TEDGlobal 2010
Tan Le: A headset that reads your brainwaves
Tan Le: Słuchawki które czytają Twoje fale mózgowe
Filmed:
Readability: 5
2,732,929 views
Nowy, zadziwiający interfejs komputerowy Tan Le czyta fale mózgowe użytkownika, umożliwiając kontrolowanie wirtualnych przedmiotów, a nawet prawdziwych urządzeń elektronicznych, jedynie za pomocą myśli (i odrobiny koncentracji). Tan Le demonstruje działanie urządzenia, i mówi o jego daleko idących zastosowaniach.
Tan Le - Entrepreneur
Tan Le is the founder & CEO of Emotiv, a bioinformatics company that's working on identifying biomarkers for mental and other neurological conditions using electroencephalography (EEG). Full bio
Tan Le is the founder & CEO of Emotiv, a bioinformatics company that's working on identifying biomarkers for mental and other neurological conditions using electroencephalography (EEG). Full bio
Double-click the English transcript below to play the video.
00:16
Up until now, our communication with machines
0
1000
2000
Aż do teraz, nasza komunikacja z maszynami
00:18
has always been limited
1
3000
2000
ograniczona była zawsze
00:20
to conscious and direct forms.
2
5000
2000
do świadomych i bezpośrednich postaci.
00:22
Whether it's something simple
3
7000
2000
Czy jest to coś prostego
00:24
like turning on the lights with a switch,
4
9000
2000
jak włączenie światła włącznikiem
00:26
or even as complex as programming robotics,
5
11000
3000
lub nawet coś tak skomplikowanego jak programowanie robotów,
00:29
we have always had to give a command to a machine,
6
14000
3000
zawsze musimy dać polecenie maszynie,
00:32
or even a series of commands,
7
17000
2000
lub nawet serię poleceń,
00:34
in order for it to do something for us.
8
19000
3000
aby zrobiła ona coś dla nas.
00:37
Communication between people, on the other hand,
9
22000
2000
Z drugiej strony, komunikacja między ludźmi
00:39
is far more complex and a lot more interesting
10
24000
3000
jest dalece bardziej złożona i dużo bardziej interesująca,
00:42
because we take into account
11
27000
2000
ponieważ bierzemy pod uwagę
00:44
so much more than what is explicitly expressed.
12
29000
3000
o wiele więcej niż to co jest wyraźnie wyrażane.
00:47
We observe facial expressions, body language,
13
32000
3000
Obserwujemy mimikę twarzy, język ciała,
00:50
and we can intuit feelings and emotions
14
35000
2000
i możemy wyczuć uczucia i emocje
00:52
from our dialogue with one another.
15
37000
3000
z dialogu pomiędzy sobą.
00:55
This actually forms a large part
16
40000
2000
Odgrywa to właściwie dużą rolę
00:57
of our decision-making process.
17
42000
2000
w procesie podejmowania naszych decyzji.
00:59
Our vision is to introduce
18
44000
2000
Naszą wizją jest wprowadzenie
01:01
this whole new realm of human interaction
19
46000
3000
tego całego nowego wymiaru ludzkiej interakcji
01:04
into human-computer interaction
20
49000
2000
w interakcję pomiędzy człowiekiem a komputerem,
01:06
so that computers can understand
21
51000
2000
tak aby komputery mogły zrozumieć
01:08
not only what you direct it to do,
22
53000
2000
nie tylko to co każemy im zrobić,
01:10
but it can also respond
23
55000
2000
ale aby mogły też reagować
01:12
to your facial expressions
24
57000
2000
na wasz wyraz twarzy
01:14
and emotional experiences.
25
59000
2000
oraz doświadczenia emocjonalne.
01:16
And what better way to do this
26
61000
2000
A jaki jest lepszy sposób na zrobienie tego
01:18
than by interpreting the signals
27
63000
2000
niż poprzez interpretowanie sygnałów
01:20
naturally produced by our brain,
28
65000
2000
naturalnie produkowanych przez nasze mózgi,
01:22
our center for control and experience.
29
67000
3000
nasz ośrodek odpowiadający za kontrolę i doświadczenie.
01:25
Well, it sounds like a pretty good idea,
30
70000
2000
Cóż, to brzmi jak całkiem dobry pomysł,
01:27
but this task, as Bruno mentioned,
31
72000
2000
jednak to zadanie, jak wspomniał Bruno,
01:29
isn't an easy one for two main reasons:
32
74000
3000
nie jest tak prostym z dwóch powodów:
01:32
First, the detection algorithms.
