Greg Gage: Mind-reading. You've seen this in sci-fi movies: machines that can read our thoughts. However, there are devices today that can read the electrical activity from our brains. We call this the EEG. Is there information contained in these brainwaves? And if so, could we train a computer to read our thoughts?
Greg Gage: Leitura da mente. Você já viu em ficção científica: máquinas capazes de ler pensamentos. No entanto, hoje existem aparelhos que podem ler a atividade elétrica do cérebro. Chamamos isso de EEG. Há informações contidas nessas ondas cerebrais? Poderíamos treinar um computador para ler pensamentos?
My buddy Nathan has been working to hack the EEG to build a mind-reading machine.
Meu amigo Nathan vem trabalhando para invadir o EEG e criar uma máquina que lê a mente.
[DIY Neuroscience]
[Neurociência Faça Você Mesmo]
So this is how the EEG works. Inside your head is a brain, and that brain is made out of billions of neurons. Each of those neurons sends an electrical message to each other. These small messages can combine to make an electrical wave that we can detect on a monitor. Now traditionally, the EEG can tell us large-scale things, for example if you're asleep or if you're alert. But can it tell us anything else? Can it actually read our thoughts? We're going to test this, and we're not going to start with some complex thoughts. We're going to do something very simple. Can we interpret what someone is seeing using only their brainwaves?
É assim que o EEG funciona. Dentro da cabeça, há um cérebro, feito de bilhões de neurônios. Cada um deles envia uma mensagem elétrica para o outro. Essas mensagens podem se combinar e criar uma onda elétrica que podemos detectar num monitor. Tradicionalmente, o EEG dá informações em larga escala, por exemplo, se estamos adormecidos ou alertas. Mas pode nos informar algo mais? Ele consegue ler pensamentos? Vamos testar isso. Não vamos começar com pensamentos complexos, mas com algo bem simples. É possível interpretar o que alguém vê usando apenas as ondas cerebrais?
Nathan's going to begin by placing electrodes on Christy's head.
Nathan vai começar colocando eletrodos na cabeça de Christy.
Nathan: My life is tangled.
Nathan: Minha vida está enrolada.
(Laughter)
(Risos)
GG: And then he's going to show her a bunch of pictures from four different categories.
GG: Depois ele vai mostrar a ela várias imagens de quatro categorias diferentes.
Nathan: Face, house, scenery and weird pictures.
Nathan: Rosto, casa, paisagens e imagens estranhas.
GG: As we show Christy hundreds of these images, we are also capturing the electrical waves onto Nathan's computer. We want to see if we can detect any visual information about the photos contained in the brainwaves, so when we're done, we're going to see if the EEG can tell us what kind of picture Christy is looking at, and if it does, each category should trigger a different brain signal.
GG: Enquanto mostramos a Christy centenas de imagens, também capturamos as ondas elétricas no computador de Nathan. Queremos ver se detectamos alguma informação visual sobre as fotos contida nas ondas cerebrais. Assim, quando terminarmos, veremos se o EEG consegue nos dizer que tipo de imagem Christy está vendo e, se conseguir, cada categoria deve acionar um sinal cerebral diferente.
OK, so we collected all the raw EEG data, and this is what we got. It all looks pretty messy, so let's arrange them by picture. Now, still a bit too noisy to see any differences, but if we average the EEG across all image types by aligning them to when the image first appeared, we can remove this noise, and pretty soon, we can see some dominant patterns emerge for each category.
Coletamos todos os dados brutos do EEG e obtivemos isto. Tudo parece muito confuso, então vamos organizá-los por imagem. Ainda está um pouco turbulento para ver as diferenças, mas, se calcularmos a média do EEG em todos os tipos de imagem, alinhando ao surgimento da imagem pela primeira vez, podemos remover essa turbulência e, em breve, podemos ver alguns padrões dominantes que surgem para cada categoria.
Now the signals all still look pretty similar. Let's take a closer look. About a hundred milliseconds after the image comes on, we see a positive bump in all four cases, and we call this the P100, and what we think that is is what happens in your brain when you recognize an object. But damn, look at that signal for the face. It looks different than the others. There's a negative dip about 170 milliseconds after the image comes on.
Todos os sinais ainda se assemelham muito. Vamos olhar mais de perto. Cerca de 100 milissegundos após a imagem aparecer, vemos um aumento positivo nos quatro casos, que chamamos de P100, e achamos que é o que acontece no cérebro quando reconhecemos um objeto. Mas, caramba, observe esse sinal para o rosto. Parece diferente dos outros. Há uma queda negativa de cerca de 170 milissegundos depois que a imagem é exibida.
What could be going on here? Research shows that our brain has a lot of neurons that are dedicated to recognizing human faces, so this N170 spike could be all those neurons firing at once in the same location, and we can detect that in the EEG.
O que poderia estar acontecendo aqui? Pesquisas mostram que o cérebro possui muitos neurônios dedicados a reconhecer rostos humanos. Esse pico N170 pode ser todos os neurônios que disparam ao mesmo tempo no mesmo local, e podemos detectá-lo no EEG.
So there are two takeaways here. One, our eyes can't really detect the differences in patterns without averaging out the noise, and two, even after removing the noise, our eyes can only pick up the signals associated with faces.
Há duas informações importantes aqui. Primeira, os olhos não conseguem detectar as diferenças em padrões sem calcular a média do ruído; e segunda, mesmo depois de removê-lo, os olhos só conseguem captar os sinais associados a rostos.
