TEDGlobal 2010
Tan Le: A headset that reads your brainwaves
Tan Le: Et headset, der læser dine hjernebølger
Filmed:
Readability: 5
2,732,929 views
Tan Le's forbløffende nye computerinterface kan læse brugerens hjernebølger, og dermed gøre det muligt at styre virtuelle objekter og sågar fysisk elektronik blot ved tankens kraft (og lidt koncentration). Hun demonstrerer headsettet, og fortæller om dets vidtrækkende funktioner.
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
Indtil nu har vores kommunikation med maskiner
00:18
has always been limited
1
3000
2000
altid været begrænset
00:20
to conscious and direct forms.
2
5000
2000
til bevidste og direkte former.
00:22
Whether it's something simple
3
7000
2000
Ligegyldigt om det er noget simpelt,
00:24
like turning on the lights with a switch,
4
9000
2000
som at tænde lyset med en kontakt,
00:26
or even as complex as programming robotics,
5
11000
3000
eller noget så komplekst som at programmere robotter
00:29
we have always had to give a command to a machine,
6
14000
3000
har vi altid måttet give kommandoer til en maskine,
00:32
or even a series of commands,
7
17000
2000
eller en serie af kommandoer,
00:34
in order for it to do something for us.
8
19000
3000
for at få den til at udføre noget for os.
00:37
Communication between people, on the other hand,
9
22000
2000
Kommunikationen mellem mennesker er derimod
00:39
is far more complex and a lot more interesting
10
24000
3000
langt mere kompleks og langt mere interessant,
00:42
because we take into account
11
27000
2000
fordi vi skal tage hensyn
00:44
so much more than what is explicitly expressed.
12
29000
3000
til langt mere end hvad der eksplicit udtrykkes.
00:47
We observe facial expressions, body language,
13
32000
3000
We observerer ansigtsudtryk, kropssprog,
00:50
and we can intuit feelings and emotions
14
35000
2000
og vi kender intuitivt til sindsstemninger og følelser
00:52
from our dialogue with one another.
15
37000
3000
igennem vores dialog med hinanden.
00:55
This actually forms a large part
16
40000
2000
Dette former faktisk en stor del
00:57
of our decision-making process.
17
42000
2000
af vores beslutningsprocesser.
00:59
Our vision is to introduce
18
44000
2000
Vores vision er at indføre
01:01
this whole new realm of human interaction
19
46000
3000
en helt ny dimension af menneskelig interaktion,
01:04
into human-computer interaction
20
49000
2000
i menneske/computer interaktion,
01:06
so that computers can understand
21
51000
2000
således at computeren kan forstå,
01:08
not only what you direct it to do,
22
53000
2000
ikke alene det, man beder den om,
01:10
but it can also respond
23
55000
2000
men så den også kan reagere
01:12
to your facial expressions
24
57000
2000
på dine ansigtsudtryk
01:14
and emotional experiences.
25
59000
2000
og følelsesmæssige oplevelser.
01:16
And what better way to do this
26
61000
2000
Og hvilken bedre måde at gøre dette på,
01:18
than by interpreting the signals
27
63000
2000
end ved at fortolke de signaler,
01:20
naturally produced by our brain,
28
65000
2000
der naturligt skabes i vores hjerne,
01:22
our center for control and experience.
29
67000
3000
vores center for styring og oplevelse.
01:25
Well, it sounds like a pretty good idea,
30
70000
2000
Nuvel, det lyder som en rigtig god idé,
01:27
but this task, as Bruno mentioned,
31
72000
2000
men opgaven, som Bruno nævnte det,
01:29
isn't an easy one for two main reasons:
32
74000
3000
er ikke nem. Hovedsagligt af to årsager:
01:32
First, the detection algorithms.
33
77000
3000
For det første, kortlægningen af algoritmer.
