This computer is learning to read your mind | DIY Neuroscience, a TED series

Translator: Joseph Geni Reviewer: Krystian Aparta

Translator: Sanntint Tint Reviewer: Myo Aung

Greg Gage: Mind-reading. You've seen this in sci-fi movies:

GG: စိတ်ဖတ်ခြင်း။စိတ်ကူးယဉ် သိပ္ပံကားတွေမှာ မြင်ဖူးတဲ့

machines that can read our thoughts.

အတွေးတွေကို ဖတ်နိုင်တဲ့ စက်တွေပါ။

However, there are devices today

ဒါပေမဲ့ ယနေ့မှာ ဦးနှောက်မှ လျှပ်စစ်

that can read the electrical activity from our brains.

လှုပ်ရှားမှုကို ဖတ်နိုင်တဲ့ ကိရိယာတွေရှိတယ်။

We call this the EEG.

ဒါကို EEG လို့ ခေါ်ပါတယ်။

Is there information contained in these brainwaves?

ဒီဦးနှောက်လှိုင်းတွေထဲမှာ ပါဝင်တဲ့ သတင်းအချက်အလက်ရှိလား။

And if so, could we train a computer to read our thoughts?

ရှိရင် အတွေးတွေကို ဖတ်ဖို့ ကွန်ပြူတာကို သင်ပေးနိုင်လား။

My buddy Nathan has been working to hack the EEG

မိတ်ဆွေ Nathan က စိတ်ကို ဖတ်တဲ့ စက်တည်ဆောက်ဖို့

to build a mind-reading machine.

EEG ကို ကုဒ်ပြောင်း လုပ်နေခဲ့တယ်။

[ကိုယ်တိုင်လုပ် အာရုံကြောသိပ္ပံ]

[DIY Neuroscience]

So this is how the EEG works.

ဒါက EEG အလုပ်လုပ်ပုံပါ။

Inside your head is a brain,

ဦးခေါင်းထဲမှာ ဦးနှောက်တစ်လုံးရှိတယ်၊

and that brain is made out of billions of neurons.

ဦးနှောက်က နျူရွန် ဘီလီယံပေါင်း များစွာနဲ့ လုပ်ထားတယ်။

Each of those neurons sends an electrical message to each other.

နျူရွန်တစ်ခုစီက အချင်းချင်း လျှပ်စစ်သတင်းတစ်ခု ပို့ပေးတယ်။

ဒီသတင်းလေးတွေက မော်နီတာပေါ်မှာ တွေ့နိုင်တဲ့ လျှပ်စစ်လှိုင်း

These small messages can combine to make an electrical wave

that we can detect on a monitor.

တစ်ခုလုပ်ဖို့ ပေါင်းနိုင်တယ်။

Now traditionally, the EEG can tell us large-scale things,

အခု အစဉ်အလာအရ EEG က ကြီးမားတဲ့အရာတွေကို ပြောပြနိုင်တယ်၊

for example if you're asleep or if you're alert.

ဥပမာ သင်အိပ်ပျော်နေလား(သို့) နိုးနေလားဆိုတာပါ။

But can it tell us anything else?

ဒါပေမဲ့ တခြားဟာတွေကိုပြောနိုင်လား။

Can it actually read our thoughts?

ဒါက အတွေးတွေကို တကယ် ဖတ်နိုင်လား။

We're going to test this,

ဒါကို စမ်းသပ်တော့မှာပါ။

and we're not going to start with some complex thoughts.

ရှုပ်ထွေးတဲ့ အတွေးတချို့နဲ့ စတင်မှာ မဟုတ်ဘူး။

We're going to do something very simple.

အလွန်ရိုးတဲ့ အရာတစ်ခုကို လုပ်တော့မှာပါ။

Can we interpret what someone is seeing using only their brainwaves?

ဦးနှောက်လှိုင်းတွေပဲ သုံးရင်း လူတစ်ယောက်မြင်တာကို အနက်ကောက်နိုင်လား။

Nathan's going to begin by placing electrodes on Christy's head.

Nathan က Christy ရဲ့ခေါင်းပေါ်မှာ လျှပ်ခေါင်းတွေ တင်တော့မယ်။

Nathan: My life is tangled.

