Joseph Makin fra University of California og hans kolleger brugte deep learning-algoritmer til at
Hver kvinde blev bedt om at læse apparatet højt.forslag, på samme tid, teamet registrerede aktiviteten i deres hjerne. Den største sætning indeholdt 250 unikke ord. Holdet fodrede denne hjerneaktivitet i den neurale netværksalgoritme og lærte den at identificere regelmæssigt forekommende mønstre, der kan være forbundet med gentagne aspekter af tale - for eksempel en kombination af vokaler og konsonanter. Derefter blev disse mønstre ført ind i det andet neurale netværk, der prøvede at omdanne dem til ord for at danne sætninger.
Hver gang en person siger den samme tingforslag, hjerneaktivitet vil være ens, men ikke identisk, forklarede forskerne. "At huske en persons hjerneaktivitet, mens du læser sætninger, hjælper ikke, så algoritmen skal i stedet forstå, hvad der ligner mønstrene og opsummere disse data," siger Makin.
AI vil hjælpe læger med at forudsige højden af COVID-19-patienter og allokere ressourcer til dem
Under testene indeholdt de bedste AI-resultateri sig selv kun 3% af fejlene. Forskere er sikre på, at algoritmen blev hjulpet af det faktum, at patienter læste enkle sætninger med et lille antal unikke ord. Men i nogle tilfælde var AI i stand til at analysere og skelne lignende i lydord kun ved hjerneaktivitet (for eksempel ordene Tina og Turner).
Holdet forsøgte at afkode hjernedatasignalerer straks i separate sætninger. Men fejlprocenten steg straks til 38%. Forskere bemærker, at selvom AI ikke hurtigt kan klare denne opgave. ”Normalt kender og bruger folk op til 350 tusind ord, men algoritmen kan ikke dekryptere dem alle. Det vil være utroligt vanskeligt at udvikle dets kapacitet, ”siger forskere.