TEDGlobal 2010
Tan Le: A headset that reads your brainwaves
Ταν Λε: Μια συσκευή κεφαλής που διαβάζει τα εγκεφαλικά σας κύματα.
Filmed:
Readability: 5
2,732,929 views
Η νέα και εντυπωσιακή διεπαφή υπολογιστή της Ταν Λε "διαβάζει" τα εγκεφαλικά κύματα του χρήστη, επιτρέποντάς του να ελέγχει εικονικά αντικείμενα, ακόμα και φυσικές ηλεκτρονικές συσκευές, απλά με τη σκέψη (και λίγη συγκέντρωση). Κάνει επίδειξη τη συσκευή κεφαλής και μιλάει για τις εκτεταμενές εφαρμογές της.
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
Μέχρι στιγμής, η επικοινωνία μας με τις μηχανές
00:18
has always been limited
1
3000
2000
ήταν περιορισμένη
00:20
to conscious and direct forms.
2
5000
2000
σε συνειδητές και άμεσες μορφές.
00:22
Whether it's something simple
3
7000
2000
Είτε είναι κάτι απλό,
00:24
like turning on the lights with a switch,
4
9000
2000
όπως το άνοιγμα των φώτων με ένα διακόπτη,
00:26
or even as complex as programming robotics,
5
11000
3000
είτε κάτι πιο πολύπλοκο, όπως ο ρομποτικός προγραμματισμός,
00:29
we have always had to give a command to a machine,
6
14000
3000
πάντα έπρεπε να δώσουμε μια εντολή σε μια μηχανή
00:32
or even a series of commands,
7
17000
2000
ή ακόμα μια σειρά από εντολές,
00:34
in order for it to do something for us.
8
19000
3000
ώστε να μπορεί να κάνει κάτι για εμάς.
00:37
Communication between people, on the other hand,
9
22000
2000
Από την άλλη πλευρά, η επικοινωνία μεταξύ ανθρώπων
00:39
is far more complex and a lot more interesting
10
24000
3000
είναι πολύ πιο σύνθετη και πολύ περισσότερο ενδιαφέρουσα,
00:42
because we take into account
11
27000
2000
επειδή λαμβάνουμε υπόψη
00:44
so much more than what is explicitly expressed.
12
29000
3000
πολλά περισσότερα από αυτά που εκφράζονται ρητά.
00:47
We observe facial expressions, body language,
13
32000
3000
Παρατηρούμε τις εκφράσεις του προσώπου, τη γλώσσα του σώματος
00:50
and we can intuit feelings and emotions
14
35000
2000
και μπορούμε να διαισθανθούμε αισθήματα και συναισθήματα
00:52
from our dialogue with one another.
15
37000
3000
από τον μεταξύ μας διάλογο.
00:55
This actually forms a large part
16
40000
2000
Αυτό στην ουσία διαμορφώνει ένα μεγάλο μέρος
00:57
of our decision-making process.
17
42000
2000
της διαδικασίας λήψεως των αποφάσεων μας.
00:59
Our vision is to introduce
18
44000
2000
Το όραμά μας είναι να παρουσιάσουμε
01:01
this whole new realm of human interaction
19
46000
3000
αυτό το νέο βασίλειο της ανθρώπινης επικοινωνίας
01:04
into human-computer interaction
20
49000
2000
σε αλληλεπίδραση ανθρώπου-υπολογιστή,
01:06
so that computers can understand
21
51000
2000
ώστε οι ηλεκτρονικοί υπολογιστές να κατανοήσουν
01:08
not only what you direct it to do,
22
53000
2000
όχι μόνο τι τους λέτε να κάνουν,
01:10
but it can also respond
23
55000
2000
αλλά να μπορούν να ανταποκρίνονται
01:12
to your facial expressions
24
57000
2000
στις εκφράσεις του προσώπου σας
01:14
and emotional experiences.
25
59000
2000
και στις συναισθηματικές εμπειρίες σας.
01:16
And what better way to do this
26
61000
2000
Και δεν υπάρχει καλύτερος τρόπος να το κάνουμε αυτό
01:18
than by interpreting the signals
27
63000
2000
από το να διερμηνεύσουμε τα σήματα
01:20
naturally produced by our brain,
28
65000
2000
που παράγονται φυσιολογικά από τον εγκέφαλό μας,
01:22
our center for control and experience.
