La machine est maintenant capable de lire dans les pensées. Un nouveau modèle d’apprentissage profond pour décoder des phrases à partir de l’activité cérébrale avec EEG ou MEG pendant que les participants tapent des phrases brièvement mémorisées sur un clavier QWERTY.
Les interfaces cerveau-ordinateur (ICB) ont beaucoup progressé ces dernières années et permettent aux personnes ayant des troubles de la parole ou du mouvement de communiquer. Mais pour être efficaces, la plupart nécessitent une opération chirurgicale pour implanter des électrodes, ce qui comporte des risques comme des infections et des problèmes d’entretien sur le long terme. Des alternatives sans chirurgie, comme celles basées sur l’EEG (électroencéphalographie), existent, mais elles sont encore peu précises car le signal capté est de mauvaise qualité. L’un des grands défis est donc d’améliorer ces méthodes non invasives pour les rendre vraiment utilisables.
Meta AI travaille sur Brain2Qwerty, un système qui utilise un réseau neuronal pour analyser l’activité cérébrale captée par EEG ou MEG (magnétoencéphalographie) et en déduire du texte. Pour entraîner ce système, des participants ont tapé des phrases sur un clavier QWERTY pendant que leur cerveau était enregistré. Contrairement aux anciennes approches, qui demandaient de se concentrer sur des stimuli ou d’imaginer des mouvements, Brain2Qwerty se base sur le lien naturel entre l’intention et le geste de taper, rendant l’interprétation plus intuitive.
L’étude a mesuré l’efficacité de Brain2Qwerty à l’aide du taux d’erreur de caractère (CER) :
- Le décodage basé sur l’EEG a donné un taux d’erreur de 67 %, ce qui indique un taux d’erreur élevé.
- Le décodage basé sur l’EEG a donné un taux d’erreur de 67 %, ce qui indique un taux d’erreur élevé.
- Les participants les plus précis ont obtenu un taux d’erreur de 19 %, ce qui démontre le potentiel du modèle dans des conditions optimales.
Ces résultats mettent en évidence les limites de l’EEG pour un décodage précis du texte, tout en montrant le potentiel de la MEG pour des applications non invasives de conversion du cerveau au texte. L’étude a également montré que Brain2Qwerty pouvait corriger les erreurs typographiques commises par les participants, ce qui suggère qu’il capture à la fois les schémas moteurs et cognitifs associés à la dactylographie.
Brain2Qwerty est un modèle d’intelligence artificielle développé par Meta AI, conçu pour décoder des phrases à partir de l’activité cérébrale enregistrée via des méthodes non invasives telles que l’électroencéphalographie (EEG) et la magnétoencéphalographie (MEG). Cette approche vise à offrir une alternative plus sûre aux interfaces cerveau-ordinateur traditionnelles qui nécessitent des interventions chirurgicales pour implanter des électrodes.
Dans l’étude menée par Meta AI, 35 participants ont mémorisé des phrases courtes puis les ont tapées sur un clavier QWERTY, tandis que leur activité cérébrale était enregistrée. Contrairement aux méthodes précédentes qui demandaient aux utilisateurs de se concentrer sur des stimuli externes ou d’imaginer des mouvements, Brain2Qwerty exploite les processus moteurs naturels associés à la frappe, rendant l’interprétation de l’activité cérébrale plus intuitive.
