Расшифровка фьючерсы: Московская Биржа | Рынки

Содержание

Московская Биржа | Рынки

Коды срочных контрактов состоят из следующих частей:

Коды фьючерсов

Коды опционов

C		P					K	M	Y

C – код базового актива, 2 символа,
P – цена страйк, переменное количество символов,
К – тип расчетов,
M – месяц исполнения (а также тип для опциона), 1 символ,

Y – год исполнения, 1 символ,
W – признак недельного опциона, 1 символ

Кодирование базового актива (поле «C»)

Группа контрактов	Код базового актива (поле «C»)	Код базового актива на срочном рынке	Название базового актива
Индексные контракты	MX	MIX	Индекс МосБиржи
	MM	MXI	Индекс МосБиржи (мини)
	RI	RTS	Индекс РТС
	RS	RTSS	Индекс голубых фишек
	4B	ALSI	Индекс FTSE/JSE Top40
	VI	RVI	Волатильность российского рынка

Фондовые контракты	AF	AFLT	ПАО «Аэрофлот» (о.а.)
	AL	ALRS	АК «АЛРОСА» (ПАО) (о.а.)
	CH	CHMF	ПАО «Северсталь» (о.а.)
	FS	FEES	ПАО «ФСК ЕЭС» (о.а.)
	GZ	GAZR	ПАО «Газпром» (о.а.)
	GM	GMKR	ПАО ГМК «Норильский Никель» (о.а.)
	GK	GMKN	ПАО ГМК «Норильский Никель» (о.а.)
	HY	HYDR	ПАО «РусГидро» (о.а.)
	LK	LKOH	ПАО НК «ЛУКОЙЛ» (о.а.)
	MN	MGNT	ПАО «Магнит» (о.а.)
	ME	MOEX	ПАО Московская Биржа (о.а.)
	MT	MTSI	ПАО «МТС» (о.а.)
	NM	NLMK	ПАО «НЛМК» (о.а.)
	NK	NOTK	ПАО «НОВАТЭК» (о.а.)
	RN	ROSN	ПАО «НК «Роснефть» (о.а.)
	RT	RTKM	ПАО «Ростелеком» (о.а.)
	SP	SBPR	ПАО Сбербанк (п.а.)
	SR	SBRF	ПАО Сбербанк (о.а.)
	SG	SNGP	ПАО «Сургутнефтегаз» (п.а.)
	SN	SNGR	ПАО «Сургутнефтегаз» (о.а.)
	TT	TATN	ПАО «Татнефть» им. В.Д. Шашина (о.а.)
	TN	TRNF	ПАО «Транснефть» (п.а.)
	VB	VTBR	Банк ВТБ (ПАО) (о.а.)
	MG	MAGN	ПАО «Магнитогорский металлургический комбинат» (о.а.)
	PL	PLZL	ПАО «Полюс» (о.а.)
	YN	YNDF	Яндекс Н.В. (о.а.)
	AK	AFKS	АФК Система (о.а.)
	IR	IRAO	ПАО «Интер РАО ЕЭС» (о.а.)
	PO	POLY	Полиметалл Интернэшнл (о.а.)
	TC	TCSI	ГДР ТиСиЭс Груп Холдинг ПиЭлСи
	FV	FIVE	ГДР Икс 5 Ритейл Груп Н.В
	ML	MAIL	GDR Мэйл.ру Груп Лимитед
	BW	GBMW	BMW AG (о.а.)
	DM	GDAI	Daimler AG (о.а.)
	DB	GDBK	Deutsche Bank AG (о.а.)
	SM	GSIE	Siemens AG (о.а.)
	VM	GVW3	Volkswagen AG (п.а.)

Процентные контракты	OX	OF10	«десятилетние» облигации федерального займа
	OV	OF15	«пятнадцатилетние» облигации федерального займа
	O2	OFZ2	«двухлетние» облигации федерального займа
	O4	OFZ4	«четырехлетние» облигации федерального займа
	O6	OFZ6	«шестилетние» облигации федерального займа
	MP	MOPR	ставка MosPrime
	RR	RUON	ставка RUONIA
	MF	1MFR	ставка RUSFAR
	DF	1MDR	Ставка RUSFARUSD

Валютные контракты	AU	AUDU	курс австралийский доллар – доллар США
	CY	CY	курс китайский юань – российский рубль
	ED	ED	курс евро – доллар США
	Eu	Eu	курс евро – российский рубль
	GU	GBPU	курс фунт стерлингов – доллар США
	Si	Si	курс доллар США – российский рубль
	CA	UCAD	курс доллар США – канадский доллар
	CF	UCHF	курс доллар США – швейцарский франк
	JP	UJPY	курс доллар США – японская йена
	TR	UTRY	курс доллар США – турецкая лира
	IN	UINR	Курс доллара США к индийской рупии
	UU	UUAH	курс доллар США – украинская гривна

Товарные контракты	BR	BR	нефть BRENT
	CU	CU	медь
	GD	GOLD	золото
	PD	PLD	палладий
	PT	PLT	платина
	SV	SILV	серебро
	SA	SUGR	сахар-сырец
	SL	SLV	серебро (поставочное)
	AM	ALMN	алюминий
	CL	CL	нефть сорта Light Sweet Crude Oil
	Co	Co	медь категории A (Grade A)
	GO	GLD	золото (поставочный)
	Nl	Nl	никель с чистотой 99,80% (минимум)
	Zn	Zn	цинк
	NG	NG	природный газ

Кодирование цены страйк для опционов (поле «P»)

Для опционов в поле «цена страйк» указывается цена базового актива (цена фьючерсного контракта). В свою очередь, цена фьючерсного контракта это цена пакета акций, входящих в один контракт.

Кодирование типа расчетов (поле «К»)

Символ в коротком коде	Базовый актив	Категория	Тип расчетов
A	Фьючерс	Американский	Уплата премии
B	Фьючерс	Американский	Маржируемый

Кодирование месяца исполнения (поле «M»)

Для фьючерсов:

Месяц	Код фьючерса
Январь	F
Февраль	G
Март	H
Апрель	J
Май	K
Июнь	M
Июль	N
Август	Q
Сентябрь	U
Октябрь	V
Ноябрь	X
Декабрь	Z

Для опционов:

Месяц	Код опциона КОЛЛ	Код опциона ПУТ
Январь	A	M
Февраль	B	N
Март	C	O
Апрель	D	P
Май	E	Q
Июнь	F	R
Июль	G	S
Август	H	T
Сентябрь	I	U
Октябрь	J	V
Ноябрь	K	W
Декабрь	L	X

Кодирование года исполнения (поле «Y»)

Год исполнения фьючерса и опциона кодируется одной цифрой от 0 до 9.
2 – 2002 год,
9 – 2009 год,
0 – 2010 год,
1 – 2011 год.

Кодирование признака недельного опциона (поле «W»)

Код поля	Неделя
null	Месячный или квартальный опцион
A	Недельный опцион с экспирацией в 1-й четверг (или другой день недели) месяца
B	Недельный опцион с экспирацией во 2-ой четверг(или другой день недели) месяца
С	Недельный опцион с экспирацией в 3-й четверг (или другой день недели) месяца
D	Недельный опцион с экспирацией в 4-ый четверг (или другой день недели) месяца
E	Недельный опцион с экспирацией в 5-ый четверг (или другой день недели) месяца

Алгоритм определения полей Y, M и W для недельного опциона:

Рассматривается четверг (или другой день) недели, на которую приходится день экспирации
Y определяется по году этого четверга (или другого дня недели)
M определяется по месяцу этого четверга (или другого дня недели)
W определяется по порядковому номеру этого четверга (или другого дня недели) в месяце

Пример:
Недельный опцион call на индекс RTS со страйком 130000 исполняется 30 декабря 2019 года в понедельник. Четверг на этой неделе (2 января) — неторговый день. Поэтому день исполнения был перенесен на ближайший предшествующий торговый день.
Опцион будет иметь короткий код RI130000BA0A, так как четверг недели экспирации относится к январю 2020 года, и это первый четверг в месяц.
Полный код опциона – RTS-1.20M301219CA 130000

На Срочном рынке Московской Биржи предусмотрена возможность заведения опционных контрактов с нулевыми и отрицательными страйками. Рассмотрим пример их кодирования для месячного опциона call на июльский фьючерс на нефть марки Brent с исполнением 25 июня 2020 г. со страйком -10.
Короткий код контракта: BR-10BF0
Полный код контракта: BR-7.20M250620СA -10

В случае нулевого страйка (0) для аналогичного контракта: Короткий код контракта: BR0BF0
Полный код контракта: BR-7.20M250620СA 0

За более подробной информацией обращайтесь в Департамент срочного рынка по телефону (495) 363-32-32.

Московская Биржа | Рынки

Коды срочных контрактов состоят из следующих частей:

Коды фьючерсов

Коды опционов

C		P					K	M	Y

C – код базового актива, 2 символа,
P – цена страйк, переменное количество символов,
К – тип расчетов,
M – месяц исполнения (а также тип для опциона), 1 символ,
Y – год исполнения, 1 символ,
W – признак недельного опциона, 1 символ

Кодирование базового актива (поле «C»)

Группа контрактов	Код базового актива (поле «C»)	Код базового актива на срочном рынке	Название базового актива
Индексные контракты	MX	MIX	Индекс МосБиржи
	MM	MXI	Индекс МосБиржи (мини)
	RI	RTS	Индекс РТС
	RS	RTSS	Индекс голубых фишек
	4B	ALSI	Индекс FTSE/JSE Top40
	VI	RVI	Волатильность российского рынка

Фондовые контракты	AF	AFLT	ПАО «Аэрофлот» (о.а.)
	AL	ALRS	АК «АЛРОСА» (ПАО) (о.а.)
	CH	CHMF	ПАО «Северсталь» (о.а.)
	FS	FEES	ПАО «ФСК ЕЭС» (о.а.)
	GZ	GAZR	ПАО «Газпром» (о.а.)
	GM	GMKR	ПАО ГМК «Норильский Никель» (о.а.)
	GK	GMKN	ПАО ГМК «Норильский Никель» (о.а.)
	HY	HYDR	ПАО «РусГидро» (о.а.)
	LK	LKOH	ПАО НК «ЛУКОЙЛ» (о.а.)
	MN	MGNT	ПАО «Магнит» (о.а.)
	ME	MOEX	ПАО Московская Биржа (о.а.)
	MT	MTSI	ПАО «МТС» (о.а.)
	NM	NLMK	ПАО «НЛМК» (о.а.)
	NK	NOTK	ПАО «НОВАТЭК» (о.а.)
	RN	ROSN	ПАО «НК «Роснефть» (о.а.)
	RT	RTKM	ПАО «Ростелеком» (о.а.)
	SP	SBPR	ПАО Сбербанк (п.а.)
	SR	SBRF	ПАО Сбербанк (о.а.)
	SG	SNGP	ПАО «Сургутнефтегаз» (п.а.)
	SN	SNGR	ПАО «Сургутнефтегаз» (о.а.)
	TT	TATN	ПАО «Татнефть» им. В.Д. Шашина (о.а.)
	TN	TRNF	ПАО «Транснефть» (п.а.)
	VB	VTBR	Банк ВТБ (ПАО) (о.а.)
	MG	MAGN	ПАО «Магнитогорский металлургический комбинат» (о.а.)
	PL	PLZL	ПАО «Полюс» (о.а.)
	YN	YNDF	Яндекс Н.В. (о.а.)
	AK	AFKS	АФК Система (о.а.)
	IR	IRAO	ПАО «Интер РАО ЕЭС» (о.а.)
	PO	POLY	Полиметалл Интернэшнл (о.а.)
	TC	TCSI	ГДР ТиСиЭс Груп Холдинг ПиЭлСи
	FV	FIVE	ГДР Икс 5 Ритейл Груп Н.В
	ML	MAIL	GDR Мэйл.ру Груп Лимитед
	BW	GBMW	BMW AG (о.а.)
	DM	GDAI	Daimler AG (о.а.)
	DB	GDBK	Deutsche Bank AG (о.а.)
	SM	GSIE	Siemens AG (о.а.)
	VM	GVW3	Volkswagen AG (п.а.)

Процентные контракты	OX	OF10	«десятилетние» облигации федерального займа
	OV	OF15	«пятнадцатилетние» облигации федерального займа
	O2	OFZ2	«двухлетние» облигации федерального займа
	O4	OFZ4	«четырехлетние» облигации федерального займа
	O6	OFZ6	«шестилетние» облигации федерального займа
	MP	MOPR	ставка MosPrime
	RR	RUON	ставка RUONIA
	MF	1MFR	ставка RUSFAR
	DF	1MDR	Ставка RUSFARUSD

Валютные контракты	AU	AUDU	курс австралийский доллар – доллар США
	CY	CY	курс китайский юань – российский рубль
	ED	ED	курс евро – доллар США
	Eu	Eu	курс евро – российский рубль
	GU	GBPU	курс фунт стерлингов – доллар США
	Si	Si	курс доллар США – российский рубль
	CA	UCAD	курс доллар США – канадский доллар
	CF	UCHF	курс доллар США – швейцарский франк
	JP	UJPY	курс доллар США – японская йена
	TR	UTRY	курс доллар США – турецкая лира
	IN	UINR	Курс доллара США к индийской рупии
	UU	UUAH	курс доллар США – украинская гривна

Товарные контракты	BR	BR	нефть BRENT
	CU	CU	медь
	GD	GOLD	золото
	PD	PLD	палладий
	PT	PLT	платина
	SV	SILV	серебро
	SA	SUGR	сахар-сырец
	SL	SLV	серебро (поставочное)
	AM	ALMN	алюминий
	CL	CL	нефть сорта Light Sweet Crude Oil
	Co	Co	медь категории A (Grade A)
	GO	GLD	золото (поставочный)
	Nl	Nl	никель с чистотой 99,80% (минимум)
	Zn	Zn	цинк
	NG	NG	природный газ

Кодирование цены страйк для опционов (поле «P»)

Кодирование типа расчетов (поле «К»)

Символ в коротком коде	Базовый актив	Категория	Тип расчетов
A	Фьючерс	Американский	Уплата премии
B	Фьючерс	Американский	Маржируемый

Кодирование месяца исполнения (поле «M»)

Для фьючерсов:

Месяц	Код фьючерса
Январь	F
Февраль	G
Март	H
Апрель	J
Май	K
Июнь	M
Июль	N
Август	Q
Сентябрь	U
Октябрь	V
Ноябрь	X
Декабрь	Z

Для опционов:

Месяц	Код опциона КОЛЛ	Код опциона ПУТ
Январь	A	M
Февраль	B	N
Март	C	O
Апрель	D	P
Май	E	Q
Июнь	F	R
Июль	G	S
Август	H	T
Сентябрь	I	U
Октябрь	J	V
Ноябрь	K	W
Декабрь	L	X

Кодирование года исполнения (поле «Y»)

Год исполнения фьючерса и опциона кодируется одной цифрой от 0 до 9.
2 – 2002 год,
9 – 2009 год,
0 – 2010 год,
1 – 2011 год.

Кодирование признака недельного опциона (поле «W»)

Код поля	Неделя
null	Месячный или квартальный опцион
A	Недельный опцион с экспирацией в 1-й четверг (или другой день недели) месяца
B	Недельный опцион с экспирацией во 2-ой четверг(или другой день недели) месяца
С	Недельный опцион с экспирацией в 3-й четверг (или другой день недели) месяца
D	Недельный опцион с экспирацией в 4-ый четверг (или другой день недели) месяца
E	Недельный опцион с экспирацией в 5-ый четверг (или другой день недели) месяца

Алгоритм определения полей Y, M и W для недельного опциона:

Рассматривается четверг (или другой день) недели, на которую приходится день экспирации
Y определяется по году этого четверга (или другого дня недели)
M определяется по месяцу этого четверга (или другого дня недели)
W определяется по порядковому номеру этого четверга (или другого дня недели) в месяце

За более подробной информацией обращайтесь в Департамент срочного рынка по телефону (495) 363-32-32.

