Επιστήμονες έκαναν ένα σημαντικό βήμα ως προς τη δυνατότητα αποκωδικοποίησης των λεγομένων ενός ατόμου μέσω εξέτασης των εγκεφαλικών κυμάτων καθώς το άτομο αυτό μιλά.
Όπως αναφέρεται σε δημοσίευμα του BBC, οι ερευνητές εκπαίδευσαν αλγορίθμους να μετατρέπουν τα εγκεφαλικά μοτίβα σε προτάσεις σε πραγματικό χρόνο και με ποσοστά λάθους μόλις 3%. Στο παρελθόν τα αποκαλούμενα brain machine interfaces είχαν περιορισμένη επιτυχία όσον αφορά στην αποκωδικοποίηση της νευρωνικής δραστηριότητας.
Η σχετική μελέτη δημοσιεύτηκε στο Nature Neuroscience. Προηγούμενες μελέτες στον τομέα ήταν σε θέση να αποκωδικοποιήσουν μόνο αποσπάσματα λέξεων ή ένα μικρό ποσοστό των λέξεων που περιέχονταν σε συγκεκριμένες φράσεις.
Ο Τζόζεφ Μέικιν του UCSF (University of California, San Francisco), ειδικός στο machine learning, και συνάδελφοί του, προσπάθησαν να βελτιώσουν το επίπεδο ακριβείας. Τέσσερις εθελοντές διάβαζαν φωναχτά προτάσεις ενώ ηλεκτρόδια κατέγραφαν την εγκεφαλική τους δραστηριότητα.
Η εγκεφαλική δραστηριότητα στη συνέχεια τροφοδοτήθηκε σε σύστημα υπολογιστή, που δημιούργησε μια απεικόνιση τακτικών φαινομένων σε αυτά τα δεδομένα. Τα μοτίβα που παρατηρήθηκαν θεωρείται πιθανόν να συνδέονται με επαναλαμβανόμενα χαρακτηριστικά ομιλίας όπως φωνήεντα, σύμφωνα ή εντολές σε τμήματα του στόματος. Ένα άλλο μέρος του συστήματος αποκωδικοποίησε αυτή την απεικόνιση λέξη με λέξη, για τον σχηματισμό προτάσεων.
Οι ερευνητές παραδέχονται πως είναι μακρύς ο δρόμος ακόμα, δεδομένου και ότι η ομιλία προς αποκωδικοποίηση περιοριζόταν σε 30-50 προτάσεις.
«Αν και θα θέλαμε ο αποκωδικοποιητής να μάθει και να εκμεταλλεύεται τις ιδιαιτερότητες της γλώσσας, μένει να φανεί πόσα δεδομένα θα χρειάζονταν για να επεκταθούν από τις μικρές μας γλώσσες σε μια πιο γενική μορφή των αγγλικών» σημειώνουν στο εν λόγω επιστημονικό άρθρο. Ωστόσο, προσθέτουν ότι ο αποκωδικοποιητής δεν καταχωρεί απλά προτάσεις με βάση τη δομή τους: Όπως τονίζουν, οι επιδόσεις του βελτιώθηκαν προσθέτοντας προτάσεις στο σετ εκπαίδευσης που δεν χρησιμοποιήθηκαν στα ίδια τα τεστ.
Οι επιστήμονες υπογραμμίζουν πως αυτό δείχνει ότι το σύστημα μπορεί να αναγνωρίζει μεμονωμένες λέξεις, όχι απλά προτάσεις. Επί της αρχής, αυτό σημαίνει πως θα ήταν δυνατή η αποκωδικοποίηση προτάσεων που δεν υπήρχαν ποτέ σε ένα εκπαιδευτικό σετ.