33
77000
3000
Pierwszy, algorytmy odpowiadające za wykrywanie.
01:35
Our brain is made up of
34
80000
2000
Nasz mózg zbudowany jest z
01:37
billions of active neurons,
35
82000
2000
miliardów aktywnych neuronów,
01:39
around 170,000 km
36
84000
3000
około 170 000 km
01:42
of combined axon length.
37
87000
2000
połączonych ze sobą aksonów.
01:44
When these neurons interact,
38
89000
2000
Kiedy te neurony oddziałują ze sobą,
01:46
the chemical reaction emits an electrical impulse,
39
91000
2000
reakcje chemiczne emitują impuls elektryczny,
01:48
which can be measured.
40
93000
2000
który może być zmierzony.
01:50
The majority of our functional brain
41
95000
3000
Większość naszej funkcjonalnej części mózgu
01:53
is distributed over
42
98000
2000
rozmieszczona jest na
01:55
the outer surface layer of the brain,
43
100000
2000
powierzchni zewnętrznej warstwy mózgu.
01:57
and to increase the area that's available for mental capacity,
44
102000
3000
A aby zwiększyć obszar dostępny dla zdolności intelektualnych,
02:00
the brain surface is highly folded.
45
105000
3000
powierzchnia mózgu jest wysoce pofałdowana.
02:03
Now this cortical folding
46
108000
2000
To korowe pofałdowanie
02:05
presents a significant challenge
47
110000
2000
stanowi znaczące wyzwanie
02:07
for interpreting surface electrical impulses.
48
112000
3000
dla interpretowania impulsów elektrycznych powierzchni.
02:10
Each individual's cortex
49
115000
2000
Kora każdej osoby
02:12
is folded differently,
50
117000
2000
jest pofałdowana inaczej,
02:14
very much like a fingerprint.
51
119000
2000
bardzo podobnie do odcisku palca.
02:16
So even though a signal
52
121000
2000
Więc pomimo tego, że sygnał
02:18
may come from the same functional part of the brain,
53
123000
3000
może pochodzić z funkcjonalnie tej samej części mózgu,
02:21
by the time the structure has been folded,
54
126000
2000
ale kiedy struktura zostanie pofałdowana,
02:23
its physical location
55
128000
2000
jej umiejscowienie
02:25
is very different between individuals,
56
130000
2000
jest inne u każdej osoby,
02:27
even identical twins.
57
132000
3000
nawet u bliźniąt jednojajowych.
02:30
There is no longer any consistency
58
135000
2000
Nie ma już żadnej zgodności
02:32
in the surface signals.
59
137000
2000
w sygnałach powierzchni.
02:34
Our breakthrough was to create an algorithm
60
139000
2000
Naszym przełomem było stworzenie algorytmu,
02:36
that unfolds the cortex,
61
141000
2000
który rozwija korę,
02:38
so that we can map the signals
62
143000
2000
tak abyśmy mogli odczytać współrzędne sygnału
02:40
closer to its source,
63
145000
2000
bliżej jego źródła,
02:42
and therefore making it capable of working across a mass population.
64
147000
3000
aby przez to umożliwić pracę na większości populacji.
02:46
The second challenge
65
151000
2000
Drugim wyzwaniem
02:48
is the actual device for observing brainwaves.
66
153000
3000
jest samo urządzenie do zapisywania fal mózgowych.
02:51
EEG measurements typically involve
67
156000
2000
Pomiar EEG zazwyczaj wiąże się z
02:53
a hairnet with an array of sensors,
68
158000
3000
użyciem siatki na włosy z szeregiem sensorów,
02:56
like the one that you can see here in the photo.
69
161000
3000
takiej jak ta, którą możecie zobaczyć na tym zdjęciu.
02:59
A technician will put the electrodes
70
164000
2000
Technik założy elektrody
03:01
onto the scalp
71
166000
2000
na skórę głowy
03:03
using a conductive gel or paste
72
168000
2000
używając przewodzącego żelu lub pasty
03:05
and usually after a procedure of preparing the scalp
73
170000
3000
zazwyczaj po przygotowaniu skóry głowy
03:08
by light abrasion.
74
173000
2000
przez jej lekkie otarcie.
