Использование нейроэмуляторов в медицине и психофизиологии Текст научной статьи по специальности «Медицинские технологии»

JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 258-264

УДК: 611.1 DOI: 10.24411/1609-2163-2018-16260

ИСПОЛЬЗОВАНИЕ НЕЙРОЭМУЛЯТОРОВ В МЕДИЦИНЕ И ПСИХОФИЗИОЛОГИИ

Н.А. ФУДИН*, В.Е. ЯКУНИН", В.В. ПОЛУХИН***, С.В. ГРИГОРЬЕВА**"

**ФГБОУ НУ НИИ нормальной физиологии им. П.К. Анохина, ул. Балтийская, д. 8, г. Москва, 125315, Россия **ФГБОУ ВО «Тольяттинский государственный университет», ул. Белорусская, д. 14, г. Тольятти, Самарская обл., 445020, Россия ***ФГБОУВПО «Самарский государственный университет, ул. Ак. Павлова, д. 1, г. Самара, 443011, Россия ""ООО «КБ "АССА"», ул. Энергетиков, д. 22, офис 706, г. Сургут, ХМАО-Югра, 628412, Россия

Аннотация. На сегодня задача системного синтеза (отыскание параметров порядка - главнейших диагностических признаков в медицине) остается неформализованной и нерешенной. Однако, в 80-х гг. XX-го века были открыты новые алгоритмы обучения нейроэмуляторов и нейро-ЭВМ в целом, которые существенно ускорили процесс настройки искусственных нейросетей. В настоящем сообщении вводятся два новых принципа работы нейро-ЭВМ в виде многократных ревербераций, повторений настройки нейро-ЭВМ, и задания хаотических весов wo диагностических признаков нейроэмуляторов. Эти принципы резко изменяют возможности работы нейросети в диагностике различий выборок параметров гомеостаза человека на Севере РФ, когда выборки статистически не различаются для различных гомеостазов. Введение этих принципов резко повышает возможности нейро-ЭВМ в клинической медицине и физиологии. Представлены характерные примеры из области физиологии человека (на примере широтных перемещений школьников с севера на юг и обратно). Использование нейроэмуляторов в режиме бинарной классификации при реализации этих двух принципов (с реверберацией и хаосом начальных весов wio диагностических признаков xi) обеспечивает решение задачи системного синтеза - отыскание параметров порядка x* из всех Xi (i=1,2,...,m) , т.е. переход от размерности m (числа m этих диагностических признаков xi) к числу n (n<<m). Сейчас в медицине все базируется на стохастике (что ошибочно), а решение задачи идентификации параметров порядка (системного синтеза) не формализовано не только в медицине, но и в биологии в целом.

Ключевые слова: реверберации, хаос параметров, системный синтез, нейронный компьютер.

Введение. Применение искусственных нейросетей - НЭВМ (нейро-ЭВМ или их аналогов для НЭВМ - нейроэмуляторов) в медицине, психологии, физиологии и экологии человека наталкивается на серьезные трудности. После 1980-го года, когда В.А. Охонин в г. Красноярске предложил алгоритм back propagation в медицине и биологии, резко сократилось время на вычисления с помощью НЭВМ. Но проблемы широкого применения НЭВМ в биомедицине остаются нерешенными. НЭВМ остается недооцененным инструментом в работе врача, биолога, физиолога, психолога, т.е. любых практиков или экспериментаторов. Для клиницистов (врачей), а также для психологов, которые работают с различными выборками параметров Xi, описывающих гомеостаз организма человека как в норме, так и при патологии, очень часто возникают задачи по идентификации наиболее важных диагностических признаков Xi. Эти признаки Xt входят в общий вектор x=x(t)=(xi, x2,..., Хт)г,описывающий параметры психологи-

ческого или физиологического гомеостаза организма человека [15,17,18,20,21] как в нормо-генезе, так и при патологии [1,3,4,6,12,13].