01:35
Our brain is made up of
34
80000
2000
Vores hjerne består af
01:37
billions of active neurons,
35
82000
2000
milliarder af aktive neuroner,
01:39
around 170,000 km
36
84000
3000
omkring 170.000 km
01:42
of combined axon length.
37
87000
2000
hvis man lægger længden af aksoner sammen.
01:44
When these neurons interact,
38
89000
2000
Når disse neuroner interagerer,
01:46
the chemical reaction emits an electrical impulse,
39
91000
2000
udskiller de kemiske reaktioner en elektrisk impuls
01:48
which can be measured.
40
93000
2000
der kan måles.
01:50
The majority of our functional brain
41
95000
3000
Hovedparten af vores funktionelle hjerne
01:53
is distributed over
42
98000
2000
er fordelt over
01:55
the outer surface layer of the brain,
43
100000
2000
hjernens ydre overfladelag.
01:57
and to increase the area that's available for mental capacity,
44
102000
3000
For at gøre overfladen - der rummer den mentale kapacitet - større,
02:00
the brain surface is highly folded.
45
105000
3000
er hjernens overflade fuld af foldninger.
02:03
Now this cortical folding
46
108000
2000
Denne kortikale foldning
02:05
presents a significant challenge
47
110000
2000
stiller os overfor udfordringen;
02:07
for interpreting surface electrical impulses.
48
112000
3000
at kortlægge overfladens elektriske impulser.
02:10
Each individual's cortex
49
115000
2000
Ethvert menneskes cortex
02:12
is folded differently,
50
117000
2000
er foldet forskelligt,
02:14
very much like a fingerprint.
51
119000
2000
meget lig fingeraftryk.
02:16
So even though a signal
52
121000
2000
Så selvom et signal
02:18
may come from the same functional part of the brain,
53
123000
3000
kan komme fra samme funktionscenter i hjernen,
02:21
by the time the structure has been folded,
54
126000
2000
kan dets fysiske placering,
02:23
its physical location
55
128000
2000
når hjernestrukturen er endeligt foldet sammen,
02:25
is very different between individuals,
56
130000
2000
være meget forskellig fra person til person,
02:27
even identical twins.
57
132000
3000
selv hos enæggede tvillinger.
02:30
There is no longer any consistency
58
135000
2000
Der er ikke længere sammenhæng
02:32
in the surface signals.
59
137000
2000
mellem overfladesignalerne.
02:34
Our breakthrough was to create an algorithm
60
139000
2000
Vores gennembrud var at lave en algoritme,
02:36
that unfolds the cortex,
61
141000
2000
der folder cortex ud
02:38
so that we can map the signals
62
143000
2000
så vi kan kortlægge signalerne
02:40
closer to its source,
63
145000
2000
tættere på deres udgangspunkt,
02:42
and therefore making it capable of working across a mass population.
64
147000
3000
og dermed gøre algoritmen anvendelig på den brede befolkning.
02:46
The second challenge
65
151000
2000
Den anden udfordring
02:48
is the actual device for observing brainwaves.
66
153000
3000
er det apparat, der skal måle hjernebølgerne.
02:51
EEG measurements typically involve
67
156000
2000
EEG-målinger indebærer typisk
02:53
a hairnet with an array of sensors,
68
158000
3000
et hårnet med en lang række sensorer,
02:56
like the one that you can see here in the photo.
69
161000
3000
ligesom det, I kan se her på billedet.
02:59
A technician will put the electrodes
70
164000
2000
En tekniker sætter elektroderne
03:01
onto the scalp
71
166000
2000
fast på hovedbunden
03:03
using a conductive gel or paste
72
168000
2000
ved hjælp af en elektrisk ledende gel eller pasta,
03:05
and usually after a procedure of preparing the scalp
73
170000
3000
og som regel efter at have gjort hovedbunden klar
03:08
by light abrasion.
74
173000
2000
ved at lave lette hudafskrabninger.
03:10
Now this is quite time consuming
75
175000
2000
Dette er en tidskrævende proces
03:12
and isn't the most comfortable process.