03:10
Now this is quite time consuming
75
175000
2000
Jest to dość czasochłonny
03:12
and isn't the most comfortable process.
76
177000
2000
i nie najprzyjemniejszy proces.
03:14
And on top of that, these systems
77
179000
2000
I na domiar tego, te systemy
03:16
actually cost in the tens of thousands of dollars.
78
181000
3000
kosztują dziesiątki tysięcy dolarów.
03:20
So with that, I'd like to invite onstage
79
185000
3000
Chciałabym więc zaprosić na scenę
03:23
Evan Grant, who is one of last year's speakers,
80
188000
2000
Evana Granta, który jest jednym z zeszłorocznych mówców,
03:25
who's kindly agreed
81
190000
2000
który zgodził się życzliwie
03:27
to help me to demonstrate
82
192000
2000
pomóc mi zademonstrować
03:29
what we've been able to develop.
83
194000
2000
co udało nam się opracować.
03:31
(Applause)
84
196000
6000
(Oklaski)
03:37
So the device that you see
85
202000
2000
Urządzenie, które widzicie
03:39
is a 14-channel, high-fidelity
86
204000
2000
jest 14-kanałowym, wysoko czułym
03:41
EEG acquisition system.
87
206000
2000
rejestrującym systemem EEG.
03:43
It doesn't require any scalp preparation,
88
208000
3000
Nie wymaga żadnego przygotowania skóry głowy,
03:46
no conductive gel or paste.
89
211000
2000
żadnego przewodzącego żelu czy pasty.
03:48
It only takes a few minutes to put on
90
213000
3000
Tylko kilka minut zajmuje założenie go
03:51
and for the signals to settle.
91
216000
2000
i regulacja sygnałów.
03:53
It's also wireless,
92
218000
2000
Jest również bezprzewodowy,
03:55
so it gives you the freedom to move around.
93
220000
3000
daje więc wolność poruszania się.
03:58
And compared to the tens of thousands of dollars
94
223000
3000
A w porównaniu do dziesiątek tysięcy dolarów
04:01
for a traditional EEG system,
95
226000
3000
za tradycyjny system EEG,
04:04
this headset only costs
96
229000
2000
ten zestaw kosztuje tylko
04:06
a few hundred dollars.
97
231000
2000
kilkaset dolarów.
04:08
Now on to the detection algorithms.
98
233000
3000
A teraz o algorytmach wykrywających.
04:11
So facial expressions --
99
236000
2000
Mimika twarzy --
04:13
as I mentioned before in emotional experiences --
100
238000
2000
jak wspomniałam wcześniej, w doświadczeniach emocjonalnych --
04:15
are actually designed to work out of the box
101
240000
2000
jest właściwie zaprojektowana do kreatywnej pracy
04:17
with some sensitivity adjustments
102
242000
2000
z pewną regulacją czułości
04:19
available for personalization.
103
244000
3000
dostępną dla personalizacji.
04:22
But with the limited time we have available,
104
247000
2000
Ale przy ograniczonym czasie jaki mamy,
04:24
I'd like to show you the cognitive suite,
105
249000
2000
chciałabym pokazać wam zestaw poznawczy,
04:26
which is the ability for you
106
251000
2000
którym jest możliwość
04:28
to basically move virtual objects with your mind.
107
253000
3000
poruszania wirtualnym przedmiotem przy pomocy waszego umysłu.
04:32
Now, Evan is new to this system,
108
257000
2000
Evan jest nowy dla tego systemu
04:34
so what we have to do first
109
259000
2000
więc co musimy najpierw zrobić
04:36
is create a new profile for him.
110
261000
2000
to stworzyć dla niego nowy profil.
04:38
He's obviously not Joanne -- so we'll "add user."
111
263000
3000
Nie jest oczywiście Joanne -- a więc klikniemy "dodaj użytkownika"
04:41
Evan. Okay.
112
266000
2000
Evan. OK.
04:43
So the first thing we need to do with the cognitive suite
113
268000
3000
Pierwszą rzeczą jaką musimy zrobić z zestawem poznawczym
04:46
is to start with training
114
271000
2000
to zacząć od treningu
04:48
a neutral signal.
115
273000
2000
sygnału neutralnego.
04:50
With neutral, there's nothing in particular
116
275000
2000
Z sygnałem neutralnym, nie ma nic szczególnego
04:52
that Evan needs to do.