Слабое использование НЭВМ в медицине, физиологии и психологии человека заключается как в недооценке возможностей НЭВМ, так и в узких диапазонах их применения. Сейчас у медиков и психологов нет полного понимания реальности возникновения неопределенностей 1-го и 2-го типов при анализе различных получаемых выборок в ходе медицинского наблюдения за пациентом или при изучении параметров гомеостаза у людей, находящихся в разных физиологических условиях. Речь идет, в первую очередь, о гомеостазе кардио-респираторной системы (КРС) - одной из главных функциональных систем организма человека (ФСО) и нервно-мышечной системы - НМС. Работа этих ФСО существенно определяется работой нейросетей мозга [13,14,16,18,19,22], которые демонстрируют хаос электроэнцефалограмм (ЭЭГ) [3,4,6,12,13,21].

JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 258-264

Напомним, что неопределенность 1-го типа возникает, когда биосистема находится в разных гомеостатических состояниях Hi и H2 (т.е. H1^H2), а ее выборки xt не показывают существенных статистических различий между этими H1 и H2. С другой стороны, неопределенность 2-го типа возникает, когда мы у одного и того же человека (в неизменном состоянии) получаем подряд разные статистические функции f(xi), т.е. выборки не совпадают (в одинаковом гомеостазе, т.е. при Hi=H) в j-м и j+1-м измерениях. Эти две соседние выборки (в любых j-х и j+1-х измерениях) демонстрируют разные статистические функции распределения fj(xi), т.е. fj(xi)^f+i(xi) с вероятностью p50,95.

Объекты и методы исследования. Шесть параметров КРС исследовались у группы девочек (жителей ХМАО-Югры) в возрасте 7-12 лет, которые перевозились в весенний период из г. Сургута (за сутки средняя температура воздуха to1= -15oC) в г. Туапсе (оздоровительный лагерь «Юный Нефтяник»). Измерение этих 6-ти xi (i=1,2,...,6) - диагностических признаков (параметров КРС) производилось с помощью программно-аппаратного комплекса «Элокс-1», который обсчитывает 16 параметров КРС. Регистрацию этих xi производили за пять минут, т.е. было получено не менее 300 точек (значений xi) по всем 16-ти параметрам xi (i=1,2,...,m) КРС. В настоящем исследовании использовались только некоторые показатели нейровегетативной системы (НВС), в частности: xi - SIM - показатель активности симпатического отдела вегетативной системы (у.е.); x2 -PAR - показатель активности парасимпатического отдела (у.е.); x3 - SDNN - стандарт отклонения измеряемых кардиоинтервалов - КИ (мс); x4 - INB - индекс напряжения (по Р.М. Ба-евскому); x5 - SSS - число ударов сердца в минуту; x6 - SpO2 - уровень оксигенации крови (уровень оксигемоглобина), x7 - КИ, длительность кардиоинтервала в мсек.

В результате выполненных измерений были получены наборы выборок xi, которые сравнивались между собой в четырех точках измерений: 1-я точка - до приезда, 2-я точка - по приезду, 3-я точка - перед отъездом из Туапсе, 4-я точка - по возвращению в г. Сургут. Все эти 4-е набора выборок xi (по семь выборок в каждом наборе из 4-х) статистически сравнивались между собой (попарно, по критерию Ньюмана-Келсо). При этом использовалась программа Statistica.10. Работа выполнялась в рамках рас-

чета критерия Вилкоксона, т.к. в 4-х точках сравнивалась одна и та же группа испытуемых. Попарное сравнение выборок каждого х, обеспечивало регистрацию статистического совпадения этих двух выборок х{ (т.е. возникала возможность их отнесения (этих двух выборок х,) к одной генеральной совокупности) или такая возможность отсутствовала и эти две выборки Х{ не являлись статистически сходными (они статистически различаются) [5,7-11,17].

Если выборки совпадали, то это означает, что по этому диагностическому признаку х, го-меостазы Н и И2 (или другие пары И2 и Нз и т.д.) статистически не различаются, т.е. Н1=Н2. В этом случае, например, можно сделать вывод, что широтные перемещения (или лечебные мероприятия) не оказали никаких воздействий на организм. В таком случае мы говорим о возникновении неопределенности 1-го типа (выборки статистически не различаются, но гомеостазы не совпадают, Н1фН2 и т.д.) [2-4,18].