76
177000
2000
og den er ikke specielt behagelig.
03:14
And on top of that, these systems
77
179000
2000
Derudover koster disse systemer
03:16
actually cost in the tens of thousands of dollars.
78
181000
3000
adskillige tusinde dollars.
03:20
So with that, I'd like to invite onstage
79
185000
3000
Hermed vil jeg gerne invitere Evan Grant,
03:23
Evan Grant, who is one of last year's speakers,
80
188000
2000
som er én af sidste års talere, op på scenen.
03:25
who's kindly agreed
81
190000
2000
Han har sagt ja
03:27
to help me to demonstrate
82
192000
2000
til at hjælpe mig med at demonstrere
03:29
what we've been able to develop.
83
194000
2000
det, vi har været i stand til at udvikle.
03:31
(Applause)
84
196000
6000
(Bifald)
03:37
So the device that you see
85
202000
2000
Enheden, I ser her
03:39
is a 14-channel, high-fidelity
86
204000
2000
er et 14-kanals, high-fidelity
03:41
EEG acquisition system.
87
206000
2000
EEG målings-system.
03:43
It doesn't require any scalp preparation,
88
208000
3000
Det kræver ingen klargøring af hovedbunden,
03:46
no conductive gel or paste.
89
211000
2000
ingen ledende gel eller pasta.
03:48
It only takes a few minutes to put on
90
213000
3000
Det tager kun et par minutter at tage på
03:51
and for the signals to settle.
91
216000
2000
og for signalerne til at stabilisere sig.
03:53
It's also wireless,
92
218000
2000
Det er også trådløst,
03:55
so it gives you the freedom to move around.
93
220000
3000
så det giver én frihed til at bevæge sig.
03:58
And compared to the tens of thousands of dollars
94
223000
3000
Og sammenlignet med de titusindvis af dollars
04:01
for a traditional EEG system,
95
226000
3000
som traditionelle EEG-systemer koster,
04:04
this headset only costs
96
229000
2000
koster dette headset kun
04:06
a few hundred dollars.
97
231000
2000
et par hundrede dollars.
04:08
Now on to the detection algorithms.
98
233000
3000
Og nu til detekteringsalgoritmerne.
04:11
So facial expressions --
99
236000
2000
Ansigtsudtryk -
04:13
as I mentioned before in emotional experiences --
100
238000
2000
som jeg nævnte før - i følelsesmæssige oplevelser
04:15
are actually designed to work out of the box
101
240000
2000
- kan aflæses med det samme
04:17
with some sensitivity adjustments
102
242000
2000
med nogle få følsomhedsindstillinger
04:19
available for personalization.
103
244000
3000
til individuel tilpasning.
04:22
But with the limited time we have available,
104
247000
2000
Men med den begrænsede tid vi har til rådighed her,
04:24
I'd like to show you the cognitive suite,
105
249000
2000
vil jeg nøjes med at vise jer den kognitive afdeling,
04:26
which is the ability for you
106
251000
2000
hvilket er evnen, der gør dig istand til
04:28
to basically move virtual objects with your mind.
107
253000
3000
grundlæggende set, at flytte virtuelle objekter ved tankens kraft.
04:32
Now, Evan is new to this system,
108
257000
2000
Evan er ny i dette system,
04:34
so what we have to do first
109
259000
2000
så først er vi nødt til
04:36
is create a new profile for him.
110
261000
2000
at lave en ny profil til ham.
04:38
He's obviously not Joanne -- so we'll "add user."
111
263000
3000
Han er tydeligvis ikke Joanne - så vi trykker "tilføj bruger."
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
Det første vi skal gøre i den kognitive afdeling
04:46
is to start with training
114
271000
2000
er at optræne
04:48
a neutral signal.
115
273000
2000
et neutralt signal.
