Saat ini, dengan meningkatnya perkembangan teknologi antarmuka otak-komputer (BCI), model Brain2QWerty terbaru Meta AI telah membawa harapan baru ke bidang ini. BCI dirancang untuk menyediakan komunikasi bagi orang-orang dengan gangguan bicara atau gerakan, tetapi metode tradisional sering membutuhkan operasi invasif, seperti menanamkan elektroda, yang tidak hanya menimbulkan risiko medis tetapi juga memerlukan pemeliharaan jangka panjang. Oleh karena itu, para peneliti telah mulai mengeksplorasi alternatif non-invasif, terutama yang didasarkan pada electroencephalography (EEG). Namun, teknologi EEG menghadapi masalah resolusi sinyal rendah, yang mempengaruhi akurasinya.
Catatan Sumber Gambar: Gambar dihasilkan oleh AI, dan Penyedia Layanan Resmi Gambar Midjourney
Brain2QWerty diluncurkan untuk menyelesaikan masalah ini. Model pembelajaran yang mendalam ini dapat mendekode kalimat input peserta dari aktivitas otak yang ditangkap oleh EEG atau pencitraan resonansi magnetik otak (MEG). Dalam penelitian ini, peserta memasukkan kalimat yang dihafal secara singkat pada keyboard QWERTY, sementara aktivitas otak mereka dicatat secara real time. Tidak seperti upaya sebelumnya untuk fokus pada stimulasi eksternal atau gerakan yang dibayangkan, Brain2QWerty menggunakan gerakan pengetikan alami untuk memberikan cara yang lebih intuitif untuk menafsirkan gelombang otak.
Arsitektur Brain2QWerty dibagi menjadi tiga modul utama. Pertama adalah modul konvolusi, yang bertanggung jawab untuk mengekstraksi karakteristik temporal dan spasial dalam sinyal EEG atau MEG. Berikutnya adalah modul transformator, yang memproses urutan input, mengoptimalkan pemahaman dan ekspresi. Akhirnya, ada modul model bahasa, yang merupakan model bahasa tingkat karakter pra-terlatih yang digunakan untuk memperbaiki dan meningkatkan keakuratan hasil decoding.
Saat mengevaluasi kinerja Brain2QWerty, para peneliti menggunakan Character Error Rate (CER) sebagai ukuran. Hasilnya menunjukkan bahwa CER decoding berdasarkan EEG adalah 67%, yang relatif tinggi; Dalam percobaan, berkinerja terbaik mencapai 19% CER, menunjukkan potensi model dalam kondisi ideal.
Meskipun Brain2QWerty telah menunjukkan prospek positif di bidang BCI non-invasif, ia menghadapi beberapa tantangan. Pertama, model saat ini perlu memproses kalimat lengkap alih -alih tombol decoding satu per satu. Kedua, meskipun MEG memiliki kinerja yang lebih baik daripada EEG, perangkatnya tidak portabel dan memiliki popularitas yang tidak mencukupi. Akhirnya, penelitian ini dilakukan terutama pada peserta yang sehat dan perlu untuk mengeksplorasi penerapannya kepada mereka yang memiliki gangguan olahraga atau bicara di masa depan.
Kertas: https://ai.meta.com/research/publications/brain-to-text-decoding-a-non-invasive-approach-via-typing/
Poin -Poin Kunci:
Model Brain2QWerty yang diluncurkan oleh Meta AI dapat memecahkan kode konten pengetikan melalui EEG dan MEG, membawa harapan baru ke teknologi BCI.
Hasil penelitian menunjukkan bahwa tingkat kesalahan karakter yang digunakan untuk decoding menggunakan MEG secara signifikan lebih rendah daripada EEG, dengan peserta optimal mencapai 19% CER.
Tantangan di masa depan termasuk decoding real-time, aksesibilitas perangkat MEG, dan efek aplikasi di antara para penyandang cacat.
Hasil ini menunjukkan bahwa teknologi BCI non-invasif secara bertahap diimplementasikan dan diharapkan dapat menyediakan alat komunikasi yang efektif untuk lebih banyak orang di masa depan.