При возникновении неопределенности 1-го типа мы используем НЭВМ (точнее, аналог НЭВМ - нейроэмулятор ЫеитоРто), который в режиме бинарной классификации обеспечивал разделение выборок по всем х,. В самом начале нового алгоритма мы применяли к НЭВМ два подхода. Во-первых, с помощью ЭВМ мы моделировали реверберации искусственных нейро-сетей мозга (многократные повторения ревер-бераций одной и той же задачи разделения выборок). Во-вторых, на каждой такой единичной итерации (решение задачи бинарной классификации) мы из хаотического интервала (0,1) выбирали значение начальных параметров Мо весов признаков х,. Это означает, что НЭВМ на каждой итерации не могла находиться в неизменном состоянии, она повторно (и хаотически) изменяла Мо. Эти оба принципа работы НЭВМ полностью моделировали работу реальной нейросети мозга. В целом, нейроэмулятор в режиме ревербераций и хаоса реализовал новые примеры работы реальных нейросетей мозга, т.к. всегда ЭЭГ демонстрировали хаос и реверберации (нет йх/йь=0).

Результаты и их обсуждение. Группа девочек во всех четырех состояниях (при парных сравнениях 6-ти параметров х, КРС) демонстрировала устойчиво многочисленное совпадение выборок х. Иными словами, мы четко регистрируем неопределённость 1-го типа при широтных перемещениях. Поскольку нас интересует оценка эффективности проводимых ле-

JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 258-264

чебно-оздоровительных мероприятий в комплексе «Юный Нефтяник» (г. Туапсе), то мы сейчас выполнили сравнение именно в 3-х точках регистрации, т.е. приезд, после лечения (точка 3) и по прибытию в г. Сургут (точка 4).

В табл. 1 представлены результаты статистического сравнения основных параметров х; для группы девочек (30 человек). Отсюда следует, что многие х; показывают статистические совпадения выборок Х;, т.к. для таких выборок мы имеем критерий Вилкоксона р>0,05. Такие выборки совпадают, но оказывается, что го-меостазы Н2, Нз, Н4 будут разные. Для проверки такого утверждения мы использовали нейро-эмулятор (ЫеитоРто) в режиме п=50 итераций -повторений задачи разделения выборок. При этом на каждом шаге итерации мы брали в качестве начальных параметров весов w;o признаков хаотические значения (из равномерного распределения на интервале Ш;о (0,1)). Отметим, что только Нз и Н4 даст 2 признака с отличием (р<0,05).

Таблица 1

Критерий Вилкоксона для парных сравнений интегрально-временных параметров Xi в шестимерном фазовом пространстве состояний (т=6) параметров ССС девочек (п=30) при широтных перемещениях в 4-х связанных выборках (р<0,05 для разных выборок)

Группы сравнения Уровни значимости р для признаков xi

девочки SIM PAR SSS SDNN INB SpO2

2 и 3 0,26 0,11 0,09 0,20 0,19 0,03

2 и 4 0,85 0,79 0,46 0,65 0,69 0,68

3 и 4 0,02 0,12 0,02 0,11 0,27 0,78

Хаос и реверберации обеспечили многократное разделение всех выборок Х;, которые статистически не различались. Была решена задача раскрытия неопределенности 1-го типа, когда статистические гомеостазы Н2, Нз, Н4 не различаются (см. табл.1), а с помощью искусственной нейросети (нейроэмулятора) мы можем разделить выборки Х; для всех этих пар сравнений (Н1 с Н2 и Нз с Н4). Результаты 50-ти повторений разделения выборок Н2 и Нз представлены в виде диаграммы (рисунка) распределения всех весов w; для признаков х;. Очевидно, что некоторые х; имеют доминирующий характер (их среднее <м^> по всем 50-ти итерациям больше 0,5, т.е. ^¡>>0,5). Имеются х; с небольшими значениями ^¡> [4,13,14,16,18].

