Джозеф Макін з Каліфорнійського університету та його колеги використовували алгоритми глибокого навчання
Кожну жінку попросили прочитати вголос набірпропозицій, в той же час команда фіксувала активність їхнього мозку. Найбільша група пропозицій містила 250 унікальних слів. Команда подавала цю мозкову активність в алгоритм нейронної мережі, навчаючи її виявляти регулярно виникають закономірності, які можуть бути пов'язані з повторюваними аспектами мови - наприклад, поєднанням голосних і приголосних букв. Потім ці патерни подавалися в другу нейронну мережу, яка намагалася перетворити їх в слова, щоб сформувати пропозиції.
Кожен раз, коли людина говорить одне і те жпропозиція, мозкова діяльність буде схожа, але не ідентична, пояснили дослідники. «Запам'ятовування мозкової активності людини під час читання пропозицій не допоможе, тому алгоритм замість цього повинен зрозуміти, що схожого в патернах і узагальнити ці дані», - зазначає Макін.
ІІ допоможе медикам прогнозувати зростання хворих на COVID-19 та розподіляти на них ресурси
Під час тестів найкращі результати ІІ містилив собі лише 3% помилок. Дослідники впевнені, що алгоритму допомогло те, що пацієнтки зачитували прості речення з невеликою кількістю унікальних слів. Але в деяких випадках ІІ зміг розібрати і відрізнити схожі за звучанням слова тільки по мозкової активності (наприклад, cлова Tina і Turner).
Команда спробувала декодувати дані мозковихсигналів відразу в окремі пропозиції. Але коефіцієнт помилок відразу виріс до 38%. Дослідники відзначають, що поки ІІ не може швидко впоратися з цим завданням. «Зазвичай люди знають і використовують до 350 тис. Слів, але алгоритм не може їх все розшифрувати. Розвивати його можливості буде неймовірно важко », - відзначають вчені.