КОДЫ ФЬЮЧЕРСОВ FORTS (ФОРТС) И ИХ РАСШИФРОВКА

	Код базового актива	Название базового актива
	на срочном рынке


		Индекс ММВБ (мини)

		Индекс голубых фишек
		Волатильность российского рынка
		Обыкновенные акции ОАО Московская Биржа
		Обыкновенные акции ОАО «РусГидро»
		Обыкновенные акции ОАО «ФСК ЕЭС»
		Обыкновенные акции ОАО «Газпром»
		Обыкновенные акции ОАО «НК Роснефть»
		Обыкновенные акции ОАО «Сбербанк России»
		Привилегированные акции ОАО «Сбербанк России»
		Обыкновенные акции НК «ЛУКойл»
		Обыкновенные акции ОАО «Ростелеком»
		Обыкновенные акции ОАО «Сургутнефтегаз»
		Привилегированные акции ОАО «Сургутнефтегаз»
		Обыкновенные акции ГМК «Норильский никель»
		Обыкновенные акции ОАО «Татнефть»
		Обыкновенные акции ОАО «МТС»
		Обыкновенные акции ОАО «НОВАТЭК»
		Обыкновенные акции ОАО «Северсталь»
		Привилегированные акции ОАО «Транснефть»
		Обыкновенные акции ОАО Банк ВТБ
		Обыкновенные акции ОАО «Уралкалий»
		Обыкновенные акции BMW AG
		Обыкновенные акции Deutsche Bank AG
		Обыкновенные акции Daimler AG
		Обыкновенные акции Simens AG
		Привилегированные акции Volkswagen AG
		Обыкновенные акции ПАО Магнит
		Курс доллар США – российский рубль
		Курс евро – доллар США
		Курс евро – российский рубль
		Курс доллар США – японская йена
		Курс доллар США – украинская гривна
		Курс доллар США-швейцарский франк
		Курс австралийский доллар – доллар США
		Курс фунт стерлингов – доллар США
		Курс доллар США – турецкая лира
		Курс доллар США – канадский доллар
		Курс китайский юань – российский рубль
		«двухлетние» облигации федерального займа
		«четырехлетние» облигации федерального займа
		«шестилетние» облигации федерального займа
		«десятилетние» облигации федерального займа
		«пятнадцатилетние» облигации федерального займа
		Еврооблигации Российской федерации
		Ставку трехмесячного кредита MosPrime
		Ставка однодневных кредитов RUONIA
		Нефть сорта «BRENT»

		Аффинированное золото в слитках
		Аффинированное серебро в слитках
		Аффинированный палладий в слитках
		Аффинированную платину в слитках

		Индекс РТС нефти и газа
		Индекс РТС – Потребительские товары и розничная торговля



		Индекс FTSE/JSE Top40
		Дизельное топливо летнее
		(торгуется на ОАО «Санкт-Петербургская биржа»)
		Индекс средней цены э/э в хабе «Восточная Сибирь»
		(базовые часы суток)
		(торгуется на ОАО «Мосэнергобиржа»)
		Нешелушеное зерно риса на условии поставки EXW
		на складах поставки ЮФО и СКО
		(торгуется на ЗАО «Национальная товарная биржа»)
		Крупа рисовая в соответствии с ТУ на условии поставки EXW
		на складах поставки ЮФО и СКФО
		(торгуется на ЗАО «Национальная товарная биржа»)
		Крупа рисовая в соответствии с ГОСТ на условии поставки EXW
		на складах поставки ЮФО и СКФО
		(торгуется на ЗАО «Национальная товарная биржа»)
		Индекс средней цены э/э в хабе «Урал» (базовые части суток)
		(торгуется на ОАО «Мосэнергобиржа»)
		Индекс средней цены э/э в хабе «Урал» (пиковые части суток)
		(торгуется на ОАО «Мосэнергобиржа»)
		Пшеница мягкая 3 класса на условии поставки EXW
		на элеваторах региона поставки ЮФО и СКФО
		(торгуется на ЗАО «Национальная товарная биржа»)
		Пшеница мягкая 4 класса на условии поставки EXW
		на элеваторах региона поставки ЮФО и СКФО
		(торгуется на ЗАО «Национальная товарная биржа»)
		Пшеница мягкая 5 класса на условии поставки EXW
		на элеваторах региона поставки ЮФО и СКФО
		(торгуется на ЗАО «Национальная товарная биржа»)
		Индекс средней цены э/э в хабе «Западная Сибирь «
		(базовые часы суток) (торгуется на ОАО «Мосэнергобиржа»)
		Индекс средней цены э/э в хабе «Центр» (базовые часы суток)
		(годовой, торгуется на ОАО «Мосэнергобиржа»)
		Индекс средней цены э/э в хабе «Урал» (базовые часы суток)
		(годовой, торгуется на ОАО «Мосэнергобиржа»)
		Индекс средней цены э/э в хабе «Центр» (базовые часы суток)
		(квартальный, торгуется на ОАО «Мосэнергобиржа»)
		Индекс средней цены э/э в хабе «Урал» (базовые часы суток)
		(квартальный, торгуется на ОАО «Мосэнергобиржа»)
		Индекс средней цены э/э в хабе «Центр» (базовые часы суток)

Коды фьючерсов. Расшифровка | ЭФФЕКТИВНЫЙ ТРЕЙДИНГ С АЛЕКСАНДРОМ ШЕВЕЛЕВЫМ

6.03.2012Автор: Александр Шевелев

Друзья, добрый день.

RIH0, SiM1, GZU2, SRZ2 – все эти символы для начинающих трейдеров – темный лес.

Именно поэтому многие только пришедшие на биржу люди сразу же устремляются на рынок акций. Ведь, когда мы видим название «Газпром» или «Сбербанк», процесс получения денег кажется нам более простым.

К сожалению, за этой простотой скрывается достаточно большое количество минусов. Фьючерсы, в свою очередь, являются более привлекательными инструментами для начинающих трейдеров. Поэтому, на мой взгляд, лучше один раз разобраться со всеми этими кодами, чем постоянно их избегать и уходить, тем самым, на менее интересные рынки.

В целом код фьючерсного контракта состоит из 3-х основных частей (CMY):

1. Код базового актива (обозначается двумя символами; например, Ri, Si, Gz, Sr)

Базовый актив – это инструмент, который лежит в основе фьючерсного контракта. Если мы рассматриваем фьючерс на Индекс РТС, то в качестве базового актива здесь будет выступать Индекс РТС. Если же мы берем фьючерс на акции Сбербанка, то в качестве базового актива здесь уже будут выступать акции Сбербанка.

У каждого базового актива есть свой код. Вот некоторые наиболее ликвидные фьючерсы российской фондовой биржи:

Полный список можно посмотреть на сайте Московской биржи.

2. Месяц исполнения (обозначается одним символом)

Каждый фьючерс имеет свой срок жизни. Месяц, в который происходит экспирация (т.е. прекращение функционирования), и указывается в коде фьючерсного контракта.

Вот какими буквами обозначаются месяцы:

3. Год исполнения (обозначается одним символом)

Также необходимо обращать внимание на год исполнения. Год исполнения кодируется всего лишь одной цифрой, т.е. если год исполнения контракта 2012, то в коде контракта указывается последняя цифра. В данном случае это цифра 2.

Другие годы для примера:

Вот мы и разобрались с загадочными буквами и цифрами, за которыми скрываются все фьючерсные контракты. Теперь вы сами можете расшифровать абсолютно любой код.

На этом здесь всё. Если информация оказалась для вас полезной, ставьте лайк и рекомендуйте статью своим друзьям.

Удачной вам торговли!

С уважением Александр Шевелев.

Названия и расшифровка фьючерсов

Названия и расшифровка фьючерсов, их символы и обозначения

Что такое фьючерс futures?

Фьючерсный контракт (futures) — это договор купли / продажи определенного количества стандартного товара в указанный срок в будущем, по цене, установленной в момент заключения контракта. Выполнение сделок с фьючерсами гарантирует фьючерсная биржа.

Фьючерсная торговля – это вид инвестирования, позволяющий спекулировать на изменениях цен на ходовые товары. Ежедневно огромное количество частных трейдеров и различных инвестиционных компаний приобретают и продают эти товары с целью получения выгоды.

Срочность futures — дата экспирации фьючерсного контракта

Валютная пара на форексе живет вечно, т.е. купив евро за доллары можно держать позицию месяцами и даже годами. С фьючерсами так не получится. Каждый контракт имеет конкретный период своей жизни. Если Вы не закроете позицию самостоятельно, то она будет закрыта принудительно в день экспирации фьючерса по последней цене. Вы должны следить за датой истечения фьючерсного контракта и вовремя переходить на более поздний.

Фьючерсный рынок

Торговля фьюсерсами futures происходит на фьючерсных биржах, наиболее известные товарные и фьючерсные биржи:

Chicago Mercantile Exchange, CME — Чикагская товарная биржа — http://www.cme.com/

Chicago Board of Trade, CBOT, CBT – крупнейшая в мире срочная товарная биржа в Чикаго — http://www.cbot.com/

London International Financial Futures Exchange, LIFFE – Лондонская международная биржа финансовых фьючерсов, крупнейшая в Западной Европе срочная финансовая биржа — http://www.liffe.com/

International Petroleum Exchange, IPE – Международная нефтяная биржа в Лондоне — http://www.ipe.uk.com/

London Metals Exchange, LME – Лондонская биржа металлов, крупнейший международный рынок цветных металлов — http://www.lme.co.uk/

New York Merchantile Exchange, NYMEX, NMX — Нью-Йоркская товарная биржа — http://www.nymex.com

Какие бывают фьючерсы

Заключенный контракт подразумевает закрытие позиции в оговоренное время по выставленной цене. В качестве фьючерсных активов могут выступать: мировые валюты, индексы, акции компаний, товары (золото, серебро, нефть, зерно и т. д.).

Существует два вида фьючерсных сделок:

Поставочный фьючерс

(futures) предполагает, что на дату исполнения фьючерсного контракта покупатель должен приобрести, а продавец продать установленное в спецификации количество базового актива в натуре.

Расчётный фьючерс

— (беспоставочный) предполагает, что между участниками производятся только денежные расчёты в сумме разницы между ценой контракта и фактической ценой актива на дату исполнения контракта без физической поставки. Расчётный фьючерс применяется для целей хеджирования рисков изменения цены базового актива или в спекулятивных целях.

Обозначение фьючерсов

Код (тикер) Futures состоит из 3 (трёх) частей. Первые символы в обозначении указывают на базовый актив (золото, нефть, индекс Доу и т.д), в следующих символах закодирован месяц и год поставки фьючерса. Например, FDAXH9 — обозначает фьючерс на немецкий биржевой индекс Dax / Дакс, H — март, 9 — 2009 год. Это общие правила.

Всего есть 3 значения — C, M и Y.

C — название актива

M — месяц

Y — год

Последовательность значений:

Код базового актива (С)	Месяц исполнения (М)	Год исполнения (Y)
2-4 символа	1 символ	1 символ

У каждого базового актива есть свой код. Код базового актива (может обозначаться 2-4 символами; например, DX, RY, BRN, ZC, HE, NICK, FESX и т.д.)

Пример:

Код базового актива	Расшифровка контракта
NG	Фьючерс на природный газ
ZS	Фьючерсный контракт на соевые бобы
COPP	Фьючерсный контракт на медь
FCE	Фьючерс на индекс САС 40
JO	Фьючерс на апельсиновый сок

Месяц исполнения (обозначается одним символом)

Месяц	Код фьючерса
Январь	F
Февраль	G
март	H
Апрель	J
Май	K
Июнь	M
Июль	N
Август	Q
Сентябрь	U
Октябрь	V
Ноябрь	X
Декабрь	Z

Год исполнения кодируется всего лишь одной цифрой, т.е. если год исполнения контракта 2016, то в коде контракта указывается последняя цифра 6, если год исполнения контракта 2017 — в коде контракта указывается последняя цифра 7.

Год исполнения	Цифра в коде
2012	2
2013	3
2014	4
2015	5
2016	6
2017	7

К примеру, мы видим надпись BRG7 — Это значит, что

BR — фьючерс на сырую нефть сорта «Брент»

G – поставка в феврале

7 – значит в 2017 году

Приведем пример обозначений и расшифровки некоторых фьючерсных активов (без символов месяца и года исполнения):

Фьючерсы на валюту

RY – фьючерсный контракт на курс евро к японской йене — EURO/JAPANESE YEN

RP – фьючерсный контракт на курс евро к британскому фунту — EURO/BRITISH POUND

RF – фьючерсный контракт на курс евро к швейцарскому франку — EURO/SWISS FRANC

DX – фьючерсный контракт на индекс на доллар США — US DOLLAR INDEX

6S – фьючерсный контракт на швейцарский франк — SWISS FRANC

6R – фьючерсный контракт на российский рубль — RUSSIAN RUBLE

6N – фьючерсный контракт на новозеландский доллар — NEW ZEALAND DOLLAR

6J – фьючерсный контракт на японскую йену — JAPANESE YEN

6E – фьючерсный контракт на евро — EURO

6C – фьючерсный контракт на канадский доллар — CANADIAN DOLLAR

6B – фьючерсный контракт на британский фунт — BRITISH POUND

6A – фьючерсный контракт на австралийский доллар — AUSTRALIAN DOLLAR

Фьючерсы на энергоносители

Активы на топливо, занимают второе место по популярности после золота и его производных. В первую очередь речь идет о торговле нефтяными фьючерсами марки Brent.

DZ — дизельное топливо марки Л-0,2-62 — ГОСТ 305-82

XRB – фьючерсный контракт на бензин 95 — GASOLINE RBOB

WTI – фьючерсный контракт на сырую нефть марки Дабл_Ю_Ти_Ай — CRUDE OIL WTI

QM – фьючерсный контракт на мини контракт на нефть — MINI CRUDE OIL

NG – фьючерсный контракт на природный газ — NATURAL GAS

HO – фьючерсный контракт на печное топливо — HEATING OIL

CL – фьючерсный контракт на сырую нефть марки Лайт Свит — CRUDE OIL LIGHT SWEET

UR — фьючерс на нефть сорта — URALS

BRN – фьючерсный контракт на сырую нефть марки Брент — CRUDE OIL BRENT

Фьючерсы на гособлигации

O15 — фьючерс на «пятнадцатилетние» облигации федерального займа

O10 — фьючерс на «десятилетние» облигации федерального займа

O6 — фьючерс на «шестилетние» облигации федерального займа

O4 — фьючерс на «четырехлетние» облигации федерального займа

O2 — фьючерс на «двухлетние» облигации федерального займа

MP — фьючерсный контракт на ставку трехмесячного кредита MosPrime Ставку трехмесячного кредита MosPrime

GE – 3-х месячную процентную ставку на евро/доллар.

ZN – фьючерсный контракт на 10-летние амер. казначейские облигации — 10 YEAR U.S.NOTES

ZB – фьючерсный контракт на 30-летние амер. бонды — 30 YEAR U.S. BOND

GLONG – фьючерсный контракт на британские гос. ценные бумаги — GILT-LONG

GE – фьючерсный контракт на трёхмесячную процентную ставку на евродоллар — EURODOLLAR 3 MONTH

FGBS – фьючерсный контракт на немецкие долгосрочные гос. облигации сроком от 1.75 до 2.25 лет — SCHATZ

FGBM – фьючерсный контракт на немецкие долгосрочные гос. облигации сроком от 4.5 до 5.5 лет — EUROBOBL

FGBS – SCHATZ немецкие долгоср. госуд. облигации на срок 1,75 — 2,25 лет.

FGBL – фьючерсный контракт на немецкие долгосрочные гос. облигации сроком от 8.5 до 10.5 лет — EUROBUND

Фьючерсы на зерновые товары

ZW – фьючерсный контракт на пшеницу — WHEAT

ZS – фьючерсный контракт на соевые бобы — SOYBEANS

ZR – фьючерсный контракт на неочищенный рис — ROUGH RICE

ZO – фьючерсный контракт на овес — OATS

ZM – фьючерсный контракт на сою — SOYMEAL

ZL – фьючерсный контракт на соевое масло — SOYBEAN OIL

ZC – фьючерсный контракт на кукурузу — CORN

Фьючерсы на индексы

SPMIB – фьючерсный контракт на взвешенный по капитализации индекс, разработанный агентством S&P и биржей Borsa Italiana — S&P/MIB

NQ – фьючерсный контракт на мини контракт Насдак 100 — MINI NASDAQ100

NKD – фьючерсный контракт на индекс Никкей 225 Япония — NIKKEI 225

NI – фьючерсный контракт на индекс Никкей 225 Япония — NIKKEI225

MHI – фьючерсный контракт на мини контракт индекса Хэнг Сэнг — M HANG SENG INDEX

MDAX – фьючерсный контракт на индекс Дакс Германия — MDAX

MC – фьючерсный контракт на мини контракт индекса Стандарт Энд Пурс 400 — MINI S&P MIDCAP 400

IBX – фьючерсный контракт на индекс Хэнг Сэнг — IBEX 35

HSI – фьючерсный контракт на индекс Хэнг Сэнг — HANG SENG INDEX

FTSE – фьючерсный контракт на индекс Футси 100 — FTSE 100

FSTX – фьючерсный контракт на индекс Доу Джонс Стокс 50 — DJ STOXX 50

FSMI – фьючерсный контракт на индекс Эф Эс Эм Ай Швейцария — FSMI

VIX – фьючерсный контракт на индекс волатильности фондового рынка Chicago Board Options Exchange-CBOE — S&P 500 VOLATILITY

YM – фьючерсный контракт на мини контракт индекса Доу Джонс — MINI DJIA

FESX – фьючерсный контракт на индекс Доу Джонс Евростокс 50 — DJ EURO STOXX 50

FDAX – фьючерсный контракт на индекс Дакс Германия — DAX

FCE – фьючерсный контракт на индекс Си Эй Си 40 Франция — CAC 40

ES – фьючерсный контракт на мини контракт индекса Стандарт Энд Пурс 500 — MINI S&P 500

ER2 – фьючерсный контракт на мини контракт индекса Рассел — MINI RUSSELL 2000

Фьючерсы на мясопродукты

LE – фьючерсный контракт на живой скот — LIVE CATTLE

HE – фьючерсный контракт на постную свинину — LEAN HOGS

GF – фьючерсный контракт на домашний скот — FEEDER CATTLE

Фьючерсы на металлы

ZINC – фьючерсный контракт на цинк — ZINC

SI – фьючерсный контракт на серебро — SILVER

PL – фьючерсный контракт на платину — PLATINUM

PA – фьючерсный контракт на палладий — PALLADIUM

NICK – фьючерсный контракт на никель — NICKEL

LEAD – фьючерсный контракт на свинец — LEAD

HG – фьючерсный контракт на медь — COPPER

GOLD – фьючерсный контракт на золото — GOLD

GC – фьючерсный контракт на золото — GOLD

COPP – фьючерсный контракт на медь — COPPER

ALUM – фьючерсный контракт на алюминий — ALUMINIUM

Фьючерсы на потребительские товары

W – фьючерсный контракт на белый сахар — WHITE SUGAR

SB – фьючерсный контракт на сахар — SUGAR

RC – фьючерсный контракт на кофе робуста — COFFEE ROBUSTA

LB – фьючерсный контракт на пиломатериалы-лес — LUMBER

KC – фьючерсный контракт на кофе — COFFE

JO – фьючерсный контракт на апельсиновый сок — ORANGE JUICE

CT – фьючерсный контракт на хлопок — COTTON

CC – фьючерсный контракт на какао — COCOA

C – фьючерсный контракт на какао — COCOA

Коды фьючерсов на российские акции

CH — обыкновенные акции ОАО «Северсталь»

FS — обыкновенные акции ОАО «ФСК ЕЭС»

GM — акции ГМК «Норильский никель»

GZ — акции ОАО «Газпром»

HY — обыкновенные акции ОАО «РусГидро»

LK — акции НК «ЛУКойл»

MT — обыкновенные акции ОАО «МТС»

NK — обыкновенные акции ОАО «НОВАТЭК»

OC — обыкновенные акции ОАО «ОГК-3»

OD — обыкновенные акции ОАО «ОГК-4»

PZ — обыкновенные акции ОАО «Полюс Золото»

RN — акции ОАО «НК Роснефть»

RT — акции ОАО «Ростелеком»

SG — привилегированные акции ОАО «Сургутнефтегаз»

SP — привилегированные акции ОАО «Сбербанк России»

SR — обыкновенные акции ОАО «Сбербанк России»

TN — привилегированные акции ОАО «Транснефть»

TT — обыкновенные акции ОАО «Татнефть»

UI — обыкновенные акции ОАО «Уралсвязьинформ»

UK — обыкновенные акции ОАО «Уралкалий»

VB — обыкновенные акции ОАО Банк ВТБ

Преимущества фьючерсов над торговлей на Forex

Единые для всех котировки, формируемые на бирже

Форекс — внебиржевой рынок, котировки поставляет большое количество банков и дилеров. Поэтому Вы можете торговать по ценам, которые заметно отличаются от цен у другого брокера / дилера. С фьючерсами это невозможно. Фьючерсный рынок централизован на биржах и, по мере поступления заявок клиентов системой автоматически формируются котировки. Каждая котировка имеет не только цену, но и объем — за ней стоит конкретный покупатель или продавец. Таким образом клиенты сами своими заявками формируют котировки фьючерсов. Биржи на своих сайтах выкладывают котировки за предыдущую торговую сессию (торговый день) с точностью до каждого тика. Поэтому у всех брокеров на фьючерсах в торговых терминалах одинаковые котировки. Есть валютные фьючерсы, следовательно вы можете при торговле валютами сочетать все преимущества форекса и фьючерсов одновременно.