29
67000
3000
το κέντρο ελέγχου μας και εμπειριών.
01:25
Well, it sounds like a pretty good idea,
30
70000
2000
Λοιπόν, ακούγεται σαν μια πολύ καλή ιδέα,
01:27
but this task, as Bruno mentioned,
31
72000
2000
αλλά αυτή η εργασία, όπως ανέφερε και ο Μπρούνο,
01:29
isn't an easy one for two main reasons:
32
74000
3000
δεν είναι και τόσο εύκολη, για δυο κυρίως λόγους:
01:32
First, the detection algorithms.
33
77000
3000
Πρώτον, για τους αλγόριθμους ανίχνευσης.
01:35
Our brain is made up of
34
80000
2000
Ο εγκέφαλός μας αποτελείται από
01:37
billions of active neurons,
35
82000
2000
δισεκατομμύρια ενεργών νευρώνων,
01:39
around 170,000 km
36
84000
3000
περίπου 170.000 χιλιομέτρων
01:42
of combined axon length.
37
87000
2000
συνολικού συνδυασμένου μήκους.
01:44
When these neurons interact,
38
89000
2000
Όταν αυτοί οι νευρώνες αλληλεπιδρούν,
01:46
the chemical reaction emits an electrical impulse,
39
91000
2000
η χημική τους αντίδραση εκπέμπει έναν ηλεκτρικό παλμό,
01:48
which can be measured.
40
93000
2000
ο οποίος μπορεί να μετρηθεί.
01:50
The majority of our functional brain
41
95000
3000
Η πλειοψηφία του λειτουργικού εγκεφάλου μας
01:53
is distributed over
42
98000
2000
κατανέμεται στο
01:55
the outer surface layer of the brain,
43
100000
2000
εξωτερικό στρώμα επιφανείας του εγκεφάλου.
01:57
and to increase the area that's available for mental capacity,
44
102000
3000
Και για να αυξηθεί η περιοχή που είναι διαθέσιμη για τη διανοητική ικανότητα
02:00
the brain surface is highly folded.
45
105000
3000
η επιφάνεια του εγκεφάλου είναι υπερβολικά διπλωμένη.
02:03
Now this cortical folding
46
108000
2000
Τώρα, αυτή η δίπλωση του φλοιού
02:05
presents a significant challenge
47
110000
2000
παρουσιάζει μια σημαντική πρόκληση
02:07
for interpreting surface electrical impulses.
48
112000
3000
για τη διερμηνεία των επιφανειακών ηλεκτρικών ώσεων.
02:10
Each individual's cortex
49
115000
2000
Ο φλοιός καθενός από εμάς
02:12
is folded differently,
50
117000
2000
είναι διπλωμένος διαφορετικά,
02:14
very much like a fingerprint.
51
119000
2000
όπως περίπου το δακτυλικό αποτύπωμα.
02:16
So even though a signal
52
121000
2000
Έτσι, ενώ ένα σήμα
02:18
may come from the same functional part of the brain,
53
123000
3000
μπορεί να προέρχεται από το ίδιο λειτουργικό τμήμα του εγκεφάλου,
02:21
by the time the structure has been folded,
54
126000
2000
με το που η διάρθρωση διπλωθεί,
02:23
its physical location
55
128000
2000
η φυσική της τοποθεσία
02:25
is very different between individuals,
56
130000
2000
είναι πολύ διαφορετική για τον καθένα,
02:27
even identical twins.
57
132000
3000
ακόμα και στα μονοζυγωτικά δίδυμα.
02:30
There is no longer any consistency
58
135000
2000
Δεν υπάρχει πλέον καμία σταθερότητα
02:32
in the surface signals.
59
137000
2000
στα σήματα της επιφανείας.
02:34
Our breakthrough was to create an algorithm
60
139000
2000
Η επαναστατική μας ανακάλυψη ήταν να δημιουργήσουμε έναν αλγόριθμο
02:36
that unfolds the cortex,
61
141000
2000
που ξεδιπλώνει τον φλοιό,
02:38
so that we can map the signals
62
143000
2000
ώστε να μπορέσουμε να χαρτογραφήσουμε τα σήματα
02:40
closer to its source,
63
145000
2000
κοντύτερα στην πηγή τους
02:42
and therefore making it capable of working across a mass population.
64
147000
3000
και επομένως να το κάνουμε ικανό να δουλέψει για τον γενικό πληθυσμό.
