DIY Neuroscience
Greg Gage: This computer is learning to read your mind
Filmed:
Readability: 4
339,691 views
Modern technology lets neuroscientists peer into the human brain, but can it also read minds? Armed with the device known as an electroencephalogram, or EEG, and some computing wizardry, our intrepid neuroscientists attempt to peer into a subject's thoughts.
Greg Gage - Neuroscientist
TED Fellow Greg Gage helps kids investigate the neuroscience in their own backyards. Full bio
TED Fellow Greg Gage helps kids investigate the neuroscience in their own backyards. Full bio
Double-click the English transcript below to play the video.
00:12
Greg Gage: Mind-reading.
You've seen this in sci-fi movies:
You've seen this in sci-fi movies:
0
203
2859
Greg Gage: La lectura del pensamiento.
Se ve en películas de ciencia ficción,
00:15
machines that can read our thoughts.
1
3086
1857
las máquinas que nos leen la mente.
00:16
However, there are devices today
2
4967
1798
Pero existen aparatos hoy
que pueden leer la actividad eléctrica
que pueden leer la actividad eléctrica
00:18
that can read the electrical
activity from our brains.
activity from our brains.
3
6789
2524
del cerebro.
00:21
We call this the EEG.
4
9337
1272
Lo llamamos el EEG.
00:23
Is there information
contained in these brainwaves?
contained in these brainwaves?
5
11695
2829
¿Hay información contenida
en estas ondas cerebrales?
en estas ondas cerebrales?
00:26
And if so, could we train a computer
to read our thoughts?
to read our thoughts?
6
14548
2813
¿Podríamos programar una computadora
para leer los pensamientos?
para leer los pensamientos?
00:29
My buddy Nathan
has been working to hack the EEG
has been working to hack the EEG
7
17385
2904
Mi amigo Nathan
está intentando hackear el EEG
está intentando hackear el EEG
00:32
to build a mind-reading machine.
8
20313
1676
para construir una máquina
que pueda leer la mente.
que pueda leer la mente.
00:34
[DIY Neuroscience]
9
22013
2457
[Neurociencia casera]
00:36
So this is how the EEG works.
10
24939
1561
Así funciona el EEG:
00:38
Inside your head is a brain,
11
26524
1844
dentro de la cabeza está el cerebro,
00:40
and that brain is made
out of billions of neurons.
out of billions of neurons.
12
28392
2558
y el cerebro se compone de
miles de millones de neuronas.
miles de millones de neuronas.
00:42
Each of those neurons sends
an electrical message to each other.
an electrical message to each other.
13
30974
3007
Cada neurona transmite
un mensaje eléctrico la una a la otra.
un mensaje eléctrico la una a la otra.
Estos pequeños mensajes pueden combinarse
para formar una onda eléctrica
para formar una onda eléctrica
00:46
These small messages can combine
to make an electrical wave
to make an electrical wave
14
34005
2814
00:48
that we can detect on a monitor.
15
36843
1570
que se detecta en un monitor.
00:50
Now traditionally, the EEG
can tell us large-scale things,
can tell us large-scale things,
16
38437
2724
Tradicionalmente, el EEG
nos puede decir cosas generales,
nos puede decir cosas generales,
00:53
for example if you're asleep
or if you're alert.
or if you're alert.
17
41185
2350
por ejemplo, si uno está
dormido o despierto.
dormido o despierto.
00:55
But can it tell us anything else?
18
43559
1594
Pero ¿nos puede decir algo más?
00:57
Can it actually read our thoughts?
19
45177
1702
¿Puede realmente leer los pensamientos?
00:58
We're going to test this,
20
46903
1219
Lo vamos a comprobar.
01:00
and we're not going to start
with some complex thoughts.
with some complex thoughts.
21
48146
2623
No empezaremos con pensamientos complejos;
haremos algo muy sencillo.
haremos algo muy sencillo.
01:02
We're going to do something very simple.
22
50793
1977
¿Podemos interpretar lo que alguien ve
utilizando solo sus ondas cerebrales?
utilizando solo sus ondas cerebrales?
01:04
Can we interpret what someone is seeing
using only their brainwaves?
using only their brainwaves?
23
52794
3253
Nathan empezará por pegar electrodos
en la cabeza de Christy.
en la cabeza de Christy.
01:08
Nathan's going to begin by placing
electrodes on Christy's head.
electrodes on Christy's head.
24
56071
3000
Nathan: Mi vida está enredada.
01:11
Nathan: My life is tangled.
25
59095
1523
01:12
(Laughter)
26
60642
1150
(Risas)
01:14
GG: And then he's going to show her
a bunch of pictures
a bunch of pictures
27
62152
2584
GG: Luego le mostrará
una serie de imágenes
una serie de imágenes
de cuatro categorías diferentes.
01:16
from four different categories.
28
64760
1521
Nathan: Una cara, una casa,
un paisaje e imágenes raras.
un paisaje e imágenes raras.
01:18
Nathan: Face, house, scenery
and weird pictures.
and weird pictures.
29
66305
2654
01:20
GG: As we show Christy
hundreds of these images,
hundreds of these images,
30
68983
2498
GG: Mientras le mostramos a Christy
centenares de estas imágenes,
centenares de estas imágenes,
01:23
we are also capturing the electrical waves
onto Nathan's computer.
onto Nathan's computer.
