Joseph Makin van de Universiteit van Californië en zijn collega's gebruikten deep learning-algoritmen
Elke vrouw werd gevraagd de set hardop voor te lezen.voorstellen, terwijl het team tegelijkertijd de activiteit van hun hersenen registreerde. De grootste groep zinnen bevatte 250 unieke woorden. Het team voerde deze hersenactiviteit in het neurale netwerkalgoritme in en leerde het om regelmatig voorkomende patronen te identificeren die geassocieerd kunnen worden met repetitieve aspecten van spraak - bijvoorbeeld een combinatie van klinkers en medeklinkers. Vervolgens werden deze patronen ingevoerd in het tweede neurale netwerk, dat probeerde ze in woorden om te zetten om zinnen te vormen.
Elke keer dat iemand hetzelfde zegtsuggestie, hersenactiviteit zal vergelijkbaar zijn, maar niet identiek, legden de onderzoekers uit. "Het onthouden van iemands hersenactiviteit tijdens het lezen van zinnen helpt niet, dus moet het algoritme in plaats daarvan begrijpen wat vergelijkbaar is in de patronen en deze gegevens samenvatten", zegt Makin.
AI zal artsen helpen de groei van COVID-19-patiënten te voorspellen en middelen aan hen toe te wijzen
Tijdens de tests bevatten de beste AI-resultatenop zich slechts 3% van de fouten. Onderzoekers zijn er zeker van dat het algoritme werd geholpen door het feit dat patiënten eenvoudige zinnen voorlezen met een klein aantal unieke woorden. Maar in sommige gevallen was de AI in staat om soortgelijke klankwoorden alleen te analyseren en te onderscheiden door hersenactiviteit (bijvoorbeeld de woorden Tina en Turner).
Het team probeerde hersengegevens te decoderensignalen onmiddellijk in afzonderlijke zinnen. Maar het foutenpercentage steeg onmiddellijk tot 38%. Onderzoekers merken op dat AI deze taak niet snel aankan. “Meestal kennen en gebruiken mensen tot 350 duizend woorden, maar het algoritme kan ze niet allemaal ontcijferen. Het ontwikkelen van de mogelijkheden ervan zal ongelooflijk moeilijk zijn ', zeggen wetenschappers.