Systemer som kan behandle tanker og oversette dem til kommandoer for å flytte objekter er veldig nyttige for mennesker som ikke kan snakke eller bevege seg, men de har en ulempe: de forårsaker mental tretthet.
Den meksikanske forskeren har utviklet et intelligent grensesnitt som kan lære opptil 90% av brukerens instruksjoner for å jobbe autonomt og redusere tretthet.
Prosjektet, Automating the Brain-Machine Interface System, er et initiativ fra Christian Isaac Peñalosa Sánchez, PhD i Applied Robotics Kognitive Neuroscience ved Osaka University, Japan.
”Jeg har jobbet med dette prosjektet i tre år, det er basert på et hjernemaskingrensesnitt. Dens funksjon er å måle aktiviteten til nevroner for å motta et signal generert av tanker, behandle det og konvertere det til en ordre om å for eksempel flytte en robotprotese, en mus eller husholdningsapparater, sier forskeren.
Han forklarer at dette systemet består av elektroder lokalisert i den menneskelige hodebunnen. De måler hjerneaktivitet i form av EEG-signaler. Signaler brukes til å oppdage mønstre generert av forskjellige tanker og mentale tilstander hos brukeren.
Systemet inkluderer også et grafisk grensesnitt som viser tilgjengelige enheter eller objekter som tolker EEG-signaler og mottar brukerkommandoer.
Salgsfremmende video:
I tillegg distribueres trådløse sensorer i rommet, og samler inn miljødata (temperatur og belysning); mobile maskinvaredrev som slår apparater av og på, og en kunstig intelligensalgoritme.
"Sistnevnte samler inn data fra trådløse sensorer, elektroder og brukerkommandoer for å avsløre sammenhengen mellom omgivelsene i rommet, den mentale tilstanden til en person og hans aktiviteter," kommenterer Christian Peñalosa.
Han legger til at for å avlaste brukere av mental utmattelse og frustrasjon på grunn av høy konsentrasjon over lengre tid som er uunngåelig med slike systemer, må systemet bli uavhengig. Dette er hva Christian prøvde å gjøre.
"Vi har gitt systemets læringsmuligheter ved å implementere intelligente algoritmer som gradvis lærer brukerpreferanser. På et tidspunkt kan systemet overta kontrollen over de fleste enhetene, slik at brukeren kan fokusere på et annet mål."
For eksempel kan en person bruke den til å kontrollere en elektrisk rullestol mens han beveger seg inn i en stue ved hjelp av grunnleggende kommandoer (fremover, bakover, venstre og høyre) som systemet allerede har lært. Neste gang brukeren vil ta den samme ruten, trenger han bare å trykke på en knapp eller tenke, vognen vil ta ham til sin destinasjon.
Når systemet fungerer automatisk, trenger ikke brukeren lenger å fokusere på å administrere forskjellige enheter. Imidlertid fortsetter systemet å samle inn EEG-data for å oppdage feilsignalet. Det oppstår når folk blir skremt: systemet eller de selv gjorde noe galt.
For eksempel, hvis romtemperaturen er ganske høy, vil brukeren at vinduet skal åpnes automatisk, og systemet slår på TV-en i stedet. Den menneskelige hjernen registrerer denne handlingen som feilaktig. Systemet mottar et signal om feilen og prøver å rette den.
Peñalosas innsats førte til betydelige resultater: i en rekke forsøkspersoner falt nivået på mental utmattelse faktisk etter å ha arbeidet med systemet. Læringsnivået til slike systemer har også økt betydelig.
