Осадчий Алексей Евгеньевич
Институт когнитивных нейронаук
Профессиональные интересы
Должности
- Директор центра — Институт когнитивных нейронаук, Центр биоэлектрических интерфейсов
- Профессор — Факультет компьютерных наук, Департамент анализа данных и искусственного интеллекта
Био
- · Начал работать в НИУ ВШЭ в 2013 году.
- · Научно-педагогический стаж: 21 год.
Образование
- 2023 · Доктор наук: Национальный исследовательский университет "Высшая школа экономики"
- 2003 · PhD: Университет Южной Калифорнии, специальность 01.00.00 «Физико-математические науки» и 03.03.06 «Нейробиология», тема диссертации: Автоматическое неинвазивное обнаружение и анализ взаимодействия эпилептогенных зон на основании МЭГ и ЭЭГ измерений
- 1997 · Специалитет: Московский государственный технический университет им. Н.Э. Баумана, специальность «Автономные информационные и управляющие системы», квалификация «Инженер-радиотехник»
Опыт работы
- · Директор Центра биоэлектрических интерфейсов НИУ ВШЭ Ведущий научный сотрудник Центра познания и принятия решений НИУ ВШЭ Профессор кафедры анализа данных и искусственного интеллекта НИУ ВШЭ Старший научный сотрудник Центра познания и принятия решений НИУ ВШЭ
- · 2007-2013: гг. Доцент див. для высшей нервной деятельности, Биолого-почвенный факультет Санкт-Петербургского государственного университета
- · 2005-2015: гг. Независимый консультант по визуализации сигналов источника, Сан-Диего, Калифорния
- · 2003-2005: гг. Старший ученый. Source Signal Imaging Inc., Сан-Диего, Калифорния
- · 1999 — 2003: 09/ Научный сотрудник. Лаборатория нейровизуализации при USC, адв. Р. Лихи
- · 2002 — 2003: 09/ Научный сотрудник. Отделение MEG в Huntington Medical Res. Inst
- · 2001: 06/ 01/
- · 2002: Консультационный отдел химии, USC
- · 2000: 05/ 08/
- · 2000: Research Intern. Исследовательские лаборатории Хьюза, Малибу, Калифорния
- · 1998: 09/ 08/
- · 1999: Научный сотрудник. Центр интегрированных медиа-систем (IMSC, USC)
- · 1995: 03/ 07/
- · 1998: Научный сотрудник. Исследовательский центр «Модуль», Москва
- · 01.1993 — 03.1995: Научный сотрудник. Кафедра автономных систем управления МГТУ им. Н. Э. Баумана
Награды и поощрения
- · Медаль "Признание - 10 лет успешной работы" НИУ ВШЭ (июль 2025)
- · Благодарность Высшей школы экономики (сентябрь 2021)
- · Благодарность Факультета компьютерных наук НИУ ВШЭ (август 2018)
- · Надбавка за защиту докторской диссертации (2023–2026)
- · Надбавка за публикацию в международном рецензируемом научном издании (2019–2021, 2018–2020, 2017–2018)
- · Надбавка за регулярные публикации в международных рецензируемых научных изданиях (2024–2029, 2023–2028, 2021–2026)
- · Надбавка за статью в зарубежном рецензируемом журнале (2015–2017)
Гранты и проекты
- 1017 · Система регистрации и декодирования биоэлектрической активности мозга человека, госконтракт, Министерство Образования и Науки РФ, совместно с ННГУ. 2014-1017 г.
- — · Новая неинвазивная экспериментально-математическая парадигма предоперационного магнитоэнцефалографического картирования речевой коры головного мозга, Грант РФФИ 14-02-00917
- — · РФФИ 16-04-01863 Эндогенное повышение эффективности работы интерфейсов мозг-компьютер
Конференции (10)
Показать все
- · 2024: 27th European Conference on Artificial Intelligence (ECAI 2024) (Сантьяго-де-Компостела). Доклад: EEG-Based fMRI Digital Twin: Towards a Cheap and Ecological Approach to Measure Subcortical Brain Activity
- · 2023: The Fifth International Conference «Neurotechnologies and Neurointerfaces» (CNN 2023) (Kaliningrad). Доклад: Interpretable neural networks in neurointerfaces and neuroimaging methods
- · 2023: Volga Neuroscience Meeting 2023 (Нижний Новгород). Доклад: Diagnostic approaches for precision medicine in epilepsy
- · 2016: IEEE International Symposium «Video and Audio Signal Processing in the Context of Neurotechnologies» (Санкт-Петербург). Доклад: MEG correlates of internalization of social influence
- · 2016: Biomag 2016 (Сеул). Доклад: Power and shift invariant imaging of coherent sources from MEG data (PSIICoS)
- · 2015: V Международная конференция по биотехнологиям и фармацевтике ФизтехБио — 2015 (Москва). Доклад: MEG and EEG based neuroimaging of transient networks
- · 2015: Методические проблемы оценки функциональной синхронизации зон коры мозга на основании ЭЭГ-/МЭГ данных» (Москва). Доклад: МЭГ как результат активности и взаимодействия динамических сетей: метод порождающей модели
- · 2014: International conference on biomagnetism, Biomag 2014 (Галифакс). Доклад: Interaction Space RAP-MUSIC for estimation of transient networks from MEG data
- · 2014: 9th FENS Forum of Neuroscience (Милан). Доклад: MPFC activity varies with differences in social conformity: MEG study
- · 2014: Научная сессия "Проблемы мозга" Российской Академии Наук (Москва). Доклад: Эффективное нейробиоуправление на основе пространственно-временных динамических моделей
Идентификаторы исследователя
- ORCID:
0000-0001-8827-9429 - ResearcherID:
M-9067-2013 - SPIN РИНЦ:
5631-4743 - Google Scholar: https://scholar.google.ru/citations?user=uVunrzkAAAAJ&hl=en
- Scopus AuthorID:
6603011121
Публикации (98)
AI-Powered Virtual Reality System for Training Wrist Amputees to Use Advanced Prosthetic Solutions
2024 · CHAPTER · en
Individuals with upper limb amputations or congenital defects face substantial challenges in performing daily tasks, often exacerbated by limited functionality in the existing bionic prostheses. To address this, we present an AI-powered virtual reality (VR) system designed to train patients to control bionic prostheses with a high number of degrees of freedom using electromyographic (EMG) activity decoding. Current prosthetic control systems lack sophistication, relying on discrete muscle activity decoding and manual mode switching. Our system employs a novel neural network architecture pre-trained on healthy subjects, facilitating continuous decoding of residual muscle activity to control a virtual limb in the VR. Through three months of training, participants with congenital upper limb dysplasia achieved precise finger-specific control, demonstrating a low error rate and strong correlation between the target and the decoded kinematics. Importantly, the system’s adaptability and its user-friendly interface positively impacted patient experience, offering potential reduction of muscle atrophy risks and psychological benefits while preparing individuals for the use of an advanced prosthetic device. This innovative approach represents a significant step toward enhancing prosthetic functionality and improving the quality of life for upper limb amputees and congenital defect patients.