117
277000
2000
co Evan musi robić.
04:54
He just hangs out. He's relaxed.
118
279000
2000
Jest po prostu zrelaksowany.
04:56
And the idea is to establish a baseline
119
281000
2000
Chodzi o to aby ustanowić linię odniesienia
04:58
or normal state for his brain,
120
283000
2000
normalnego stanu jego mózgu,
05:00
because every brain is different.
121
285000
2000
ponieważ każdy mózg jest inny.
05:02
It takes eight seconds to do this,
122
287000
2000
Zajmuje to osiem sekund.
05:04
and now that that's done,
123
289000
2000
Teraz, kiedy to już jest zrobione,
05:06
we can choose a movement-based action.
124
291000
2000
możemy wybrać opartą na ruchu akcję.
05:08
So Evan, choose something
125
293000
2000
Więc, Evan, wybierz coś
05:10
that you can visualize clearly in your mind.
126
295000
2000
co możesz zwizualizować jasno w swoim umyśle.
05:12
Evan Grant: Let's do "pull."
127
297000
2000
Evan Grant: Zróbmy "przyciągnij".
05:14
Tan Le: Okay, so let's choose "pull."
128
299000
2000
Tan Le: OK. Wybierzmy więc "przyciągnij".
05:16
So the idea here now
129
301000
2000
Chodzi więc o to, że
05:18
is that Evan needs to
130
303000
2000
Evan musi
05:20
imagine the object coming forward
131
305000
2000
wyobrazić sobie obiekt przybliżający się
05:22
into the screen,
132
307000
2000
w kierunku ekranu.
05:24
and there's a progress bar that will scroll across the screen
133
309000
3000
Jest tutaj pasek postępu, który przewinie się poprzez ekran
05:27
while he's doing that.
134
312000
2000
kiedy on będzie to robił.
05:29
The first time, nothing will happen,
135
314000
2000
Za pierwszym razem, nic się nie stanie,
05:31
because the system has no idea how he thinks about "pull."
136
316000
3000
ponieważ system nie ma pojęcia jak on myśli o "przyciągnij".
05:34
But maintain that thought
137
319000
2000
Utrzymuj jednak tę myśl
05:36
for the entire duration of the eight seconds.
138
321000
2000
przez cały czas trwania ośmiu sekund.
05:38
So: one, two, three, go.
139
323000
3000
A więc: raz, dwa, trzy, start.
05:49
Okay.
140
334000
2000
OK.
05:51
So once we accept this,
141
336000
2000
Kiedy więc zaakceptujemy to,
05:53
the cube is live.
142
338000
2000
kostka jest żywa.
05:55
So let's see if Evan
143
340000
2000
Zobaczmy więc, czy Evan
05:57
can actually try and imagine pulling.
144
342000
3000
jest w stanie spróbować wyobrazić sobie przyciąganie.
06:00
Ah, good job!
145
345000
2000
Dobra robota!
06:02
(Applause)
146
347000
3000
(Oklaski)
06:05
That's really amazing.
147
350000
2000
To jest niesamowite.
06:07
(Applause)
148
352000
4000
(Oklaski)
06:11
So we have a little bit of time available,
149
356000
2000
Zostało nam jeszcze trochę czasu,
06:13
so I'm going to ask Evan
150
358000
2000
poproszę więc Evana
06:15
to do a really difficult task.
151
360000
2000
o wykonanie naprawdę trudnego zadania.
06:17
And this one is difficult
152
362000
2000
To jest trudne
06:19
because it's all about being able to visualize something
153
364000
3000
ponieważ chodzi tu o zdolność do zwizualizowania czegoś
06:22
that doesn't exist in our physical world.
154
367000
2000
co nie istnieje w naszym rzeczywistym świecie.
06:24
This is "disappear."
155
369000
2000
To jest "zniknij".
06:26
So what you want to do -- at least with movement-based actions,
156
371000
2000
Jeśli chodzi o oparte na ruchu akcje,
06:28
we do that all the time, so you can visualize it.
157
373000
3000
robimy to cały czas, możemy więc sobie to wyobrazić.
06:31
But with "disappear," there's really no analogies --
158
376000
2000
Ale ze "zniknij", nie ma tak naprawdę analogii.
06:33
so Evan, what you want to do here
159
378000
2000
A więc Evan, to co chcesz tu zrobić
06:35
is to imagine the cube slowly fading out, okay.