Результаты ранжирования для этих пар

сравнения всех этих Xi (их весов wi) представлены в сводной табл. 2 именно для сравнения го-меостазов H2 и H3. Аналогичные результаты (но с другими <w;>) были получены для сравнения Нз и H4, что тоже представлено в табл. 2. В целом, нейроэмулятор в режиме n-кратных повторов решения задачи бинарной классификации (разделения Hk и Hg - двух разных гомео-стазов) четко в итоге представляет и задачу (ее решение) ранжирования признаков Xi для всех пар сравнения Xi - SIM является параметром порядка. Например, для пары сравнения Н2 и Нз параметры порядка - это х1 (wi=0,78) и х5 (w5=0,89). Однако в паре Нз и Н4 уже х5 имеет низкое значение (wj=0,46).

Таблица 2

Расчёт весовых коэффициентов w для шести признаков (параметров) Xi ССС школьников при широтных перемещениях (девочки) в режиме многих n итераций (и$50)

Расчеты итераций по выборкам (N>50) Веса Wi признаков Xi после N=50 итераций НЭВМ

n=50 /=(!,-, 50) Xi SIM X2 PAR X3 SSS X4 SDNN X5 INB X2 SPO2

2 и 3 0,78 0,63 0,27 0,65 0,89 0,25

3 и 4 0,98 0,34 0,34 0,50 0,46 0,29

Рис. Диаграмма распределения весов Wi признаков х; состояния ССС девочек во 2-ом и 3-ем измерениях для каждого /-того обучения (метод градиентного спуска) искусственной нейронной сети (/=1,.., 50), при хаотическом начальном «встряхивании» w;o£(0,1) из равномерного распределения

ВЕСТНИК НОВЫХ МЕДИЦИНСКИХ ТЕХНОЛОГИЙ - 2018 - Т. 25, № 4 - С. 258-264 JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 258-264

Отметим, что ранжирование признаков х, обеспечивает решение задачи системного синтеза. В этом случае, из многих динамических признаков х, мы выбираем х,* где г=1, 2, ..., п, при п<<т. Этот системный синтез обеспечивает нам понижение размерности т фазового пространства состояний, т.е. выбор главных диагностических признаков х*. До настоящего времени эта задача не формализована и не решена математически в медицине [4,9,10,1318,20,21]. Изменения весов при 50-ти итерациях НЭВМ представлены на рисунке, где столбики - веса м на ¡-й итерации.Доказательность реальности неопределенности 1-го и 2-го типов в медицине и психологии резко изменяет общий подход в применении статистических методов во всех науках о живом. Очевидно, что методы стохастики не могут дать положительных результатов из-за непрерывного хаоса выборок х¡. Использование НЭВМ существенно изменяет ситуацию - теперь можем решать и задачи системного синтеза [5,7-11,17,20,22].

Подчеркнем, что нейроэмулятор (НЭВМ) в режиме ревербераций и хаоса реально воспроизводит эвристическую работу мозга. В режиме минимума информации (а у нас еще имеются и ошибки со стороны стохастики - она не показывает статистических различий по всем х, между двумя различными гомеостазами!) мы можем получить реальные различия между выборками х,, но с позиции новых методов теории

хаоса-самоорганизации. До настоящего времени это выполнить было невозможно в рамках функционального анализа и стохастики [1,39,11-14,19,22].

Выводы:

1. В биомедицине и психофизиологии возникают задачи, когда выборки из разных го-меостазов (Н1 и Н2) статистически совпадают. Такую ситуацию мы обозначаем как неопределенность 1-го типа. Ее решение в рамках современной науки невозможно, т.е. статистика делает ошибки.

2. Применение нейроэмуляторов (и НЭВМ) в режиме работы реальных нейросетей мозга, т.е. в режиме реверберации и хаоса, приводит к разделению (установлению различий) между выборками х{ для двух, якобы одинаковых, го-меостазов Н2 и Нз. В режиме ревербераций и хаоса мы можем получить разделение (различие) двух гомеостазов (у нас - для группы обследуемых). Подчеркнем, что эта процедура применима как для группы, так и для отдельного человека. В последнем случае мы переходим к индивидуализированной медицине.

3. Одновременно при этом решается и задача системного синтеза - ранжирование признаков и нахождение параметров порядка - х*. До настоящего времени эта задача в общем виде не решена. Она моделирует эвристическую деятельность мозга (работу врача) и она не решается в рамках современной науки.

THE USE OF NEURONAL EMULATORS IN MEDICINE AND PSYCHOPHYSIOLOGY

N.A. FUDIN*, V.E. YAKUNIN**, V.V. POLUHIN***, S.V. GRIGORIEVA****

*FSBEI SI Research Institute of Normal Physiology named after P.K. Anokhin, 8, Baltiyskaya St., Moscow, 125315, Russia "FSBEI HE Toliatty State University, 14, Belorusskaya St., Toliatty, Samara region, 445020, Russia ***FSBEIHPE Samara State University, 1, Ac. Pavlov St., Samara, 443011, Russia ""LLC «CB "ASSA"», 22, Energetikov St., office 706, Surgut, HMAO-Ugra, 628412, Russia

Abstract. At the moment, the task of system synthesis has no solution and formalization (search for order parameters - the main diagnostic features in medicine). However, in the 1980 of the 20th century, new algorithms for learning neural emulators and a neural computer were discovered. These discoveries significantly accelerated the process of setting up artificial neural networks. In this article, two new principles of the work of neural computer are introduced in the form of multiple reverberations, repetitions of setting up a neural computer, and setting chaotic weights wo of diagnostic signs of neural emulators. These principles dramatically change the possibilities for the operation of the neural network in diagnosing differences in the sampling of parameters of human homeostasis in the Russian North (samples are not statistically different for different homeostasis). In addition, the introduction of these principles dramatically improves the capabilities of neural computer in clinical medicine and physiology. The report presents typical examples

JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 258-264

from the field of human physiology (on the example of latitudinal movements of pupils from north to south and back). The use of neural emulators in the binary classification mode in the implementation of these two principles (reverberation and chaos of the initial weights wo of diagnostic features xi) provides a solution to the problem of system synthesis - search for order parameters xi * from all xi (i = 1,2, ..., m), i.e. transition from the dimension m (the number m of these diagnostic features xi) to the number n (n << m). Now medicine is based on stochastics (this is a mistake). Also, the solution of the task of identifying order parameters (system synthesis) is not formalized not only in medicine, but also in biology in general.

Key words: reverberation, chaos of parameters, systemic synthesis, neural computer.

Работа выполнена по гранту РФФИ № 18-47-860001 «Разработка вычислительной системы для идентификации параметров тремора при стресс-воздействиях в психофизиологии».

Литература

1. Белощенко Д.В., Курманов И.Г., Самсонов И.Н., Чертищев А.А. Оценка параметров электромио-грамм в условиях стресс-реакции // Сложность. Разум. Постнеклассика. 2018. № 1. С. 5-13. DOI: 10.12737/article_5aaa6efd4225c4. 47888817.

References

1. Beloshchenko DV, Kurmanov IG, Samsonov IN, CHertishchev AA. Ocenka parametrov ehlektromio-gramm v usloviyah stress-reakcii [Estimation of parameters of the EMG in terms of the stress-response]. Slozhnost'. Razum. Postneklassika. 2018;1:5-13. DOI: 10.12737/article_5aaa6efd4225c4. 47888817. Russian.

2. Буданов В.Г., Хадарцев А.А., Филатова О.Е., Попов Ю.М. Эволюция понятия гомеостаза в рамках трех парадигм: от организма человека к социумам и биосфере Земли // Complexity. Mind. Postnonclassic. 2015. № 2. С. 55-65.

2. Budanov VG, Hadarcev AA, Filatova OE, Popov YUM. EHvolyuciya ponyatiya gomeostaza v ram-kah trekh paradigm: ot organizma cheloveka k soci-umam i biosfere Zemli [Evolution of the concept of homeostasis within three paradigms: from the human body to the societies and the earth's biosphere]. Complexity. Mind. Postnonclassic. 2015;2:55-65. Russian.