04:50
With neutral, there's nothing in particular
116
275000
2000
Ved et neutralt signal, er der ikke noget særligt
04:52
that Evan needs to do.
117
277000
2000
som Evan skal foretage sig.
04:54
He just hangs out. He's relaxed.
118
279000
2000
Han hænger bare ud. Han er afslappet.
04:56
And the idea is to establish a baseline
119
281000
2000
Og idéen er at bestemme et grundniveau
04:58
or normal state for his brain,
120
283000
2000
eller en normaltilstand for hans hjerne,
05:00
because every brain is different.
121
285000
2000
for alle hjerner er forskellige.
05:02
It takes eight seconds to do this,
122
287000
2000
Det tager 8 sekunder at gøre dette.
05:04
and now that that's done,
123
289000
2000
Og nu da det er gjort,
05:06
we can choose a movement-based action.
124
291000
2000
kan vi vælge en bevægelses-handling.
05:08
So Evan, choose something
125
293000
2000
Så Evan; vælg noget,
05:10
that you can visualize clearly in your mind.
126
295000
2000
som du kan visualisere klart indeni hovedet.
05:12
Evan Grant: Let's do "pull."
127
297000
2000
Evan Grant: Lad os prøve "træk."
05:14
Tan Le: Okay, so let's choose "pull."
128
299000
2000
Tan Le: Okay. Lad os vælge "træk."
05:16
So the idea here now
129
301000
2000
Idéen er nu
05:18
is that Evan needs to
130
303000
2000
at Evan skal
05:20
imagine the object coming forward
131
305000
2000
forestille sig objektet bevæge sig fremad
05:22
into the screen,
132
307000
2000
ind mod skærmen.
05:24
and there's a progress bar that will scroll across the screen
133
309000
3000
Og der er en "progress bar", som vil rulle på tværs af skærmen
05:27
while he's doing that.
134
312000
2000
mens han gør det.
05:29
The first time, nothing will happen,
135
314000
2000
Første gang, vil der ikke ske noget,
05:31
because the system has no idea how he thinks about "pull."
136
316000
3000
fordi systemet ikke ved hvordan han tænker på at trække.
05:34
But maintain that thought
137
319000
2000
Men hold fast i tanken
05:36
for the entire duration of the eight seconds.
138
321000
2000
i hele de 8 sekunders varighed.
05:38
So: one, two, three, go.
139
323000
3000
Så: en, to, tre, start.
05:49
Okay.
140
334000
2000
Okay.
05:51
So once we accept this,
141
336000
2000
Når vi så godkender dette,
05:53
the cube is live.
142
338000
2000
kommer kassen til live.
05:55
So let's see if Evan
143
340000
2000
Lad os se om Evan
05:57
can actually try and imagine pulling.
144
342000
3000
rent faktisk kan prøve at forestille sig at trække.
06:00
Ah, good job!
145
345000
2000
Ah, godt arbejde!
06:02
(Applause)
146
347000
3000
(Bifald)
06:05
That's really amazing.
147
350000
2000
Det er ret fantastisk.
06:07
(Applause)
148
352000
4000
(Bifald)
06:11
So we have a little bit of time available,
149
356000
2000
Vi har lidt tid tilbage
06:13
so I'm going to ask Evan
150
358000
2000
så nu vil jeg bede Evan
06:15
to do a really difficult task.
151
360000
2000
om at udføre en meget svær opgave.
06:17
And this one is difficult
152
362000
2000
Og denne er ret svær
06:19
because it's all about being able to visualize something
153
364000
3000
fordi den handler om at kunne visualisere noget
06:22
that doesn't exist in our physical world.
154
367000
2000
som ikke eksisterer i den fysiske verden.
06:24
This is "disappear."
155
369000
2000
Dette er "at forsvinde."
06:26
So what you want to do -- at least with movement-based actions,
156
371000
2000
Så det du skal gøre her -- i det mindste med bevægelses-baserede handlinger,
06:28
we do that all the time, so you can visualize it.
