Emberek gondolatainak agyhullámokból történő dekódolása általában az agykéregbe ültetett elektródákkal működik. Egy, a Meta és francia egyetemek, kutatóközpontok tudósai alkotta csoport viszont fejen kívüli eszközöket használt a jelek rögzítésére, lehetővé téve, hogy MI-rendszer, a Brain2Qwerty pontosan kitalálja, mit gépel az adott személy.
A kutatók harmincöt egészséges személy spanyolul gépelt mondatait rögzítették. Az önkénteseket vagy az agytevékenységet a koponyára rögzített elektroenkefalográffal (EEG), vagy az agy mágneses aktivitását „felvevő” fej körüli, de rá nem szerelt magneto-enkefalogrammal (MEG) kapcsolták össze. Tizenöt-tizenöt az egyiket vagy a másikat, öt pedig mindkettőt használta.
Öt-nyolc szóból álló rövid mondatok memorizálására kérték őket úgy, hogy egyszerre csak egy szót mutattak nekik. Kevés várakozás után legépelték a mondatot, de nem látták, mit gépelnek. Az EEG-adatkészlet kb. négyezer mondatból és 146 ezer karakterből, az MEG-adatkészlet 5100 mondatból és 193 ezer karakterből állt.
A konvolúciós neurális hálóból, transzformerből és a spanyol Wikipédián tanított karakterszintű nyelvmodellből álló Brain2Qwerty osztályozta a felhasználó agytevékenysége alapján gépelt szöveget. A kutatók az EEG- és az MEG-adatokhoz is külön rendszert gyakoroltattak.
Az MEG-modell harminckét százalékos karakter-hibarátájával (CER) sokkal pontosabbnak bizonyult az EEG-modellnél. Utóbbi a kutatók által fejlesztett EEGNet modellnél teljesített jobban: 67 CER-t, a másik 78-at ért el.
Évtizedekig tanuló algoritmusokkal igyekeztek agytevékenységeket értelmezni, változatos sikereket értek el velük. Az utóbbi években neurális hálókkal beültetett elektródákból generáltatnak szöveget és beszédet, képeket a felhasználó által látottakról, vagy EEG-jelekkel tették lehetővé, hogy emberek robotokat vezéreljenek.
Az MEG-n alapuló, sebészeti beavatkozást nem igénylő rendszerek új távlatokat nyithatnak meg. És aggódnunk sem kell, mert egyelőre nagyon messze vagyunk attól, hogy bárki bárhol a gondolatainkban olvasson.