3. Еськов В.В. Возможности термодинамического подхода в электромиографии // Вестник кибернетики. 2017. № 4. С. 109-111.

4. Еськов В.В. Математическое моделирование гомеостаза и эволюции complexity: монография. Тула: изд-во ТулГУ, 2016. 372 с.

5. Еськов В.В., Гавриленко Т.В., Еськов В.М., Во-хмина Ю.В. Феномен статической нестабильности в системах секреции типа 3: Complexity // Техническая физика. 2017. Т. 62, №. 11. С. 1611-1616.

6. Еськов В.В., Дудин Н.А., Горбунова Д.С., Мороз О.А. Межаттракторные расстояния вектора ВСР у хирургических больных // Сложность. Разум. Постнеклассика. 2018. № 1. С. 37-44. DOI: 10.12737/article_5aaa6dcbb9fb10.61118128.

3. Es'kov VV. Vozmozhnosti termodinamicheskogo podhoda v ehlektromiografii [Possible thermodynam-ic approach to electromyography]. Vestnik kiberneti-ki. 2017;4:109-11. Russian.

4. Es'kov VV. Matematicheskoe modelirova-nie gomeostaza i ehvolyucii complexity: mo-nografiya [Mathematical modelling of homeos-tasis and the evolution of complexity: the mo-nograph]. Tula: izd-vo TulGU; 2016. Russian.

5. Eskov VV, Gavrilenko TV, Eskov VM, Vochmina YuV. Phenomenon of statistical instability of the third type systems - complexity. Technical Physics. 2017;62(11):1611-6.

6. Es'kov VV, Dudin NA, Gorbunova DS, Moroz OA. Mezhattraktornye rasstoyaniya vektora VSR u hirur-gicheskih bol'nyh [Megafactories the distance vector of HRV in surgical patients]. Slozhnost'. Razum. Postneklassika. 2018;1:37-44. DOI: 10.12737/article_5aaa6dcbb9fb10.61118128. Russian.

7. Еськов В.В., Филатова О.Е., Гавриленко Т.В., Горбунов Д.В. Хаотическая динамика параметров нейромышечной системы и проблемы эволюции Complexity // Биофизика. 2017. Т. 62, № 6. С. 961-

7. Es'kov VV, Filatova OE, Gavrilenko TV, Gorbu-nov DV. Haoticheskaya dinamika parametrov nejro-myshechnoj sistemy i problemy ehvolyucii Complexity [Chaotic dynamics of the neuromuscular system

JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 258-264

966.

8. Еськов В.М., Гудков А.Б., Баженова А.Е., Козу-пица Г.С. Параметры тремора у женщин с различной физической подготовкой в условиях Севера России // Экология человека. 2017. № 3. С. 38-42.

and the problems of evolution Complexity]. Biofizika. 2017;62(6):961-6. Russian.

8. Es'kov VM, Gudkov AB, Bazhenova AE, Kozupica GS. Parametry tremora u zhenshchin s raz-lichnoj fizicheskoj podgotovkoj v usloviyah Severa Rossii [Tremor parameters in women with different physical training in the North of Russia]. EHkologiya cheloveka. 2017;3:38-42. Russian.

9. Еськов В.М., Еськов В.В., Гавриленко Т.В., Вохмина Ю.В. Формализация эффекта «Повторение без повторений», открытого Н.А. Бернштей-ном // Биофизика. 2017. Т. 62, № 1. С. 143-150.

9. Es'kov VM, Es'kov VV, Gavrilenko TV, Vohmina YUV. Formalizaciya ehffekta «Povtorenie bez povto-renij», otkrytogo N.A. Bernshtejnom [Formalization of the "Repetition without repetition" effect opened by N. Ah. Bernstein.]. Biofizika. 2017;62(1):143-50. Russian.

10. Еськов В.М. Еськов В.В., Вохмина Ю.В., Горбунов Д.В., Ильяшенко Л.К. Энтропия Шеннона в исследовании стационарных режимов и эволюция сложных систем // Вестник Московского Университета: физика. 2017. Т. 72, № 3. С. 309-317.

11. Еськов В.М. Филатова O.E., Еськов В.В., Гав-риленко Т.В. Эволюция представлений о гомео-стазе: Детерминизм, стохастика и хаос-самоорганизация // Биофизика. 2017. Т. 62, № 5. С. 809-820.

10. Eskov VM, Eskov VV, Vochmina YV, Gorbunov DV, Ilyashenko LK. Shannon entropy in the research on stationary regimes and the evolution of complexity. Moscow University Physics Bulletin. 2017;72(3):309-17.

11. Eskov VM, Filatova OE, Eskov VV, Gavrilenko TV. The Evolution of the Idea of Homeostasis: Determinism, Stochasticsand Chaos-Self-Organization. Biophysics. 2017;62(5):809-20.

12. Еськов В.М., Галкин В.А., Филатова О.Е. Complexity: хаос гомеостатических систем: монография / Под ред. Г.С. Розенберга. Самара: изд-во ООО «Потро-принт», 2017. 388 с.

12. Es'kov VM, Galkin VA, Filatova OE. Complexity: khaos gomeostaticheskikh sistem: monografiya [Complexity: chaos of homeostatic systems: monograph]. Pod red. G.S. Rozenberga. Samara: izd-vo OOO «Potro-print»; 2017. Russian.

13. Еськов В.М., Галкин В.А., Филатова О.Е. Конец определенности: хаос гомеостатических систем: монография / Под ред. А.А. Хадарцева, Г. С. Розенберга. Тула: изд-во ООО «ТППО», 2017. 596 с.

13. Es'kov VM, Galkin VA, Filatova OE. Konets opre-delennosti: khaos gomeostaticheskikh sistem [End of certainty: chaos of homeostatic systems]. Tula; 2017. Russian.

14. Еськов В.М., Зинченко Ю.П., Филатова О.Е. Признаки парадигмы и обоснование третьей парадигмы в психологии // Вестник московского университета. Серия 14: Психология. 2017. №. 1. С. 3-17.

14. Es'kov VM, Zinchenko YuP, Filatova OE. Priznaki paradigmy i obosnovanie tret'ey paradigmy v psikho-logii [Signs of the paradigm and the rationale for the third paradigm in psychology]. Vestnik moskovskogo universiteta. Seriya 14: Psikhologiya. 2017;1:3-17. Russian.

15. Зилов В.Г., Хадарцев A.A., Еськов В.В., Есь-ков В.М. Экспериментальное изучение выборок статистической устойчивости выборок кардиоин-тервалов // Вестник экспериментальной биологии и медицины. 2017. Т. 164, № 2. С. 115-117.

15. Zilov VG, Khadartsev AA, Eskov VV, Eskov VM. Experimental Study of Statistical Stability of Car-diointerval Samples. Bulletin of experimental biology and medicine. 2017;164(2):115-7.

16. Зилов В.Г., Хадарцев А.А., Иляшенко Л.К., Есь-ков В.В., Миненко И.А. Экспериментальные исследования хаотической динамики биопотенциалов мышц при различных статических нагрузках

16. Zilov VG, Hadarcev AA, Ilyashenko LK, Es'kov VV, Minenko IA. EHksperimental'nye issledovaniya haoticheskoj dinamiki biopotencialov myshc pri raz-lichnyh staticheskih nagruzkah [Experimental studies

JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 258-264

// Бюллетень экспериментальной биологии и медицины. 2018. Т. 165, № 4. С. 400-403.

17. Ильяшенко Л.К., Баженова А.Е., Берестин Д.К., Григорьева С.В. Хаотическая динамика параметров треморограмм в условиях стресс-воздействий // Российский журнал биомеханики. 2018. Т. 22, № 1. С. 62-71.

18. Мирошниченко И.В., Григоренко В.В., Филатова Д.Ю., Мнацаканян Ю.В., Особенности поведения параметров сердечно-сосудистой системы школьников при широтных перемещениях // Сложность. Разум. Постнеклассика. 2018. № 1. С. 45-51. DOI: 10.12737/article_5aaa6e6c9be127. 70940497.

of chaotic dynamics of muscle biopotentials under various static loads]. Byulleten' ehksperimental'noj biologii i mediciny. 2018;165(4):400-3. Russian.

