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

126,401 views ・ 2018-09-15

TED


Por favor, clique duas vezes nas legendas em inglês abaixo para reproduzir o vídeo.

00:00
Translator: Joseph Geni Reviewer: Krystian Aparta
0
0
7000
Tradutor: Maurício Kakuei Tanaka Revisor: Elisa Santos
00:12
Greg Gage: Mind-reading. You've seen this in sci-fi movies:
1
12203
2859
Greg Gage: Leitura da mente. Você já viu em ficção científica:
00:15
machines that can read our thoughts.
2
15086
1857
máquinas capazes de ler pensamentos.
00:16
However, there are devices today
3
16967
1798
No entanto, hoje existem aparelhos
00:18
that can read the electrical activity from our brains.
4
18789
2524
que podem ler a atividade elétrica do cérebro.
00:21
We call this the EEG.
5
21337
1272
Chamamos isso de EEG.
00:23
Is there information contained in these brainwaves?
6
23695
2829
Há informações contidas nessas ondas cerebrais?
00:26
And if so, could we train a computer to read our thoughts?
7
26548
2813
Poderíamos treinar um computador para ler pensamentos?
00:29
My buddy Nathan has been working to hack the EEG
8
29385
2904
Meu amigo Nathan vem trabalhando para invadir o EEG
00:32
to build a mind-reading machine.
9
32313
1676
e criar uma máquina que lê a mente.
00:34
[DIY Neuroscience]
10
34013
2457
[Neurociência Faça Você Mesmo]
00:36
So this is how the EEG works.
11
36939
1561
É assim que o EEG funciona.
00:38
Inside your head is a brain,
12
38524
1844
Dentro da cabeça, há um cérebro,
00:40
and that brain is made out of billions of neurons.
13
40392
2558
feito de bilhões de neurônios.
00:42
Each of those neurons sends an electrical message to each other.
14
42974
3007
Cada um deles envia uma mensagem elétrica para o outro.
Essas mensagens podem se combinar
00:46
These small messages can combine to make an electrical wave
15
46005
2814
e criar uma onda elétrica que podemos detectar num monitor.
00:48
that we can detect on a monitor.
16
48843
1570
00:50
Now traditionally, the EEG can tell us large-scale things,
17
50437
2724
Tradicionalmente, o EEG dá informações em larga escala,
00:53
for example if you're asleep or if you're alert.
18
53185
2350
por exemplo, se estamos adormecidos ou alertas.
00:55
But can it tell us anything else?
19
55559
1594
Mas pode nos informar algo mais?
00:57
Can it actually read our thoughts?
20
57177
1702
Ele consegue ler pensamentos?
00:58
We're going to test this,
21
58903
1219
Vamos testar isso.
01:00
and we're not going to start with some complex thoughts.
22
60146
2623
Não vamos começar com pensamentos complexos,
01:02
We're going to do something very simple.
23
62793
1977
mas com algo bem simples.
É possível interpretar o que alguém vê usando apenas as ondas cerebrais?
01:04
Can we interpret what someone is seeing using only their brainwaves?
24
64794
3253
Nathan vai começar colocando eletrodos na cabeça de Christy.
01:08
Nathan's going to begin by placing electrodes on Christy's head.
25
68071
3000
Nathan: Minha vida está enrolada.
01:11
Nathan: My life is tangled.
26
71095
1523
01:12
(Laughter)
27
72642
1150
(Risos)
01:14
GG: And then he's going to show her a bunch of pictures
28
74152
2584
GG: Depois ele vai mostrar a ela várias imagens
01:16
from four different categories.
29
76760
1521
de quatro categorias diferentes.
Nathan: Rosto, casa, paisagens e imagens estranhas.
01:18
Nathan: Face, house, scenery and weird pictures.
30
78305
2654
01:20
GG: As we show Christy hundreds of these images,
31
80983
2498
GG: Enquanto mostramos a Christy centenas de imagens,
01:23
we are also capturing the electrical waves onto Nathan's computer.
32
83505
3543
também capturamos as ondas elétricas no computador de Nathan.