Фьючерсы – особенности, характеристики и расшифровка обозначений

6EZ, DXH5, SiH6, MMZ-3.13, — для многих новичков данные аббревиатуры вызывают недоумение и абсолютную растерянность. Наверняка многие из наших читателей замечали подобные обозначения в своих торговых терминалах, экономических сводках и прочих информ-источниках. Так вот, подобными буквенно-цифирными кодами обозначаются фьючерсные контракты, которые, по сути, являются поводырями спотовых инструментов, поэтому понимать их и изредка просматривать не будет лишним.

Что такое фьючерсы
Фьючерсы – это производный финансовый инструмент (дериватив), который предоставляет возможность на выкуп товара к назначенной дате по зафиксированной цене. Фьючерсные контракты торгуются на специальных секция фондовых рынков, в РФ, например, создана Специальная секция ФОРТС на Московской бирже, а самой известной мировой фьючерсной биржей является Чикагская товарная биржа CME.

Основные характеристики фьючерсов
Каждый фьючерсный контракт, торгуемый на бирже, обладает спецификацией, которая подразумевает его основные характеристики. У контрактов разные характеристики, которые позволяют инвесторам и трейдерам получить полный спектр информации по фьючерсу. Среди прочих, главными параметрами фьючерсов можно выделить:

Тип фьючерса.
Базовый актив.
Срок экспирации.
Гарантийное обеспечение.

Существует два типа фьючерсных контрактов – расчетные и поставочные. Главное отличие между этими типами в том, что расчетные формируются на основе не существующих товаров – индексы, процентные ставки и т.д. Таким образом, расчетные контракты применяются лишь в спекулятивных целях. Поставочные контракты могут использоваться в качестве инструмента спекуляции, а также для покупки актива, поскольку в основу заложен реальные товар – сырье, валюта, акции компании.
Базовым активом для фьючерсных контрактов выступают все основные группы товаров и финансовых активов:

Валютные пары и валютные индексы (Индекс доллара, пара евро-йена).
Биржевые индексы (РТС, Доу Джонс, Никкей).
Потребительские товары (сахар, какао, апельсиновый сок и т.д.).
Сырьевые товары и энергоносители (золото, нефть, медь).
Процентные ставки.

Каждый контракт представляет собой определённую долю базового актива (например, 1000 баррелей нефти марки Брент), приобрести которые можно по текущей цене и получить товар через определённое время, даже если к тому времени цена товара значительно измениться. Кроме того, фьючерсные контракты можно и продавать, что позволит получить выгоду, если на текущий момент цена актива переоценена, а в будущем стоимость понизится.

Срок экспирации устанавливает период, в течение которого контракт будет торговаться на бирже. По наступлению срока держатели поставочных контрактов претендуют на получение реального товара после оплаты остаточной стоимости за товар. По расчетным контрактам всего лишь происходит перерасчёт позиции, в результате чего владелец получает прибыль или убыток. При приближении к сроку экспирации большая часть рыночных игроков заранее переходят на следующий контракт.
Большая часть фьючерсных контрактов экспирируются через каждые 3 месяца, однако, есть и фьючерсы, срок оборота которых составляет 1 месяц (например, нефть марки Брент).

Гарантийное обеспечение – это залоговая сумма, которую биржа блокирует на счету клиента, который совершает сделку с фьючерсным контрактом. Как правило, сумма залога составляет не более 30% от текущей стоимости актива, что в своём роде представляет ГО как кредитное плечо. После закрытия сделки, вне зависимости от её исхода, сумма резерва полностью возвращается на счет клиента.

Расшифровка обозначений

В торговых терминалах, а также в различных сводках и отчетах фьючерсные контракты именуются специальными обозначениями. На первый взгляд обозначения могут показаться непонятными, однако достаточно правильно разобрать и всё станет ясно.
В состав обозначения входит сокращение от названия базового актива, а также срок экспирации фьючерса. Тип обозначений у некоторых брокеров и в некоторых источниках может быть представлен по-разному. Рассмотрим на примере фьючерсного контракта на Индекс РТС.

Первые несколько символов тиккера обозначают сокращённое наименование базового актива. В состав могут входить как цифры, так и буквы разных регистров. Для понимания этого аспекта придётся запомнить шифровки базовых активов, с которыми собираетесь работать.

Коды обозначений самых популярных мировых фьючерсов

Коды обозначений самых популярных фьючерсов Московской биржи

RTS – контракт на индекс РТС.
Si – валютная пара рубль-доллар.
Br – нефть марки Brent.
ED – валютная пара евро-доллар.
Eu – валютная пара рубль-евро.
GOLD – золото.
GAZR – акции Газпром.
SBRF – акции Сбербанк.
LKOH – акции Лукойл.
VTBR – Акции ВТБ.
MIX – контракт на индекс ММВБ.
MXI – мини-контракт на индекс ММВБ.

После буквенного обозначения базового актива следует указание месяца экспирации в виде цифры месяца или буквенного шифра.

F — Январь
G — Февраль
H — Март
J — Апрель
K — Май
M — Июнь
N — Июль
Q — Август
U — Сентябрь
V — Октябрь
X — Ноябрь
Z- Декабрь

Заключительными цифрами в коде тиккера обозначается год экспирации. В некоторых вариантах две последние цифры года, например BR-3.16, а в других одной – SRH6.
Теперь вы знаете, что такое фьючерсы, что они собой представляют и как обозначаются. Надеемся, эта информация станет вам полезной.

Источник: fxssi.com

Декодирование будущего (официальная серия)

Что такое Decoding the Future ?
Узнайте, почему это была серия пророчеств №1 в Америке.

С глобальными событиями, знаменующими конец нашего века, миллионы людей начали искать более глубокое понимание библейских пророчеств.Книга Откровения, в которой завершается Божий план для человечества, является одной из самых неправильно понимаемых книг Библии, но серия «Расшифровка будущего» теперь разбивает дискуссию, представляя недавно обнаруженные древние антропологические находки времен Христа, которые подтверждают события прошлого. Откровения не только верны, но и теперь их можно легко понять как дорожную карту на конец дней.


СВЯЗАННЫЕ НОВОСТИ ИЗ PNW: Июль 2019 Будет ли Америка извлекать уроки из краха Римской империи? Каждая великая цивилизация на протяжении истории человечества в конечном итоге рухнула, и если мы хотим иметь хоть какую-то надежду избежать той же участи, мы должны быть готовы извлечь некоторые уроки из прошлого.Многие из тех же факторов, которые привели к коллапсу …

Декодирование будущего (официальная серия)

Что такое Decoding the Future ?
Узнайте, почему это была серия пророчеств №1 в Америке.

С глобальными событиями, знаменующими конец нашего века, миллионы людей начали искать более глубокое понимание библейских пророчеств. Книга Откровения, в которой завершается Божий план для человечества, является одной из самых неправильно понимаемых книг Библии, но серия «Расшифровка будущего» теперь разбивает дискуссию, представляя недавно обнаруженные древние антропологические находки времен Христа, которые подтверждают события прошлого. Откровения не только верны, но и теперь их можно легко понять как дорожную карту на конец дней.


СВЯЗАННЫЕ НОВОСТИ ИЗ PNW: Июль 2019 Будет ли Америка извлекать уроки из краха Римской империи? Каждая великая цивилизация на протяжении истории человечества в конечном итоге рухнула, и если мы хотим иметь хоть какую-то надежду избежать той же участи, мы должны быть готовы извлечь некоторые уроки из прошлого.Многие из тех же факторов, которые привели к коллапсу …

Символы, контрактные месяцы, срок действия и особенности

 Попробуйте новостной терминал BetterTrader: 7 дней БЕСПЛАТНОЙ пробной версии

Какие символы фьючерса?

Январь — Ф.
Февраль — G
Март — H
Апрель — Дж
Май — К
июнь — м
июль — N
Август — Q
сентябрь — U
Октябрь — В
Ноябрь — X
декабрь — Z

Подробнее о новостном терминале >>

Символы фьючерсов 101

GC	Z	18
СИМВОЛ ДОГОВОРА (Золотой)	МЕСЯЦ ГОДА (декабрь)	ГОД ГОДА (2018)

Введение — что такое торговля фьючерсами?

Торговля фьючерсами — фьючерсный рынок — нестабильный и прибыльный рынок.Понимание языка фьючерсного рынка с уникальной маркировкой и смыслом каждого символа имеет решающее значение для успеха в торговле. В этом сообщении блога будет углублено и расшифровано значение символов в фьючерсных контрактах, что поможет вам на пути к пониманию фьючерсных контрактов.

Для начала посмотрим, как обозначаются фьючерсы. Маркировка фьючерсных контрактов определяется сначала символом контракта, затем символом месяца истечения контракта и, наконец, годом истечения срока контракта.

Подробнее о фьючерсах

Пример фьючерсного контракта

An example of a futures contract - gold gc

Например, фьючерс на золото, срок действия которого истекает в декабре 2018 года, будет иметь символ: GCZ18 (GC декабрь 2018).

GC	Z	18
СИМВОЛ ДОГОВОРА (Золотой)	МЕСЯЦ ГОДА (декабрь)	ГОД ГОДА (2018)

В мире торговли фьючерсами существует много разных букв и символов, которые соответствуют различным фьючерсным контрактам, месяцам истечения срока и биржам, которые обозначены на следующих рисунках.

Символы месяца фьючерсов

Коды месяцев для фьючерсных контрактов

ЯНВ	ФЕВ	МАРТ	APR	МАЯ	ИЮНЬ
Факс	G	H	Дж	К	м

ИЮЛ	AUG	СЕН	ОКТЯБРЬ	НОЯ	DEC
N	квартал	U	В	Х	Z

Ниже вы можете найти символы, связанные с каждым месяцем истечения срока действия фьючерсных контрактов.Хотя буквы могут показаться хаотично рассредоточенными, это, скорее всего, связано с тем, что предыдущие буквы уже имеют связи в торговом контексте (A = Ask, B = Bid, C = кукуруза, E = яйца, O = овес, S = соя, W = пшеница. так далее.). Остались оставшиеся буквы для месяцев года. Тем не менее, первоначальная торговля фьючерсными товарами была связана с сельскохозяйственными ресурсами, поэтому представлены кукуруза и пшеница, а сырая нефть — нет. Хотя это объяснение кажется правдоподобным, окончательной причины для выбора букв нет, но они по-прежнему принимаются во всем мире как правильные символы.

Объяснение спецификаций фьючерсов

СИМВОЛ	БУДУЩИЙ КОНТРАКТ	БИРЖА	МЕСЯЦ ПОСТАВКИ FUTURES	MIN TICK	НАЧАЛЬНАЯ ПОЛЯ	СТОИМОСТЬ $
DJ	Dow Jones Industrials	CBOT	H, M, U, Z	1.000	$ 3,550	$ 10
ND	Nasdaq 100	CME	H, M, U, Z	0.250	4,290 долл. США	$ 25
SP	S&P 500	CME	H, M, U, Z	0,050	$ 4.200	$ 12,5

Ниже вы можете найти символы, связанные с каждым типом фьючерсных контрактов, будь то биржи, месяц поставки, минимальный размер тика / изменение цены и значение в долларах США (сумма прибыли или убытка, понесенная с каждым тиком). Вы также можете найти начальную маржу каждого фьючерсного контракта, которая означает минимальную сумму, которая будет доступна на вашем счете в качестве обеспечения для каждого контракта, по которому у вас есть открытая позиция.Когда вы покупаете фьючерсный контракт, начальная маржа — это минимальная сумма денег, которая должна быть внесена на ваш счет, и которая возвращается вместе с прибылью или убытками при ликвидации вашего контракта. Сумма на этом маржинальном счете ежедневно меняется в зависимости от рынка в отношении вашего фьючерсного контракта.

Что такое «Мин. Тик»?

Min Tick — это минимальное движение, которое фиксируется для данного инструмента. Например, если тик равен 0,01, это означает, что минимальное движение цены, которое будет зарегистрировано, равно 0.01.

Например, CL (фьючерсный контракт на нефть) сегодня торгуется по 67,01, а минимальное изменение цены, которое будет зарегистрировано, составляет от 67,01 до 67,02 или с 67,01 до 67,00, это определение Min Tick составляет 0,01

Что такое «Стоимость тика»?

Это означает, сколько стоит каждое движение тика. Например, предположим, что мы говорим о фьючерсном контракте на нефть, который обозначается как CL.

Размер нефтяного контракта определен для 1000 баррелей.Таким образом, поскольку «Тик» равен 0,01, значение тика равно размеру контракта, умноженному на минимальный тик, в нашем примере с нефтяным контрактом 0,01 * 1000 = 10 долларов. В итоге; Стоимость тика = Тик * Размер контракта.

Список символов фьючерсов

Символы фьючерсов на валюты

СИМВОЛ	БУДУЩИЙ КОНТРАКТ	БИРЖА	МЕСЯЦ ПОСТАВКИ FUTURES	MIN TICK	НАЧАЛЬНАЯ ПОЛЯ	СТОИМОСТЬ $
н.э.	Австралийский доллар	CME	H, M, U, Z	0.010	1,430 долл. США	$ 10
БП	Британский фунт стерлингов	CME	H, M, U, Z	0,010	$ 2.310	$ 6,25
CD	Канадский доллар	CME	H, M, U, Z	0,010	$ 1.045	$ 10
DX	Индекс доллара США	ДВС	H, M, U, Z	0,010	$ 1.980	$ 10
ЕС	EuroFx	CME	H, M, U, Z	0,010	$ 2.310	$ 12,5
JU	Японская иена	CME	H, M, U, Z	0,010	$ 3.300	$ 12,5
SF	Швейцарский франк	CME	H, M, U, Z	0,010	$ 3,438	$ 12,5

Символы фьючерсов на энергию

СИМВОЛ	БУДУЩИЙ КОНТРАКТ	БИРЖА	МЕСЯЦ ПОСТАВКИ FUTURES	MIN TICK	НАЧАЛЬНАЯ ПОЛЯ	СТОИМОСТЬ $
Класс	Сырая нефть	NYM	F, G, H, J, K, M, N, Q, U, V, X, Z	0.010	$ 2.750	$ 10
HO	NY Harbour ULSD / мазут	NYM	F, G, H, J, K, M, N, Q, U, V, X, Z	0,010	$ 3.300	4,2
HU	Неэтилированный газ	NYM	F, G, H, J, K, M, N, Q, U, V, X, Z	0,010	3,150 долл. США	4,2
NG	Природный газ	NYM	F, G, H, J, K, M, N, Q, U, V, X, Z	0.001	$ 2,090	$ 1
РБ	RBOB Бензин	NYM	F, G, H, J, K, M, N, Q, U, V, X, Z	0,010	$ 3,520	4,2
ITCO / BRN	Нефть марки Brent	ДВС	F, G, H, J, K, M, N, Q, U, V, X, Z	0,010	$ 4.070	$ 10

Символы фьючерсов на мясо

СИМВОЛ	БУДУЩИЙ КОНТРАКТ	БИРЖА	МЕСЯЦ ПОСТАВКИ FUTURES	MIN TICK	НАЧАЛЬНАЯ ПОЛЯ	СТОИМОСТЬ $
FC	Кормушка для крупного рогатого скота	CME	F, H, J, K, Q, U, V, X	0.025	$ 4,263	$ 12,5
LC	Живой скот	CME	G, J, M, Q, U, V, Z	0,025	2,255 $	$ 10
HE	Худые кабаны	CME	G, J, K, M, N, Q, V, Z	0,025	$ 1,320	$ 10
DA	Молоко III класса	CME	F, G, H, J, K, M, N, Q, U, V, X, Z	0.010	$ 1,300	$ 20

Символы фьючерсов на комплексные зерно и сою

СИМВОЛ	БУДУЩИЙ КОНТРАКТ	БИРЖА	МЕСЯЦ ПОСТАВКИ FUTURES	MIN TICK	НАЧАЛЬНАЯ ПОЛЯ	СТОИМОСТЬ $
BO	Соевое масло	CBOT	F, H, K, N, Q, U, V, Z	0,010	$ 935	$ 6
К	Кукуруза	CBOT	F, H, K, N, U, X, Z	0.250	$ 935	$ 12,5
кВт	Пшеница Канзас-Сити	KCBT	H, K, N, U, Z	0,250	$ 1,250	$ 12,5
МВт	Миннеаполис Пшеница	MGE	H, K, N, U, Z	0,250	2,250 долл. США	$ 12,5
O	Овес	CBOT	H, K, N, U, Z	0,250	$ 880	12 долларов США.5
Ю	Соевые бобы	CBOT	F, H, K, N, Q, U, X	0,250	$ 2.310	$ 12,5
SM	Соевый шрот	CBOT	F, H, K, N, Q, U, V, Z	0,100	$ 1.980	$ 10
Вт	Пшеница	CBOT	H, K, N, U, Z	0,250	$ 1,320	$ 12,5

Символы фьючерсов на металлы

СИМВОЛ	БУДУЩИЙ КОНТРАКТ	БИРЖА	МЕСЯЦ ПОСТАВКИ FUTURES	MIN TICK	НАЧАЛЬНАЯ ПОЛЯ	СТОИМОСТЬ $
GC	Золото	CMX	G, J, M, Q, V, Z	0.100	4,345 долл. США	$ 10
HG	Медь	CMX	H, K, N, U, Z	0,050	2,640 долл. США	$ 12,5
PL	Платина	NYM	F, J, N, V	0,100	$ 2,090	$ 5
SI	Серебро	CMX	H, K, N, U, Z	0,005	$ 5.500	0 руб.25

Символы фьючерсов на процентные ставки

СИМВОЛ	БУДУЩИЙ КОНТРАКТ	БИРЖА	МЕСЯЦ ПОСТАВКИ FUTURES	MIN TICK	НАЧАЛЬНАЯ ПОЛЯ	СТОИМОСТЬ $
ED	евродолларов	CME	H, M, U, Z	0,005	$ 3.850	$ 12,5
FV	5-летние казначейские облигации	CBOT	H, M, U, Z	0.016	770 долларов США	$ 15,625
МБ	Муниципальные облигации	CBOT	H, M, U, Z	0,031	3,150 долл. США	31,25 долл. США
ТУ	Двухлетние казначейские облигации	CBOT	H, M, U, Z	0,008	$ 462	$ 15,625
TY	10-летние казначейские облигации	CBOT	H, M, U, Z	0,016	$ 1.430	$ 15,625
США	30-летние казначейские облигации	CBOT	H, M, U, Z	0,031	$ 3.850	31,25 долл. США

Символы фьючерсов на Soft & Fibers

руб.