Байесовский подход к поиску функциональных сетей на основе неинвазивных МЭГ-данных
2023 · CHAPTER · ru
Картирование функционального коннектома головного мозга представляет собой одну из ключевых задач современной нейровизуализации. Магнитоэнцефалография (МЭГ) в сочетании с методами локализации источников позволяет неинвазивно оценивать функциональные связи с высоким временным и приемлемым пространственным разрешением. Наши недавние разработки (Ossadtchi et al., 2018) демонстрируют, что задача оценки связности может быть впервые сформулирована и решена в рамках многомерной байесовской парадигмы за счет перехода в пространство-произведение сигналов сенсоров. Этот подход рассматривает сами функциональные сети в качестве источников, так, что каждый “источник” представляет собой элементарную двухузловую сеть. Поэтому вычисление связности сводится к решению задачи многомерной регрессии и может быть упорядочено с помощью байесовского подхода, в котором предположения об источниках реализуются при помощи априорных распределений, извлеченных из данных о структурном коннектоме, полученных при помощи диффузионной тензорной визуализации (DTI). В рамках разработанного подхода оценка коэффициентов связности в пространстве анатомических кластеров осуществляется с помощью байесовой регрессии с L1 регуляризацией, штрафная компонента которой содержит отношение первичной оценки функциональной связности к показателям структурной связности. Это обеспечивает подавление показателей связности тех пар источников, которые характеризуются дисбалансом между структурной и проявляемой функциональной связями. Применение метода к реалистичным моделям сетей на парах кластеров с сильными и слабыми структурными связями показало его преимущество над оценкой функциональной связности без использования анатомических приоров. Получаемые решения характеризуются более высокой чувствительностью в сценариях с низким соотношением сигнал-шум. Использование метода на реальных МЭГ-данных, регистрируемых при тактильной стимуляции указательного пальца, позволяет выявить физиологически релевантные сети, задействующие соматосенсорную кору. Таким образом, сведение задачи оценки функциональной связности к многомерной регрессии открывает возможность для включения информации об анатомических связях, что повышает качество получаемых решений. В рамках дальнейшего развития подхода планируется его расширение до оценки динамических свойств связности с учетом вариабельности скорости распространения нервного импульса в зависимости от геометрических и анатомических параметров трактов белой материи
Real-time low latency estimation of brain rhythms with deep neural networks
2023 · ARTICLE · en
Objective. Neurofeedback and brain-computer interfacing technology open the exciting opportunity for establishing interactive closed-loop real-time communication with the human brain. This requires interpreting brain's rhythmic activity and generating timely feedback to the brain. Lower delay between neuronal events and the appropriate feedback increase the efficacy of such interaction. Novel more efficient approaches capable of tracking brain rhythm's phase and envelope are needed for scenarios that entail instantaneous interaction with the brain circuits. Approach. Isolating narrow-band signals incurs fundamental delays. To some extent they can be compensated using forecasting models. Given the high quality of modern time series forecasting neural networks we explored their utility for low-latency extraction of brain rhythm parameters. We tested five neural networks with conceptually distinct architectures in forecasting synthetic EEG rhythms. The strongest architecture was trained to simultaneously filter and forecast EEG data. We compared it against state-of-the-art techniques using synthetic and real data from 25 subjects Main results. The Temporal Convolutional Network (TCN) remained the strongest forecasting model that achieved in the majority of testing scenarios >90% rhythm's envelope correlation with Significance. Here we have for the first time demonstrated the utility of the neural network approach for low-latency narrow-band filtering of brain activity signals. Our proposed approach coupled with efficient implementation enhances the effectiveness of brain-state dependent paradigms across various applications. Moreover, our framework for forecasting EEG signals holds promise for investigating the predictability of brain activity, providing valuable insights into the fundamental questions surrounding the functional organization and hierarchical information processing properties of the brain.
PSIICOS projection optimality for EEG and MEG based functional coupling detection
2023 · ARTICLE · en
Functional connectivity is crucial for cognitive processes in the healthy brain and serves as a marker for a range of neuropathological conditions. Non-invasive exploration of functional coupling using temporally resolved techniques such as MEG allows for a unique opportunity of exploring this fundamental brain mechanism. The indirect nature of MEG measurements complicates the estimation of functional coupling due to the volume conduction and spatial leakage effects. In the previous work (Ossadtchi et al., 2018), we introduced PSIICOS, a method that for the first time allowed us to suppress the volume conduction effect and yet retain information about functional networks whose nodes are coupled with close to zero or zero mutual phase lag. In this paper, we demonstrate analytically that the PSIICOS projection is optimal in achieving a controllable trade-off between suppressing mutual spatial leakage and retaining information about zero- or close to zero-phase coupled networks. We also derive an alternative solution using the regularization-based inverse of the mutual spatial leakage matrix and show its equivalence to the original PSIICOS. We then discuss how PSIICOS solution to the functional connectivity estimation problem can be incorporated into the conventional source estimation framework. Instead of sources, the unknowns are the elementary dyadic networks and their activation time series are formalized by the corresponding source-space cross-spectral coefficients. This view on connectivity estimation as a regression problem opens up new opportunities for formulating a set of principled estimators based on the rich intuition accumulated in the neuroimaging community.