01:27
We want to see if we can detect any visual information about the photos
33
87072
3386
Queremos ver se detectamos alguma informação visual sobre as fotos
01:30
contained in the brainwaves,
34
90482
1352
contida nas ondas cerebrais.
01:31
so when we're done, we're going to see if the EEG
35
91858
2331
Assim, quando terminarmos, veremos se o EEG
01:34
can tell us what kind of picture Christy is looking at,
36
94213
2598
consegue nos dizer que tipo de imagem Christy está vendo
01:36
and if it does, each category should trigger a different brain signal.
37
96835
3584
e, se conseguir, cada categoria deve acionar um sinal cerebral diferente.
01:40
OK, so we collected all the raw EEG data,
38
100443
2628
Coletamos todos os dados brutos do EEG
01:43
and this is what we got.
39
103095
1150
e obtivemos isto.
01:45
It all looks pretty messy, so let's arrange them by picture.
40
105389
2938
Tudo parece muito confuso, então vamos organizá-los por imagem.
01:48
Now, still a bit too noisy to see any differences,
41
108826
2656
Ainda está um pouco turbulento para ver as diferenças,
01:51
but if we average the EEG across all image types
42
111506
3040
mas, se calcularmos a média do EEG em todos os tipos de imagem,
01:54
by aligning them to when the image first appeared,
43
114570
2436
alinhando ao surgimento da imagem pela primeira vez,
01:57
we can remove this noise,
44
117030
1617
podemos remover essa turbulência
01:58
and pretty soon, we can see some dominant patterns
45
118671
2334
e, em breve, podemos ver alguns padrões dominantes
02:01
emerge for each category.
46
121029
1564
que surgem para cada categoria.
02:02
Now the signals all still look pretty similar.
47
122617
2156
Todos os sinais ainda se assemelham muito.
02:04
Let's take a closer look.
48
124797
1215
Vamos olhar mais de perto.
02:06
About a hundred milliseconds after the image comes on,
49
126036
2525
Cerca de 100 milissegundos após a imagem aparecer,
02:08
we see a positive bump in all four cases,
50
128585
2628
vemos um aumento positivo nos quatro casos,
02:11
and we call this the P100, and what we think that is
51
131237
2789
que chamamos de P100, e achamos
02:14
is what happens in your brain when you recognize an object.
52
134050
3075
que é o que acontece no cérebro quando reconhecemos um objeto.
Mas, caramba, observe esse sinal para o rosto.
02:17
But damn, look at that signal for the face.
53
137149
2086
02:19
It looks different than the others.
54
139259
1711
Parece diferente dos outros.
02:20
There's a negative dip about 170 milliseconds
55
140994
2890
Há uma queda negativa de cerca de 170 milissegundos
02:23
after the image comes on.
56
143908
1540
depois que a imagem é exibida.
02:25
What could be going on here?
57
145472
1750
O que poderia estar acontecendo aqui?
02:27
Research shows that our brain has a lot of neurons that are dedicated
58
147246
3240
Pesquisas mostram que o cérebro possui muitos neurônios
dedicados a reconhecer rostos humanos.
02:30
to recognizing human faces,
59
150510
1459
02:31
so this N170 spike could be all those neurons
60
151993
2844
Esse pico N170 pode ser todos os neurônios
02:34
firing at once in the same location,
61
154861
1985
que disparam ao mesmo tempo no mesmo local,
02:36
and we can detect that in the EEG.
62
156870
1634
e podemos detectá-lo no EEG.
02:39
So there are two takeaways here.
63
159083
1820
Há duas informações importantes aqui.
02:40
One, our eyes can't really detect the differences in patterns
64
160927
3085
Primeira, os olhos não conseguem detectar as diferenças em padrões
02:44
without averaging out the noise,
65
164036
1571
sem calcular a média do ruído;
02:45
and two, even after removing the noise,
66
165631
2237
e segunda, mesmo depois de removê-lo,
02:47
our eyes can only pick up the signals associated with faces.
67
167892
3001
os olhos só conseguem captar os sinais associados a rostos.
02:50
So this is where we turn to machine learning.