СИМВОЛ	БУДУЩИЙ КОНТРАКТ	БИРЖА	МЕСЯЦ ПОСТАВКИ FUTURES	MIN TICK	НАЧАЛЬНАЯ ПОЛЯ	СТОИМОСТЬ $
	Рис	CBOT	F, H, K, N, U, X	0.500	$ 975	$ 50
CC	Какао	ДВС	H, K, N, U, Z	1.000	$ 1,595	$ 10
CT	Хлопок	ДВС	H, K, N, U, Z	0,010	$ 2,530	$ 5
KC	Кофе	ДВС	H, K, N, U, Z	0,050	2.970 $	18 долларов.75
фунтов	Доска обрезная	CME	F, H, K, N, U, X	0,100	$ 1,595	$ 11
JO	Апельсиновый сок	ДВС	F, H, K, N, U, X	0,050	1,600 долл. США	7,5
SB	Сахар # 11	ДВС	H, K, N, V	0,010	$ 1,232	$ 11,2

Заключение

В целом, начать торговать на фьючерсном рынке немного сложнее из-за специфической терминологии и высокой конкуренции.Однако с большим риском связан и шанс добиться успеха с высокой прибылью. Преимущества, предоставляемые фьючерсами, не привлекательны для каждого трейдера из-за специфики фьючерсов и вышеупомянутых проблем, но, оставаясь информированным и придерживаясь сильной торговой стратегии, можно легко оставаться на опережение, понимая и избегая ошибок.

Коды месяцев для фьючерсных контрактов

ЯНВ	ФЕВ	МАРТ	APR	МАЯ	ИЮНЬ
Факс	G	H	Дж	К	м

ИЮЛ	AUG	СЕН	ОКТЯБРЬ	НОЯ	DEC
N	квартал	U	В	Х	Z

Подробнее о новостном терминале >>

 Инструмент: ПРЕДУПРЕЖДЕНИЕ РЫНКА В РЕАЛЬНОМ ВРЕМЕНИ

Подробнее о торговле фьючерсами:

Что такое фьючерсы и как они работают?

БОНУС — Фон рабочего стола — Торговля фьючерсами

BetterTrader.co

Мы считаем, что трейдерам необходимо преимущество, которое можно получить только с помощью статистического анализа.

Мы добиваемся этого, запуская статистические модели в реальном времени и помогая вам принимать правильные решения в режиме реального времени.

Если вы хотите понять недавние или текущие экономические или новостные события, узнать, как рынок отреагировал на подобные ситуации, и получить контроль над вашей торговлей, этот продукт может быть для вас.

Решатели, Шифры, Калькуляторы, Декодеры, Онлайн

Инструменты для игры в слова / буквы

dCode предлагает инструменты для уверенного выигрыша, например решатель Scrabble, известную настольную игру.Кроме того, если вы не можете закончить кроссворды, dCode решит это за вас. Не стесняйтесь попробовать такие инструменты, как поиск самых длинных слов, генератор анаграмм, решатель ошибок и т. Д., Они бесплатны! Вы также можете выполнить поиск слова, например найти список слов, начинающихся с одних букв (или оканчивающихся другими) или с помощью расширенного поиска слов по критериям … (см. Все инструменты)

dCode предоставляет инструменты для поиска слов в огромном словаре, гарантируя помощь (обман?) во всех словесных играх.

Криптографические инструменты

dCode, как следует из названия, автоматически декодирует шифр Цезаря, шифр Виженера, а также квадрат Полибия, Rail Fence, аффинный шифр и десятки других шифров. Все эти инструменты были бы ничем без частотного анализа или расчета индекса совпадения для определения типа используемой криптограммы, например, алфавитной замены … (См. Все криптографические инструменты)

dCode имеет огромную библиотеку сценариев для декодирования или кодирования сообщений с использованием стандартных методов криптографии.

Коды и алфавиты Инструменты

dCode может говорить на сотнях языков и кодов, таких как азбука Морзе, T9 для мобильных телефонов, а также 1337 (Leet Speak) или алфавит Брайля. Он также может генерировать штрих-коды или QR-коды … (См. Все инструменты)

dCode имеет сценарии для декодирования или кодирования сообщений с различными алфавитами, чтобы заменить наш обычный латинский алфавит.

Математические инструменты

dCode рассчитывает за вас! Нужен решатель уравнений, декомпозиция простых чисел или решатель криптарифмов? В dCode это автоматически.Инструменты сделаны простыми: от НОД до преобразователя по основанию N через генератор комбинаций (k из n), вероятности, случайный выбор или вычисление несократимых дробей. Существуют даже практичные инструменты, такие как преобразователь числа в буквы, или бесполезные, как система счисления Шадокс! (См. Все математические инструменты)

dCode, его инструменты, его коды были бы ничем без математики, ее теории чисел и особенно арифметики.

Инструменты информатики

dCode управляет алгоритмами и стандартами информатики, такими как ASCII, Base 64, шифрование паролей MD5 или стандарт Unicode.Все основано на двоичном коде и его производных: BCD или коде Грея. А что касается экспорта, обратите внимание на Brainfuck! (См. Все инструменты информатики)

dCode и его скрипты основаны на программировании, это приемы, методы и поэтому существует множество инструментов для гиков.

Инструменты для решения игр

dCode самостоятельно играет и побеждает, решения для игры с обратным отсчетом легко вычисляются, решающая программа Mastermind сделает все за вас, то же самое и для решающей программы Судоку.Доступны более сложные головоломки, такие как Волшебный квадрат или головоломка Wordoku. (См. Все игровые инструменты)

dCode любит игры, от небольших головоломок до всемирно известных настольных игр. Все, что не основано на случайности, можно смоделировать и решить с помощью dCode.

Разные инструменты

dCode — это также множество инструментов для обработки данных, таких как поиск разницы между двумя текстами или создание случайного выбора. dCode также обрабатывает изображения, например, разделение каналов RGB или обработку текста с поиском по регулярным выражениям.dCode также управляет базами данных, такими как поиск ISBN, французские отделы, инструменты для поиска IP-адреса веб-сайта и т. д. Наконец, есть бесполезные, но важные инструменты, такие как перевернутое письмо или обратное письмо. (См. Все разные инструменты)

dCode также имеет не поддающиеся классификации страницы, но очень полезные инструменты для завершения списка всего, что вам может понадобиться.

dCode — универсальный сайт для декодирования сообщений, читерских игр с буквами, решения головоломок, тайников, поиска сокровищ и т. д.Все игровые инструменты, головоломки, коды, шифрование и словари доступны на dcode.xyz

Ответы на вопросы

Как искать инструмент на dCode?

Панель поиска доступна на каждой странице под меню. Для эффективного поиска введите одно или два ключевых слова.

Пример: Цезарь для шифра Цезаря (и его вариантов), счетчик для игры с числами обратного отсчета

Где список всех инструментов dCode?

На странице «Все инструменты» перечислены все страницы dCode.Инструменты регулярно обновляются в соответствии с запросами пользователей (вас).

Ссылка на страницу «Все инструменты» доступна на всех страницах сайта.

Задайте новый вопрос

Исходный код

dCode сохраняет право собственности на исходный код онлайн-инструмента dCode.xyz. За исключением явной лицензии с открытым исходным кодом (обозначенной CC / Creative Commons / free), любой алгоритм, апплет или фрагмент (конвертер, решатель, шифрование / дешифрование, кодирование / декодирование, шифрование / дешифрование, переводчик) или любая функция (преобразование, решение, дешифрование / encrypt, decipher / cipher, decode / encode, translate), написанные на любом информатическом языке (PHP, Java, C #, Python, Javascript, Matlab и т. д.)) доступ к данным, скриптам или API не будет бесплатным, то же самое касается загрузки dCode.xyz для автономного использования на ПК, планшете, iPhone или Android!

Нужна помощь?

Пожалуйста, заходите в наше сообщество в Discord для получения помощи!

Вопросы / комментарии

Frontiers | Расшифровка движения по электрокортикографической активности: обзор

1. Введение

Мозг — уникальный орган человеческого тела. Содержащие мириады нейронов мозговые цепи непрерывно обрабатывают множество сенсорных, моторных и когнитивных сигналов, генерируют мысли и решения, а также создают субъективное ощущение сознательности и свободы воли.Мозг дает нам возможность без усилий контролировать такие сложные формы поведения, как произвольные движения частей тела, поддержание позы и равновесия, производство речи и восприятие внешнего мира. К сожалению, неврологические заболевания или травмы могут вызвать серьезные нарушения этих нейронных механизмов, в результате чего человек не может двигаться, чувствовать и общаться. Многие из таких разрушительных неврологических состояний в настоящее время неизлечимы, включая боковой амиотрофический склероз (БАС), инсульт и повреждение спинного мозга (ТСМ).

ИМК

, также называемые интерфейсами мозг-машина (ИМТ) и нейронными протезами, обещают предоставить революционные решения в лечении заболеваний мозга. BCI соединяют нейронные цепи с внешними устройствами, такими как протезы конечностей, средства связи, компьютеры, устройства для функциональной электростимуляции и даже другие части мозга (Лебедев и Николелис, 2006). Медицинские применения ИМК направлены на восстановление функций, утраченных из-за неврологических расстройств, и помощь в реабилитации.Например, BCI-подход к SCI заключается в прямом подключении непораженных участков мозга, таких как сенсомоторная кора, к протезу конечности (Hochberg et al., 2006, 2012; Collinger et al., 2013; Bouton et al., 2016) . Многие компоненты нейропротеза были предложены и разработаны за последние два десятилетия. Это биосовместимые имплантаты для нейронной записи, устройства для стимуляции нейронных цепей и беспроводные записывающие системы. BCI могут подключать мозг к компьютерным курсорам (Carmena et al., 2003; Lebedev et al., 2005), текстовые генераторы (Pan et al., 2013; Akram et al., 2014), протезы рук (Carmena et al., 2003; Velliste et al., 2008; Collinger et al., 2013) , экзоскелеты для вспомогательной ходьбы (Gancet et al., 2011; Contreras-Vidal, Grossman, 2013; Kwak et al., 2015), объекты виртуальной реальности (Badia et al., 2013), инвалидные коляски с электроприводом (Galán et al., 2008; Chai et al., 2014), дроны (LaFleur et al., 2013) и автомобили (Göhring et al., 2013). Недавно появились футуристические BCI, которые объединяют несколько отдельных мозгов в мозговую сеть (Pais-Vieira et al., 2013; Рао и др., 2014).

Среди различных классов BCI, BCI, которые действуют в моторной области, претерпели особенно широкое развитие из-за ожидания, что они могут лечить паралич, позволяя произвольно контролировать протезы конечностей. Были разработаны моторные ИМК, которые позволяют двигать руками (Wessberg et al., 2000; Carmena et al., 2003; Velliste et al., 2008; Collinger et al., 2013) и ногами (Fitzsimmons et al., 2009) . В дополнение к BCI, которые запускают движения, появились BCI, которые управляют когнитивными функциями, такими как исполнительный контроль, внимание и принятие решений (Andersen et al., 2004, 2010; Мирабелла, Лебедев, 2016). В сенсорной области были разработаны ИМК, которые применяют стимуляцию к периферическим и центральным структурам нервной системы, чтобы вызвать восприятие, имитирующее естественные чувства, включая слух (House, 1976), зрение (Dobelle, 2000; Normann et al., 2009), и прикосновение (Bensmaia, Miller, 2014).

В этом обзоре мы сосредотачиваемся на BCI, которые основаны на инвазивном методе регистрации, называемом ЭКоГ. Мы утверждаем, что ЭКоГ может обеспечить эффективные решения для многих клинических случаев, потому что, во-первых, сетки ЭКоГ собирают нейронные сигналы с лучшим пространственным и временным разрешением по сравнению с неинвазивными методами записи, такими как электроэнцефалография (ЭЭГ), и, во-вторых, электроды ЭКоГ не проникают внутрь. в мозг и, таким образом, предлагает более безопасное решение по сравнению с методами, требующими введения регистрирующих датчиков в нервную ткань (Leuthardt et al., 2004; Hill et al., 2012; Петров и др., 2016). Исследования, проведенные на сегодняшний день, показали, что ИМК на основе ЭКоГ применимы к двигательным задачам. Тем не менее, мы предполагаем, что точность таких моторных BCI может быть улучшена за счет реализации более совершенных алгоритмов нейронного декодирования, особенно основанных на глубоких нейронных сетях.

Начнем с обзора методов записи ЭКоГ. Затем мы рассмотрим двигательные задачи, которые использовались в исследованиях декодирования ЭКоГ. Наконец, мы обсуждаем соответствующие алгоритмы декодирования и программное обеспечение.

2. Методология ЭКоГ и ее преимущества по сравнению с другими методами регистрации

За последние несколько десятилетий было разработано множество методов регистрации мозговой активности. В зависимости от используемых биологических и физических принципов эти методы имеют разное пространственное и временное разрешение. Способы записи варьируются от классических одноэлементных методов, при которых микроэлектроды вводятся в ткань мозга, до неинвазивных подходов, таких как ЭЭГ, магнитоэнцефалография (МЭГ), спектроскопия в ближнем инфракрасном диапазоне и функциональная магнитно-резонансная томография.Выбор метода в каждом конкретном случае основывается на ряде требований, включая оценку риска для человека.

С развитием BCI мы стали свидетелями развития методов многоканальной записи, которые позволяют одновременно отбирать сигналы из многих областей мозга (Nicolelis and Lebedev, 2009). Для создания клинически значимых нервных протезов такие методы записи должны быть жизнеспособными в течение длительного времени. Хронически имплантированные многоэлектродные матрицы (МЭБ) измеряют активность мозга с высоким пространственным (на уровне отдельных нейронов) и временным (на уровне нейронных спайков) разрешением.ИМК на основе MEAs были реализованы на крысах (Chapin et al., 1999; Song et al., 2009), нечеловеческих приматах (Taylor et al., 2002; Carmena et al., 2003; Gilja et al., 2012). ; Schaffelhofer et al., 2015) и человека (Hochberg et al., 2006; Collinger et al., 2013; Gilja et al., 2015; Brandman et al., 2017). Число моторных степеней свободы, с которыми могут справиться такие ИМК, неуклонно растет (Hochberg et al., 2012; Collinger et al., 2013; Wodlinger et al., 2014; Vaskov et al., 2018). Однако записи с использованием MEA не лишены проблем, особенно при использовании у людей, поскольку интракортикальные электроды могут спровоцировать инфекцию, повреждение тканей и рубцевание — факторы, которые со временем способствуют ухудшению качества записи (Perge et al., 2013; Nuyujukian et al., 2014; Мерфи и др., 2016; Ким и др., 2018).

Хотя неинвазивные ИМК не несут заметного риска для здоровья, у них есть свои ограничения. Таким образом, ИМК на основе ЭЭГ, которые в настоящее время распространены из-за простоты использования (Nicolas-Alonso and Gomez-Gil, 2012), имеют более низкую скорость передачи информации по сравнению с инвазивными ИМК (Лебедев и Николелис, 2006). Отношение сигнал / шум и пространственное разрешение для записей ЭЭГ низкие, потому что с помощью этого метода электрические потенциалы измеряются на расстоянии от их источника, размазываются из-за распространения через мозговые оболочки и череп и подвержены загрязнению механическими, электроокулографическими (ЭОГ) , а также электромиографические (ЭМГ) артефакты (Cooper et al., 1965). Классификация нескольких дискретных моторных состояний может быть достигнута с помощью записей ЭЭГ (например, обнаружение наличия или отсутствия фактического или воображаемого движения конечности). Однако точное декодирование точных характеристик движения с помощью этого метода затруднено.

ECoG устраняет несколько проблем, связанных с использованием других методов записи. С помощью ЭКоГ электрический сигнал регистрируется с поверхности мозга либо эпидурально (т. Е. Электроды размещаются на поверхности твердой мозговой оболочки), либо субдурально (т.е.электроды размещаются под твердой мозговой оболочкой.) Хотя сигналы ЭКоГ напоминают данные ЭЭГ (Kellis et al., 2016), они имеют большую амплитуду, более высокое пространственное разрешение и более широкий частотный диапазон (Schalk and Leuthardt, 2011). ЭКоГ превосходит ЭЭГ для регистрации как низкочастотных колебаний коры (Hughes, Crunelli, 2005), так и высокочастотной активности в гамма-диапазоне (Manning et al., 2009; Schalk and Leuthardt, 2011). Превосходное пространственное и частотное разрешение ЭКоГ позволяет получать подробные корковые карты, например моторные и сенсорные карты отдельных пальцев, одновременно измеряя электрическую активность из многих областей коры.Кроме того, записи ЭКоГ стабильны в течение длительного времени (Blakely et al., 2009). Напротив, записи нескольких отдельных единиц с помощью MEA не столь стабильны, хотя их можно рассматривать как контрольный сигнал BCI высшего качества. Хотя в большинстве исследований сетки ЭКоГ имплантировались на несколько дней, чтобы минимизировать риски инфицирования, связанные с использованием привязных кабелей, также было показано, что хронические имплантаты ЭКоГ жизнеспособны (Wyler et al., 1991; Weinand et al. ., 1994), и был достигнут прогресс в разработке беспроводных, полностью имплантируемых технологий (Vansteensel et al., 2016; Benabid et al., 2019). Основываясь на этих тенденциях, разумно ожидать, что в будущем появятся клинически значимые, хронически имплантированные нейронные протезы на основе ЭКоГ для оказания помощи пациентам, страдающим неврологическими расстройствами. Таким образом, подход ЭКоГ имеет множество преимуществ для приложений BCI, включая достаточно высокую скорость передачи информации, стабильность записей и более низкий риск медицинских осложнений. Эти особенности делают метод ЭКоГ привлекательным для разработчиков практических нейропротезных устройств.

