Systemer, der kan behandle tanker og oversætte dem til kommandoer til at flytte objekter er meget nyttige for mennesker, der ikke kan tale eller bevæge sig, men de har en ulempe: de forårsager mental træthed.
Den mexicanske videnskabsmand har udviklet en intelligent grænseflade, der kan lære op til 90% af brugerens instruktioner for at arbejde autonomt og reducere træthed.
Projektet, Automating the Brain-Machine Interface System, er et initiativ fra Christian Isaac Peñalosa Sánchez, ph.d.-kandidat i kognitiv neurologi i anvendt robotik ved Osaka University, Japan.
”Jeg har arbejdet med dette projekt i tre år, det er baseret på en hjernemaskine-grænseflade. Dets funktion er at måle aktiviteten af neuroner for at modtage et signal genereret af tanke, behandle det og konvertere det til en ordre til at flytte for eksempel en robotprotese, en mus eller husholdningsapparater,”siger videnskabsmanden.
Han forklarer, at dette system består af elektroder placeret i den menneskelige hovedbund. De måler hjerneaktivitet i form af EEG-signaler. Signaler bruges til at registrere mønstre genereret af forskellige tanker og mentale tilstande for brugeren.
Systemet inkluderer også en grafisk grænseflade, der viser tilgængelige enheder eller objekter, der fortolker EEG-signaler og modtager brugerkommandoer.
Salgsfremmende video:
Derudover distribueres trådløse sensorer i rummet og indsamler miljødata (temperatur og belysning); mobile harddiskdrev, der tænder og slukker apparater, og en kunstig intelligensalgoritme.
”Sidstnævnte indsamler data fra trådløse sensorer, elektroder og brugerkommandoer for at afsløre sammenhængen mellem rumets omgivelser, en persons mentale tilstand og hans aktiviteter,” kommenterer Christian Peñalosa.
Han tilføjer, at systemet for at frigøre brugere af den mentale træthed og frustration på grund af høj koncentration i de lange perioder, der er uundgåeligt med sådanne systemer, skal systemet blive uafhængigt. Dette er, hvad Christian prøvede at gøre.
”Vi har givet systemets læringsmuligheder ved at implementere intelligente algoritmer, der gradvist lærer brugerpræferencer. På et tidspunkt kan systemet overtage kontrollen over de fleste enheder og lade brugeren fokusere på et andet mål."
For eksempel kan en person bruge den til at kontrollere en elektrisk kørestol, mens han bevæger sig ind i en stue ved hjælp af grundlæggende kommandoer (frem, bagud, venstre og højre), som systemet allerede har lært. Næste gang brugeren vil tage den samme rute, skal han bare trykke på en knap eller tænke, klapvognen fører ham til sin destination.
Når systemet fungerer automatisk, behøver brugeren ikke længere at fokusere på at styre forskellige enheder. Systemet fortsætter dog med at indsamle EEG-data for at registrere fejlsignalet. Det opstår, når folk er alarmerede: systemet eller de selv gjorde noget forkert.
For eksempel, hvis stuetemperaturen er temmelig høj, vil brugeren have, at vinduet åbnes automatisk, og systemet tænder for tv'et i stedet. Den menneskelige hjerne registrerer denne handling som forkert. Systemet modtager et signal om fejlen og forsøger at rette den.
Peñalosas bestræbelser førte til markante resultater: i et antal individer faldt deres niveau af mental træthed faktisk efter at have arbejdet med systemet. Læringsniveauet for sådanne systemer er også steget markant.