02:46
The second challenge
65
151000
2000
Η δεύτερη πρόκληση
02:48
is the actual device for observing brainwaves.
66
153000
3000
είναι η ίδια η συσκευή για την παρατήρηση των εγκεφαλικών κυμάτων.
02:51
EEG measurements typically involve
67
156000
2000
Οι μετρήσεις ενός ηλεκτροεγκεφαλογραφήματος τυπικά περιλαμβάνουν
02:53
a hairnet with an array of sensors,
68
158000
3000
ένα πλέγμα με μία σειρά αισθητήρων,
02:56
like the one that you can see here in the photo.
69
161000
3000
σαν αυτό που βλέπεται εδώ στη φωτογραφία.
02:59
A technician will put the electrodes
70
164000
2000
Ένας τεχνικός θα τοποθετήσει τα ηλεκτρόδια
03:01
onto the scalp
71
166000
2000
πάνω στο τριχωτό της κεφαλής
03:03
using a conductive gel or paste
72
168000
2000
χρησιμοποιώντας ένα αγώγιμο πήκτωμα ή πάστα
03:05
and usually after a procedure of preparing the scalp
73
170000
3000
και συνήθως μετά από μία διαδικασία προετοιμασίας του κεφαλιού
03:08
by light abrasion.
74
173000
2000
με ένα ελαφρύ γδάρσιμο.
03:10
Now this is quite time consuming
75
175000
2000
Τώρα, αυτό χρειάζεται αρκετό χρόνο
03:12
and isn't the most comfortable process.
76
177000
2000
και δεν είναι και η ευκολότερη διαδικασία.
03:14
And on top of that, these systems
77
179000
2000
Και επιπλέον, αυτά τα συστήματα
03:16
actually cost in the tens of thousands of dollars.
78
181000
3000
κοστίζουν πραγματικά δεκάδες χιλιάδες δολλάρια.
03:20
So with that, I'd like to invite onstage
79
185000
3000
Έτσι με αυτά, θα ήθελα να προσκαλέσω στη σκηνή
03:23
Evan Grant, who is one of last year's speakers,
80
188000
2000
τον Έβαν Γκράντ, ο οποίος είναι ένας από τους περσινούς ομιλητές
03:25
who's kindly agreed
81
190000
2000
που πολύ ευγενικά συμφώνησε
03:27
to help me to demonstrate
82
192000
2000
να με βοηθήσει να παρουσιάσω
03:29
what we've been able to develop.
83
194000
2000
τι έχουμε καταφέρει να αναπτύξουμε.
03:31
(Applause)
84
196000
6000
(Χειροκρότημα)
03:37
So the device that you see
85
202000
2000
Λοιπόν, η συσκευή που βλέπετε
03:39
is a 14-channel, high-fidelity
86
204000
2000
είμαι ένα δεκατεσσάρων καναλιών, υψηλής πιστότητας
03:41
EEG acquisition system.
87
206000
2000
σύστημα ηλεκτροεγκεφαλογραφήματος.
03:43
It doesn't require any scalp preparation,
88
208000
3000
Δεν χρειάζεται καμία προετοιμασία του κεφαλιού,
03:46
no conductive gel or paste.
89
211000
2000
ούτε αγώγιμο πήκτωμα ή πάστα.
03:48
It only takes a few minutes to put on
90
213000
3000
Χρειάζονται μόνο μερικά λεπτά για να φορεθεί
03:51
and for the signals to settle.
91
216000
2000
και για να σταθεροποιηθούν τα σήματα.
03:53
It's also wireless,
92
218000
2000
Είναι, επίσης, ασύρματη
03:55
so it gives you the freedom to move around.
93
220000
3000
και έτσι σας δίνει την ελευθερία να κινήστε.
03:58
And compared to the tens of thousands of dollars
94
223000
3000
Και σε σύγκριση με τα δεκάδες χιλιάδες δολλάρια
04:01
for a traditional EEG system,
95
226000
3000
του παραδοσιακού συστήματος ηλεκτροεγκεφαλογραφήματος,
04:04
this headset only costs
96
229000
2000
αυτή η συσκευή κεφαλής κοστίζει μόνο
04:06
a few hundred dollars.
97
231000
2000
μερικές εκατοντάδες δολλάρια.
04:08
Now on to the detection algorithms.
