Interfaces capazes de conectar diretamente o cérebro a computadores podem oferecer novas formas de comunicação para pessoas que perderam a capacidade de falar ou movimentar os membros. O problema é que algumas das tecnologias mais precisas disponíveis atualmente dependem de eletrodos implantados cirurgicamente no cérebro.
Agora, pesquisadores demonstraram uma alternativa que dispensa a necessidade de cirurgia.
Cientistas da Meta AI, da Universidade PSL e da Fundação Hospital Adolphe de Rothschild desenvolveram o Brain2Qwerty, um sistema de inteligência artificial capaz de transformar sinais da atividade cerebral em caracteres escritos.
A tecnologia ainda está distante de se tornar um dispositivo médico disponível para pacientes. Mesmo assim, os experimentos mostram que é possível reconstruir frases com uma precisão considerável utilizando sensores posicionados fora do cérebro.
Como a IA transforma atividade cerebral em letras
O experimento envolveu 35 voluntários saudáveis, sem problemas neurológicos ou limitações motoras.
Durante os testes, os participantes observavam frases apresentadas palavra por palavra em uma tela. Depois de memorizá-las, precisavam digitá-las em um teclado convencional.
Enquanto escreviam, os pesquisadores registravam sua atividade cerebral utilizando duas tecnologias diferentes: eletroencefalografia (EEG) e magnetoencefalografia (MEG).
Nenhuma delas exige a implantação de sensores dentro do crânio.
O EEG utiliza eletrodos colocados sobre o couro cabeludo para registrar sinais elétricos produzidos pela atividade cerebral.
A MEG funciona de maneira diferente. Ela utiliza sensores extremamente sensíveis para detectar os minúsculos campos magnéticos produzidos pela atividade dos neurônios.
Essa técnica consegue fornecer sinais mais precisos, mas apresenta uma desvantagem importante: os equipamentos são grandes, caros e difíceis de transportar.
Brain2Qwerty utiliza inteligência artificial em três etapas
Depois de registrar a atividade cerebral, entra em ação o Brain2Qwerty.
O sistema processa as informações em diferentes etapas.
Primeiro, uma rede neural analisa pequenos segmentos de aproximadamente meio segundo da atividade cerebral registrada durante a digitação.
Em seguida, um modelo baseado na arquitetura transformer examina a sequência completa dos sinais e tenta prever quais caracteres estavam sendo digitados.
Por último, um modelo de linguagem entra em ação para reduzir erros. Ele considera quais combinações de letras, palavras e frases são linguisticamente mais prováveis.
Essa última etapa é particularmente importante porque os sinais captados externamente apresentam muito ruído.
O modelo de linguagem funciona, portanto, como uma camada adicional capaz de transformar previsões imperfeitas em sequências de texto mais coerentes.
A magnetoencefalografia apresentou os melhores resultados
Os pesquisadores encontraram uma diferença significativa entre as duas tecnologias utilizadas.
Com magnetoencefalografia, o Brain2Qwerty apresentou uma taxa média de erro por caractere de aproximadamente 29%.
Com eletroencefalografia, o índice ficou próximo de 65%.
Em alguns participantes nos quais o sistema apresentou melhor desempenho, a taxa de erro utilizando MEG caiu para cerca de 18%.
A inteligência artificial também conseguiu reconstruir corretamente algumas frases que não estavam presentes nos dados utilizados durante seu treinamento.
O resultado mostra que o sistema não estava simplesmente memorizando combinações previamente conhecidas.
A inteligência artificial não está lendo pensamentos
Apesar do resultado impressionante, existe uma diferença importante entre interpretar atividade cerebral e literalmente ler pensamentos.
Brain2Qwerty não consegue descobrir livremente o que uma pessoa está pensando.
Durante o experimento, os voluntários primeiro memorizavam uma frase e depois a digitavam enquanto sua atividade cerebral era registrada.
O sistema buscava identificar padrões neurais associados especificamente ao processo de produção da escrita.
Portanto, ainda estamos muito longe de uma tecnologia capaz de colocar sensores sobre a cabeça de alguém e transformar qualquer pensamento espontâneo em palavras.
Essa distinção também é importante para compreender as limitações atuais da pesquisa.
Uma alternativa aos implantes cerebrais
As interfaces cérebro-computador mais avançadas vêm conseguindo resultados cada vez mais impressionantes.
Algumas utilizam eletrodos implantados diretamente no cérebro para captar sinais com maior resolução. É uma estratégia investigada por empresas como a Neuralink e por diversos grupos acadêmicos.
A proximidade dos eletrodos com os neurônios permite obter sinais mais claros. Em contrapartida, é necessário realizar uma cirurgia.
Tecnologias externas como EEG e MEG eliminam esse problema, mas recebem sinais muito mais fracos e sujeitos a interferências.
A inteligência artificial pode ajudar justamente a diminuir essa diferença.
Modelos capazes de identificar padrões extremamente sutis nos dados podem extrair informações que anteriormente seriam difíceis de interpretar.
Tecnologia ainda precisa superar grandes obstáculos
O objetivo de longo prazo é desenvolver sistemas capazes de ajudar pessoas com paralisia ou outras limitações motoras graves a se comunicar sem depender de implantes cerebrais.
Mas existem desafios importantes antes que isso aconteça.
Os experimentos foram realizados com pessoas saudáveis capazes de digitar normalmente. Será necessário descobrir se os mesmos padrões podem ser identificados em pacientes incapazes de movimentar as mãos.
A precisão também precisa melhorar consideravelmente.
Além disso, a magnetoencefalografia utilizada nos melhores experimentos depende atualmente de equipamentos grandes e caros, algo pouco prático para utilização cotidiana.
Brain2Qwerty ainda não representa, portanto, um substituto para as interfaces cerebrais implantáveis.
Mas demonstra algo importante: combinando sensores externos e inteligência artificial, sinais produzidos pelo cérebro podem fornecer informações suficientes para reconstruir parte da linguagem escrita.
Se a tecnologia evoluir, essa abordagem poderá ajudar a criar uma nova geração de interfaces cérebro-computador capazes de transformar atividade neural em comunicação digital sem a necessidade de colocar eletrodos dentro do cérebro.
[ Fonte: La Razón ]
