The object of research, development or design (in Russian) : Проект нацелен на разработку ИИ-ориентированной, объяснимой платформы интерфейса мозг–компьютер (BCI), основанной преимущественно на сигналах ЭЭГ. Основной объект исследования — бескалибровочная (zero-calibration), парадигменно независимая и со сниженной стимуляционной нагрузкой BCI-система, способная интегрировать разнородные нейронные данные и декодировать намерения пользователя с помощью продвинутых моделей ИИ для коммуникации и взаимодействия в реалистичных условиях.

The object of research, development or design (in Kazakh) : Жоба негізінен ЭЭГ сигналдарына сүйенген, ЖИ-негізделген әрі түсіндірілетін ми–компьютер интерфейсі (BCI) платформасын әзірлеуге бағытталған. Зерттеудің негізгі нысаны — калибрлеусіз (zero-calibration), парадигмадан тәуелсіз және стимулдық жүктемесі азайтылған BCI жүйесі; ол әртекті нейрондық деректерді біріктіріп, озық ЖИ модельдері арқылы пайдаланушы ниетін декодтауға қабілетті, осылайша нақты жағдайларда коммуникация мен өзара әрекеттесуді қамтамасыз етеді.

Aim of work (in Russian) : Целью проекта является разработка удобных и отзывчивых систем интерфейса «мозг-компьютер» для оказания помощи пациентам с тяжелыми формами инвалидности в реальном мире. Для этого авторы предложат специально разработанные инструменты глубокого обучения и обработки сигналов.

Aim of work (in Kazakh) : Жобаның мақсаты – нақты өмір жағдайында ауыр мүгедектік түрлері бар науқастарға көмек көрсету үшін қолайлы әрі жауап беру қабілеті жоғары ми–компьютер интерфейсі (BCI) жүйелерін әзірлеу. Осы мақсатта авторлар арнайы әзірленген терең оқыту және сигналдарды өңдеу құралдарын ұсынады.

Методы исследования (на русском) : Проект использует новые методы обработки сигналов и глубокого обучения для анализа данных ЭЭГ, с акцентом на нулевую калибровку и парадигменно-независимые декодирующие фреймворки. Разработанные алгоритмы будут систематически протестированы на нескольких эталонных открытых наборах данных, включая общедоступные репозитории ЭЭГ, чтобы обеспечить воспроизводимость и обобщающую способность. Полученные результаты будут количественно сопоставлены с современными передовыми подходами (state of the art) по показателям точности, устойчивости и интерпретируемости. Результаты исследований планируется распространять через публикации в международных журналах квартилей Q1 и Q2. Параллельно проект обеспечит исследовательскую подготовку магистрантов и докторантов PhD, формируя новое поколение специалистов в области ИИ и технологий интерфейсов мозг–компьютер.

Методы исследования (на казахском) : Жоба ЭЭГ деректерін талдауға арналған сигналдарды өңдеу және терең оқытудың жаңа тәсілдерін қолданады, мұнда нөлдік калибрлеу және парадигмадан тәуелсіз декодтау шеңберлеріне басымдық беріледі. Жаңадан әзірленген алгоритмдер қайта өндіру мүмкіндігін және жалпылау қабілетін қамтамасыз ету үшін бірнеше эталондық ашық деректер жиынтықтарында, соның ішінде жалпы қолжетімді ЭЭГ репозиторийлерінде, жүйелі түрде тексеріледі. Алынған нәтижелер дәлдік, орнықтылық және түсіндірмелілік көрсеткіштері бойынша ең озық әдістермен салыстырмалы түрде сандық бағаланады. Зерттеу қорытындылары Q1 және Q2 санатындағы халықаралық журналдардағы жарияланымдар арқылы таратылмақ. Сонымен қатар жоба магистранттар мен PhD докторанттарына зерттеу даярлығын ұсынады, осылайша ЖИ және ми–компьютер интерфейстері саласындағы келесі буын мамандарын қалыптастырады.

Obtained results and novelty (in Russian) : На текущем этапе проекта нами разработаны алгоритм фильтрации шума и трёхмерный спектрально-пространственно-временной модуль представления признаков для анализа сигналов ЭЭГ. Реализована гибридная архитектура глубокого обучения, объединяющая свёрточные нейронные сети (CNN) и Transformer, и проведены испытания на ряде эталонных наборов данных, включая BBCI Competition, OpenBMI и EAV. Предложенная модель продемонстрировала превосходство над базовыми методами и достигла результатов, сопоставимых, хотя и несколько уступающих, текущим state-of-the-art системам. Эти результаты подтверждают техническую реализуемость и устойчивость предлагаемого подхода. Первая связанная работа опубликована в журнале Q2: W. U. R. Qamar, M.-H. Lee, and B. Abibullaev, “Deep learning in intracranial EEG for seizure detection: advances, challenges, and clinical applications,” Frontiers in Neuroscience, vol. 19, Sec. Neural Technology, 30 Oct 2025, Q2.

Obtained results and novelty (in Kazakh) : Жобаның осы кезеңінде біз шуға сүзгі қолдану алгоритмін және ЭЭГ сигналын талдауға арналған үшөлшемді спектралдық–кеңістіктік–уақыттық ерекшелік ұсыну модулін әзірледік. Конволюциялық нейрондық желілер (CNN) мен Transformer архитектурасын біріктіретін гибридті терең оқыту қаңқасы іске асырылып, эталондық деректер жиынтықтарында сыналды: BBCI Competition, OpenBMI, және EAV. Ұсынылған модель базалық әдістерден жоғары нәтиже көрсетті және қазіргі state-of-the-art жүйелермен салыстырмалы, бірақ сәл төмен нәтижелерге қол жеткізді. Бұл қорытындылар ұсынылған тәсілдің техникалық жүзеге асырылуын және тұрақтылығын растайды. Төмендегі алғашқы байланысты жұмыс Q2 санатындағы журналда жарияланды: W. U. R. Qamar, M.-H. Lee, and B. Abibullaev, “Deep learning in intracranial EEG for seizure detection: advances, challenges, and clinical applications,” Frontiers in Neuroscience, vol. 19, Sec. Neural Technology, 30 Oct 2025, Q2.