157
373000
3000
det foretager vi os hele tiden, så det kan man visualisere.
06:31
But with "disappear," there's really no analogies --
158
376000
2000
Men "at forsvinde", der har vi ikke rigtig nogen analogier.
06:33
so Evan, what you want to do here
159
378000
2000
Så Evan, det du skal gøre her
06:35
is to imagine the cube slowly fading out, okay.
160
380000
3000
er at forestille dig at kassen langsomt fader ud, okay?
06:38
Same sort of drill. So: one, two, three, go.
161
383000
3000
Samme rille. Så: en, to tre, kør!
06:50
Okay. Let's try that.
162
395000
3000
Okay, lad os prøve det.
06:53
Oh, my goodness. He's just too good.
163
398000
3000
Du godeste! Han er alt for god.
06:57
Let's try that again.
164
402000
2000
Lad os prøve igen.
07:04
EG: Losing concentration.
165
409000
2000
Evan: Jeg mister koncentrationen.
07:06
(Laughter)
166
411000
2000
(Latter)
07:08
TL: But we can see that it actually works,
167
413000
2000
Tan Le: Men vi kan se at det faktisk virker,
07:10
even though you can only hold it
168
415000
2000
selvom du kun kan holde den
07:12
for a little bit of time.
169
417000
2000
i kort tid.
07:14
As I said, it's a very difficult process
170
419000
3000
Som jeg sagde, det er en svær opgave
07:17
to imagine this.
171
422000
2000
at forestille sig dette.
07:19
And the great thing about it is that
172
424000
2000
Og det fantastiske ved det er,
07:21
we've only given the software one instance
173
426000
2000
at vi kun har givet programmet én måling
07:23
of how he thinks about "disappear."
174
428000
3000
af hvordan han tænker på "at forsvinde."
07:26
As there is a machine learning algorithm in this --
175
431000
3000
Eftersom der er en maskinel læringsalgoritme i dette -
07:29
(Applause)
176
434000
4000
(Bifald)
07:33
Thank you.
177
438000
2000
Tak.
07:35
Good job. Good job.
178
440000
3000
Godt arbejde. Godt arbejde.
07:38
(Applause)
179
443000
2000
(Bifald)
07:40
Thank you, Evan, you're a wonderful, wonderful
180
445000
3000
Tak Evan, du er et skønt, skønt
07:43
example of the technology.
181
448000
3000
eksempel for teknologien.
07:46
So, as you can see, before,
182
451000
2000
Som I kunne se før
07:48
there is a leveling system built into this software
183
453000
3000
er der et udjævningssystem bygget ind i dette program.
07:51
so that as Evan, or any user,
184
456000
2000
Så efterhånden som Evan eller andre brugere,
07:53
becomes more familiar with the system,
185
458000
2000
bliver mere og mere fortrolige med systemet,
07:55
they can continue to add more and more detections,
186
460000
3000
kan de fortsætte med at tilføje flere og flere målinger,
07:58
so that the system begins to differentiate
187
463000
2000
så systemet bliver i stand til at skelne
08:00
between different distinct thoughts.
188
465000
3000
imellem tydeligt forskellige tanker.
08:04
And once you've trained up the detections,
189
469000
2000
Og når man så har optrænet de forskellige detektioner,
08:06
these thoughts can be assigned or mapped
190
471000
2000
kan disse tanker så anvises eller kortlægges
08:08
to any computing platform,
191
473000
2000
til hvilken som helst computerbaseret platform,
08:10
application or device.
192
475000
2000
applikation eller enhed.
08:12
So I'd like to show you a few examples,
193
477000
2000
Så jeg vil gerne vise jer et par eksempler,
08:14
because there are many possible applications
194
479000
2000
for der er mange mulige anvendelsesmuligheder
08:16
for this new interface.
195
481000
2000
for dette nye interface.