98
233000
3000
Πάμε τώρα στους αλγόριθμους ανίχνευσης.
04:11
So facial expressions --
99
236000
2000
Λοιπόν, οι εκφράσεις του προσώπου
04:13
as I mentioned before in emotional experiences --
100
238000
2000
- όπως ανέφερα πριν στις συναισθηματικές εμπειρίες -
04:15
are actually designed to work out of the box
101
240000
2000
είναι σχεδιασμένες να δουλεύουν κατευθείαν
04:17
with some sensitivity adjustments
102
242000
2000
με μερικές ρυθμίσεις ευαισθησίας
04:19
available for personalization.
103
244000
3000
διαθέσιμες για εξατομίκευση.
04:22
But with the limited time we have available,
104
247000
2000
Αλλά, λόγω του περιορισμένου χρόνου που έχουμε,
04:24
I'd like to show you the cognitive suite,
105
249000
2000
θα ήθελα να σας δείξω τη γνωστική ακολουθία,
04:26
which is the ability for you
106
251000
2000
που είναι η ικανότητα για να μπορείτε να
04:28
to basically move virtual objects with your mind.
107
253000
3000
μετακινήσετε βασικά εικονικά αντικείμενα με το μυαλό σας.
04:32
Now, Evan is new to this system,
108
257000
2000
Τώρα, ο Έβαν είναι καινούργιος σε αυτό το σύστημα,
04:34
so what we have to do first
109
259000
2000
έτσι, αυτό που πρέπει να κάνουμε πρώτα
04:36
is create a new profile for him.
110
261000
2000
είναι να δημιουργήσουμε ένα προφίλ για αυτόν.
04:38
He's obviously not Joanne -- so we'll "add user."
111
263000
3000
Προφανώς, δεν είναι η Τζοάν, γι' αυτό θα προσθέσουμε ένα χρήστη.
04:41
Evan. Okay.
112
266000
2000
Έβαν. Εντάξει.
04:43
So the first thing we need to do with the cognitive suite
113
268000
3000
Λοιπόν, το πρώτο πράγμα που πρέπει να κάνουμε με τη γνωστική ακολουθία
04:46
is to start with training
114
271000
2000
είναι να ξεκινήσουμε με την εκπαίδευση
04:48
a neutral signal.
115
273000
2000
ενός ουδέτερου σήματος.
04:50
With neutral, there's nothing in particular
116
275000
2000
Με το ουδέτερο, δεν έχουμε τίποτα συγκεκριμένο
04:52
that Evan needs to do.
117
277000
2000
που πρέπει να κάνει ο Έβαν.
04:54
He just hangs out. He's relaxed.
118
279000
2000
Απλά κάθεται. Είναι ήρεμος.
04:56
And the idea is to establish a baseline
119
281000
2000
Και η ιδέα είναι να εξασφαλίσουμε ένα σημείο εκκίνησης
04:58
or normal state for his brain,
120
283000
2000
ή μια κανονική κατάσταση για τον εγκέφαλό του,
05:00
because every brain is different.
121
285000
2000
επειδή κάθε εγκέφαλος είναι διαφορετικός.
05:02
It takes eight seconds to do this,
122
287000
2000
Χρειάζονται οκτώ δευτερόλεπτα για να το κάνει αυτό.
05:04
and now that that's done,
123
289000
2000
Και τώρα που έγινε αυτό,
05:06
we can choose a movement-based action.
124
291000
2000
μπορούμε να επιλέξουμε μια δραστηριότητα κίνησης.
05:08
So Evan, choose something
125
293000
2000
Λοιπόν Έβαν, διάλεξε κάτι
05:10
that you can visualize clearly in your mind.
126
295000
2000
που να μπορείς να το σκεφτείς καθαρά στο μυαλό σου.
05:12
Evan Grant: Let's do "pull."
127
297000
2000
'Εβαν Γκράντ: Ας κάνουμε το "τραβάω".
05:14
Tan Le: Okay, so let's choose "pull."
128
299000
2000
Ταν Λε: Εντάξει. Ας κάνουμε το "τραβάω".
05:16
So the idea here now
129
301000
2000
Η ιδέα λοιπόν εδώ
05:18
is that Evan needs to
130
303000
2000
είναι ότι ο Έβαν πρέπει να
05:20
imagine the object coming forward
131
305000
2000
φανταστεί το αντικείμενο να έρχεται εμπρός
05:22
into the screen,
132
307000
2000
στην οθόνη.