17. Il'yashenko LK, Bazhenova AE, Berestin DK, Gri-gor'eva SV. Haoticheskaya dinamika parametrov tre-morogramm v usloviyah stress-vozdejstvij [Chaotic dynamics of tremorogramm parameters under stress effects]. Rossijskij zhurnal biomekhaniki. 2018;22(1):62-71. Russian.

18. Miroshnichenko IV, Grigorenko VV, Filatova DYU, Mnacakanyan YUV. Osobennosti povedeniya parametrov serdechno-sosudistoj sistemy shkol'nikov pri shirotnyh peremeshcheniyah // Slozhnost'. Razum. Postneklassika. 2018;1:45-51. DOI: 10.12737/article_5aaa6e6c9be127.70940497. Russian.

19. Филатов М.А., Филатова Д.Ю., Колосова А.И., Макеева С.В. Анализ параметров памяти учащихся в зависимости от типа латерализации головного мозга с позиций методов теории хаоса-самоорганизации // Сложность. Разум. Постнеклассика. 2018. № 1. С. 31-36. DOI: 10.12737/article_5aaa6d44234482.37608624

19. Filatov MA, Filatova DYU, Kolosova AI, Makeeva SV. Analiz parametrov pamyati uchashchihsya v zavisimosti ot tipa lateralizacii golovnogo mozga s pozicij metodov teorii haosa-samoorganizacii [Analysis of students ' memory parameters depending on the type of brain lateralization from the standpoint of chaos theory-self-organization methods]. Slozhnost'. Razum. Po-stneklassika. 2018;1:31-6. DOI: 10.12737/article_5aaa6d44234482.3760862. Russian.

20. Филатова Д.Ю., Веракса А.Н., Берестин Д.К., Стрельцова Т.В. Стохастическая и хаотическая оценка нейромускулярной системы человека в условиях охлаждения // Экология человека. 2017. № 8. С. 15-20.

20. Filatova DYU, Veraksa AN, Berestin DK, Strel'cova TV. Stohasticheskaya i haoticheskaya ocenka nejromuskulyarnoj sistemy cheloveka v uslo-viyah ohlazhdeniya [Stochastic and chaotic neuro-musculares evaluation of the system in terms of the cooling]. EHkologiya cheloveka. 2017;8:15-20. Russian.

21. Филатова О.Е., Еськов В.В., Филатов М.А., Ильяшенко Л.К. Феномен статистической нестабильности и оценка произвольных и непроизвольных движений человека // Российский журнал биомеханики. 2017. Т. 21, № 3. С. 224-232.

21. Filatova OE, Es'kov VV, Filatov MA, Il'yashenko LK. Fenomen statisticheskoj nestabil'nos-ti i ocenka proizvol'nyh i neproizvol'nyh dvizhenij cheloveka [The phenomenon of statistical instability and evaluation of arbitrary and involuntary human movements]. Rossijskij zhurnal biomekhaniki. 2017;21(3):224-32. Russian.

22. Филатова О.Е., Майстренко Е.В., Болтаев А.В., Газя Г.В. Влияние промышленных электромагнитных полей на динамику сердечно-сосудистых систем работниц нефтегазового комплекса // Экология и промышленность России. 2017. Т. 21, № 7. С. 4651.

22. Filatova OE, Majstrenko EV, Boltaev AV, Gazya GV. Vliyanie promyshlennyh ehlektromagnit-nyh polej na dinamiku serdechno-sosudistyh sistem rabotnic neftegazovogo kompleksa [Influence of industrial electromagnetic fields on the dynamics of cardiovascular systems of oil and gas industry workers]. EHkologiya i promyshlennost' Rossii. 2017;21(7):46-51. Russian.

Библиографическая ссылка:

Фудин Н.А., Якунин В.Е., Полухин В.В., Григорьева С.В. Использование нейроэмуляторов в медицине и психофизиологии // Вестник новых медицинских технологий. 2018. №4. С. 258-264. DOI: 10.24411/1609-2163-201816260