В клинических применениях электроды ЭКоГ обычно располагаются в виде прямоугольных решеток (например, 6 × 8 или 8 × 8) или полосок, содержащих несколько электродов в одном ряду. Часто используются платино-иридиевые электроды диаметром 4 мм, наиболее часто используемые в клинических применениях. Обычно используемое межэлектродное расстояние 1 см дает во многих случаях подходящее пространственное разрешение. Тем не менее, физический предел разрешения, который может быть достигнут за счет уменьшения межэлектродного расстояния, составляет ~ 1.25 мм для субдуральной записи (Freeman et al., 2000) и ~ 1,4 мм для эпидуральной записи (Slutzky et al., 2010). В качестве шага к достижению этих пределов пространственного разрешения были введены сетки ЭКоГ с шагом 3–5 мм, которые были протестированы в нескольких исследованиях, проведенных в течение последнего десятилетия (Wang et al., 2016). В таких сетках соседние электроды несут достаточно разную информацию в диапазоне высоких гамма-частот, о чем свидетельствует низкая когерентность (~ 0,3) между их сигналами (Wang et al., 2009). Эти сетки имеют более высокое пространственное разрешение по сравнению с сетками с шагом 1 см не только из-за более узкого расстояния между электродами, но и из-за меньшего размера электродов, что способствует отбору проб локальной активности. Благодаря расстоянию между электродами 3-5 мм была достигнута точная классификация движений пальцев и множественных жестов рук, а также управление протезом кисти в реальном времени (Wang et al., 2013; Bleichner et al., 2016; Hotson et al. др., 2016). Совсем недавно появились еще более плотные сетки микро-ЭКоГ с проводами 40–80 микрон и интервалом 1–3 мм; эта сетка может иногда измерять активность отдельных нейронов коры (Khodagholy et al., 2015).

Сетки

ECoG, имплантированные по клиническим причинам, использовались в качестве испытательного стенда для различных типов ИМК. Благодаря эпидуральной записи ЭКоГ (более безопасный вариант для клинической оценки), BCI были реализованы для надежного обнаружения движений (Chavarriaga et al., 2016), распознавания различных типов движений (Spüler et al., 2014b) и декодирования динамики движения (Flint и др., 2016). Для широко разнесенных электродов ЭКоГ точность декодирования с эпидуральной сеткой аналогична той, которая достигается с помощью субдуральных электродов (Spüler et al., 2014а). Тем не менее, если используются сетки ЭКоГ высокой плотности, они работают лучше при субдуральной имплантации (Bundy et al., 2014). Теоретически желательно разместить имплантаты ЭКоГ на как можно большем количестве корковых участков, поскольку двигательное планирование и выполнение затрагивают несколько корковых областей. Однако использование большого количества имплантатов увеличивает риск для здоровья. В нескольких исследованиях была предпринята попытка оптимизировать количество и размещение электродов ЭКоГ (Bleichner et al., 2016; Li et al., 2017). Интраоперационная оценка электрической активности на различных участках коры головного мозга перед имплантацией сетки ЭКоГ (Xie et al., 2015), является одним из способов уменьшить размер имплантата и снизить риск для здоровья.

3. Парадигмы двигателя

Движения могут быть декодированы по электрической активности мозга благодаря существованию корреляции между нейронными модуляциями и двигательными параметрами для ряда двигательных задач (Лебедев, 2014). Таким образом, модуляции ЭКоГ коррелируют с движениями как верхних, так и нижних конечностей (Toro et al., 1994b; McCrimmon et al., 2017). Алгоритмы декодирования BCI преобразуют нейронные модуляции в представляющие интерес выходные сигналы, такие как положение конечности в пространстве.Хотя алгоритмы декодирования часто оцениваются в автономном режиме с использованием ранее собранных нейронных данных, их окончательное тестирование следует проводить в настройках в режиме реального времени, когда субъекты контролируют действия, выполняемые внешним устройством, непосредственно с помощью своей мозговой активности.

Разработка новых алгоритмов декодирования не только продвигает BCI за счет повышения их точности работы и универсальности, но также приводит к новым фундаментальным представлениям о моторных, сенсорных и когнитивных механизмах мозга, выводам, которые появляются в ходе экспериментов BCI и их устранению неисправностей (Nicolelis и Лебедев, 2009).В частности, исследование ИМК на основе ЭКоГ дает представление о кодировании движений и ощущений коллективной активностью корковых нейрональных популяций, функциональном значении различных кортикальных ритмов, соматотопическом представлении частей тела, что видно из активности ЭКоГ на разных участках коры и частоте полосы и способность мозга пластически адаптироваться к новым задачам BCI.

Из сигналов ECoG можно декодировать различные типы движения. Это сгибание и разгибание запястья (Satow et al., 2003; Gharabaghi et al., 2014; Spüler et al., 2014a; Jiang et al., 2015, 2017), различные типы хватки (Graimann et al., 2003; Miller et al., 2007; Pistohl et al., 2012; Chestek et al., 2013; Xie et al., 2015) жесты и позы (Graimann et al., 2003; Chestek et al., 2013; Bleichner et al., 2016; Li et al., 2017), движения отдельных пальцев (Graimann et al., 2003; Kubanek et al., 2009) ; Miller et al., 2009; Samiee et al., 2010; Wang et al., 2011; Elghrabawy, Wahed, 2012; Flamary and Rakotomamonjy, 2012; Liang and Bougrain, 2012; Chestek et al., 2013; Чен и др., 2014; Xie et al., 2018), выступание языка и губ (Graimann et al., 2003; Satow et al., 2003; Miller et al., 2007; Paul et al., 2017) и движения стопы (Toro et al. , 1994b; Satow et al., 2003). Хотя для декодирования обычно используются области коры, контралатеральные движущейся части тела, рассматривался вариант использования ипсилатеральной коры (Hotson et al., 2014).

В BCI в реальном времени сигналы, представляющие движения или их изображения, декодируются из активности ЭКоГ и отправляются в качестве управляющих сигналов на внешние устройства, такие как экранный курсор.Управление курсором реализовано в одном (Leuthardt et al., 2004, 2006), двух (Schalk et al., 2008) и трех (Wang et al., 2013) измерениях. Кроме того, ИМК на основе ЭКоГ были продемонстрированы для задач управления протезом руки (Yanagisawa et al., 2011; Chestek et al., 2013; Wang et al., 2013; Hotson et al., 2016; Li et al. , 2017), что позволяет ходить с помощью экзоскелета (Benabid et al., 2019) и выбирать символы шрифта с помощью приложения для проверки орфографии (Vansteensel et al., 2016).

Здесь мы сосредотачиваемся на моторных ИМК на основе ЭКоГ, которые представляют собой ИМК, в которых пользователи модулируют свою корковую активность для создания движений внешних устройств.Такие BCI можно сгруппировать в три основные категории в зависимости от взаимосвязи между задачей, выполняемой субъектом, и выходными данными BCI (рисунок 1) (хотя эта классификация может быть применена к другим типам BCI, например, основанным на записях ЭЭГ, наш обзор ограничивается системами на основе ЭКоГ). В первой категории существует произвольная связь между действием субъекта и результирующим движением внешнего эффектора. Например, субъект представляет, как перемещает руку, чтобы вызвать движение указателя вверх, и представляет, как движется язык, чтобы переместить указатель вниз (Leuthardt et al., 2006). Во второй категории дискретный классификатор распознает двигательное действие, выполняемое или воображаемое субъектом, например, движение одним из пальцев. Затем внешнее устройство выполняет то же действие. Третья категория BCI декодирует различные параметры двигателя, такие как направление движения, скорость, ускорение и силу. Параметры обрабатываются математическим алгоритмом как непрерывные переменные. Затем внешнее устройство восстанавливает движение по декодированным параметрам двигателя.

Рисунок 1 .Экспериментальные парадигмы расшифровки движений ЭКоГ. (A) Произвольная парадигма сопоставления, в которой задача, выполняемая субъектом, и выходные данные BCI отличаются. В проиллюстрированном примере сжатие кулака вызывает движение указателя вверх. (B) Парадигма дискретной классификации, в которой BCI распознает позу или движение, выполняемое субъектом, и воспроизводит их с помощью внешнего устройства. Проиллюстрирован случай, когда субъект формирует свою руку одним из трех жестов, а BCI генерирует жест виртуальной руки, показанный на экране. (C) Парадигма непрерывного декодирования, при которой параметры движения декодируются непрерывно (как функция времени или какого-либо другого параметра) и воспроизводятся внешним устройством. В проиллюстрированном примере виртуальный палец воспроизводит траекторию движения пальца пациента.

3.1. Парадигмы произвольного картирования

Парадигма произвольного картирования была первой, которая была реализована с записями ЭКоГ. В ранних исследованиях использовались связанные с событиями потенциалы для извлечения моторных команд (Toro et al., 1994b; Huggins et al., 1999; Levine et al., 1999). Позже спектральные изменения ЭКоГ во время реальных или воображаемых движений были использованы для контроля BCI (Leuthardt et al., 2004). В обеих группах исследований действия испытуемых произвольно сопоставлялись с действиями, выполняемыми внешними устройствами.

Чтобы определить наиболее эффективную стратегию управления для такого BCI с произвольным картированием, Leuthardt et al. (2004) представили процедуру предварительного отбора, которая стала обычной практикой (Leuthardt et al., 2006; Миллер и др., 2007; Schalk et al., 2008). Во время предварительного скрининга субъекты выполняют ряд задач, чтобы можно было идентифицировать функции ЭКоГ с наиболее заметными модуляциями и использовать их для контроля ИМК. Задания выполняются с частями тела, представленными кортикальными областями, покрытыми имплантированными электродами ЭКоГ (Schalk et al., 2008). Субъекты выполняют или воображают моторные действия, такие как открытие и закрытие руки, выпячивание и втягивание языка, сгибание и разгибание отдельных пальцев, сжимание и отжимание губ, перемещение руки, ноги или ступни (Miller et al., 2007), двигая челюстью, пожимая плечами (Schalk et al., 2008), и произнося слова (Leuthardt et al., 2004, 2006). На основе моделей активности ЭКоГ, демонстрируемых во время этих задач, подмножества функций ЭКоГ (например, полосы частот и электроды с наиболее заметными модуляциями) выбираются для реализации BCI.

С помощью метода предварительного отбора можно быстро выбрать действия, вызывающие наибольшие модуляции ЭКоГ, чтобы повысить точность контроля ИМК. В новаторском исследовании (Leuthardt et al., 2004), испытуемые достигли уровня успеха 74–100% после 3–24 минут обучения в экспериментах с замкнутым циклом, когда они выполняли или воображали заранее выбранное действие (например, открывание и закрывание руки, высунувание языка или произнесение слова « move »), чтобы переместить экранный курсор в вертикальном направлении. В этих экспериментах сетки ЭКоГ помещались на лобные, теменные и височные области коры. В следующем исследовании (Leuthardt et al., 2006) та же группа добавила к экспериментальному плану процедуру настройки, при которой настройки декодера были обновлены с использованием данных из первоначального онлайн-сеанса.Эта корректировка учитывала различия между модуляциями ЭКоГ, наблюдаемыми во время процедуры предварительного скрининга и онлайн-контроля.

Schalk et al. (2008) разработали подход с произвольным отображением для случая двумерных движений курсора. Записи ЭКоГ проводились из лобной, височной и / или теменной коры. Во время процедуры предварительного отбора были выбраны две задачи, которые дали наименее коррелированные характеристики сигнала (полосы частот и расположение электродов), которые затем использовались для независимого управления двумя координатами курсора.После периода обучения 12–26 минут пять испытуемых достигли точности 53–73% (с уровнем вероятности 25%) в задаче с четырьмя целевыми объектами.

Wang et al. (2013) расширили степень свободы перемещения курсора до трех измерений. Пациент с тетраплегией с травмой спинного мозга на уровне C4 проходил тренировку в течение нескольких недель. ЭКоГ активность регистрировали с помощью высокоплотной сетки из 32 электродов с шагом 4 мм; диаметр электрода составлял 2 или 3 мм. Сетка была имплантирована поверх кисти и руки, представляющей области левой сенсомоторной коры.Субъект научился активировать свою сенсомоторную кору, предпринимая произвольные движения. Отчетливые корковые модуляции наблюдались при попытке движения различных сегментов верхней конечности пациента. Управление BCI состояло в назначении каждого типа попытки движения определенному направлению движения курсора. Декодер обрабатывал модуляции ЭКоГ в гамма-диапазоне. Использовалась адаптирующая схема декодирования, в которой декодер чередовал периоды, когда веса декодера были фиксированными, и когда они подвергались регулировке.Сначала испытуемый изучил двумерное управление курсором в виртуальной среде, затем было добавлено третье измерение путем постепенного объединения весов, рассчитанных для выполненной трехмерной задачи, с весами, ранее рассчитанными для двумерного элемента управления. Испытуемый достиг 80% успеха в задаче управления курсором, а также научился управлять трехмерными движениями, выполняемыми протезом руки. В следующем исследовании, проведенном той же группой (Degenhart et al., 2018), были протестированы два дополнительных субъекта с параличом руки: один с БАС, а другой с травмой плечевого сплетения. Испытуемые использовали стратегию соматотопического контроля для управления виртуальным курсором в двух или трех измерениях. В этой стратегии пространственно-временные паттерны корковой активности гамма-диапазона, вызванные различными попытками движений верхних конечностей, преобразовывались в направление движения курсора. Скорость курсора была сгенерирована из гамма-активности ЭКоГ с помощью оптимального алгоритма линейной оценки (Salinas and Abbott, 1994).Оба объекта достигли контроля с тремя степенями свободы.

В целом, подход произвольного картирования оказался подходящим для создания практических ИМК для парализованных пациентов, способных произвольно модулировать активность в областях мозга, представляющих их парализованные части тела (Spüler et al., 2014b; Chaudhary et al., 2016). Таким образом, Vansteensel et al. (2016) недавно продемонстрировали практический, полностью имплантированный ИМК на основе ЭКоГ, где пациент с БАС научился управлять программой компьютерного набора текста, пытаясь произвольно двигаться руками.Сетка ЭКоГ была имплантирована субдурально над моторной корой. Этот BCI обеспечивает обмен данными со скоростью два письма в минуту. Несмотря на медленную работу, подобные ИМК предлагают практическое решение для функционального восстановления, общения и реабилитации пациентов с неврологическими нарушениями. Таким образом, этот подход требует дальнейшего развития.

3.2. Классификация и воспроизведение движений

Второй класс BCI на основе ЭКоГ воспроизводит те же движения, которые субъекты выполняют или воображают, которые распознаются с помощью дискретного классификатора.Высокое пространственное и временное разрешение ЭКоГ позволяет распознавать достаточно большой репертуар типов движений и выполнять их с помощью внешнего устройства. Таким образом, области, соответствующие отдельным пальцам, можно различить с помощью записей ЭКоГ (Miller et al., 2009), что позволяет реализовать BCI, который распознает перемещаемый или воображаемый палец с помощью классификатора, такого как Naïve Bayes (Chestek et al., 2013). ), линейный дискриминантный анализ (LDA) (Wang et al., 2009; Hotson et al., 2016) или машина опорных векторов (SVM) (Liu et al., 2010). Несколько исследований продемонстрировали, что такую классификацию можно выполнить с высокой точностью на основании записей ЭКоГ от полушария, противоположного рабочей руке. Wang et al. (2009) декодировали перемещаемый палец по сигналам, записанным с помощью сетки микро-ЭКоГ, которая была помещена над противоположной моторной корой. В этом исследовании один испытуемый выполнял сгибание и разгибание пальцев в собственном темпе в течение ~ 10 с. Активный палец был идентифицирован с точностью 73% как с помощью LDA, обрабатывающего данные ЭКоГ, сокращенные до первых восьми основных компонентов, так и с помощью классификатора SVM без уменьшения размерности.В исследовании Kubanek et al. (2009) испытуемые реагировали на сигнал, сгибая отдельный палец 3-5 раз в течение 1,5–3 с. ЭКоГ-активность регистрировалась в лобных или височных областях коры. Связь между позером в разных спектральных диапазонах ЭКоГ и траекториями пальцев моделировалась с использованием линейного декодера PaceRegression. Затем активный палец определяли как палец с наибольшей декодированной амплитудой сгибания. Средняя точность классификации по предметам составила 77.1% при анализе активности ЭКоГ, записанной в начале движения. Точность увеличилась до 80,3%, когда интервал анализа был оптимизирован для каждого объекта. Hotson et al. (2016) применили иерархическую схему классификации LDA для обнаружения перемещаемого пальца, достигнув точности 76%. Кроме того, Liu et al. (2010) показали, что активность ЭКоГ в сенсомоторной коре, ипсилатеральной по отношению к рабочей руке, может использоваться для определения перемещаемого пальца. Их декодер включал логистическую регрессию (LR) и двоичную SVM.

Несколько исследований классифицировали конфигурацию руки на основе записей ЭКоГ. Янагисава и др. (2011) регистрировали активность ЭКоГ в сенсомоторной коре головного мозга человека, выполняющего три типа движений рук: хватание, раскрытие рук и движения, имитирующие ножницы. С помощью этих задач они реализовали онлайн-управление протезом руки на основе двухэтапной схемы классификации, где первый шаг состоял в обнаружении намерения движения, а второй шаг — в декодировании типа движения.В качестве алгоритма классификации для обоих шагов использовалась линейная SVM. Намерение двигаться было обнаружено в среднем на 37 мс раньше фактического начала движения. Тип движения был классифицирован с точностью 69,2%, что значительно превышает уровень вероятности 33,3%. Pistohl et al. (2008) использовали регуляризованные LDA для декодирования двух типов захватывающих движений из ЭКоГ, записанной по моторной коре. Они расшифровали намерение перейти от ЭКоГ на 125–250 мс раньше фактического начала движения. Испытуемые выполняли перемещение объекта между несколькими положениями в собственном темпе, используя либо точный хват, либо хватание всей рукой.Тип захвата был декодирован с точностью 93% на основе анализа временного интервала от 1 с до захвата до 0,5 с после. Сайты записи, расположенные кпереди от центральной борозды, использовались для декодирования, тогда как сайты позади центральной борозды были исключены как представляющие сенсорные реакции.

