System som kan bearbeta tankar och översätta dem till kommandon för att flytta föremål är mycket användbara för människor som inte kan tala eller röra sig, men de har en nackdel: de orsakar mental trötthet.
Den mexikanska forskaren har utvecklat ett intelligent gränssnitt som kan lära upp till 90% av användarens instruktioner för att arbeta autonomt och minska trötthet.
Projektet, Automating the Brain-Machine Interface System, är ett initiativ från Christian Isaac Peñalosa Sánchez, doktorand i kognitiv neurologi i tillämpad robotik vid Osaka University, Japan.
”Jag har arbetat med det här projektet i tre år, det är baserat på ett hjärnmaskingränssnitt. Dess funktion är att mäta aktiviteten hos nervceller för att ta emot en signal som genereras av tankar, bearbeta den och omvandla den till en ordning att till exempel flytta en robotprotes, en mus eller hushållsapparater, säger forskaren.
Han förklarar att detta system består av elektroder belägna i den mänskliga hårbotten. De mäter hjärnaktivitet i form av EEG-signaler. Signaler används för att upptäcka mönster som genereras av olika tankar och mentala tillstånd hos användaren.
Systemet inkluderar också ett grafiskt gränssnitt som visar tillgängliga enheter eller objekt som tolkar EEG-signaler och tar emot användarkommandon.
Kampanjvideo:
Dessutom distribueras trådlösa sensorer i rummet och samlar miljödata (temperatur och belysning); mobila hårddiskenheter som slår på och stänger av apparater och en artificiell intelligensalgoritm.
"Den senare samlar in data från trådlösa sensorer, elektroder och användarkommandon för att avslöja sambandet mellan rumets miljö, en persons mentala tillstånd och hans aktiviteter," kommenterar Christian Peñalosa.
Han tillägger att för att befria användare från mental utmattning och frustration över hög koncentration under de långa tidsperioder som är oundvikliga med sådana system, måste systemet bli oberoende. Detta är vad Christian försökte göra.
”Vi har gett systemets inlärningsmöjligheter genom att implementera intelligenta algoritmer som gradvis lär sig användarpreferenser. Vid någon tidpunkt kan systemet ta över kontrollen av de flesta enheter och låta användaren fokusera på ett annat mål."
Till exempel kan en person använda den för att styra en elektrisk rullstol medan han flyttar in i ett vardagsrum med hjälp av grundläggande kommandon (framåt, bakåt, vänster och höger) som systemet redan har lärt sig. Nästa gång användaren vill ta samma väg, behöver han bara trycka på en knapp eller tänka, barnvagnen tar honom till sin destination.
När systemet fungerar automatiskt behöver inte användaren fokusera på att hantera olika enheter. Systemet fortsätter dock att samla in EEG-data för att upptäcka felsignalen. Det uppstår när människor är oroade: systemet eller de själva gjorde något fel.
Om till exempel rumstemperaturen är ganska hög, vill användaren att fönstret öppnas automatiskt och systemet slår på TV: n istället. Den mänskliga hjärnan registrerar denna åtgärd som felaktig. Systemet får en signal om felet och försöker korrigera det.
Peñalosas ansträngningar ledde till betydande resultat: i ett antal försökspersoner sjönk deras nivå av mental trötthet verkligen efter att ha arbetat med systemet. Inlärningsnivån för sådana system har också ökat avsevärt.
