переменной длительностью, что приводит к появлению ошибок в сыром выходе системы. Затем эта текстовая строка с шумом обрабатывается большой языковой моделью, которая, используя контекст целого предложения, эффективно исправляет ошибки. Моделирование на основе реальных данных ЭЭГ подтвердило, что даже при значительном уровне ошибок после декодера языковые модели успешно восстанавливают исходный замысел. Это позволяет снизить требования к точности распознавания отдельных символов и увеличить скорость набора. Кроме ускорения коммуникации, интеграция с большой языковой моделью трансформирует интерфейс в интеллектуального агента, способного выступать в роли собеседника и ассистента, что значительно обогащает пользовательский опыт и открывает новые возможности для помощи людям с тяжелыми нарушениями моторики и речи. https://www.biorxiv.org/content/10.1101/2025.11.06.686984v1.full.pdf