
Berdyshev Daniil
Junior researcher
Publications with affiliation of Moscow MEG Center
2026
2.
Свирин, Е. П.; Бердышев, Д. А.; Шишкин, С. Л. (2026). Десинхронизация сенсомоторных ритмов при совершении квазидвижений, основанных на естественных движениях пальцев руки. Вестник РГМУ, 3, 42. https://doi.org/10.24075/vrgmu.2026.030
@article{Свирин2026,
title = {Десинхронизация сенсомоторных ритмов при совершении квазидвижений, основанных на естественных движениях пальцев руки},
author = {Е. П. Свирин and Д. А. Бердышев and С. Л. Шишкин},
url = {https://megmoscow.ru/wp-content/uploads/pubs/10.24075_vrgmu.2026.030.pdf},
doi = {10.24075/vrgmu.2026.030},
issn = {2070-7339},
year = {2026},
date = {2026-06-14},
urldate = {2026-06-14},
journal = {Вестник РГМУ},
volume = {3},
pages = {42},
publisher = {Pirogov Russian National Research Medical University},
abstract = {Квазидвижения (КД) — попытки движения, минимизированные до исчезновения движения, — вызывают ЭЭГ-паттерны, схожие с реальным движением. КД могут моделировать попытки движения у здоровых участников и потому представляют интерес как альтернатива представлению движений (ПД) для реабилитационных интерфейсов мозг–компьютер (ИМК), в которых попытка движения парализованной конечностью используется как управляющий сигнал. КД ранее исследовали на отведении большого пальца. Целью данной работы было проверить осуществимость КД на основе более естественных действий (нажатие и указание) и сравнить их ЭЭГ-корреляты с ПД. У 11 здоровых добровольцев (6 женщин, возраст 21–32 года) регистрировали ЭЭГ при выполнении ПД, нецеленаправленных КД (нКД), целенаправленных КД (цКД) и реальных движений. Оба типа КД вызывали более выраженную контралатеральную десинхронизацию μ-ритма 8–13 Гц, чем ПД (0,63 дБ, эффект типа движения, p = 0,042), тогда как нКД и цКД не различались. Ипсилатеральная десинхронизация не различалась между условиями (p = 0,216). В поддиапазоне верхнего μ-ритма (10–13 Гц) попарные сравнения достигали значимости (нКД–ПД: 0,82 дБ, p = 0,003; цКД–ПД: 0,70 дБ, p = 0,022). В теменной области интереса эффект типа движения отсутствовал (p = 0,15). Вклад остаточного движения не был значим. Полученные данные показывают, что КД на основе естественных действий осуществимы и обеспечивают более выраженную сенсомоторную активацию, чем ПД, что обосновывает их дальнейшее изучение в контексте реабилитационных ИМК.},
keywords = {},
pubstate = {published},
tppubtype = {article}
}
Квазидвижения (КД) — попытки движения, минимизированные до исчезновения движения, — вызывают ЭЭГ-паттерны, схожие с реальным движением. КД могут моделировать попытки движения у здоровых участников и потому представляют интерес как альтернатива представлению движений (ПД) для реабилитационных интерфейсов мозг–компьютер (ИМК), в которых попытка движения парализованной конечностью используется как управляющий сигнал. КД ранее исследовали на отведении большого пальца. Целью данной работы было проверить осуществимость КД на основе более естественных действий (нажатие и указание) и сравнить их ЭЭГ-корреляты с ПД. У 11 здоровых добровольцев (6 женщин, возраст 21–32 года) регистрировали ЭЭГ при выполнении ПД, нецеленаправленных КД (нКД), целенаправленных КД (цКД) и реальных движений. Оба типа КД вызывали более выраженную контралатеральную десинхронизацию μ-ритма 8–13 Гц, чем ПД (0,63 дБ, эффект типа движения, p = 0,042), тогда как нКД и цКД не различались. Ипсилатеральная десинхронизация не различалась между условиями (p = 0,216). В поддиапазоне верхнего μ-ритма (10–13 Гц) попарные сравнения достигали значимости (нКД–ПД: 0,82 дБ, p = 0,003; цКД–ПД: 0,70 дБ, p = 0,022). В теменной области интереса эффект типа движения отсутствовал (p = 0,15). Вклад остаточного движения не был значим. Полученные данные показывают, что КД на основе естественных действий осуществимы и обеспечивают более выраженную сенсомоторную активацию, чем ПД, что обосновывает их дальнейшее изучение в контексте реабилитационных ИМК.
2023
1.
Berdyshev, Daniil A.; Grachev, Artem M.; Shishkin, Sergei L.; Kozyrskiy, Bogdan L. (2023). Meta-Optimization of Initial Weights for More Effective Few- and Zero-Shot Learning in BCI Classification. 2023 IEEE Ural-Siberian Conference on Computational Technologies in Cognitive Science, Genomics and Biomedicine (CSGB). Novosibirsk, Russian Federation, 28-30 September 2023. 263-267. https://doi.org/10.1109/csgb60362.2023.10329624
@conference{Berdyshev2023,
title = {Meta-Optimization of Initial Weights for More Effective Few- and Zero-Shot Learning in BCI Classification},
author = {Daniil A. Berdyshev and Artem M. Grachev and Sergei L. Shishkin and Bogdan L. Kozyrskiy},
doi = {10.1109/csgb60362.2023.10329624},
isbn = {979-8-3503-0797-9},
year = {2023},
date = {2023-09-28},
urldate = {2023-09-28},
booktitle = {2023 IEEE Ural-Siberian Conference on Computational Technologies in Cognitive Science, Genomics and Biomedicine (CSGB)},
pages = {263-267},
address = {Novosibirsk, Russian Federation, 28-30 September 2023},
abstract = {Brain-computer interfaces (BCIs) are heavily reliant on the underlying data classification. Neural network classifiers are often used for this purpose, but their performance is dependent, in turn, on the availability of large training sets, which are difficult to record. Hence, arises the necessity to employ methods capable of operating with limited sample sizes or leveraging experience acquired with different BCI users. Here, we explore the ability of meta-learning algorithms to enable neural network classifiers to leverage experience acquired with EEG data recorded in other BCI users to support few-shot or even zero-shot learning for BCI classifiers. We conducted experiments to assess the quality of EEG data classification using neural networks that were pre-trained on various users who were different from the test user. In these experiments we compared neural networks pre-trained with meta-learning algorithms and with traditional transfer learning, with further fine-tuning on small data amounts and even without fine-tuning. The experiments demonstrated the potential for classification quality improvement through meta-learning in few- and even zero-shot learning scenarios.},
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
Brain-computer interfaces (BCIs) are heavily reliant on the underlying data classification. Neural network classifiers are often used for this purpose, but their performance is dependent, in turn, on the availability of large training sets, which are difficult to record. Hence, arises the necessity to employ methods capable of operating with limited sample sizes or leveraging experience acquired with different BCI users. Here, we explore the ability of meta-learning algorithms to enable neural network classifiers to leverage experience acquired with EEG data recorded in other BCI users to support few-shot or even zero-shot learning for BCI classifiers. We conducted experiments to assess the quality of EEG data classification using neural networks that were pre-trained on various users who were different from the test user. In these experiments we compared neural networks pre-trained with meta-learning algorithms and with traditional transfer learning, with further fine-tuning on small data amounts and even without fine-tuning. The experiments demonstrated the potential for classification quality improvement through meta-learning in few- and even zero-shot learning scenarios.