05:24
and there's a progress bar that will scroll across the screen
133
309000
3000
Και υπάρχει μια γραμμή προόδου που θα κυλάει κατά πλάτος της οθόνης
05:27
while he's doing that.
134
312000
2000
όσο το κάνει αυτό.
05:29
The first time, nothing will happen,
135
314000
2000
Την πρώτη φορά, τίποτα δεν θα συμβεί,
05:31
because the system has no idea how he thinks about "pull."
136
316000
3000
γιατί το σύστημα δεν έχει ιδέα πως σκέφτεται το "τραβάω".
05:34
But maintain that thought
137
319000
2000
Αλλά κράτησε αυτή τη σκέψη
05:36
for the entire duration of the eight seconds.
138
321000
2000
για όλη τη διάρκεια των οκτώ δευτερολέπτων.
05:38
So: one, two, three, go.
139
323000
3000
Λοιπόν: ένα, δυο, τρία, πάμε.
05:49
Okay.
140
334000
2000
Εντάξει.
05:51
So once we accept this,
141
336000
2000
Όταν λοιπόν το αποδεχτούμε αυτό,
05:53
the cube is live.
142
338000
2000
ο κύβος είναι ζωντανός.
05:55
So let's see if Evan
143
340000
2000
Ας δούμε, λοιπόν, αν ο Έβαν
05:57
can actually try and imagine pulling.
144
342000
3000
μπορεί πραγματικά να προσπαθήσει να φανταστεί το "τράβηγμα".
06:00
Ah, good job!
145
345000
2000
Α, πολύ καλά!
06:02
(Applause)
146
347000
3000
(Χειροκρότημα)
06:05
That's really amazing.
147
350000
2000
Αυτό είναι αρκετά εκπληκτικό.
06:07
(Applause)
148
352000
4000
(Χειροκρότημα)
06:11
So we have a little bit of time available,
149
356000
2000
Έχουμε λοιπόν λίγο ακόμα χρόνο διαθέσιμο,
06:13
so I'm going to ask Evan
150
358000
2000
έτσι θα ζητήσω από τον Έβαν
06:15
to do a really difficult task.
151
360000
2000
να κάνει μία πολύ δύσκολη εργασία.
06:17
And this one is difficult
152
362000
2000
Και αυτή είναι δύσκολη,
06:19
because it's all about being able to visualize something
153
364000
3000
επειδή αφορά στο να μπορεί να σκεφθεί κάτι
06:22
that doesn't exist in our physical world.
154
367000
2000
που δεν υπάρχει στο φυσικό μας κόσμο.
06:24
This is "disappear."
155
369000
2000
Αυτό είναι η "εξαφάνιση".
06:26
So what you want to do -- at least with movement-based actions,
156
371000
2000
Έτσι, αυτό που θέλετε... Τουλάχιστον με τις δραστηριότητες κίνησης,
06:28
we do that all the time, so you can visualize it.
157
373000
3000
που τις κάνουμε συνεχώς, για να μπορέσετε να το φανταστείτε.
06:31
But with "disappear," there's really no analogies --
158
376000
2000
Αλλά με την "εξαφάνιση", δεν υπάρχει πραγματικά κάτι ανάλογο.
06:33
so Evan, what you want to do here
159
378000
2000
Λοιπόν, Έβαν, αυτό που θέλεις να κάνεις εδώ
06:35
is to imagine the cube slowly fading out, okay.
160
380000
3000
είναι να φανταστείς τον κύβο να εξαφανίζεται βαθμιαία και αργά, εντάξει;
06:38
Same sort of drill. So: one, two, three, go.
161
383000
3000
Σαν να θρυμματίζεται. Λοιπόν, ένα, δυο, τρία, πάμε.
06:50
Okay. Let's try that.
162
395000
3000
Εντάξει. Ας το δοκιμάσουμε.
06:53
Oh, my goodness. He's just too good.
163
398000
3000
Ω, Θεέ μου! Είναι πολύ καλός.
06:57
Let's try that again.
164
402000
2000
Ας το δοκιμάσουμε ξανά.
07:04
EG: Losing concentration.
165
409000
2000
Έβαν Γκράντ: Χάνω την αυτοσυγκέντρωσή μου.
