Sztuczna sieć neuronowa może interpretować sygnały z mózgu osoby, która wyobraża sobie, że pisze długopisem, a następnie przekształca je w tekst. Urządzenie przetwarza słowa z dokładnością do 90 znaków na minutę, czyli dwa razy szybciej niż używane dotychczas systemy śledzące ruchy głowy lub gałek ocznych.

Chociaż tego typu rozwiązania polegające na śledzeniu ruchu fizycznego spełniają swoją funkcję lepiej lub gorzej, to jednak wymagają od swoich użytkowników wyjątkowej samokontroli i świadomości ciała. Korzystając z systemów tego typu nie można spojrzeć w górę czy rozejrzeć się, bo to bardzo zakłóca proces komunikacji.

Pomyśl o literach, a one pojawią się na ekranie

Aby rozwiązać ten problem, Jaimie Henderson z kalifornijskiego Uniwersytetu Stanforda i jego zespół wszczepili dwa małe czujniki tuż pod powierzchnią mózgu 65-letniego mężczyzny. Badany został sparaliżowany od szyi w dół wskutek fatalnego urazu rdzenia kręgowego, którego doświadczył w 2007 roku. Każdy z wszczepionych czujników był w stanie wykryć sygnały z około 100 neuronów, czyli zaledwie ułamka wszystkich 100 miliardów neuronów w ludzkim mózgu.

Gdy mężczyzna wyobrażał sobie, że pisze na kartce papieru, wszystkie sygnały były przekazywane do sztucznej sieci neuronowej. W swojej publikacji naukowcy wyjaśniają, że umieszczone w mózgu czujniki nie są ukierunkowane na konkretne neurony, ponieważ byłoby to niemożliwe do osiągnięcia. Jednak dane z 200 neuronów wystarczą sztucznej inteligencji, żeby prawidłowo zinterpretować sygnały płynące z mózgu.

Sztuczna sieć neuronowa może pomóc również niemym

Tego rodzaju sieci neuronowe są zwykle trenowane z wykorzystaniem kilku tysięcy przykładowych danych. W tym konkretnym przypadku były to zapisy sygnałów mózgowych, które są charakterystyczne dla pisania poszczególnych liter.

Korzystając z tego systemu, sparaliżowany mężczyzna był w stanie pisać z prędkością 90 znaków na minutę z poziomem dokładności na poziomie 94,1 proc. Wskaźnik ten wzrósł do ponad 99 proc. po użyciu narzędzia do autokorekty.

Istnieje jednak pewne ograniczenie nowego rozwiązania. Stworzony przez badaczy z Uniwersytetu Stanforda model nie przełoży się na innego pacjenta, ponieważ sieć neuronowa musi być trenowana na danych pochodzących od konkretnej osoby.

Zespół ma nadzieję wykorzystać swoją pracę również do stworzenia uniwersalnego dekodera mowy dla osób, które nie mogą mówić, ale prawdopodobnie nadal mają aktywne szlaki neuronalne odpowiedzialne za mowę.

Źródło: Nature.