Nathan: ငါ့ဘဝက ရှုပ်ထွေးတယ်။

(Laughter)

(ရယ်သံများ)

GG: And then he's going to show her a bunch of pictures

GG: ဒီနောက် မတူညီတဲ့ အမျိုးအစားလေးခုမှ ဓာတ်ပုံ

from four different categories.

တစ်တွဲကို သူ့ကို ပြတော့မှာပါ။

Nathan: Face, house, scenery and weird pictures.

Nathan: မျက်နှာ၊ အိမ်၊ ရှုခင်းနဲ့ ထူးဆန်းတဲ့ ပုံတွေ။

GG: As we show Christy hundreds of these images,

GG: ဒီရာချီတဲ့ ပုံတွေေကို Christy ကို ပြသစဥ်မှာ

we are also capturing the electrical waves onto Nathan's computer.

လျှပ်စစ်လှိုင်းတွေကို Nathan ရဲ့ ကွန်ပြူတာပေါ်မှာ ဖမ်းယူနေသေးတယ်။

We want to see if we can detect any visual information about the photos

ဦးနှောက်လှိုင်းတွေမှာပါတဲ့ ဓာတ်ပုံတွေရဲ့ အမြင်ဆိုင်ရာ အချက်အလက်တစ်ခုခု

contained in the brainwaves,

ဖော်ထုတ်နိုင်လားဆိုတာ

so when we're done, we're going to see if the EEG

သိချင်တော့ ပြီးတဲ့အခါ Christy ကြည့်နေတဲ့

can tell us what kind of picture Christy is looking at,

ပုံအမျိုးအစားကို EEG က ပြောပြလားဆိုတာကို ကြည့်မယ်။

and if it does, each category should trigger a different brain signal.

ပြောရင် အမျိုးအစားတစ်ခုစီက မတူတဲ့ ဦးနှောက်အချက်ပြမှုတစ်ခုကို အစပျိုးသင့်တယ်။

OK, so we collected all the raw EEG data,

ဒါကြောင့် EEG ဒေတာ အကြမ်းအားလုံးကို စုဆောင်းခဲ့တယ်။

and this is what we got.

ဒါက ရရှိတာတွေပါ။

It all looks pretty messy, so let's arrange them by picture.

အတော်လေး ရှုပ်နေပုံရတော့ ဒါတွေကို ပုံအလိုက် စီလ်ိုက်ရအောင်။

Now, still a bit too noisy to see any differences,

အခု ကွဲလွဲမှုတစ်ခုခုကို မြင်ဖို့ ဖရိုဖရဲ ဖြစ်လွန်းပေမဲ့

but if we average the EEG across all image types

ပုံရိပ် ပထမဆုံး ပေါ်တဲ့အတိုင်း ပုံတွေကို ချိန်ညှိတာကနေ

by aligning them to when the image first appeared,

ပုံအမျိုးအစားအားလုံးမှာ EEG ကို ပျမ်းမျှရှာရင်

we can remove this noise,

ဒီရှုပ်ထွေးမှုကို ဖယ်ထုတ်လို့ရပြီး

and pretty soon, we can see some dominant patterns

မကြာခင် အမျိုးအစားတစ်ခုစီအတွက် ပေါ်တဲ့ ထင်ရှားတဲ့

emerge for each category.

ပုံစံတွေကို မြင်နိင်ပါတယ်။

Now the signals all still look pretty similar.

အခု အချက်ပြမှုအားလုံး တူညီနေပုံရတယ်။

Let's take a closer look.

အနီးကပ်ကြည့်ရအောင်။

About a hundred milliseconds after the image comes on,

ပုံပေါ်လာပြီးနောက် ၁၀၀ မီလီစက္ကန့်ခန့်အကြာမှာ

we see a positive bump in all four cases,

ဖြစ်ရပ်လေးခုစလုံးမှာ အဖိုဓာတ် အဖုတစ်ခုကို မြင်ရပြီး

and we call this the P100, and what we think that is

ဒါကို P100 လို့ခေါ်လိုက်ပြီး ဒါက အရာဝတ္ထုတစ်ခုကို

is what happens in your brain when you recognize an object.

မှတ်မိတဲ့အခါ ဦးနှောက်ထဲမှာ ဖြစ်ပျက်တာလို့ ထင်တယ်။

But damn, look at that signal for the face.