Chestek et al. (2013) дополнительно увеличили количество конфигураций рук, декодируемых из ЭКоГ, записанных по сенсомоторной коре. Их испытуемые настраивали руки в одну из четырех изометрических поз: кулак, сжатие, острие или распыление пяти пальцев.Дополнительно испытуемые сгибали один или несколько пальцев. В этом анализе использовался интервал –0,5–1,5 с относительно начала движения. Классификация проводилась с помощью наивного байесовского декодера, примененного к гамма-диапазону ЭКоГ. Четыре позы рук были классифицированы с точностью 68–81%, а точность 66–98% была достигнута в пятиклассной классификации, где классы представляли четыре движения пальцев и состояние покоя. Затем те же методы декодирования использовались в онлайн-сессиях, где испытуемые управляли протезами руки с помощью BCI.Kapeller et al. (2014) классифицировали три жеста рук: «открыть», «мир» и «кулак». В их методе декодирования присутствие движения руки было сначала классифицировано с помощью двухклассового классификатора LDA (с точностью 86,6 и 97,7% для их первого и второго испытуемых соответственно), а затем мультиклассовый LDA обнаружил жест ( с точностью 93,8 и 98,8%).

Кроме того, жесты руками использовались для исследования способов уменьшения количества имплантированных электродов и их ограничения кортикальной областью меньшего размера.Bleichner et al. обследовали двух субъектов с имплантированными сетками ЭКоГ высокой плотности на небольшой площади (2,5–5,2 см ²) в области, изображающей руку. Четыре жестов руки соответствовали буквам D, F, V и Y американского языка жестов (ASL) (Bleichner et al., 2016). Классификация жестов проводилась с использованием алгоритма классификации сопоставления с образцом, который применялся к спектральным диапазонам ЭКоГ и локальным моторным потенциалам (LMP). Для первого и второго испытуемых точность составила 97 и 74% соответственно.Было обнаружено, что выбранного подмножества электродов (две трети от общего числа) было достаточно для достижения такой же точности классификации, как и для всех электродов. В исследовании Li et al. (2017) участники произвели три жеста руками («ножницы», «камень» и «бумага»). Точность классификации с помощью классификатора SVM применительно к спектральным характеристикам находилась в диапазоне 69,7–85,7% при выполнении офлайн и 80–82% при онлайн-контроле протеза руки. Количество каналов было уменьшено с помощью жадного алгоритма.Было обнаружено, что подмножество электродов, ограниченных небольшой кортикальной областью, было достаточным для поддержания хорошей производительности декодирования.

Xie et al. (2015) декодировали различные движения пальцев и рук из сигналов ЭКоГ, записанных во время операции в моторной коре головного мозга бодрствующих субъектов. Они использовали классификатор LDA, примененный к функциям, извлеченным с помощью авторегрессионной модели, и функцию длины волны, которая представляет сложность сигнала. Точность интраоперационного декодирования (91,8 и 93,0% у двух пациентов) была сопоставима с точностью, достигнутой с помощью сеток ЭКоГ, имплантированных для мониторинга приступов (90.2 и 96,0% по двум другим предметам). Эти результаты предполагают, что выполнение задач BCI во время операции по имплантации может быть полезным для корректировки размещения сетки ЭКоГ.

Для правильного воспроизведения движений начало движения необходимо декодировать по нейронной активности в дополнение к декодированию типа движения. Раннее обнаружение намерения двигаться важно для приложений BCI, поскольку оно позволяет уменьшить задержку между активностью мозга и реакцией протезного устройства (Lebedev et al., 2008; Янагисава и др., 2011). Алгоритмы классификации, такие как LDA (Kapeller et al., 2014; Hotson et al., 2016) и SVM (Yanagisawa et al., 2011), использовались для обнаружения начала движения на основе записей ЭКоГ.

В заключение отметим, что подход к классификации и воспроизведению подходит для нейропротезных приложений, где достаточно конечного набора моторных выходов, таких как BCI, которые позволяют общаться на языке жестов (Bleichner et al., 2016; Branco et al., 2017). Исследования показали, что восстановление конечного набора движений — это практическое решение BCI для людей с ампутированными конечностями (Bruurmijn et al., 2017), а также пациентов с параличом кисти (Shoham et al., 2001; Yanagisawa et al., 2012). Такие BCI могут реализовать принцип совместного управления, при котором общая двигательная команда извлекается из активности мозга, тогда как мелкие детали движений обрабатываются контроллером протезной конечности (Li et al., 2014).

3.3. Расшифровка параметров двигателя как непрерывных переменных

Третий класс ИМК на основе ЭКоГ обрабатывает параметры движений, такие как положение конечности и скорость, как непрерывные переменные, которые декодируются на основе активности мозга.Многие исследования использовали центральную задачу для непрерывного декодирования. Во время выполнения этого задания испытуемые неоднократно выполняют управляемые по команде или в самостоятельном темпе движения руки или кисти из центра в разные стороны. Эти движения обычно преобразуются в 2D или 3D движения курсора. Задача центрирования приобрела популярность после исследований Георгопулоса и др. (1982) о свойствах направленной настройки моторных кортикальных нейронов обезьян. В исследованиях ЭКоГ с таким дизайном четыре (Leuthardt et al., 2004; Reddy et al., 2009), шесть (Toro et al., 1994a) и восемь (Leuthardt et al., 2004; Sanchez et al., 2008; Ball et al., 2009; Anderson et al., 2012; Wang et al., 2012; Nurse et al., 2015; Gunduz et al., 2016) использовались местоположения целей на равном расстоянии от центра. Движение по центру может выполняться с помощью джойстика (Reddy et al., 2009; Anderson et al., 2012; Wang et al., 2012), компьютерной мыши (Kellis et al., 2012), стилуса (Nurse et al. , 2015), или указательный палец, движущийся по поверхности сенсорного экрана (Sanchez et al., 2008).

В новаторском исследовании, в котором центральная задача сочеталась с записями ЭКоГ у людей, Toro et al. (Toro et al., 1994a) оценивали настройку ЭКоГ в диапазоне 8–12 Гц на направление движения руки. ЭКоГ брали из сенсомоторной коры и прилегающих областей. Десять лет спустя Leuthardt et al. (2004) проанализировали более широкий (0–200 Гц) диапазон частот и обнаружили направленную настройку для различных спектральных диапазонов ЭКоГ. Задача по центру выполнялась с помощью ручного джойстика и включала четыре или восемь мишеней.Ball et al. (2009) расшифровали направление движения из ЭКоГ во время выполнения задачи по центру и оценили представление информации о направлении в различных областях коры. Их испытуемые выполняли движения руками в автоматическом темпе по центру к четырем целевым точкам. Декодирование выполнялось с помощью регуляризованного линейного дискриминантного анализа (RLDA), применяемого либо к сглаженным сигналам ЭКоГ, либо к различным полосам частот. Точность декодирования 75% была достигнута с использованием функций, рассчитанных за период выполнения движения, тогда как точность 45% была достигнута с использованием периода до движения.Каналы ЭКоГ, соответствующие кисти и руке, представляющие области первичной моторной коры, были наиболее информативными для декодирования. Анализ дополнительных данных испытуемого, выполнявшего задание с восемью целями, показал, что активность ЭКоГ (в низкочастотном и высоком гамма-диапазонах) была косинусоидально настроена на направление движений руки. Андерсон и др. (2012) исследовали настройку ЭКоГ на скорость и скорость движения для задач смещения центра и отслеживания, выполняемых с помощью джойстика с силовой обратной связью. Записи ЭКоГ проводились в нескольких корковых областях.Самые сильные изменения направления, скорости и скорости наблюдались в первичной моторной коре.

Wang et al. (2012) декодировали направление движения с помощью изменяющейся во времени динамической байесовской сети. Движение по центру выполнялось джойстиком к восьми целям. Точность количественно определялась как средняя угловая ошибка между фактическим и декодированным направлениями; у всех испытуемых она была <90 °. Gunduz et al. (2016) сообщили об аналогичном экспериментальном дизайне с перемещениями по центру, выполняемыми с помощью джойстика, и восьми целей.Задача включала период задержки, когда испытуемые готовились двигаться, удерживая джойстик неподвижно, что позволяло расшифровать запланированное направление движения человека. Направление декодировалось с помощью ступенчатой полилинейной регрессии, применяемой к высокой гамма-активности и / или LMP. Средняя угловая ошибка у испытуемых находилась в диапазоне 62–70 °. Авторы наблюдали специфические по направлению модуляции ЭКоГ с высоким уровнем гамма-излучения и LMP в периоды задержки и движения. Направленно настроенная высокая гамма-активность была наиболее заметной в сенсомоторной коре, тогда как модуляция LMP происходила в префронтальной коре.Авторы пришли к выводу, что выборка ЭКоГ с направленной настройкой из нескольких областей коры может улучшить декодирование как запланированных, так и выполненных движений.

Reddy et al. (2009) обогатили задачу центрирования кнаружи условием постукивания, что позволило проверить, насколько хорошо движения по центру могут отличаться от других типов движений. Перемещение по центру выполнялось с помощью джойстика в ответ на стрелки, указывающие в четырех возможных направлениях. Кроме того, испытуемые реагировали на сигнал триггера (квадрат, показанный на экране), щелкая верхнюю часть джойстика указательным пальцем.Декодирование было выполнено с использованием наивного байесовского классификатора, примененного к частотно-временным характеристикам. Точность декодирования направления движения находилась в диапазоне 83–96% для подготовительного периода и 58–86% для периода движения. Условие запуска отличалось с точностью 72–93% от условий смещения центра.

Банди и др. (2016) добавили третье измерение к центральной задаче. Их испытуемые выполняли движения, достигающие рук, исходное положение находилось в центре куба, а вершины куба служили целями.Кинематические параметры движений были декодированы с помощью иерархической регрессионной модели методом частичных наименьших квадратов. Коэффициенты корреляции между истинными и прогнозируемыми кинематическими параметрами составляли 0,31–0,80 для испытуемых по скорости, 0,27–0,54 для скорости и 0,22–0,57 для положения. Окончательное положение восстановлено с точностью 49,0–66,2%.

В нескольких исследованиях использовалось решение задач, которые отличались от классической парадигмы централизованного управления. В исследовании Kellis et al. (2012) пациенты перемещали курсор с помощью компьютерной мыши из исходного положения в нижней части экрана в верхний правый или верхний левый угол; траектории были декодированы из ЭКоГ с помощью фильтра Калмана.Sanchez et al. (2008) непрерывно декодировали кинематические параметры в двух задачах: задача по центру, когда субъекты отслеживали плавно изменяющиеся траектории, идущие от центра к заранее определенным местоположениям, и задача выбора цели, когда выполняемые субъекты достигают цели с цветовой кодировкой, расположенной вдоль верхнего края изображения. экран. Движение курсора декодировалось из частотных диапазонов ЭКоГ с помощью фильтра Винера. Pistohl et al. (2008) испытуемые получали цели, случайно расположенные на плоскости; координаты руки были декодированы с помощью фильтра Калмана.Schalk et al. (2007) сообщили о высокоточном декодировании положения и скорости с использованием линейных моделей для задачи, выполняемой с помощью джойстика, когда субъекты преследовали цель, которая двигалась против часовой стрелки по круговой траектории. Активность ЭКоГ была настроена по косинусу на целевой угол, и точность декодирования была сопоставима с точностью, сообщенной для обезьян, имплантированных MEA.

В нескольких исследованиях кинематика движений пальцев была расшифрована из ЭКоГ. Кубанек и др. (2009) извлекли динамику движений пальцев из моторной корковой активности.Испытуемые неоднократно сгибали отдельные пальцы в ответ на визуальный сигнал. Декодирование производилось с помощью алгоритма PaceRegression. Несколько других алгоритмов декодирования различной сложности использовались для воспроизведения движений пальцев из ЭКоГ, включая линейную модель переключения (Flamary and Rakotomamonjy, 2012; Liang and Bougrain, 2012), разложение эмпирических мод (Hazrati and Hofmann, 2012), логистически взвешенную регрессию ( Chen et al., 2014) и LSTM (Du et al., 2018; Xie et al., 2018).

В дополнение к вышеупомянутым задачам достижения и задачам движения пальцев, в исследованиях ECoG-BCI использовались более сложные двигательные задачи.Hammer et al. (2013) использовали похожую на игру непрерывную одномерную двигательную задачу, в которой испытуемые контролировали горизонтальное положение автомобиля с помощью рулевого колеса. Положение, скорость и ускорение были декодированы с помощью алгоритма линейной регрессии. В исследовании Nakanishi et al. (2013) участники переставляли блоки на доске. Характеристики ЭКоГ были преобразованы в трехмерную траекторию руки с помощью алгоритма разреженной линейной регрессии. В последующем исследовании той же группы испытуемые переставляли блоки с тремя разными массами (Nakanishi et al., 2017). С помощью этой конструкции можно сравнивать представления внутренних (например, мышечная сила) и внешних (например, местоположение цели) параметров движений. ЭКоГ, записанная в первичной моторной коре, в основном коррелировала с внутренними параметрами, тогда как ЭКоГ, записанная в домоторной коре, коррелировала с внешними параметрами. Wang et al. (2014) варьировали продолжительность движения, чтобы выяснить, можно ли расшифровать весь ход движения из ЭКоГ или только значения моторных параметров в начале движения.Wu et al. (2016) реализовали трехмерную изометрическую силовую задачу, в которой испытуемые применяли силу в разных направлениях, не двигая руками. Информация о направлении была извлечена из лобно-теменной ЭКоГ, записанной во время подготовки и выполнения изометрической задачи. Алгоритм декодирования включал скрытую марковскую модель с пониженным рангом jPCA (jPCA-RR-HMM), регуляризованный дискриминантный анализ суженного центроида и регрессию LASSO.

ИМК

с непрерывным декодированием, основанные на записях ЭКоГ, обещают в конечном итоге удовлетворить потребности парализованных пациентов, которым необходимы высокопроизводительные нейропротезные устройства для восстановления подвижности конечностей.С помощью нейронного протеза с непрерывным декодированием пациенты смогут выполнять различные движения почти нормальным образом, при этом кинематика конечностей постоянно находится под произвольным контролем пользователя, и могут быть выполнены точные изменения моторных параметров. Хотя ИМК с таким идеальным контролем еще не продемонстрирован, недавние достижения в создании полностью имплантируемых систем ЭКоГ, которые выполняют непрерывное декодирование (Vansteensel et al., 2016; Benabid et al., 2019), предполагают, что пациенты могут улучшить такой контроль BCI благодаря длительной практике, которая задействует механизмы корковой пластичности.

4. Алгоритмы декодирования

В этом разделе мы более подробно описываем алгоритмы декодирования, используемые в BCI на основе ECoG. Эти алгоритмы похожи на декодеры для интерфейсов на основе ЭЭГ, которые были рассмотрены в нескольких обзорных статьях (Lotte et al., 2007, 2018; McFarland and Wolpaw, 2017). Здесь мы рассматриваем только литературу по расшифровке движений по ЭКоГ.

записи ЭКоГ фиксируют электрические потенциалы больших популяций нейронов, образованные синхронными дендритными потенциалами и спайками (Buzsáki et al., 2012). Расшифровка моторных параметров из ЭКоГ возможна, потому что модуляции активности нейрональной популяции постоянно коррелируют с задачами и изменениями моторных параметров (Anderson et al., 2012; Lebedev, 2014). Многоканальные данные ЭКоГ содержат пространственную (то есть, где в коре головного мозга) и временную (то есть, когда и как) информацию, которая может использоваться для декодирования характеристик движения. Компоненты пространственной ЭКоГ отражают, согласно соматотопической корковой карте тела, часть тела, вовлеченную в двигательное действие.Компоненты временной ЭКоГ отражают зависящие от времени изменения параметров двигателя, таких как положение конечности, скорость и ускорение.

Декодер ЭКоГ принимает многоканальные данные ЭКоГ в качестве входных и возвращает интересующие сигналы (наличие движения, тип движения, перемещаемая часть тела, кинематические параметры и т. Д.) В качестве выходных. К этой проблеме применимы многие методы машинного обучения. Цепочка обработки сигналов алгоритма нейронного декодирования состоит из нескольких блоков (рис. 2А).Во-первых, необработанные данные преобразуются в функции, содержащие информацию, относящуюся к задачам BCI. В идеале эти функции не должны содержать избыточной информации. Затем алгоритм обучения формирует решающее правило, которое решает задачу классификации или регрессии. Алгоритмы классификации решают проблему сопоставления входа с одним из заранее определенных дискретных классов. Алгоритмы регрессии постоянно сопоставляют входные сигналы с выходными. Например, идентификация перемещаемого пальца является проблемой классификации, тогда как расшифровка траектории пальца является проблемой регрессии.

Рисунок 2 . Типы цепочек обработки данных, используемых в BCI на основе ЭКоГ. (A) Классический подход, при котором предварительно выбранные признаки извлекаются из записей ЭКоГ, за которыми следует алгоритм классификации или регрессии, который генерирует выходные данные BCI. (B) Подход глубокого обучения, который обрабатывает как выбор функций, так и декодирование. (C) Иерархическая схема с несколькими декодерами и цепочками обработки, которые выполняют переключение или настройку относительных весов.

Для правильной установки параметров декодера необходимы обучающие данные, содержащие достаточное количество примеров входов и их соответствующих выходов. На основе обучающих данных формируется функция, которая, учитывая входные данные из набора данных, возвращает значения, близкие к соответствующим желаемым выходным данным. Практичный декодер должен иметь возможность обобщать новые данные, то есть он должен оставаться точным при применении к входам, не включенным в набор обучающих данных. Случай, когда декодирование хорошо работает с обучающими данными, но не работает с новыми данными, называется переобучением (Бабяк, 2004).Переобучение часто происходит, когда декодер использует слишком много настраиваемых параметров, таких как веса множественной линейной регрессии. Наличие переобучения указывает на то, что передаточная функция в узком смысле настроена на анекдотические корреляции между входными и выходными значениями, взятыми из обучающих данных, а не реализует общее правило переноса, которое отражает согласованные отношения вход-выход. Чтобы избежать переобучения, следует использовать уменьшение размерности пространства признаков и соответствующие методы регуляризации.Таким образом, если для оптимизации параметров декодера используется итеративный подход, следует использовать правильное правило остановки, чтобы избежать переобучения.

Были разработаны алгоритмы декодирования

, которые поддерживают обобщение, даже когда дискретизированные нейронные сигналы дрейфуют во времени. Таким образом, Paul et al. (2017) использовали статистику высокого порядка биспектра ЭКоГ, чтобы преодолеть трудности с декодированием сигналов, которые были записаны во время нескольких сеансов задач. Их алгоритм извлекал особенности сигнала, которые были сохранены после передачи от сеанса к сеансу.Этот вывод согласуется с результатами предыдущих исследований на основе ЭЭГ (Shahid and Prasad, 2011; Das et al., 2016).

