Joseph Makin fra University of California og kollegene hans brukte dyplæringsalgoritmer for å
Hver kvinne ble bedt om å lese settet høyt.forslag, samtidig registrerte teamet aktiviteten til hjernen deres. Den største setningsgruppen inneholdt 250 unike ord. Teamet matet denne hjerneaktiviteten inn i den nevrale nettverksalgoritmen, og lærte den å identifisere regelmessig forekommende mønstre som kan være assosiert med repeterende aspekter ved tale - for eksempel en kombinasjon av vokaler og konsonanter. Så ble disse mønstrene matet inn i det andre nevrale nettverket, som prøvde å gjøre dem om til ord for å danne setninger.
Hver gang en person sier det sammeforslag, hjerneaktivitet vil være lik, men ikke identisk, forklarte forskerne. "Å huske en persons hjerneaktivitet mens du leser setninger vil ikke hjelpe, så algoritmen bør i stedet forstå hva som ligner på mønstrene og oppsummere disse dataene," sier Makin.
AI vil hjelpe leger å forutsi veksten av COVID-19-pasienter og allokere ressurser til dem
Under testene inneholdt de beste AI-resultatenei seg selv bare 3% av feilene. Forskere er sikre på at algoritmen ble hjulpet av at pasienter leste enkle setninger med et lite antall unike ord. Men i noen tilfeller klarte AI å analysere og skille lignende i lydord bare ved hjerneaktivitet (for eksempel ordene Tina og Turner).
Teamet prøvde å avkode hjernedatasignaliserer umiddelbart i separate setninger. Men feilprosenten steg umiddelbart til 38%. Forskere bemerker at mens AI ikke raskt kan takle denne oppgaven. “Vanligvis kjenner og bruker folk opptil 350 tusen ord, men algoritmen kan ikke dekryptere dem alle. Det vil være utrolig vanskelig å utvikle funksjonene, sier forskere.