160
380000
3000
to wyobrazić sobie, że kostka powoli gaśnie, OK.
06:38
Same sort of drill. So: one, two, three, go.
161
383000
3000
To samo: raz, dwa, trzy, start.
06:50
Okay. Let's try that.
162
395000
3000
Ok. Spróbujmy tego.
06:53
Oh, my goodness. He's just too good.
163
398000
3000
O, mój boże. On jest po prostu za dobry.
06:57
Let's try that again.
164
402000
2000
Spróbujmy jeszcze raz.
07:04
EG: Losing concentration.
165
409000
2000
EG: Tracę koncentrację.
07:06
(Laughter)
166
411000
2000
(Śmiech)
07:08
TL: But we can see that it actually works,
167
413000
2000
TL: Widzimy więc, że to faktycznie działa,
07:10
even though you can only hold it
168
415000
2000
pomimo tego, że możesz to utrzymać
07:12
for a little bit of time.
169
417000
2000
przez krótki okres czasu.
07:14
As I said, it's a very difficult process
170
419000
3000
Tak jak powiedziałam, jest to bardzo trudny proces
07:17
to imagine this.
171
422000
2000
aby sobie to wyobrazić.
07:19
And the great thing about it is that
172
424000
2000
Wspaniałe w tym jest to,
07:21
we've only given the software one instance
173
426000
2000
że daliśmy programowi tylko jeden przykład tego
07:23
of how he thinks about "disappear."
174
428000
3000
jak on myśli o "zniknij".
07:26
As there is a machine learning algorithm in this --
175
431000
3000
Wbudowany jest tu algorytm uczący się --
07:29
(Applause)
176
434000
4000
(Oklaski)
07:33
Thank you.
177
438000
2000
Dziękuję.
07:35
Good job. Good job.
178
440000
3000
Dobra robota. Dobra robota.
07:38
(Applause)
179
443000
2000
(Oklaski)
07:40
Thank you, Evan, you're a wonderful, wonderful
180
445000
3000
Dziękuję, Evan, jesteś cudownym, cudownym
07:43
example of the technology.
181
448000
3000
przykładem tej technologii.
07:46
So, as you can see, before,
182
451000
2000
Tak jak mogliście zobaczyć,
07:48
there is a leveling system built into this software
183
453000
3000
wbudowany jest w ten program system poziomów
07:51
so that as Evan, or any user,
184
456000
2000
tak aby, kiedy Evan lub inny użytkownik,
07:53
becomes more familiar with the system,
185
458000
2000
staje się bardziej obeznany z tym systemem,
07:55
they can continue to add more and more detections,
186
460000
3000
mógł kontynuować dodawanie coraz więcej detektorów,
07:58
so that the system begins to differentiate
187
463000
2000
tak aby system różnicował
08:00
between different distinct thoughts.
188
465000
3000
pomiędzy różnymi, odmiennymi myślami.
08:04
And once you've trained up the detections,
189
469000
2000
Kiedy zaś wytrenujecie detektory,
08:06
these thoughts can be assigned or mapped
190
471000
2000
te myśli mogą zostać przyporządkowane lub zmapowane
08:08
to any computing platform,
191
473000
2000
do jakiegokolwiek komputera,
08:10
application or device.
192
475000
2000
aplikacji czy urządzenia.
08:12
So I'd like to show you a few examples,
193
477000
2000
Chciałabym więc pokazać wam kilka przykładów,
08:14
because there are many possible applications
194
479000
2000
istnieje bowiem wiele możliwych aplikacji
08:16
for this new interface.
195
481000
2000
dla tego nowego interfejsu.
08:19
In games and virtual worlds, for example,
196
484000
2000
W grach i świecie wirtualnym, na przykład,
08:21
your facial expressions
197
486000
2000
wasza mimika twarzy
08:23
can naturally and intuitively be used
198
488000
2000
może naturalnie i intuicyjnie być wykorzystana
08:25
to control an avatar or virtual character.
199
490000
3000
do kontrolowania avatara lub postaci.
08:29
Obviously, you can experience the fantasy of magic
200
494000
2000
Oczywiście, możecie doświadczyć fantazji magii
08:31
and control the world with your mind.
201
496000
3000
i kontrolować świat za pomocą umysłu.
