Wegbereiter für eine bessere Mensch-Maschine-Interaktion
Menschen simulieren im Geiste das wahrscheinliche Ergebnis aufeinanderfolgender Handlungen, indem sie das Verhalten anderer beobachten, wodurch sie langfristig planen können. Könnten Computer diese Planungsabfolge aus der Hirnaktivität „lesen“ und somit wissen, was die jeweilige Person als Nächstes unternimmt, könnten sie ebenfalls im Voraus planen. Dadurch wäre ihre Interaktion mit uns weniger reflexartig und viel natürlicher. „Man stelle sich nur einmal Teamsportarten vor, bei denen die Spielerinnen und Spieler intuitiv zusammenarbeiten. Sie reagieren auf subtile Signale ihrer Teammitglieder und gehen anschließend entsprechend vor“, sagt Florentin Wörgötter von der Universität Göttingen, der für das Projekt verantwortlich zeichnet. „Wir wissen, dass sich Absichten auf Hirnsignale zurückführen lassen, weshalb wir Geräte mit diesen Signalen verknüpfen wollten.“ Das EU-finanzierte Projekt Plan4Act konnte ein integriertes System entwickeln, das die Entschlüsselung neuronaler Signale ermöglicht. Damit lässt sich die Signalerzeugung für den Betrieb intelligenter Geräte steuern. Der Schlüssel zum Erfolg war die Schaffung einer Klasse von Decodern auf Basis eines neuronalen Netzwerks für prädiktive neuronale Signale, die in ein Field Programmable Gate Array (FPGA) – eine Edge-Computing-Vorrichtung – eingebunden sind. Darüber hinaus entwickelte das Team eine Methode zur einfacheren FPGA-Programmierung, wodurch sich Decoder-Varianten spontan implementieren lassen.
Nutzung von Hirnsignalen mit künstlichen neuronalen Netzwerken
Zunächst trug das Team Informationen über die prädiktive Kodierung in verschiedenen Hirnarealen von Affen zusammen. Da Signale im Hirn aus einer Abfolge von elektrischen Impulsen bestehen, mussten diese entschlüsselt werden, damit sie mit dem vom Zielgerät benötigten Signaltyp (wie der Spannung) kompatibel sind. Da das Gehirn von Affen dem des Menschen ähnelt, gingen die Teammitglieder davon aus, dass sich die Ergebnisse auf die neuronalen Impulsfolgen übertragen lassen, welche die Umwelt für die Menschen verschlüsseln. Die prädiktiven Hirnsignale wurden erst aufgezeichnet und anschließend verschlüsselt, wodurch ein Steuergerät die erforderlichen Reaktionen vorhersagen – und damit erzeugen – kann, bevor es dazu aufgefordert wird, wie es bei herkömmlichen „zeitnahen“ Systemen der Fall ist. Wörgötter zufolge war die Suche nach den zugrunde liegenden Prozessen relativ einfach, das Erstellen eines Systems, das verschiedene Komponenten miteinbezieht, war für das Team jedoch eine wahre Herausforderung. Auch die Suche nach einer leistungsfähigen Methode für die Entschlüsselung der neuronalen Signale erforderte viel Arbeit. „Ein einfaches Perzeptron mit nur wenigen Schichten hat für die Entschlüsselung gereicht. Das neuronale Netz konnte die Hirnsignale in Steuersignale für Geräte mit einem hohen Maß an Zuverlässigkeit umwandeln. Komplexere Netzwerke konnten das Ganze nicht übertreffen“, merkt Wörgötter an. Das Team testete eine komplette Installation, wobei anhand von Signalen eines Affen im Deutschen Primatenzentrum ein Nahrungsspender in einem intelligenten Haus in Madrid bedient werden sollte. Die intelligente Vorrichtung wurde von drei aufeinanderfolgenden physischen Handlungen gesteuert. „Dadurch, dass die prädiktive Hirnaktivität des Affen entschlüsselt wurde, konnte das Gerät die letzten Schritte seiner Handlungen ‚vorhersagen‘, aber gleichzeitig auf die ersten Schritte seines Plans reagieren“, erklärt Wörgötter.
Auf dem Weg zu einer minimal-invasiven Technologie
Die Möglichkeit, Geräte prädiktiv mit wenig bis keiner körperlicher Anstrengung zu steuern, würde sich wahrscheinlich für Menschen mit Behinderung als attraktiv erweisen. Dennoch ist sie noch immer weit davon entfernt, Wirklichkeit zu werden, da die Technologie aktuell auf invasive Verfahren wie chirurgisch implantierte Elektroden angewiesen ist. „Für Menschen besteht hier natürlich ein ethisches Problem, daher müssen wir zuerst neue minimal-invasive Elektroden entwickeln. Es könnte 10 bis 20 Jahre dauern, bevor die Technologie Einzug in die Klinik oder den Hausgebrauch halten wird“, sagt Wörgötter. Aktuell arbeitet das Team daran, dass sich verschiedene Systemkomponenten besser integrieren lassen. Gleichzeitig will es die proaktiven Reaktionsaufforderungen der Maschinen wie prädiktive Bewegungsmuster optimieren.
Schlüsselbegriffe
Plan4Act, Affe, Hirn, neuronale Signale, Roboter, Maschine, Elektrode, Mensch, neuronales Netzwerk, Perzeptron