Дополнительным важным требованием является универсальность обучающих данных, что означает, что пространство перемещений должно быть охвачено во время выборки таким образом, чтобы декодер интерполировал к новым точкам данных, а не экстраполировал их. На практике это означает, что экспериментальные настройки, используемые для сбора данных обучения, должны быть аналогичны настройкам для онлайн-контроля BCI, включая как характеристики движений, так и паттерны нейронной активности.В случае несоответствия между обучением и условиями онлайн-BCI, могут потребоваться настройки декодера для улучшения характеристик BCI.

4.1. Спектральные особенности

Важным преимуществом записи ЭКоГ по сравнению с ЭЭГ является более широкий диапазон частот сигналов, которые содержат информацию, полезную для контроля BCI. ЭКоГ-активность включает несколько частотных диапазонов, от низкочастотной активности (ниже 1 Гц) до высокой гаммы (50–400 Гц). Некоторые из этих спектральных компонентов четко ритмичны, с четкими пиками, присутствующими в спектрах ЭКоГ (Miller et al., 2007). Каждая полоса частот имеет определенные функциональные корреляты, что позволяет реализовать декодеры, которые фиксируют различные аспекты поведенческих задач, такие как реакции на стимулы, переход от состояния покоя к движению, характеристики кинематики конечностей и задействование различных частей тела. Декодер ECoG, который одновременно использует несколько частотных диапазонов, потенциально более точен и универсален по сравнению с декодером, основанным на одном спектральном диапазоне.

Для извлечения спектральных характеристик, связанных с задачей, сигнал ЭКоГ подвергается полосовой фильтрации (Liang and Bougrain, 2012; Chestek et al., 2013; Nakanishi et al., 2013) или преобразованы в частотную область с использованием непараметрических методов, таких как преобразование Фурье (Chin et al., 2007; Miller et al., 2007; Blakely et al., 2009; Reddy et al., 2009; Ryun et al., 2014), многопозиционные методы (Ball et al., 2009; Kellis et al., 2012; Pistohl et al., 2012; Elgharabawy, Wahed, 2016), параметрические методы, такие как оценка авторегрессионной модели ( Leuthardt et al., 2004; Schalk et al., 2007; Kubanek et al., 2009; Wang et al., 2012; Xie et al., 2015) и подход максимальной энтропии (van Vugt et al., 2007; Collinger et al., 2014; Bundy et al., 2016; Gunduz et al., 2016). Спектральные характеристики также могут быть извлечены с помощью методов банка фильтров, таких как фильтры Габора (Liu et al., 2010; Elghrabawy and Wahed, 2012; Elgharabawy and Wahed, 2016; Wu et al., 2016). В идеале нейронные сигналы должны обрабатываться таким образом, чтобы был достигнут оптимальный компромисс между временным и спектральным разрешением.

ЭКоГ Мю (8–12 Гц) и бета (18–26 Гц) ритмы, записанные сенсомотором, обычно используются для декодирования движений на ЭКоГ.Считается, что эти колебания отражают активность кортикоталамических петель (Schalk and Leuthardt, 2011). Мю- и бета-ритмы обычно не ограничиваются локальными областями коры, а скорее встречаются на больших поверхностях (Brunner et al., 2009). Движение и воображение движений вызывают десинхронизацию (то есть уменьшение амплитуды) этих ритмов, что позволяет реализовать ИМК, которые определяют начало движения и ход движения во времени. Хотя записи ЭКоГ полезны для измерения мю- и бета-активности, примерно такие же измерения, хотя и с более низким пространственным разрешением, могут быть выполнены с записями ЭЭГ, которые подходят для мониторинга корковых ритмов ниже 40 Гц.Напротив, активность в гамма-диапазоне (40 Гц и выше) не может быть надежно зарегистрирована с помощью ЭЭГ из-за загрязнения сигнала лицевой ЭМГ-активностью, которая принадлежит к тому же частотному диапазону. Тем не менее, гамма-активность надежно регистрируется с помощью ЭКоГ. Активность ЭКоГ в гамма-диапазоне соответствует активности отдельных нейронов в той же области (Buzsáki et al., 2012) и, в отличие от более медленных ритмов, она не распространена широко, а скорее возникает в локальных областях коры головного мозга (Schalk and Leuthardt, 2011). Эти свойства делают гамма-активность ЭКоГ подходящей для декодирования на основе кортикального местоположения и для декодирования конкретных аспектов планирования и выполнения движений с точностью, сравнимой с декодированием по нейронным спайкам (Anderson et al., 2012; Гундуз и др., 2016). Гамма-записи ЭКоГ также полезны для изучения когнитивных механизмов (Sturm et al., 2014). Таким образом, высокочастотные компоненты ЭКоГ особенно ценны для реализации различных видов BCI. На рисунке 3 показаны типичные изменения, которые происходят в разных частотных диапазонах ЭКоГ во время выполнения двигательной задачи.

Рисунок 3 . Типичные изменения ЭКоГ-активности, возникающие при выполнении двигательного задания (в данном случае сгибание пальцев).Связанная с задачей активность сравнивается с активностью ЭКоГ, записанной в период отдыха. (A) Индекс канала × диаграмма спектральной частоты со значениями с цветовым кодированием, представляющими индекс десинхронизации, рассчитанный как 2Ptask-PrestPtask + Perst. (B – D) Кортикальное распределение индекса десинхронизации для разных частотных диапазонов ЭКоГ. (B) Данные для альфа-диапазона. Можно видеть, что во время выполнения двигательной задачи активность альфа-диапазона десинхронизируется в большей части сенсомоторной коры. (C) Данные для бета-диапазона. Активность бета-диапазона представляет собой десинхронизацию более компактной кортикальной области по сравнению с альфа-диапазоном. (D) Данные для бета-диапазона высокочастотной гамма-активности (40–60 Гц), которая демонстрирует выраженную синхронизацию в небольшой области коры. Светло-серое заштрихованное пятно показывает локализацию сенсомотора руки, полученную с помощью фМРТ.

Было показано, что на нижнем конце спектра ЭКоГ (<2 Гц) низкочастотный компонент ЭКоГ (LFC) применим для декодирования BCI, поскольку он содержит информацию о времени движения и кинематике (Mehring et al., 2003; Рикерт и др., 2005; Пистол и др., 2008; Болл и др., 2009; Хаммер и др., 2013). LFC может быть извлечен, например, путем сглаживания сигнала с помощью фильтров Савицки-Голея (Pistohl et al., 2008, 2012; Ball et al., 2009). Schalk et al. (2007) назвали этот компонент локальным двигательным потенциалом (LMP) и вычислили его как скользящее среднее. LMP модулируется во время двигательного поведения, поэтому его можно использовать для декодирования кинематики конечностей (Kubanek et al., 2009; Acharya et al., 2010; Fifer et al., 2012; Wang et al., 2012; Чен и др., 2014; Hotson et al., 2014; Bleichner et al., 2016; Банди и др., 2016; Wu et al., 2016). Hammer et al. предположили, что фаза LFC более информативна для моторного декодирования, чем величина LFC (Hammer et al., 2013). Хотя LFC очень информативен для декодирования, он может быть легко загрязнен механическими и электрическими артефактами, вызванными движениями конечностей и записывающего оборудования. Из-за этой проблемы следует проявлять особую осторожность, чтобы минимизировать артефакты, удалить их из данных программно и гарантировать, что они не будут использоваться для декодирования.

Помимо модуляции мощности в спектральной полосе, функции внутриполосной и межполосной связи, по-видимому, информативны для намерений движения. Таким образом, Brunner et al. (2005) нашли дополнительную информацию о связи фаз между различными каналами ЭКоГ, измеряемой как значение фазовой синхронизации (PLV). Этот метод хорошо зарекомендовал себя в применении к бета- и гамма-диапазонам.

Для анализа ЭКоГ было применено несколько средств связи. Байесовские сети (TV-DBN) и анализ центральности собственных векторов использовались для определения областей мозга, имеющих отношение к двигательным задачам (Newman et al., 2015). Benz et al. (2012) использовали TV-DBN для количественной оценки связанных с задачами изменений в подключении и для декодирования кинематики руки. При таком подходе была достигнута более высокая точность по сравнению с декодерами спектральных характеристик. Babiloni et al. (2017) использовали запаздывающую линейную связность (LLC) между несколькими областями коры в диапазоне дельта-тета (<8 Гц), чтобы отличить выполнение действия от наблюдения за действием.

4.2. Пространственные особенности

Известно, что точность декодера

повышается с увеличением количества каналов записи (Nicolelis and Lebedev, 2009).В дополнение к простому количеству каналов, улучшений в декодировании можно добиться, учитывая пространственное расположение регистрирующих датчиков, например расположение электродов в сетке ЭКоГ. Процедура, которая улучшает декодирование с использованием информации о расположении электродов, называется пространственной фильтрацией. Пространственные фильтры обрабатывают разные каналы ЭКоГ как координаты для многомерной выборки данных. Эта система координат преобразуется фильтром для улучшения декодирования. Например, пространственная фильтрация может использоваться для уменьшения размерности данных или улучшения разделимости различных наблюдений.

Начальная пространственная фильтрация обычно выполняется с помощью эталонных схем, используемых во время записи ЭКоГ. Стандартное среднее значение (CAR) обычно используется в качестве простого метода шумоподавления (Schalk et al., 2007; Kubanek et al., 2009; Wang et al., 2012). Этот метод уменьшает шум, который является общим для всех каналов записи, но он не обрабатывает специфический для канала шум, а также может вносить шум в чистые каналы. Для решения этих проблем было предложено несколько альтернативных методов фильтрации.Моралес-Флорес и др. (2014) разработали неконтролируемый алгоритм, в котором коэффициенты пространственного фильтра настраиваются с использованием метода наискорейшего спуска, который минимизирует дисперсию разностей линейной комбинации каналов ЭКоГ. Этот подход улучшил декодирование сгибаний пальцев из ЭКоГ по сравнению с данными, полученными с помощью CAR. Лю и др. (2015) рассмотрели проблему введения специфичного для канала шума, когда CAR применяется к наборам каналов, содержащим зашумленные каналы. Они протестировали несколько типов неконтролируемых пространственных фильтров и методов обнаружения артефактов.После автоматического удаления шумных каналов загрязнение данных уменьшилось. Более того, они разработали эталонный фильтр с медианным средним значением, который уменьшал шумы, характерные для канала, даже когда зашумленные каналы оставались в наборе.

Анализ главных компонентов (PCA) широко используется в сочетании с пространственной фильтрацией, в первую очередь для уменьшения размерности (Freeman et al., 2000; Boye et al., 2008). Этот метод преобразует исходные данные в главные компоненты, которые не коррелируют друг с другом и создаются таким образом, что первые несколько компонентов фиксируют максимально возможное количество отклонений в данных.Основные компоненты количественно характеризуются с точки зрения того, сколько дисперсии (то есть информации, содержащейся в данных) они содержат. После преобразования PCA наименее информативные (или наименее мощные) компоненты могут быть отброшены, уменьшая размерность данных. Однако этот подход не является оптимальным в случаях, когда информация присутствует в маломощных характеристиках сигнала ЭКоГ. В некоторых случаях методы уменьшения размерности, такие как PCA, применяются не только к сигналам ЭКоГ, но и к моторным параметрам (Liu et al., 2010; Samiee et al., 2010; Hotson et al., 2014). Это особенно полезно, когда движения свободны. В этом алгоритме декодер сначала генерирует выходные данные в координатах PCA, а затем эти выходные данные преобразуются в исходные координаты. Канонический корреляционный анализ — это еще один метод, позволяющий обрабатывать высокую многомерность как ЭКоГ, так и данных движения. Этот метод выполняет линейное преобразование, которое максимизирует корреляцию между активностью ЭКоГ и движениями (Spüler et al., 2016).

Общие пространственные паттерны (CSP) — это метод пространственной фильтрации, который часто используется в BCI на основе ЭЭГ и ЭКоГ для извлечения признаков, полезных для классификации (Kapeller et al., 2014, 2015; Xie et al., 2015; Jiang и др., 2017). Когда используются два класса наблюдений, CSP максимизирует соотношение их дисперсий, чтобы увеличить разделимость двух классов. После преобразования CSP уменьшение размерности может быть выполнено на основе разделимости двух классов в разных измерениях.Кроме того, CSP работает более надежно и демонстрирует лучшие свойства обобщения, если ему предшествует отдельный шаг уменьшения размерности (Nicolae et al., 2017).

Методы восстановления источника применимы для улучшения характеристик BCI на основе ECoG. Уже было показано, что использование динамических пространственных характеристик, полученных из реконструированной плотности кортикального источника тока, резко повышает точность декодирования в ИМК на основе МЭГ и ЭЭГ, где субъекты генерируют выходные данные с использованием образов движения (Lin et al., 2013; Edelman et al., 2019). Необработанные записи ЭКоГ лучше отражают поверхностное распределение корковых источников по сравнению с неинвазивными измерениями (Schalk and Leuthardt, 2011). Тем не менее, активность источников, расположенных глубоко в бороздах, распространяется на несколько каналов регистрации и поэтому не может быть оценена выборочно по необработанным данным. В качестве решения этой проблемы можно построить достаточно точную модель, описывающую взаимосвязь между активностью нейрональных источников и измерениями ЭКоГ (Gramfort et al., 2010). На основе такой прямой модели можно получить достаточно точные реконструкции плотности источника тока для нейронных источников, расположенных в пределах 1 см от кортикальной поверхности (Zhang et al., 2008; Pascarella et al., 2016; Todaro et al., 2018). Мы предполагаем, что такая реконструкция источников из ЭКоГ будет полезна для декодирования ИМК, предоставляя алгоритмы декодирования с входными данными, которые распознают активность более компактных корковых областей по сравнению с необработанными данными ЭКоГ. Чтобы в полной мере воспользоваться этим подходом, необходимо тщательно определить расположение сетки по отношению к кортикальной поверхности.В дополнение к геометрическим вычислениям, методы, использующие функциональные методы, основанные на данных, основанные на максимизации модельных данных (Henson et al., 2009), могут улучшить производительность этих методов.

В дополнение к методам, описанным выше, которые выполняют пространственную фильтрацию и / или уменьшают размерность данных (Gu et al., 2012), точность декодирования выигрывает от методов определения наиболее информативных характеристик для классификации, таких как запрос определенного разделения по мощности для определенного спектрального диапазона ЭКоГ для разных движений (Ryun et al., 2014), выбирая признаки, сильно коррелированные с задачей (Leuthardt et al., 2004), последовательно добавляя признаки, коррелированные с классом и не коррелированные с ранее выбранными признаками (Schalk et al., 2007), или выбирая признаки в соответствии с разделимость на основе матрицы рассеяния (Samiee et al., 2010). В нескольких алгоритмах выбора фильтров используется подход, основанный на оболочке, когда функции оцениваются с использованием алгоритма обучения, который затем используется для регрессии или классификации (Gu et al., 2012).В этом подходе набор функций расширяется на последовательных этапах, где функции добавляются к предыдущему набору функций для повышения точности декодирования, оцененной с помощью перекрестной проверки (Liang and Bougrain, 2012; Wang et al., 2012; Elgharabawy and Wahed, 2016 ; Li et al., 2017). Следуя этим стратегиям, следует иметь в виду, что функции ЭКоГ, которые считаются полезными, могут быть загрязнены шумом, который случайно коррелирует с декодируемыми параметрами.

4.3. Классификация и регрессия

Начиная с отчета Levine et al.(1999) относительно паттернов ЭКоГ, связанных с движением, методы сопоставления паттернов применялись для получения моторных команд из записей ЭКоГ. Таким образом, связанная с движением десинхронизация ЭКоГ была обнаружена с использованием среднего шаблона ЭКоГ и перекрестной корреляции ее с образцами ЭКоГ (Huggins et al., 1999). Для той же цели можно использовать более сложные функции (Graimann et al., 2003). Такой подход сопоставления с образцом успешно использовался для классификации нескольких типов движения (Bleichner et al., 2016) и для реализации контроля BCI (Levine et al., 2000).

Как объяснялось выше, способность обобщать новые данные важна как для алгоритмов классификации, так и для алгоритмов регрессии. Поскольку количество функций часто велико, для предотвращения переобучения применяются методы регуляризации. Алгоритмы с меньшим количеством параметров менее подвержены переобучению и часто работают не хуже, чем более сложные алгоритмы (Marjaninejad et al., 2017).

Для декодирования ЭКоГ на дискретные классы часто используется линейный дискриминантный анализ (LDA) (Ball et al., 2009; Samiee et al., 2010; Pistohl et al., 2012; Xie et al., 2015; Bleichner et al., 2016; Jiang et al., 2017). Классификация также может быть выполнена с использованием других алгоритмов, таких как метод k-ближайшего соседа (Chin et al., 2007; Samiee et al., 2010; Paul et al., 2017) и наивный байесовский классификатор (Chestek et al., 2013 ).

Машины опорных векторов (SVM) — это еще один класс моделей, которые решают проблему разделения выборок разных классов за счет максимизации разницы между ними. Эта группа алгоритмов универсальна и позволяет строить сильно нелинейные поверхности принятия решений.Линейное ядро часто используется для предотвращения переобучения и обеспечения устойчивости (Yanagisawa et al., 2009, 2011; Ryun et al., 2014; Elgharabawy and Wahed, 2016). Кроме того, могут использоваться радиальные базисные функции (Wang et al., 2012). Недостатком этого подхода является то, что выбор ядра остается в основном эвристическим и обычно выполняется с помощью какой-то перекрестной проверки, требующей дополнительных данных.

Для непрерывного декодирования двигательных параметров из ЭКоГ часто используются линейные модели, включая линейную регрессию (Schalk et al., 2007; Лян и Бугрен, 2012; Hammer et al., 2013; Hotson et al., 2014; Gunduz et al., 2016) и его модификации, предназначенные для уменьшения переобучения (Kubanek et al., 2009; Nakanishi et al., 2013). Sanchez et al. использовали фильтр Винера, линейную модель, для декодирования траектории движения (Sanchez et al., 2008). Pistohl et al. (2008) и Kellis et al. (2012) использовали фильтр Калмана, который лучше обрабатывает нестационарные входные данные. Wang et al. (2012) использовали модификацию динамической байесовской сети для определения нестационарности временных и пространственных характеристик ЭКоГ.