ဒါပေမဲ့ မျက်နှာအတွက် အချက်ပြမှုကို ကြည့်ဦး။

It looks different than the others.

တခြားဟာတွေနဲ့ ကွဲပြားနေပုံရတယ်။

There's a negative dip about 170 milliseconds

ပုံပေါ်လာပြီးနောက်မှာ အနုတ် ၁၇၀ မီလီစက္ကန့်လောက်

after the image comes on.

ကျဆင်းသွားတယ်။

What could be going on here?

ဒီမှာ ဘာဖြစ်နေတာလဲ။

Research shows that our brain has a lot of neurons that are dedicated

သုတေသနတွေက ပြတာက ဦးနှောက်မှာ လူမျက်နှာတွေကို မှတ်မိတာအတွက် ရည်စူးတဲ့

to recognizing human faces,

အာရုံကြော များစွာရှိတာကြောင့်

so this N170 spike could be all those neurons

N170 ဆူးချွန်ဟာ တစ်နေရာတည်းမှာ ချက်ချင်း လပေါက်ကွဲနေတဲ့

firing at once in the same location,

အာရုံကြောအားလုံးဖြစ်နိုင်ပြိး

and we can detect that in the EEG.

ဒါကို EEG မှာ သိနိုင်တယ်ဆိုတာပါ။

So there are two takeaways here.

ဒီမှာ မှတ်စရာ နှစ်ခုရှိတယ်။

One, our eyes can't really detect the differences in patterns

တစ်။ မျက်လုံးတွေဟာ ရှုပ်ထွေးမှုတွေကို ပျမ်းမျှမရှာဘဲ

without averaging out the noise,

ပုံစံကွဲတွေကို ရှာမတွေ့နိုင်ဘူး။

and two, even after removing the noise,

နှစ်ခု။ ရှုပ်ထွေးမှုများကို ဖယ်ရှားပြီးတာတောင်

our eyes can only pick up the signals associated with faces.

မျက်လုံးက မျက်နှာနဲ့ ဆက်စပ်တဲ့ အချက်ပြမှုတွေကိုသာ သိနိုင်သည်။

So this is where we turn to machine learning.

ဒီတော့ ဒါက စက် သင်ယူခြင်းဆီ လှည့်တဲ့နေရာပါ။

Now, our eyes are not very good at picking up patterns in noisy data,

မျက်လုံးတွေက ရှုပ်ထွေးနေတဲ့ ဒေတာမှာ ပုံစံတွေကို ရွေးရာမှာ သိပ်မတော်ပေမဲ့

but machine learning algorithms are designed to do just that,

စက် သင်ယူခြင်း အယ်လ်ဂိုရစ်သမ်က ဒါလုပ်ဖို့ ပုံစံထုတ်တာဆိုတော့

so could we take a lot of pictures and a lot of data

ပုံတွေနဲ့ ဒေတာ အများအပြားကို ယူပြီ; ဒါကို ထည့်ကာ

and feed it in and train a computer

တစ်ချိန်တည်းမှာ Christy ကြည့်နေတာကို

to be able to interpret what Christy is looking at in real time?

အဓိပ္ပါယ်ကောက်နိုင်ဖို့ ကွန်ပြူတာကို သင်ပေးနိုင်လား။

We're trying to code the information that's coming out of her EEG

တစ်ချိန်တည်းမှာ သူ့ရဲ့ EEG ကနေ ထွက်လာတဲ့ သတင်းအချက်အလက်ကို ကုဒ်ရေးပြီး

in real time

သူ့မျက်လုံးတွေက

and predict what it is that her eyes are looking at.

ကြည့်နေတာက ဘာဆိုတာကို ခန့်မှန်းဖို့ ကြိုးစားနေတယ်။

And if it works, what we should see

ဒါ အလုပ်ဖြစ်ရင် မြင်မှာက

is every time that she gets a picture of scenery,

ရှုခင်းပုံတစ်ပုံကို သူရတဲ့အချိန်တိုင်းမှာ

it should say scenery, scenery, scenery, scenery.

