A perspectiva tentadora de transmissão direta de dados do computador para o cérebro e vice-versa inevitavelmente se choca com a extrema complexidade do cérebro humano. É como tentar ouvir o som de um determinado inseto em uma nuvem de mosquito. Mas essas tarefas estão ao alcance dos algoritmos de aprendizado de máquina, que os pesquisadores da Skoltech estão tentando provar.
Fonte da imagem: iStock / mustafahacalaki
Um grupo de cientistas da Skoltech, junto com colegas do INRIA e do RIKEN Advanced Intelligence Project, conduziu um estudo de uma série de algoritmos de aprendizado de máquina modernos que são projetados para resolver problemas para determinar a carga mental e os estados emocionais de uma pessoa. Ao longo do caminho, os cientistas criaram dois novos algoritmos, modificando suas versões anteriores de forma que pudessem melhorar o reconhecimento do computador das emoções e da intensidade do pensamento humano.
Algoritmos de duas categorias foram escolhidos para a pesquisa: classificadores baseados na geometria Riemanniana (RGC) e redes neurais convolucionais (CNN). Os algoritmos selecionados já mostraram sua eficácia quando usados em próteses “inteligentes” para controlar membros perdidos. Mas essas são as chamadas “interfaces ativas”. Para determinar o estado emocional e o esforço mental, “interfaces passivas” de BCIs (interface cérebro-computador) são freqüentemente usadas usando eletroencefalografia (EEG). Isso não requer acesso direto aos tecidos cerebrais de uma pessoa viva; é suficiente medir remotamente a atividade elétrica do cérebro.
No processo de processamento de dados sobre o estado de atividade cerebral, descobriu-se que os algoritmos com otimização Riemanniana tiveram um bom desempenho tanto na avaliação do grau de carga mental dos sujeitos, quanto na determinação do estado emocional de uma pessoa. A rede neural, por outro lado, estava à frente em termos de precisão na determinação da carga mental, mas falhou na avaliação das emoções.
«Nas próximas etapas do estudo, pretendemos utilizar métodos mais sofisticados baseados em inteligência artificial (IA) e, em primeiro lugar, métodos de aprendizagem profunda, com a qual é possível detectar as menores alterações nos sinais e padrões do cérebro “, disse um dos autores do estudo, professor do Centro Skoltech Pesquisa e Engenharia de Computação para Problemas de Big Data (CDISE) Andrzej Cichocki.