07:06
(Laughter)
166
411000
2000
(Χειροκρότημα)
07:08
TL: But we can see that it actually works,
167
413000
2000
Ταν Λε: Αλλά μπορούμε να δούμε ότι πράγματι λειτουργεί,
07:10
even though you can only hold it
168
415000
2000
παρότι μπορείς να το κρατήσεις μόνο
07:12
for a little bit of time.
169
417000
2000
για πολύ λίγο χρόνο.
07:14
As I said, it's a very difficult process
170
419000
3000
Όπως είπα, είναι μια πολύ δύσκολη διαδικασία
07:17
to imagine this.
171
422000
2000
να το φανταστείτε.
07:19
And the great thing about it is that
172
424000
2000
Και το εκπληκτικό είναι ότι
07:21
we've only given the software one instance
173
426000
2000
έχουμε δώσει στο λογισμικό μόνο μια έννοια
07:23
of how he thinks about "disappear."
174
428000
3000
του πως σκέφτεται την "εξαφάνιση".
07:26
As there is a machine learning algorithm in this --
175
431000
3000
Δεδομένου ότι υπάρχει μια μηχανή μάθησης σε αυτόν τον αλγόριθμο.
07:29
(Applause)
176
434000
4000
(Χειροκρότημα)
07:33
Thank you.
177
438000
2000
Σας ευχαριστώ.
07:35
Good job. Good job.
178
440000
3000
Πολύ καλά. Πολύ καλά.
07:38
(Applause)
179
443000
2000
(Χειροκρότημα)
07:40
Thank you, Evan, you're a wonderful, wonderful
180
445000
3000
Ευχαριστώ Έβαν, είσαι ένα υπέροχο, υπέροχο
07:43
example of the technology.
181
448000
3000
παράδειγμα της τεχνολογίας.
07:46
So, as you can see, before,
182
451000
2000
Όπως, λοιπόν, είδατε πριν,
07:48
there is a leveling system built into this software
183
453000
3000
υπάρχει ένα βαθμιαίο σύστημα ενσωματωμένο στο λογισμικό
07:51
so that as Evan, or any user,
184
456000
2000
έτσι ώστε όσο ο Έβαν, ή κάθε χρήστης,
07:53
becomes more familiar with the system,
185
458000
2000
εξοικιώνεται με το σύστημα,
07:55
they can continue to add more and more detections,
186
460000
3000
να μπορεί να προσθέτει ακόμα περισσότερες ανιχνεύσεις,
07:58
so that the system begins to differentiate
187
463000
2000
ώστε το σύστημα να ξεχωρίζει
08:00
between different distinct thoughts.
188
465000
3000
μεταξύ διαφορετικών ξεχωριστών σκέψεων.
08:04
And once you've trained up the detections,
189
469000
2000
Και μόλις εκπαιδεύσετε τις ανιχνεύσεις,
08:06
these thoughts can be assigned or mapped
190
471000
2000
αυτές οι σκέψεις μπορούν να εκχωρηθούν ή χαρτογραφηθούν
08:08
to any computing platform,
191
473000
2000
σε οποιαδήποτε υπολογιστική πλατφόρμα,
08:10
application or device.
192
475000
2000
εφαρμογή ή συσκευή.
08:12
So I'd like to show you a few examples,
193
477000
2000
Έτσι, θα ήθελα να σας δείξω μερικά παραδείγματα,
08:14
because there are many possible applications
194
479000
2000
επειδή υπάρχουν πολλές δυνατές εφαρμογές
08:16
for this new interface.
195
481000
2000
για αυτή τη νέα διεπαφή.
08:19
In games and virtual worlds, for example,
196
484000
2000
Στα παιχνίδια και τους εικονικούς κόσμους, για παράδειγμα,
08:21
your facial expressions
197
486000
2000
οι εκφράσεις του προσώπου σας
08:23
can naturally and intuitively be used
198
488000
2000
μπορούν να χρησιμοποιηθούν φυσικά και ενστικτωδώς για
08:25
to control an avatar or virtual character.
199
490000
3000
να ελέγξουν ένα άβαταρ ή έναν εικονικό χαρακτήρα.
08:29
Obviously, you can experience the fantasy of magic
200
494000
2000
Προφανώς, μπορείτε να βιώσετε τη φαντασίωση της μαγείας
08:31
and control the world with your mind.
201
496000
3000
και να ελέγξετε τον κόσμο με το μυαλό σας.
