KI verwandelt Gedanken künftig in Wörter
Paris/Menlo Park – Menschen mit Verletzungen oder neurologischen Erkrankungen, deren Bewegungs- und/oder Kommunikationsfähigkeit vorübergehend oder dauerhaft verlorengegangen ist, können sich dank Forschern von Meta AI, der Université PSL und der Hospital Foundation Adolphe de Rothschild künftig per «Brain2Qwerty» mitteilen. Das funktioniert über eine nicht-invasive Schnittstelle, die Gedanken in Worte fasst.
Verzicht auf Elektroden
Bisher lassen sich Gedanken nur auslesen, wenn Elektroden ins Gehirn implantiert worden sind. Der dazu nötige neurochirurgische Eingriff ist nicht ungefährlich. Das Team verzichtet auf die OP und nutzt lediglich von aussen erfassbare Signale von Elektroenzephalografie- (EEG) oder Magnetenzephalografiegeräten (MEG). Diese lassen sich allerdings nicht direkt in Worte umwandeln. Sie werden von einem KI-basierten Deep-Learning-Algorithmus interpretiert.
«Wir haben eine nicht-invasive Methode entwickelt, um die Bildung von Sätzen aus der Gehirnaktivität zu entschlüsseln, und haben deren Wirksamkeit an einer Kohorte gesunder Probanden demonstriert», schreiben Jarod Lévy von Meta AI, Mingfang Zhang von der Université PSL und ihre Kollegen in einem Beitrag für «Nature Neuroscience».
Signale von EEG und MEG
Lévy und seine Kollegen haben 35 gesunde Teilnehmer rekrutiert und gebeten, sich Sätze einzuprägen. Während sie die Sätze auf einer Standardtastatur eintippten, zeichneten die Forscher mithilfe von EEG und MEG deren Gehirnaktivität auf. EEG misst die elektrische Aktivität mittels Sensoren, die auf die Kopfhaut geklebt werden, während MEG winzige Magnetfelder, die von aktiven Neuronen erzeugt werden, mithilfe eines mit hochempfindlichen Sensoren ausgestatteten Helms erfasst.
Anschliessend haben die Wissenschaftler einen Deep-Learning-Algorithmus entwickelt und trainierten ihn anhand der gesammelten EEG- und MEG-Aufzeichnungen. Während des Trainings lernte der Algorithmus, die von den Teilnehmern eingegebenen Zeichen allein anhand ihrer Gehirnaktivität vorherzusagen.
«Wir stellen Brain2Qwerty vor, eine neue Deep-Learning-Architektur, die darauf trainiert wurde, Sätze entweder aus EEG- oder MEG-Daten zu entschlüsseln», heisst es. Mit MEG erreiche Brain2Qwerty im Schnitt eine Zeichenfehlerquote von 29 Prozent und übertrifft damit das EEG deutlich (Zeichenfehlerquote: 65 Prozent). Bei den besten Teilnehmern erreichte das Modell eine Zeichenfehlerquote von 18 Prozent und hat auch nicht trainierte Wörter erkannt. Die Fehlerquote soll weiter sinken. (pte/mc/ps)