Improvement in Psychological Well-Being and Changes in Brain and Autonomic Nervous System Activity in Novices After Taoist Meditation Training
2023 · CHAPTER · en
There is a growing body of scientific evidence that supports positive effects of mindfulness practices on physical and mental health. To further extend the knowledge about the effects of meditation that occur during and after meditation practice, this study examined changes in physiological and brain activity parameters following 8 weeks of meditation training (2 sessions per week). The current study also sought to investigate whether an individual's physiological approach could be detected in the early stages of meditation training, as we are considering the development of a device that could assist individuals in the early stages of their meditative practice.
Brain State-Triggered Stimulus Delivery Helps to Optimize Reaction Time
2023 · CHAPTER · en
In the present study, a fast and adaptive technique for the presentation of stimuli based on ongoing brain rhythm is described. Sensorimotor cortical mu rhythm (divided by two components: alpha (mu) and beta) was used as target for assessment of prestimulus rhythm’s power influence on the consequent reaction time. The final sample consisted of 15 participants who was instructed to response immediately after change of stimuli color. As a result of the method application, a longer reaction time in the case of highly synchronized beta oscillations compared to desynchronization was achieved in the simple reaction time task. It indicates, firstly, a crucial role of baseline, prestimulus beta in motor action initiation and, secondly, the possibility to change reaction using adaptive processing and timing of presentation in real-time.
Optimal Decision-Making Duration
2023 · CHAPTER · en
Decision-making is a complex and prolonged process. In this study, we present an adaptive algorithm designed to explicitly estimate the duration of perceptual decision-making in the Random Dot Motion Task. The algorithm effectively disentangles the duration of the preparation period for the subject's decision on the direction of movement of the dots from the period required for the realisation of the motor response. Participants, under both easy and hard conditions, determined the motion direction of the dots on the screen, employing both standard and adaptive task settings. Notably, we observed a longer reaction time for the hard condition compared to the easy condition in the standard task. Conversely, the adaptive task revealed a longer duration of the preparatory period for the hard condition compared to the easy condition. However, reaction times in the adaptive task did not differ significantly between conditions. Thus, the algorithm proves valuable in distinguishing between the duration of decision-making, which is influenced by the task's difficulty, and the motor reaction realization time, which remains independent of the task's difficulty. This distinction allows for more accurate exploration of decision-making processes in both healthy individuals and patients with cognitive and motor impairments. The algorithm's implementation opens up promising avenues for enhancing our understanding of decision-making mechanisms across diverse populations.
Augmented Mirror Hand (MIRANDA): Advanced Training System for New Generation Prosthesis
2023 · CHAPTER · en
This paper presents a novel training system called the Augmented Mirror Hand (MIRANDA) for advanced prosthetic devices. MIRANDA utilizes virtual reality technology and electromyographic data to train the control system of the prosthesis. The system includes an experimental environment, a hand reflection module, and an aggregation module to collect and store synchronized data. A machine learning algorithm is then trained on the collected data to predict the expected movements of the arm. The experiment was conducted with 10 healthy volunteers, and the results showed a prediction error of around 7 degrees accuracy with a CNN-based decoder. MIRANDA has the potential to be used in combination with other paradigms to record muscle electrical activity data in amputees and support the learning of controlling advanced bionic prosthetic devices, which can lead to more intuitive prosthetic control. The proposed system can also contribute to improving the economic and social outcomes for amputees by better preparing them for the use of advanced prosthetic devices.
