Catégories
Actualités rurales

L'IA de lecture mentale transforme les pensées en mots à l'aide d'un implant cérébral

Par Jason Arunn Murugesu

Série CPU Mind. Conception de fond de silhouette de visage humain et symboles technologiques pour des illustrations sur l'informatique, l'intelligence artificielle et les communications

L'IA peut reconnaître certains modèles vocaux dans le cerveau

Andrew Ostrovsky / Getty Images

Une intelligence artificielle peut traduire avec précision des pensées en phrases, au moins pour un vocabulaire limité de 250 mots. Le système pourrait nous rapprocher de la restauration de la parole des personnes qui ont perdu la capacité en raison de la paralysie.

Joseph Makin de l'Université de Californie à San Francisco et ses collègues ont utilisé des algorithmes d'apprentissage en profondeur pour étudier les signaux cérébraux de quatre femmes pendant leur conversation. Les femmes, qui souffrent toutes d'épilepsie, avaient déjà des électrodes attachées à leur cerveau pour surveiller les crises.

On a demandé à chaque femme de lire à haute voix un ensemble de phrases pendant que l'équipe mesurait l'activité cérébrale. Le plus grand groupe de phrases contenait 250 mots uniques.

Publicité

L'équipe a alimenté cette activité cérébrale en un algorithme de réseau de neurones, en l'entraînant à identifier des modèles qui se produisent régulièrement et qui pourraient être liés à des aspects répétés de la parole, tels que les voyelles ou les consonnes. Ces modèles ont ensuite été transmis à un deuxième réseau de neurones, qui a essayé de les transformer en mots pour former une phrase.

Chaque femme a répété les phrases au moins deux fois, et la répétition finale ne faisait pas partie des données de formation, permettant aux chercheurs de tester le système.

Chaque fois qu'une personne prononce la même phrase, l'activité cérébrale associée sera similaire mais pas identique. «La mémorisation de l'activité cérébrale de ces phrases n'aiderait pas, le réseau doit donc apprendre ce qui est similaire à leur sujet afin de pouvoir se généraliser à cet exemple final», explique Makin. Parmi les quatre femmes, la meilleure performance de l'IA était un taux d'erreur de traduction moyen de 3%.

Makin dit que l'utilisation d'un petit nombre de phrases a permis à l'IA d'apprendre plus facilement quels mots ont tendance à suivre les autres.

Par exemple, l'IA a pu décoder que le mot "Turner" était toujours susceptible de suivre le mot "Tina" dans cet ensemble de phrases, de l'activité cérébrale seule.

L'équipe a essayé de décoder les données du signal du cerveau en mots individuels à la fois, plutôt qu'en phrases entières, mais cela a augmenté le taux d'erreur à 38%, même pour les meilleures performances. "Donc, le réseau apprend clairement des faits sur quels mots vont ensemble, et pas seulement sur quelle activité neuronale correspond à quels mots", explique Makin.

Cela rendra difficile l'extension du système à un vocabulaire plus large car chaque nouveau mot augmente le nombre de phrases possibles, ce qui réduit la précision.

Makin dit que 250 mots pourraient encore être utiles aux personnes qui ne peuvent pas parler. «Nous voulons déployer cela chez une patiente ayant un véritable trouble de la parole», dit-il, bien qu'il soit possible que leur activité cérébrale soit différente de celle des femmes de cette étude, ce qui rend cela plus difficile.

Sophie Scott de l'University College London dit que nous sommes loin d'être en mesure de traduire les données du signal cérébral de manière complète. "Vous connaissez probablement environ 350 000 mots, donc c'est toujours un ensemble de discours incroyablement restreint qu'ils utilisent", dit-elle.

Référence de la revue: Neuroscience de la nature, DOI: 10.1038 / s41593-020-0608-8

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *