Systeme, die Gedanken verarbeiten und in Befehle zum Bewegen von Objekten übersetzen können, sind sehr nützlich für Menschen, die nicht sprechen oder sich bewegen können, aber einen Nachteil haben: Sie verursachen geistige Müdigkeit.
Der mexikanische Wissenschaftler hat eine intelligente Schnittstelle entwickelt, die bis zu 90% der Anweisungen des Benutzers lehren kann, um autonom zu arbeiten und Müdigkeit zu reduzieren.
Das Projekt zur Automatisierung des Gehirn-Maschine-Schnittstellensystems ist eine Initiative von Christian Isaac Peñalosa Sánchez, Doktorand für kognitive Neurologie in angewandter Robotik an der Universität Osaka, Japan.
„Ich arbeite seit drei Jahren an diesem Projekt, es basiert auf einer Gehirn-Maschine-Schnittstelle. Seine Funktion besteht darin, die Aktivität von Neuronen zu messen, um ein durch Gedanken erzeugtes Signal zu empfangen, zu verarbeiten und in eine Reihenfolge umzuwandeln, in der beispielsweise eine Roboterprothese, eine Maus oder Haushaltsgeräte bewegt werden “, sagt der Wissenschaftler.
Er erklärt, dass dieses System aus Elektroden besteht, die sich auf der menschlichen Kopfhaut befinden. Sie messen die Gehirnaktivität in Form von EEG-Signalen. Signale werden verwendet, um Muster zu erkennen, die durch verschiedene Gedanken und mentale Zustände des Benutzers erzeugt werden.
Das System enthält auch eine grafische Oberfläche, die verfügbare Geräte oder Objekte anzeigt, die EEG-Signale interpretieren und Benutzerbefehle empfangen.
Werbevideo:
Darüber hinaus sind drahtlose Sensoren im Raum verteilt, die Umgebungsdaten (Temperatur und Beleuchtung) erfassen. mobile Hardware-Laufwerke zum Ein- und Ausschalten von Geräten sowie ein Algorithmus für künstliche Intelligenz.
„Letzterer sammelt Daten von drahtlosen Sensoren, Elektroden und Benutzerbefehlen, um die Korrelation zwischen der Raumumgebung, dem mentalen Zustand einer Person und ihren Aktivitäten aufzudecken“, kommentiert Christian Peñalosa.
Er fügt hinzu, dass das System unabhängig werden muss, um Benutzer von geistiger Müdigkeit und Frustration aufgrund hoher Konzentration über lange Zeiträume zu entlasten, die bei solchen Systemen unvermeidlich sind. Das hat Christian versucht.
„Wir haben dem System Lernmöglichkeiten gegeben, indem wir intelligente Algorithmen implementiert haben, die die Benutzerpräferenzen schrittweise lernen. Irgendwann kann das System die Kontrolle über die meisten Geräte übernehmen, sodass sich der Benutzer auf ein anderes Ziel konzentrieren kann."
Beispielsweise kann eine Person damit einen elektrischen Rollstuhl steuern, während sie sich in ein Wohnzimmer bewegt, indem sie grundlegende Befehle (vorwärts, rückwärts, links und rechts) verwendet, die das System bereits gelernt hat. Wenn der Benutzer das nächste Mal dieselbe Route nehmen möchte, muss er nur einen Knopf drücken oder denken, der Kinderwagen bringt ihn an sein Ziel.
Sobald das System automatisch funktioniert, muss sich der Benutzer nicht mehr auf die Verwaltung verschiedener Geräte konzentrieren. Das System sammelt jedoch weiterhin EEG-Daten, um das Fehlersignal zu erkennen. Es entsteht, wenn Menschen alarmiert sind: Das System oder sie selbst haben etwas falsch gemacht.
Wenn beispielsweise die Raumtemperatur ziemlich hoch ist, möchte der Benutzer, dass sich das Fenster automatisch öffnet und das System stattdessen den Fernseher einschaltet. Das menschliche Gehirn registriert diese Aktion als fehlerhaft. Das System empfängt ein Signal über den Fehler und versucht, ihn zu beheben.
Peñalosas Bemühungen führten zu signifikanten Ergebnissen: Bei einer Reihe von Probanden nahm die geistige Erschöpfung nach der Arbeit mit dem System tatsächlich ab. Das Lernniveau solcher Systeme hat ebenfalls erheblich zugenommen.