The main constructive and technical economic indicators (in Russian) : В первый год проекта завершена разработка трёх ключевых программных модулей, формирующих основу платформы ИИ-ориентированного интерфейса мозг–компьютер (BCI). Пакет обработки сигналов BCI реализован как модульный инструмент для предобработки ЭЭГ, адаптивной фильтрации шума и выделения нейронных компонентов, что существенно повысило качество и стабильность сигналов в клинических условиях. Модуль представления и слияния признаков, основанный на связке 3D CNN–LSTM, обеспечивает интеграцию пространственных, спектральных и временных признаков ЭЭГ, поддерживая бескалибровочный режим (zero-calibration) и парадигменно независимую работу для основных парадигм BCI. Интерфейс объяснимого ИИ предоставляет интерпретируемую визуализацию нейродекодирования через трёхмерное кортикальное картирование релевантности с использованием послойного распространения релевантности (LRP), обеспечивая прозрачность и надёжность решений ИИ. Создан программный прототип, интегрирующий эти модули, и готовится подача заявки на национальный патент. Полученные результаты демонстрируют существенный прогресс к полностью функциональной отечественной BCI-экосистеме и способствуют снижению зависимости от импортных нейротехнологий, продвигая экономичные, локально разработанные ИИ-инструменты для здравоохранения и реабилитации Казахстана.

The main constructive and technical economic indicators (in Kazakh) : Жобаның алғашқы жылында ЖИ-негізіндегі ми–компьютер интерфейсі (BCI) платформасының іргетасын құрайтын үш негізгі бағдарламалық модульдің әзірленуі аяқталды. BCI сигналдарын өңдеу пакеті ЭЭГ деректерін алдын ала өңдеуге, адаптивті шу сүзгілеуге және нейрондық компоненттерді бөліп алуға арналған модульдік құрал ретінде іске асырылып, клиникалық жағдайда сигнал сапасы мен тұрақтылығын едәуір арттырды. Ерекшеліктерді ұсыну және біріктіру модулі, 3D CNN–LSTM негізінде, ЭЭГ-нің кеңістіктік, спектралдық және уақыттық ерекшеліктерін біріктіруге мүмкіндік береді және негізгі BCI парадигмалары бойынша калибрлеусіз (zero-calibration) және парадигмадан тәуелсіз жұмысын қолдайды. Түсіндірілетін ЖИ интерфейсі нейродекодтауды қабаттық релеванттық тарату (LRP) тәсілі арқылы 3D кортикальды релеванттық карталау түрінде интерпретацияланатын визуализациямен қамтамасыз етіп, ЖИ шешімдерінің ашықтығы мен сенімділігін күшейтеді. Осы модульдерді біріктіретін бағдарламалық прототип дайындалды, әрі ұлттық патентке өтінім әзірленуде. Нәтижелер толыққанды отандық BCI бағдарламалық экожүйесіне қарай айтарлықтай ілгерілеуді көрсетіп, импортталатын нейротехнологияларға тәуелділікті азайтуға және Қазақстанның денсаулық сақтау мен реабилитация салалары үшін құн-тиімді, жергілікті әзірленген ЖИ құралдарын ілгерілетуге ықпал етеді.

Level of implementation (in Russian) : Проект опирается на предыдущие работы уровня TRL 0–2 по субъект-независимому моделированию ЭЭГ. К моменту завершения исследование достигнет уровня прототипной реализации, обеспечив валидированные алгоритмы ИИ, интерпретируемые инструменты визуализации и демонстрации BCI в реальном времени, пригодные для академического и промышленного внедрения.

Level of implementation (in Kazakh) : Жоба субъектіден тәуелсіз ЭЭГ модельдеу бойынша бұрынғы TRL 0–2 деңгейіндегі жұмыстарға сүйенеді. Аяқталған кезде зерттеу прототип деңгейіндегі іске асыруға жетіп, валидацияланған ЖИ алгоритмдерін, түсіндірілетін визуализация құралдарын және нақты уақыт режиміндегі BCI демонстрацияларын ұсынады; олар академиялық және индустриялық қолдануға жарамды болады.

Efficiency (in Russian) : Высокая

Efficiency (in Kazakh) : Жоғары

Field of application (in Russian) : Полученные результаты применимы в исследованиях по искусственному интеллекту, интерфейсам мозг–компьютер, взаимодействию человек–компьютер (HCI), когнитивным вычислениям и разработке образовательных технологий. Разработанные модели и наборы данных будут служить открытыми эталонными бенчмарками для будущих исследований по ИИ-ориентированному декодированию сигналов и мультимодальному обучению как в Казахстане, так и за его пределами.

Field of application (in Kazakh) : Алынған нәтижелер жасанды интеллект зерттеулерінде, ми–компьютер интерфейсінде (BCI), адам–компьютер өзара әрекеттестігі (HCI), когнитивтік есептеулерде және білім беру технологияларын дамытуда қолданылады. Дайындалған модельдер мен деректер жиынтықтары ашық эталондық бенчмарк ретінде қызмет етіп, ЖИ-негізделген сигналды декодтау мен мультимодальды оқыту жөніндегі болашақ зерттеулерге Қазақстанда және оның шегінен тыс өңірлерде негіз болады.