08:36
And also, colors, lighting,
202
501000
3000
Όπως επίσης, χρώματα, φωτισμός,
08:39
sound and effects
203
504000
2000
ήχοι και εφέ,
08:41
can dynamically respond to your emotional state
204
506000
2000
μπορούν να αποκριθούν δυναμικά στη συναισθηματική σας κατάσταση
08:43
to heighten the experience that you're having, in real time.
205
508000
3000
να εντείνουν την εμπειρία που βιώνετε, σε πραγματικό χρόνο.
08:47
And moving on to some applications
206
512000
2000
Και, προχωρώντας σε μερικές εφαρμογές που
08:49
developed by developers and researchers around the world,
207
514000
3000
ανέπτυξαν προγραμματιστές και ερευνητές ανά τον κόσμο,
08:52
with robots and simple machines, for example --
208
517000
3000
με ρομπότ και απλές μηχανές, για παράδειγμα -
08:55
in this case, flying a toy helicopter
209
520000
2000
σε αυτη την περίπτωση, πετώντας ένα παιχνίδι-ελικόπτερο
08:57
simply by thinking "lift" with your mind.
210
522000
3000
απλά με το να σκέφτεστε "απογειώσου" με το μυαλό σας.
09:00
The technology can also be applied
211
525000
2000
Η τεχνολογία μπορεί επίσης να εφαρμοστεί
09:02
to real world applications --
212
527000
2000
σε εφαρμογές του πραγματικού κόσμου
09:04
in this example, a smart home.
213
529000
2000
- σε αυτό το παράδειγμα, ένα έξυπνο σπίτι.
09:06
You know, from the user interface of the control system
214
531000
3000
Ξέρετε, από τη διεπαφή του χρήστη με το σύστημα ελέγχου
09:09
to opening curtains
215
534000
2000
για να ανοίξετε τις κουρτίνες
09:11
or closing curtains.
216
536000
3000
ή να τις κλείσετε.
09:22
And of course, also to the lighting --
217
547000
3000
Και φυσικά επίσης για το φωτισμό
09:25
turning them on
218
550000
3000
- να τον ανοίξουμε
09:28
or off.
219
553000
2000
ή να τον κλείσουμε.
09:30
And finally,
220
555000
2000
Και, τέλος,
09:32
to real life-changing applications,
221
557000
2000
σε εφαρμογές που πραγματικά μας αλλάζουν τη ζωή,
09:34
such as being able to control an electric wheelchair.
222
559000
3000
όπως να είστε σε θέση να ελέγξετε ένα ηλεκτρικό αναπηρικό καροτσάκι.
09:37
In this example,
223
562000
2000
Σε αυτό το παράδειγμα,
09:39
facial expressions are mapped to the movement commands.
224
564000
3000
οι εκφράσεις του προσώπου είναι συνυφασμένες με τις εντολές κίνησης.
09:42
Man: Now blink right to go right.
225
567000
3000
Άνδρας: Τώρα βλεφάρισε δεξιά για να πάει δεξιά.
09:50
Now blink left to turn back left.
226
575000
3000
Τώρα βλεφάρισε αριστερά για να γυρίσει αριστερά.
10:02
Now smile to go straight.
227
587000
3000
Τώρα χαμογέλασε για να πας ευθεία.
10:08
TL: We really -- Thank you.
228
593000
2000
Ταν Λε: Πραγματικά... Σας ευχαριστώ.
10:10
(Applause)
229
595000
5000
(Χειροκρότημα)
10:15
We are really only scratching the surface of what is possible today,
230
600000
3000
Και αυτά είναι η κορυφή του παγόβουνου, με τα σημερινά δεδομένα.
10:18
and with the community's input,
231
603000
2000
Και με τη συμβολή της κοινότητας,
10:20
and also with the involvement of developers
232
605000
2000
καθώς επίσης και την ανάμειξη των κατασκευαστών λογισμικού
10:22
and researchers from around the world,
233
607000
3000
και ερευνητών από όλο τον κόσμο,
10:25
we hope that you can help us to shape
234
610000
2000
ελπίζουμε ότι θα μας βοηθήσετε να διαμορφώσουμε
10:27
where the technology goes from here. Thank you so much.
235
612000
3000
πως θα συνεχίσει αυτή η τεχνολογία από εδώ. Σας ευχαριστώ πάρα πολύ.
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