Мгновенная нейрообратная связь (INeurofeedback)
2023 · CHAPTER · ru
Экспериментальные парадигмы современной нейронауки часто подразумевают замкнутый контур взаимодействия с головным мозгом, реализуемый посредством предъявления испытуемому сигнала обратной связи (ОС), отражающего текущую нейрональную активность. Предъявление сигнала ОС может осуществляться как посредством естественных органов чувств, так и при помощи воздействия на мозг с использованием методов прямой кортикальной стимуляции. Как правило в качестве информативного сигнала, отражающего активность мозга выступают динамически меняющиеся мгновенная фаза и мощность ритмической активности головного мозга. В современных системах и подавляющем большинстве реализаций экспериментальных парадигм замкнутого контура задержка между изменением информативного нейронального сигнала и моментом предъявления сигнала обратной связи превышает 500 мс, что существенно снижает эффективность процесса оперантного обучения (Belinskaya et al., 2020). Задержки, близкие к нулю, потенциально могут индуцировать естественные эффекты нейропластичности, работающие в коротком временном окне длительностью порядка нескольких десятков миллисекунд. Мы реализовали алгоритмы фильтрации с малой задержкой cFIR (Smetanin et al., 2020) и SSPE (Wodeyar, 2021), которые обеспечивают оценку параметров ритмов с близкой к нулю задержкой на операционной системе энцефалографа NVX52 (ООО МКС), что позволило сократить технические задержки и довести полную задержку в оценке огибающей до 50 мс, а в оценке фазы 12 мс. Получаемые временные ряды, несущие информацию о мгновенных параметрах огибающей и фазы ритмов мозга, могут быть использованы в системах нейрообратной связи нового поколения. Оценки эффективности парадигм нейрообратной связи в ряде терапевтических приложений должны быть пересмотрены с учетом зависимости эффективности обучения от величины задержки нейрообратной связи, продемонстрированной в (Belinskaya et al., 2020) и с использованием разработанных нами программно-аппаратных средств технологии мгновенной обратной связи (iNeurofeedback). Область применимости разработанного решения не ограничивается системами нейрообратной связи, но также может быть использована в парадигмах состояниезависимой ТМС стимуляции головного мозга, а также в экспериментах с использованием транскраниальной стимуляции переменным током для привязки фазы стимулирующего сигнала к фазе ритмической активности мозга
На пути к детальному декодированию естественных двигательных намерений по электромиограмме
2023 · CHAPTER · ru
Несмотря на последние достижения (Fajardo et al., 2020; Okorokova et al., 2015), создание систем, сочетающих распознавание по электромиографической активности естественных намерений к движению отдельными пальцами или сложными жестами остается проблемой (Pasluosta et al., 2022). Актуальной является задача создания систем обучения пациентов управлению протезом на ранних этапах ампутации. Исследование включает разработку системы бесконтактного сбора синхронной кинематики руки и высокоплотной ЭМГ с небольшого участка запястья; выявление значимых особенностей в ЭМГ активности для обучения модели; тестирование существующей архитектуры нейронной сети (Petrosyan et al., 2021) для прогнозирования движений; разработку системы итерационного совместного обучения пациента и алгоритма управления виртуальным протезом. Участие в исследовании приняли 8 здоровых людей без нервно-мышечных расстройств в анамнезе. Была разработана процедура онлайн-синхронизации временного ряда кинематических параметров, оцениваемых из видеопотока (Lugaresi et al., 2019), и 64-канальной ЭМГ, собираемой сеткой электродов высокой плотности (4x4 см) над мышцами flexor carpi radialis, palmaris longus, flexor carpi ulnaris. Условия процедуры включали движения отдельными пальцами и фиксацию 7 жестов в каждом из 4 положений руки: 1) поднята на локте, 2) лежит на столе, 3) поднята на локте и сжата в кулак, 4) заблокирована для движений (считывание координат с другой руки). Запись каждого условия велась 10 минут. Анализ независимых компонент (ICA) показал наличие компонент, связанных с движением каждого отдельного пальца. В среднем было выделено 2.3 ЭМГ-компоненты (ст. откл. = 0.7), которые имеют высокую степень корреляционной связи с кинематикой. Была разработана итерационная процедура, основанная на усложнении заданий по синхронному выполнению движений зафиксированной и свободной руками. Тренировка декодера на каждом шаге использовала зеркально отраженную кинематику “здоровой” (не зафиксированной) руки. Оценка предсказаний модели велась по расчётам среднего угла отклонения от настоящих движений (показатель MAE). Лучшие результаты имеют условия с движениями отдельных пальцев (9±2) и с блокировкой движений (10±2), худшие – движения из кулака (20±5). Итерационная процедура демонстрирует хорошую сходимость. В настоящее время ведется доработка системы и интеграция с устройствами дополненной реальности для создания тренажера по обучению ампутантов управлению протезом с большим числом степеней свободы
Курсы (1)
-
Mathematical Aspects of EEG and MEG Based Neuroimaging · 5 раза
2025/2026, 2024/2025, 2023/2024, 2022/2023, 2021/2022 · Магистратура / Маго-лего · Анг