08:36
And also, colors, lighting,
202
501000
3000
Również, kolory, oświetlenie,
08:39
sound and effects
203
504000
2000
dźwięki i efekty,
08:41
can dynamically respond to your emotional state
204
506000
2000
mogą dynamicznie odzwierciedlać wasz stan emocjonalny
08:43
to heighten the experience that you're having, in real time.
205
508000
3000
aby spotęgować doświadczenie które przeżywacie, w rzeczywistości.
08:47
And moving on to some applications
206
512000
2000
Jeśli chodzi o aplikacje
08:49
developed by developers and researchers around the world,
207
514000
3000
rozwinięte przez deweloperów i badaczy na całym świecie,
08:52
with robots and simple machines, for example --
208
517000
3000
z robotami i prostymi maszynami, na przykład
08:55
in this case, flying a toy helicopter
209
520000
2000
tutaj, latanie zabawkowym helikopterem
08:57
simply by thinking "lift" with your mind.
210
522000
3000
po prostu myśląc "podnieś".
09:00
The technology can also be applied
211
525000
2000
Technologia ta może również być zastosowana
09:02
to real world applications --
212
527000
2000
do rzeczywistych programów,
09:04
in this example, a smart home.
213
529000
2000
w tym przypadku, inteligentny dom.
09:06
You know, from the user interface of the control system
214
531000
3000
Interfejs użytkownika systemu kontrolującego może
09:09
to opening curtains
215
534000
2000
rozsuwać zasłony
09:11
or closing curtains.
216
536000
3000
albo je zasuwać.
09:22
And of course, also to the lighting --
217
547000
3000
I oczywiście również oświetlenie,
09:25
turning them on
218
550000
3000
włączanie go
09:28
or off.
219
553000
2000
lub wyłączanie.
09:30
And finally,
220
555000
2000
I w końcu
09:32
to real life-changing applications,
221
557000
2000
do prawdziwie zmieniających życie programów
09:34
such as being able to control an electric wheelchair.
222
559000
3000
takich jak możliwość kontrolowania elektrycznego wózka.
09:37
In this example,
223
562000
2000
W tym przypadku,
09:39
facial expressions are mapped to the movement commands.
224
564000
3000
mimika twarzy jest przyporządkowana do komend ruchu.
09:42
Man: Now blink right to go right.
225
567000
3000
Mężczyzna: Mrugnij prawym okiem aby skręcić w prawo.
09:50
Now blink left to turn back left.
226
575000
3000
Teraz mrugnij lewym aby skręcić w lewo.
10:02
Now smile to go straight.
227
587000
3000
A teraz uśmiechnij się aby pojechać do przodu.
10:08
TL: We really -- Thank you.
228
593000
2000
TL: Naprawdę. Dziękujemy.
10:10
(Applause)
229
595000
5000
(Oklaski)
10:15
We are really only scratching the surface of what is possible today,
230
600000
3000
Dotykamy tylko powierzchni tego co jest dzisiaj dostępne.
10:18
and with the community's input,
231
603000
2000
A z wkładem społeczności,
10:20
and also with the involvement of developers
232
605000
2000
jak również z zaangażowaniem deweloperów
10:22
and researchers from around the world,
233
607000
3000
i badaczy z całego świata,
10:25
we hope that you can help us to shape
234
610000
2000
mamy nadzieje, że pomożecie nam ukształtować
10:27
where the technology goes from here. Thank you so much.
235
612000
3000
to jak dalej rozwinie się ta technologia. Dziękuję bardzo.
ABOUT THE SPEAKER
Tan Le - EntrepreneurTan Le is the founder & CEO of Emotiv, a bioinformatics company that's working on identifying biomarkers for mental and other neurological conditions using electroencephalography (EEG).
Why you should listen
Tan Le is the co-founder and president of Emotiv. Before this, she headed a firm that worked on a new form of remote control that uses brainwaves to control digital devices and digital media. It's long been a dream to bypass the mechanical (mouse, keyboard, clicker) and have our digital devices respond directly to what we think. Emotiv's EPOC headset uses 16 sensors to listen to activity across the entire brain. Software "learns" what each user's brain activity looks like when one, for instance, imagines a left turn or a jump.
Le herself has an extraordinary story -- a refugee from Vietnam at age 4, she entered college at 16 and has since become a vital young leader in her home country of Australia.
Tan Le | Speaker | TED.com