ဒါက ရှုခင်း၊ရှုခင်း၊ရှုခင်းလို့ ပြောမှာပါ။

A face -- face, face, face, face,

မျက်နှာ၊ မျက်နှာ၊ မျက်နှာဆိုပေမည့်

but it's not quite working that way, is what we're discovering.

ဒီနည်းအတိုင်း သိပ် အလုပ်မလုပ်နေတာက ကျွန်တော်တို့ တွေ့ရှိနေတာတွေပါ။

(Laughter)

(ရယ်သံများ)

OK.

အိုကေပါ။

Director: So what's going on here? GG: We need a new career, I think.

ဒါရိုက်တာ။ဒီမှာ ဘာဖြစ်နေတာလဲ။ GG: အလုပ်သစ်တစ်ခု လိုအပ်တယ် ထင်တယ်ဗျ။

(Laughter)

(ရယ်သံများ)

OK, so that was a massive failure.

ကောင်းပြီ။ ဒါက ဧရာမ ကျရှုံးမှုတစ်ခုပါ။

But we're still curious: How far could we push this technology?

ဒါပေမဲ့ သိချင်သေးတာက ဒီနည်းပညာကို ဘယ်လောက်ဝေးဝေး တွန်းပိုနိုင်လဲ။

And we looked back at what we did.

လုပ်ခဲ့တာကို ပြန်ကြည့်ခဲ့ကြတယ်။

ဒေတာက ပုံရိပ်တွေ ပေါ်လာချိန်ရဲ့ အချိန်ကိုက်မှုမပါဘဲ

We noticed that the data was coming into our computer very quickly,

without any timing of when the images came on,

ကွန်ပြူတာထဲကို အမြန် လာနေ တာကို သတိထားမိတယ်။

and that's the equivalent of reading a very long sentence

ဒါက စကားလုံးတွေကြားမှာ နေရာလပ်မရှိတဲ့ အလွန် ရှည်တဲ့ ဝါကျ

without spaces between the words.

တစ်ကြောင်းကို ဖတ်တာနဲ့ တူညီတယ်။

It would be hard to read,

ဒါက ဖတ်ဖို့ ခက်မယ်ဆိုပေမည့်

but once we add the spaces, individual words appear

နေရာလပ်တွေကို ထည့်လိုက်တာနဲ့ သီးခြားစာလုံးတွေ ပေါ်လာပြီး

and it becomes a lot more understandable.

အများကြီး ပိုနားလည်နိုင်တာဖြစ်လာတယ်။

But what if we cheat a little bit?

ဒါပေမဲ့ နည်းနည်း လှည့်စားလိုက်ရင်ရော။

By using a sensor, we can tell the computer when the image first appears.

အာရုံခံတစ်ခုကို သုဲးခြင်းကနေ ပုံရိပ် ပထမဆုံး ပေါ်တာကို ပြောနိုင်တယ်။

That way, the brainwave stops being a continuous stream of information,

ဒီနည်းနဲ့ ဦးနှောက်လှိုင်းက စဉ်ဆက်မပြတ် သတင်းစီးဆင်းမှုကို ရပ်လိုက်ပြီး

and instead becomes individual packets of meaning.

ဒီအစား သီးခြား အဓိပ္ပါယ်ဖွင့်ဆိုချက်တွေဖြစ်လာတယ်။

Also, we're going to cheat a little bit more,

ဒါအပြင် အမျိုးအစားတွေကို နှစ်မျိုး ကန့်သတ်ရင်း

by limiting the categories to two.

နည်းနည်းပိုပြီး လှည့်စားမယ်။

Let's see if we can do some real-time mind-reading.

စမ်းသပ်ချက်အသစ်မှာ အချိန်ကိုက် စိတ်ကို ဖတ်နိင်လား

In this new experiment,

ဆိုတာကိုကြည့်ရအောင်။

we're going to constrict it a little bit more

ရုပ်ပုံရဲ့အစကို သိရအောင် ဒါကို နည်းနည်းလေး

so that we know the onset of the image

ပိုတင်းကျပ်လိုက်မယ်။

and we're going to limit the categories to "face" or "scenery."

“မျက်နှာ” သို့မဟုတ် “ရှုခင်း” အတွက် အမျိုးအစားတွကို ကန့်သတ်မယ်။

Nathan: Face. Correct.