68
170917
2268
É aqui que nos voltamos ao aprendizado de máquina.
02:53
Now, our eyes are not very good at picking up patterns in noisy data,
69
173209
3976
Os olhos não são muito bons em captar padrões em dados turbulentos,
02:57
but machine learning algorithms are designed to do just that,
70
177209
2946
mas algoritmos de aprendizado de máquina são feitos para isso.
03:00
so could we take a lot of pictures and a lot of data
71
180179
3201
Será que podemos pegar muitas fotos e dados,
03:03
and feed it in and train a computer
72
183404
1790
introduzi-los e treinar um computador
03:05
to be able to interpret what Christy is looking at in real time?
73
185218
3381
para conseguir interpretar o que Christy está vendo em tempo real?
03:09
We're trying to code the information that's coming out of her EEG
74
189088
4117
Estamos tentando codificar as informações que saem do EEG dela
03:13
in real time
75
193229
1175
em tempo real
03:14
and predict what it is that her eyes are looking at.
76
194428
2461
e prever o que os olhos dela estão vendo.
03:16
And if it works, what we should see
77
196913
1727
Se funcionar, devemos ver
03:18
is every time that she gets a picture of scenery,
78
198664
2381
que, sempre que ela receber uma imagem de paisagem,
03:21
it should say scenery, scenery, scenery, scenery.
79
201069
2286
deverá repetir "paisagem";
um rosto, repetir "rosto";
03:23
A face -- face, face, face, face,
80
203379
1957
03:25
but it's not quite working that way, is what we're discovering.
81
205360
3531
mas descobrimos que não funciona bem assim.
03:33
(Laughter)
82
213385
3548
(Risos)
03:36
OK.
83
216957
1151
Tudo bem.
03:38
Director: So what's going on here? GG: We need a new career, I think.
84
218132
3382
Diretor: O que está havendo aqui? GG: Precisamos de uma nova carreira.
03:41
(Laughter)
85
221538
1070
(Risos)
03:42
OK, so that was a massive failure.
86
222632
2444
Tudo bem, foi um grande fracasso.
03:45
But we're still curious: How far could we push this technology?
87
225100
3212
Mas continuamos curiosos: até onde poderíamos levar essa tecnologia?
03:48
And we looked back at what we did.
88
228336
1640
Refletimos sobre o que fizemos.
Percebemos que os dados entravam muito rápido em nosso computador,
03:50
We noticed that the data was coming into our computer very quickly,
89
230000
3143
03:53
without any timing of when the images came on,
90
233167
2241
sem coordenação de quando as imagens apareciam.
03:55
and that's the equivalent of reading a very long sentence
91
235432
2876
Isso equivale a ler uma frase muito longa sem espaços entre as palavras.
03:58
without spaces between the words.
92
238332
1605
03:59
It would be hard to read,
93
239961
1438
Seria difícil de ler,
04:01
but once we add the spaces, individual words appear
94
241423
3713
mas, com a inclusão dos espaços,
surgem palavras individuais, e fica muito mais compreensível.
04:05
and it becomes a lot more understandable.
95
245160
2044
04:07
But what if we cheat a little bit?
96
247228
1847
Mas e se trapacearmos um pouco?
04:09
By using a sensor, we can tell the computer when the image first appears.
97
249099
3537
Com um sensor, podemos dizer ao computador a primeira vez que a imagem aparece.
04:12
That way, the brainwave stops being a continuous stream of information,
98
252660
3602
Assim as ondas cerebrais deixam de ser um fluxo contínuo de informações
04:16
and instead becomes individual packets of meaning.
99
256286
2711
e se tornam pacotes individuais de significado.
04:19
Also, we're going to cheat a little bit more,
100
259021
2368
Além disso, vamos trapacear um pouco mais,
04:21
by limiting the categories to two.
101
261413
1812
limitando as categorias a duas.
04:23
Let's see if we can do some real-time mind-reading.
102
263249
2383
Vamos ver se conseguimos ler a mente em tempo real.