08:19
In games and virtual worlds, for example,
196
484000
2000
I spil og virtuelle verdener, for eksempel,
08:21
your facial expressions
197
486000
2000
kan dine ansigtsudtryk
08:23
can naturally and intuitively be used
198
488000
2000
naturligt og intuitivt bruges
08:25
to control an avatar or virtual character.
199
490000
3000
til at styre et avatar eller en virtuel karakter.
08:29
Obviously, you can experience the fantasy of magic
200
494000
2000
Naturligvis kan man også opleve fantasien om magi
08:31
and control the world with your mind.
201
496000
3000
og kontrollere verden med sin hjerne.
08:36
And also, colors, lighting,
202
501000
3000
Og også farver, lys,
08:39
sound and effects
203
504000
2000
lyd og effekter,
08:41
can dynamically respond to your emotional state
204
506000
2000
kan dynamisk tilsvare dine følelser
08:43
to heighten the experience that you're having, in real time.
205
508000
3000
for at højne din oplevelse i "real time."
08:47
And moving on to some applications
206
512000
2000
Og nu videre til anvendelsesmuligheder
08:49
developed by developers and researchers around the world,
207
514000
3000
udviklet af udviklere og forskere verden over,
08:52
with robots and simple machines, for example --
208
517000
3000
med robotter og simple maskiner, for eksempel -
08:55
in this case, flying a toy helicopter
209
520000
2000
i dette tilfælde, at styre en legetøjshelikopter
08:57
simply by thinking "lift" with your mind.
210
522000
3000
blot ved at tænke "let".
09:00
The technology can also be applied
211
525000
2000
Teknologien kan også anvendes
09:02
to real world applications --
212
527000
2000
i dagligdags applikationer -
09:04
in this example, a smart home.
213
529000
2000
her et intelligent hjem.
09:06
You know, from the user interface of the control system
214
531000
3000
Fra kontrolsystemets brugerinterface
09:09
to opening curtains
215
534000
2000
kan man trække gardiner fra
09:11
or closing curtains.
216
536000
3000
eller lukke dem til.
09:22
And of course, also to the lighting --
217
547000
3000
Og selvfølgelig til styring af belysning -
09:25
turning them on
218
550000
3000
at tænde
09:28
or off.
219
553000
2000
eller slukke.
09:30
And finally,
220
555000
2000
Og til sidst,
09:32
to real life-changing applications,
221
557000
2000
livsomstyrtende anvendelser,
09:34
such as being able to control an electric wheelchair.
222
559000
3000
såsom at styre en elektrisk rullestol.
09:37
In this example,
223
562000
2000
I dette eksempel
09:39
facial expressions are mapped to the movement commands.
224
564000
3000
kobles ansigtsudtryk til bevægelseskommandoerne.
09:42
Man: Now blink right to go right.
225
567000
3000
Mand: Blink med højre øje for at dreje til højre.
09:50
Now blink left to turn back left.
226
575000
3000
Blink nu med venstre øje for at dreje tilbage til venstre.
10:02
Now smile to go straight.
227
587000
3000
Smil for at køre ligeud.
10:08
TL: We really -- Thank you.
228
593000
2000
Tan Le: Vi - Tak skal I have.
10:10
(Applause)
229
595000
5000
(Bifald)
10:15
We are really only scratching the surface of what is possible today,
230
600000
3000
Vi skraber blot overfladen af, hvad der er muligt i dag.
10:18
and with the community's input,
231
603000
2000
Og med inputs fra forskningsfællesskaber,
10:20
and also with the involvement of developers
232
605000
2000
og inddragelsen af udviklere
10:22
and researchers from around the world,
233
607000
3000
og forksere fra hele Verden,
10:25
we hope that you can help us to shape
234
610000
2000
håber vi, at I kan hjælpe os med at påvirke
10:27
where the technology goes from here. Thank you so much.
235
612000
3000
hvor teknologien skal bevæge sig hen herfra. Mange tak skal I have.
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