Nathan: မျက်နှာ၊ မှန်တယ်။

Scenery. Correct.

ရှုခင်း၊ မှန်တယ်။

GG: So right now, every time the image comes on,

GG: ဒါဆို လောလောဆယ် ပုံပေါ်လာတိုင်း

we're taking a picture of the onset of the image

ပုံရဲ့အစကို ဓာတ်ပုံရိုက်ပြီး

and decoding the EEG.

EEG ကို ကုဒ်ရေးနေတယ်။

It's getting correct.

မှန်လာနေပါပြီ။

Nathan: Yes. Face. Correct.

Nathan: မျက်နှာဟုတ်တယ်၊ မှန်တယ်။

GG: So there is information in the EEG signal, which is cool.

GG : ဒီတော့ EEG အချက်ပြမှုမှာ သတင်းအချက်အလက်ရှိတယ်။ မိုက်တယ်။

We just had to align it to the onset of the image.

ပုံရဲ့အစကို ညှိဖို့ပဲလိုခဲ့တာပါ။

Nathan: Scenery. Correct.

Nathan: ရှုခင်း၊ မှန်တယ်။

Face. Yeah.

မျက်နှာ ဟုတ်ပါ့။

GG: This means there is some information there,

GG : ဒီမှာ အချက်အလက် တချို့ရှိတယ်လို့ ဆိုလိုတာပါ။

so if we know at what time the picture came on,

ဒီတော့ ပုံပေါ်လာတဲ့ အချိန်ကို သိရင်

we can tell what type of picture it was,

ဘယ်လိုပုံမျိုးလဲဆိုတာ ပြောပြနိုင်တယ်။

possibly, at least on average, by looking at these evoked potentials.

ဖြစ်လောက်တာက အနည်းဆုံး ပျမ်းမျှ၊ အလားအလာတွေကို ကြည့်ရင်းပေါ့၊

Nathan: Exactly.

Nathan: အတိအကျပဲ။

GG: If you had told me at the beginning of this project this was possible,

GG: ဒီပရောဂျက်က ဖြစ်နိုင်တယ်လို့ အစမှာ ပြောခဲ့မယ်ဆိုရင်

I would have said no way.

မဖြစ်နိုင်ဘူးလို့ပြောမှာ။

I literally did not think we could do this.

ဒါကို လုပ်နိုင်တယ်လို့ တကယ် မထင်ခဲ့တာလေ။

Did our mind-reading experiment really work?

စိတ်ကိုဖတ်တဲ့ စမ်းသပ်မှုက တကယ်အလုပ်ဖြစ်လား။

Yes, but we had to do a lot of cheating.

ဖြစ်တယ်၊ အများကြီး လှည့်စားရတာပေါ့။

It turns out you can find some interesting things in the EEG,

ဖြစ်သွားတာက EEG မှာ စိတ်ဝင်စားစရာတချို့ ရှာတွေ့နိုင်တာပါ။

for example if you're looking at someone's face,

ဥပမာ လူတစ်ယောက်ရဲ့ မျက်နှာကို ကြည့်နေတယ်ဆိုရင်

but it does have a lot of limitations.

ဒါပေမဲ့ ကန့်သတ်ချက်တွေကတော့ အများကြီးပါ။

Perhaps advances in machine learning will make huge strides,

စက်သင်ယူမှု တိုးတက်မှုတွေက ဧရာမခြေလှမ်းတွေ ဖန်တီးလောက်ပြီး

and one day we will be able to decode what's going on in our thoughts.

တစ်နေ့မှာ အတွေးထဲမှာ ဖြစ်နေတာကို ကုဒ်ရေးလို့ရနိုင်လောက်မယ်။

အခုတော့ ကိရိယာတွေကို ထိန်းချုပ်နိုင်ဖို့ ဦးနှောက်လှိုင်းကို ထိန်းချုပ်နိုင်တယ်လို့

But for now, the next time a company says that they can harness your brainwaves

to be able to control devices,

ကုမ္ပဏီတစ်ခုက နောက်တစ်ခါပြောတဲ့အခါ

it is your right, it is your duty to be skeptical.

သံသယဖြစ်ဖို့က သင့်အခွင့်အရေး၊ သင့်တာဝန်ပါ။