04:25
In this new experiment,
103
265656
1235
Neste novo experimento,
04:26
we're going to constrict it a little bit more
104
266915
2097
vamos restringi-lo um pouco mais para sabermos o início da imagem
04:29
so that we know the onset of the image
105
269036
2252
04:31
and we're going to limit the categories to "face" or "scenery."
106
271312
3382
e limitar as categorias a "rosto" ou "paisagem".
04:35
Nathan: Face. Correct.
107
275097
1511
Nathan: Rosto. Correto.
04:37
Scenery. Correct.
108
277780
1351
Paisagem. Correto.
04:40
GG: So right now, every time the image comes on,
109
280251
2373
GG: Agora, toda vez que a imagem aparecer,
04:42
we're taking a picture of the onset of the image
110
282648
2266
tiraremos uma foto do início da imagem e decodificaremos o EEG.
04:44
and decoding the EEG.
111
284938
1695
04:46
It's getting correct.
112
286657
1256
Está ficando correto.
04:47
Nathan: Yes. Face. Correct.
113
287937
1579
Nathan: Sim. Rosto.
04:49
GG: So there is information in the EEG signal, which is cool.
114
289540
2859
GG: Portanto, há informações no sinal EEG, o que é legal.
04:52
We just had to align it to the onset of the image.
115
292423
2537
Só tivemos que alinhá-lo ao início da imagem.
04:55
Nathan: Scenery. Correct.
116
295307
1311
Nathan: Paisagem. Correto.
04:59
Face. Yeah.
117
299344
1150
Rosto. Sim.
05:00
GG: This means there is some information there,
118
300518
2288
GG: Isso significa que há algumas informações lá.
05:02
so if we know at what time the picture came on,
119
302830
2913
Se soubermos o momento em que a imagem apareceu,
05:05
we can tell what type of picture it was,
120
305767
1999
poderemos dizer o tipo de imagem,
05:07
possibly, at least on average, by looking at these evoked potentials.
121
307790
5096
possivelmente, pelo menos em média, analisando esses potenciais evocados.
05:12
Nathan: Exactly.
122
312910
1325
Nathan: Exatamente.
05:14
GG: If you had told me at the beginning of this project this was possible,
123
314259
3521
GG: Se você me dissesse, no início deste projeto, que isso era possível,
05:17
I would have said no way.
124
317804
1251
eu diria que não.
Eu não achava que poderíamos fazer isso.
05:19
I literally did not think we could do this.
125
319079
2000
Nosso experimento de ler a mente funcionou mesmo?
05:21
Did our mind-reading experiment really work?
126
321103
2066
05:23
Yes, but we had to do a lot of cheating.
127
323193
1975
Sim, mas tivemos que trapacear muito.
05:25
It turns out you can find some interesting things in the EEG,
128
325192
2905
Podemos encontrar coisas interessantes no EEG,
05:28
for example if you're looking at someone's face,
129
328121
2290
por exemplo, se olhar para o rosto de alguém,
05:30
but it does have a lot of limitations.
130
330435
2157
mas ele tem muitas limitações.
05:32
Perhaps advances in machine learning will make huge strides,
131
332616
2946
Talvez haja grandes avanços no aprendizado de máquina
05:35
and one day we will be able to decode what's going on in our thoughts.
132
335586
3390
e, um dia, poderemos decodificar o que acontece em nossos pensamentos.
05:39
But for now, the next time a company says that they can harness your brainwaves
133
339000
4077
Mas, por enquanto, da próxima vez que uma empresa disser
que pode aproveitar suas ondas cerebrais para controlar aparelhos,
05:43
to be able to control devices,
134
343101
1750
05:44
it is your right, it is your duty to be skeptical.
135
344875
3310
é seu direito, é seu dever ser cético.
Sobre este site

Este site apresentará a você vídeos do YouTube que são úteis para o aprendizado do inglês. Você verá aulas de inglês ministradas por professores de primeira linha de todo o mundo. Clique duas vezes nas legendas em inglês exibidas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas rolarão em sincronia com a reprodução do vídeo. Se você tiver algum comentário ou solicitação, por favor, entre em contato conosco usando este formulário de contato.

https://forms.gle/WvT1wiN1qDtmnspy7