So this is where we turn to machine learning. Now, our eyes are not very good at picking up patterns in noisy data, but machine learning algorithms are designed to do just that, so could we take a lot of pictures and a lot of data and feed it in and train a computer to be able to interpret what Christy is looking at in real time?
É aqui que nos voltamos ao aprendizado de máquina. Os olhos não são muito bons em captar padrões em dados turbulentos, mas algoritmos de aprendizado de máquina são feitos para isso. Será que podemos pegar muitas fotos e dados, introduzi-los e treinar um computador para conseguir interpretar o que Christy está vendo em tempo real?
We're trying to code the information that's coming out of her EEG in real time and predict what it is that her eyes are looking at. And if it works, what we should see is every time that she gets a picture of scenery, it should say scenery, scenery, scenery, scenery. A face -- face, face, face, face, but it's not quite working that way, is what we're discovering.
Estamos tentando codificar as informações que saem do EEG dela em tempo real e prever o que os olhos dela estão vendo. Se funcionar, devemos ver que, sempre que ela receber uma imagem de paisagem, deverá repetir "paisagem"; um rosto, repetir "rosto"; mas descobrimos que não funciona bem assim.
(Laughter)
(Risos)
OK.
Tudo bem.
Director: So what's going on here? GG: We need a new career, I think.
Diretor: O que está havendo aqui? GG: Precisamos de uma nova carreira.
(Laughter)
(Risos)
OK, so that was a massive failure. But we're still curious: How far could we push this technology? And we looked back at what we did. We noticed that the data was coming into our computer very quickly, without any timing of when the images came on, and that's the equivalent of reading a very long sentence without spaces between the words. It would be hard to read, but once we add the spaces, individual words appear and it becomes a lot more understandable.
Tudo bem, foi um grande fracasso. Mas continuamos curiosos: até onde poderíamos levar essa tecnologia? Refletimos sobre o que fizemos. Percebemos que os dados entravam muito rápido em nosso computador, sem coordenação de quando as imagens apareciam. Isso equivale a ler uma frase muito longa sem espaços entre as palavras. Seria difícil de ler, mas, com a inclusão dos espaços, surgem palavras individuais, e fica muito mais compreensível.
But what if we cheat a little bit? By using a sensor, we can tell the computer when the image first appears. That way, the brainwave stops being a continuous stream of information, and instead becomes individual packets of meaning. Also, we're going to cheat a little bit more, by limiting the categories to two. Let's see if we can do some real-time mind-reading.
Mas e se trapacearmos um pouco? Com um sensor, podemos dizer ao computador a primeira vez que a imagem aparece. Assim as ondas cerebrais deixam de ser um fluxo contínuo de informações e se tornam pacotes individuais de significado. Além disso, vamos trapacear um pouco mais, limitando as categorias a duas. Vamos ver se conseguimos ler a mente em tempo real.
In this new experiment, we're going to constrict it a little bit more so that we know the onset of the image and we're going to limit the categories to "face" or "scenery."
Neste novo experimento, vamos restringi-lo um pouco mais para sabermos o início da imagem e limitar as categorias a "rosto" ou "paisagem".
Nathan: Face. Correct. Scenery. Correct.
Nathan: Rosto. Correto. Paisagem. Correto.
GG: So right now, every time the image comes on, we're taking a picture of the onset of the image and decoding the EEG. It's getting correct.
GG: Agora, toda vez que a imagem aparecer, tiraremos uma foto do início da imagem e decodificaremos o EEG. Está ficando correto.
Nathan: Yes. Face. Correct.
Nathan: Sim. Rosto.
GG: So there is information in the EEG signal, which is cool. We just had to align it to the onset of the image.
GG: Portanto, há informações no sinal EEG, o que é legal. Só tivemos que alinhá-lo ao início da imagem.
Nathan: Scenery. Correct. Face. Yeah.
Nathan: Paisagem. Correto. Rosto. Sim.
GG: This means there is some information there, so if we know at what time the picture came on, we can tell what type of picture it was, possibly, at least on average, by looking at these evoked potentials.
GG: Isso significa que há algumas informações lá. Se soubermos o momento em que a imagem apareceu, poderemos dizer o tipo de imagem, possivelmente, pelo menos em média, analisando esses potenciais evocados.
Nathan: Exactly.
Nathan: Exatamente.
GG: If you had told me at the beginning of this project this was possible, I would have said no way. I literally did not think we could do this.
GG: Se você me dissesse, no início deste projeto, que isso era possível, eu diria que não. Eu não achava que poderíamos fazer isso.
Did our mind-reading experiment really work? Yes, but we had to do a lot of cheating. It turns out you can find some interesting things in the EEG, for example if you're looking at someone's face, but it does have a lot of limitations. Perhaps advances in machine learning will make huge strides, and one day we will be able to decode what's going on in our thoughts. But for now, the next time a company says that they can harness your brainwaves to be able to control devices, it is your right, it is your duty to be skeptical.
Nosso experimento de ler a mente funcionou mesmo? Sim, mas tivemos que trapacear muito. Podemos encontrar coisas interessantes no EEG, por exemplo, se olhar para o rosto de alguém, mas ele tem muitas limitações. Talvez haja grandes avanços no aprendizado de máquina e, um dia, poderemos decodificar o que acontece em nossos pensamentos. Mas, por enquanto, da próxima vez que uma empresa disser que pode aproveitar suas ondas cerebrais para controlar aparelhos, é seu direito, é seu dever ser cético.