В нескольких исследованиях для улучшения декодирования использовались предварительные знания о производительности задачи. Шалк и Лойтхардт (2011) разработали байесовскую модель декодирования, которая включает ограничения на сгибание пальцев. Wu et al. (2016) использовали скрытую марковскую модель, которая подчеркивала ритмичное поведение при выполнении задания. Saa et al. (2016) усовершенствовали свои алгоритмы декодирования, предположив, что субъекты не совершают быстрых переходов между движением и отдыхом.

Иерархические алгоритмы (то есть те, которые складывают несколько моделей) часто используются для выполнения онлайн-задач BCI.В этих схемах различные задачи регрессии и классификации выполняются в определенном порядке (рисунок 2C). Янагисава и др. (2011) и Hotson et al. (2016) использовали иерархический алгоритм, в котором одна модель классифицирует покой и движение и обнаруженное начало движения, а вторая модель классифицирует тип движения. В нескольких исследованиях переключение между регрессионными моделями осуществлялось на основе алгоритма классификации (Flamary and Rakotomamonjy, 2012; Bundy et al., 2016; Elgharabawy and Wahed, 2016).Кроме того, Chen et al. разработал алгоритм, в котором выходные данные одной модели использовались для взвешивания выходных данных другой модели для повышения точности прогнозов (Chen et al., 2014).

Искусственные нейронные сети — это класс алгоритмов, обрабатывающих сложные нестационарные модели активности мозга. Их можно применять как к задачам классификации, так и к задачам регрессии. Основное преимущество искусственных нейронных сетей — их универсальность. При наличии достаточного количества параметров модели (единиц или нейронов) можно обрабатывать сложные нейронные паттерны.В то время как мелкие нейронные сети с несколькими слоями полезны для декодирования, за последние несколько лет глубокие нейронные сети, содержащие много слоев, значительно продвинулись. Преимущества моделей глубокого обучения включают в себя их способность автоматически извлекать функции, полезные для декодирования, а не создавать их вручную (рис. 2B), а также создавать представления на нескольких уровнях абстракции.

Глубокое обучение быстро набирает популярность как метод декодирования BCI. В последние несколько лет для обработки данных ЭКоГ стали применяться алгоритмы глубокого обучения (Roy et al., 2019), прогнозирование изъятий (Meisel and Bailey, 2019), языковое картирование (RaviPrakash et al., 2018) и декодирование речи (Livezey et al., 2018; Angrick et al., 2019a, b). В нескольких исследованиях уже использовалось глубокое обучение для декодирования движений из ЭКоГ. Xie et al. (2018) с высокой точностью декодировали траекторию пальца с помощью рекуррентной нейронной сети LSTM. Du et al. (2018) применили LSTM к тем же данным и реализовали управление роботизированной рукой в реальном времени. Wang et al. (2018) использовали глубокую модель для обнаружения движения суставов верхней части тела на основе записей ЭКоГ и видеоданных.Pan et al. использовали рекуррентные нейронные сети, которые распознавали временные зависимости в сигнале ЭКоГ для быстрого и надежного декодирования жестов (Pan et al., 2018). Мы предвидим дальнейшее и плодотворное развитие подходов к глубокому обучению для BCI на основе ЭКоГ. Это связано с несколькими преимуществами такого подхода. Архитектуры глубокого обучения, применяемые к электрофизиологическим данным (Roy et al., 2019), работают на уровне или немного лучше, чем классические алгоритмы, и не требуют предварительного определения нейронных функций.Хотя такую автоматическую обработку можно рассматривать как преимущество, исследователи BCI все же хотели бы лучше понять цепочку обработки, выполняемую алгоритмом глубокого обучения, и в идеале связать этапы обработки с определенными физиологическими характеристиками записанных нейронных сигналов. Такое понимание представления информационных архитектур, используемых для целей декодирования, имеет решающее значение для оценки достоверности полученных решений (Hammer et al., 2013). Таким образом, важно понимать вклад в декодирование различных типов нейрональной активности, такие высокочастотные компоненты ЭКоГ, лучше соответствующие разрядам нейронов, и низкочастотные ЭКоГ, отражающие синхронизацию больших популяций нейронов (Aoki et al., 1999; Chestek et al., 2013). Кроме того, необходимо уметь отличать каузальное декодирование, которое фиксирует команды, генерируемые мозгом, от декодирования, основанного на периферических реафферентных сигналах, возникающих в результате явного поведения (Livezey et al., 2019). С лучшим пониманием этих функциональных взаимосвязей разработчики BCI могут в полной мере использовать информацию, передаваемую нейронными сигналами, избегать случайного использования информационных помех, устанавливать практическую полезность своих алгоритмических решений и получать фундаментальные нейрофизиологические идеи.

5. Программное обеспечение

BCI на основе

ECoG могут быть реализованы с использованием нескольких доступных в настоящее время программных пакетов, которые выполняют обработку многоканальных нейронных данных в реальном времени. OpenVIBE (Renard et al., 2010) — один из популярных проектов, который предлагает инструменты для визуального программирования и создания сценариев конвейеров обработки сигналов. Описания экспериментальных задач сохраняются в виде файлов XML. OpenVIBE — это программное обеспечение с закрытым исходным кодом. Еще один популярный пакет с закрытым исходным кодом для реализации BCI — BCI2000 (Schalk et al., 2004). BCI2000 написан на C / C ++. Он включает в себя несколько алгоритмов обработки многоканальных записей. В нашей лаборатории мы недавно разработали NFBLab, программное обеспечение с открытым исходным кодом, написанное на Python, для реализации различных конструкций BCI (Smetanin et al., 2018b). Это программное обеспечение принимает в качестве входных сигналов сигналы ЭКоГ, а также записи ЭЭГ и МЭГ и синхронизирует их с информацией отслеживания движения и другими мультимодальными данными. Протокол Lab Streaming Layer используется для взаимодействия NFBLab с устройствами сбора данных.NFBLab реализует временные и пространственные фильтры для выбора характеристик сигнала и удаления артефактов. Обратные решатели, которые генерируют представление многоканальных входных данных в пространстве источников, реализованы через интерфейс к программному обеспечению MNE-Python (Gramfort et al., 2014). Кроме того, NFBLab включает алгоритмы, снижающие задержку обработки (Smetanin et al., 2018a).

Доступно несколько стандартных библиотек общего назначения для реализации подходов к глубокому обучению, таких как PyTorch, TensorFlow и Keras .В настоящее время доступно лишь несколько оболочек, реализующих определенные функции, облегчающие обработку электрофизиологических данных. Набор инструментов Braindecode от Schirrmeister et al. (2017) основан на PyTorch и поддерживает пробное и обрезанное декодирование необработанных данных ЭЭГ. Этот набор инструментов применим к данным ЭКоГ. В настоящее время разрабатывается новый программный пакет MNEFlow для работы с данными ЭЭГ / МЭГ с тремя реализованными архитектурами: LFCNN, VARCNN (Зубарев и др., 2018) и EEGNet . Последняя архитектура (Lawhern et al., 2018) реализует компактную сверточную сеть; он доступен для скачивания. Хотя эти библиотеки не были разработаны специально для обработки ЭКоГ, их можно быстро адаптировать для обработки данных ЭКоГ.

Разработчики алгоритмов декодирования могут использовать открытые наборы данных ЭКоГ, содержащие данные из задач движения и воображения движения. Например, набор данных 4 международного соревнования BCI IV содержит данные о движениях пальцев.Этот набор данных часто используется в качестве эталона для декодеров BCI, которые классифицируют перемещаемый палец и / или выполняют непрерывную реконструкцию движений пальцев. Другой набор данных ЭКоГ от BCI Competition III содержит записи нескольких экспериментальных сессий, поэтому он полезен для проверки того, насколько хорошо BCI-декодер обобщает от одного сеанса к другому. Исследования из лаборатории Brunton Lab предоставили большой аннотированный набор данных, содержащий долгосрочную запись ЭКоГ вместе с кинематикой суставов. Стэнфордский сборник данных ЭКоГ включает записи 250 субъектов, проведенные за 8-летний период.Этот набор данных включает записи ЭКоГ сенсомоторной коры у пациентов, выполняющих двигательные задачи.

6. Обсуждение

За последние два десятилетия мы наблюдаем рост числа исследований ИМК на основе ЭКоГ у пациентов, которым имплантировали в клинических целях. Это исследование имеет клиническое значение и обещает предоставить новые методы лечения людей, страдающих тяжелыми двигательными и сенсорными нарушениями, вызванными такими состояниями, как травма спинного мозга, инсульт и боковой амиотрофический склероз.В то же время, эти исследования уже принесли пользу пациентам и материализовались в системах ИМК, которые можно взять домой для набора текста (Brunner et al., 2011), новых более безопасных решениях для пассивного речевого картирования красноречивой коры головного мозга во время нейрохирургии (Taplin et al., 2016; Sinkin et al., 2019) и беспроводные устройства ЭКоГ (Matsushita et al., 2018), которые снижают риск сепсиса и могут использоваться для хронического мониторинга пациентов с эпилепсией. В последние годы стало ясно, что ИМК на основе ЭКоГ представляют собой жизнеспособный подход к восстановлению и реабилитации двигательных функций.Записи ЭКоГ полезны для декодирования таких двигательных параметров, как начало движения (Wang et al., 2012; Pistohl et al., 2013), тип движения (Pistohl et al., 2012; Ryun et al., 2014) и траектория конечности ( Pistohl et al., 2008; Nakanishi et al., 2013; Елисеев, Аксенова, 2014; Xie et al., 2018). Эти декодированные сигналы затем могут быть отправлены на внешние устройства, такие как протез руки с множеством степеней свободы (Yanagisawa et al., 2011; Hotson et al., 2016) или экзоскелет нижних конечностей (Vansteensel et al., 2016; Benabid et al., 2019). ИМК на основе ЭКоГ могут управлять двумерными и трехмерными движениями курсора или протеза руки (Anderson et al., 2012; Yanagisawa et al., 2012). Некоторые кинематические параметры могут быть извлечены из ЭКоГ, включая положение, скорость и ускорение (Hammer et al., 2013). Внешние переменные, такие как местоположение цели, также могут быть декодированы из ЭКоГ и использованы для контроля BCI (Nakanishi et al., 2017). Недавно разработанные полностью имплантируемые ИМК на основе ЭКоГ (Vansteensel et al., 2016; Benabid et al., 2019) расширили функциональность таких систем, поскольку они позволяют проводить длительные операции и задействовать кортикальную пластичность. В связи с быстрым развитием новых технологий для записи ЭКоГ с высокой точностью (Viventi et al., 2011; Akinwande et al., 2014; Khodagholy et al., 2015) и методов нейронного декодирования (Faust et al., 2018; Richards et al., al., 2019), BCI на основе ЭКоГ, вероятно, продолжат улучшаться.

ИМК на основе ЭКоГ

клинически значимы из-за их безопасности по сравнению с интракортикальными имплантатами (например,g., Utah array) и имеют лучшее пространственное и временное разрешение, чем неинвазивные ИМК на основе ЭЭГ. В то же время сетки ЭКоГ покрывают относительно корковые области, что позволяет использовать принципы пространственно-временного кодирования, реализуемые мозгом. Такие крупномасштабные записи повышают точность BCI, обеспечивая одновременный доступ к информации, обрабатываемой многими областями мозга, участвующими в программировании и выполнении движений.

Широкий спектральный и пространственный диапазон записей ЭКоГ открывает возможность исследовать в различных масштабах межрегиональные взаимодействия между и в пределах нескольких частотных диапазонов от дельта-диапазона (Gunduz et al., 2016) коррелирует движение, десинхронизацию в альфа- и бета-диапазонах в пространственно распределенных областях коры головного мозга, соответствующих задачам, с более локализованной синхронизацией в высоком гамма-диапазоне и межчастотной связью между полосами и конкретными цитоархитектоническими сборками. Эта гибкость приводит к значительной вариативности в выборе функций, параметров декодирования и моделей декодирования, наблюдаемых в ряде описанных исследований ЭКоГ. Таким образом, в зависимости от клинических потребностей различные компоненты ЭКоГ и связанные с ними нейрофизиологические явления могут быть использованы в практической системе ИМК.

В последние годы идет активная разработка алгоритмов декодирования. Некоторые стратегии оказались особенно полезными, включая модели переключения, алгоритмы адаптации и декодеры, использующие предварительную информацию о характеристиках движения и природе физиологических процессов. В настоящее время разрабатываются еще более универсальные методы, такие как методы, основанные на глубоком обучении, которое позволяет фиксировать сложную взаимосвязь между параметрами двигателя и характеристиками ЭКоГ.

Мы прогнозируем, что следующая серия крупных достижений будет сделана в технологии двунаправленного ИМК, которая объединяет петли управления двигателем с сенсорной обратной связью, обеспечиваемой методами корковой стимуляции и / или сенсорного замещения (Wilson et al., 2012; Cronin et al., 2016 ; Hiremath et al., 2017). Развитие ИМК на основе двунаправленной ЭКоГ поставит новые задачи для моделирования сложных взаимосвязей между сигналами ЭКоГ и различными моторными и сенсорными параметрами. Предыдущие исследования сообщили о ряде многообещающих результатов относительно возможности построения BCI, которые используют записи ЭКоГ для включения двигательных функций.С быстрым развитием технологий ЭКоГ (Shokoueinejad et al., 2019), процедур хирургической имплантации и математических алгоритмов для нейронного декодирования можно ожидать, что множество практических, полностью имплантируемых (Vansteensel et al., 2016) ЭКоГ- Появятся нейронные протезы на базе, которые позволят двигательным и сенсорным функциям неврологически ослабленным пациентам.

Авторские взносы

К.В. написал первый черновик рукописи. К.В., М.Л., А.К. и А.О. отредактировали рукопись.Все авторы внесли свой вклад в окончательную редакцию, прочитали и одобрили представленную версию.

Финансирование

Работа выполнена при финансовой поддержке Центра биоэлектрических интерфейсов НИУ Высшая школа экономики, грант Правительства РФ, AG. № 14.641.31.0003.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Сноски

Список литературы

Ачарья, С., Файфер, М.С., Бенц, Х.Л., Кроун, Н.Э., и Такор, Н.В. (2010). Электрокортикографическая амплитуда позволяет прогнозировать положение пальцев во время медленных хватательных движений руки. J. Neural Eng. 7: 046002. DOI: 10.1088 / 1741-2560 / 7/4/046002

Программа декодирования для спутникового приема APT

APT-метеорологический спутниковый прием — программное обеспечение для декодирования и отображения

Обзор

Хотя дорогие выделенные интерфейсы с сопутствующим программным обеспечением доступны у коммерческих поставщиков оборудования для метеорологических спутников, большинство энтузиасты в наши дни декодируют данные APT со спутников NOAA, используя свои персональный компьютер и связанный с ним Звуковая карта .
Ряд преданных своему делу программистов-любителей создали программные пакеты, которые можно получить бесплатно или за очень скромную плату, и производить очень действительно качественные изображения.

Программа	Автор	Детали
Wxsat	Кристиан Бок	Wxsat вероятно самый простейшая программа звуковой карты начального уровня.Wxsat может декодировать изображения в в реальном времени. Программа может одновременно сохранять изображение как растровое. и сохранить необработанные данные в виде файла WAV для будущего декодирования и манипуляции при получении сигнала. Wxsat — это бесплатное ПО. Полное руководство по использованию этого программного обеспечения находится здесь.
JVcomm32	Эберхард Бакешофф	JVcomm32 — мульти программа режима, которая может получать и декодировать карты погоды, погоду сводки, сообщения NAVTEX и SYNOP, метеоспутники, радиолюбители SSTV и ФАКС.Передачи метеорологического спутника NOAA (FAX) декодируются в изображения в реальном времени, а изображения сохраняются в виде растровых изображений. Демо-версия доступно, но JVcomm32 должен быть зарегистрирован для создания пригодных для использования образов.
WXtoImg	Крейг Андерсон	WXtoImg — это многофункциональная программа, которая декодирует данные NOAA в реальном времени, сохраняя необработанные данные в виде файлов WAV. Программу можно заставить обрабатывать эти WAV файлы в изображения в различных проекциях и могут создавать цветные композиты многих типов.Это самая сложная из программ перечисленные. Чтобы раскрыть его полную мощность, требуется регистрация, хотя бесплатная версия имеет более чем достаточно функций для новичок.
APT Декодер	Патрик Таст	APT Decoder — это еще одна функциональная программа, которая декодирует данные NOAA в режиме реального времени, сохранение необработанных данных в виде файлов WAV и обработка их как монохромных и цветные составные изображения.Особое преимущество этого программного обеспечения в том, что это совершенно бесплатно. Ссылка на сайт Патрика больше не работает. Я пытался связаться его через Facebook. Пока я не получу от него ссылку «APT Decoder» будет непосредственно скачать архивную копию. Кроме того, у Леса Гамильтона есть страница об использовании APT Decoder здесь .
SatSignal	Дэвид Тейлор	Satsignal отличается от вышеуказанные программы в том, что они фактически не демодулируют данные NOAA трансмиссии.Satsignal был разработан специально для создания высококачественные изображения из уже существующих файлов WAV, созданных программами как Wxsat и Wxtoimg. Satsignal может похвастаться впечатляющим набором изображений инструменты улучшения (гамма, гистограмма, создание цветовых композиций, повышение резкости, регулировка освещенности, обрезка шумных линий и т. д.) Базовая версия Satsignal бесплатна, но регистрация возможна. требуется, чтобы разблокировать полный набор инструментов для обработки изображений.
SatScape	Скотт Хазер	Satscape — это прежде всего фантастическая программа слежения за спутниками с прекрасным мастером интерфейс.Но у него также есть средство, позволяющее записывать NOAA. необработанные данные в виде файлов WAV. Satscape может комбинировать свои отслеживающие способности для автоматически ‘включает’ запись файла WAV при появлении спутника в пределах диапазона. Впоследствии их можно преобразовать в изображения с помощью Wxsat и Satsignal.

Отображение изображений

Созданные вами образы NOAA APT, конечно, могут отображаться указанным выше пакеты программ декодирования. Однако, если вы хотите просканировать библиотеку заархивированные изображения, предпочтительна специальная программа для просмотра изображений.

Одна из лучших таких программ — IrvanView , созданная Ирфан Скильян. IrfanView полностью бесплатен и является одним из самых популярных части программного обеспечения своего типа. Он может просматривать все обычные (и многие необычные) форматы изображений и имеет впечатляющую функцию «слайд-шоу».

Щелкните эту ссылку для получения дополнительных сведений и загрузки IrfanView.

Next — Программное обеспечение для отслеживания

Верхний .