31
71505
3543
se están registrando las ondas eléctricas
en la computadora de Nathan.
en la computadora de Nathan.
01:27
We want to see if we can detect
any visual information about the photos
any visual information about the photos
32
75072
3386
Queremos ver si podemos detectar
información visual sobre las fotos
información visual sobre las fotos
contenida en las ondas cerebrales,
01:30
contained in the brainwaves,
33
78482
1352
así que al terminar, sabremos
si el EEG nos puede decir
si el EEG nos puede decir
01:31
so when we're done,
we're going to see if the EEG
we're going to see if the EEG
34
79858
2331
01:34
can tell us what kind of picture
Christy is looking at,
Christy is looking at,
35
82213
2598
qué tipo de imagen Christy está mirando.
Y si este es el caso,
01:36
and if it does, each category
should trigger a different brain signal.
should trigger a different brain signal.
36
84835
3584
cada categoría debe desencadenar
una señal diferente del cerebro.
una señal diferente del cerebro.
01:40
OK, so we collected all the raw EEG data,
37
88443
2628
Bien, recolectamos todos los datos
sin procesar del EEG,
sin procesar del EEG,
01:43
and this is what we got.
38
91095
1150
y estos son los resultados.
01:45
It all looks pretty messy,
so let's arrange them by picture.
so let's arrange them by picture.
39
93389
2938
Se ven bastante desorganizados,
entonces ordenémoslos por imagen.
entonces ordenémoslos por imagen.
Aún está demasiado caótico
para ver alguna diferencia,
para ver alguna diferencia,
01:48
Now, still a bit too noisy
to see any differences,
to see any differences,
40
96826
2656
01:51
but if we average the EEG
across all image types
across all image types
41
99506
3040
pero si igualamos el EEG
entre todos los tipos de imágenes
entre todos los tipos de imágenes
01:54
by aligning them
to when the image first appeared,
to when the image first appeared,
42
102570
2436
y las alineamos según el momento
en que la imagen apareció
en que la imagen apareció
01:57
we can remove this noise,
43
105030
1617
podemos normalizar el caos,
y dentro de poco,
y dentro de poco,
01:58
and pretty soon, we can see
some dominant patterns
some dominant patterns
44
106671
2334
vemos que unas tendencias principales
emergen para cada categoría.
emergen para cada categoría.
02:01
emerge for each category.
45
109029
1564
02:02
Now the signals all
still look pretty similar.
still look pretty similar.
46
110617
2156
Las señales todavía se ven
bastante similares.
bastante similares.
02:04
Let's take a closer look.
47
112797
1215
Mirémoslas más de cerca.
02:06
About a hundred milliseconds
after the image comes on,
after the image comes on,
48
114036
2525
Como a cien milisegundos
después de que sale la imagen,
después de que sale la imagen,
02:08
we see a positive bump in all four cases,
49
116585
2628
vemos un aumento positivo
en cada uno de los cuarto casos.
en cada uno de los cuarto casos.
02:11
and we call this the P100,
and what we think that is
and what we think that is
50
119237
2789
Lo llamamos el P100,
y creemos que eso es
lo que pasa en el cerebro
lo que pasa en el cerebro
02:14
is what happens in your brain
when you recognize an object.
when you recognize an object.
51
122050
3075
cuando reconoces un objeto.
Pero ¡guau!, mira la señal para la cara.
02:17
But damn, look at
that signal for the face.
that signal for the face.
52
125149
2086
02:19
It looks different than the others.
53
127259
1711
Parece diferente de las otras.
02:20
There's a negative dip
about 170 milliseconds
about 170 milliseconds
54
128994
2890
Hay una baja a unos 170 milisegundos
después de que sale la imagen.
después de que sale la imagen.
02:23
after the image comes on.
55
131908
1540
02:25
What could be going on here?
56
133472
1750
¿Qué estará pasando aquí?
02:27
Research shows that our brain
has a lot of neurons that are dedicated
has a lot of neurons that are dedicated
57
135246
3240
Los estudios demuestran que
el cerebro tiene muchas neuronas
el cerebro tiene muchas neuronas
dedicadas al reconocimiento
de caras humanas.
de caras humanas.
02:30
to recognizing human faces,
58
138510
1459
02:31
so this N170 spike could be
all those neurons
all those neurons
59
139993
2844
Entonces esta caída de N170
podrían ser todas esas neuronas
podrían ser todas esas neuronas
02:34
firing at once in the same location,
60
142861
1985
que se activan a la vez en el mismo sitio,
02:36
and we can detect that in the EEG.
61
144870
1634
Y podemos detectarlo en el EEG.
Hay dos puntos claves aquí.
02:39
So there are two takeaways here.
62
147083
1820
02:40
One, our eyes can't really detect
the differences in patterns
the differences in patterns
63
148927
3085
Uno: los ojos no pueden detectar
diferencias en los patrones
diferencias en los patrones
02:44
without averaging out the noise,
64
152036
1571
sin que se iguale el ruido.
02:45
and two, even after removing the noise,
65
153631
2237
Y dos: aun después de que
se elimina el ruido,
se elimina el ruido,
02:47
our eyes can only pick up
the signals associated with faces.
the signals associated with faces.
66
155892
3001
los ojos solo pueden detectar
las señales asociadas con las caras.
las señales asociadas con las caras.
02:50
So this is where we turn
to machine learning.
to machine learning.
67
158917
2268
Entonces, recurrimos
al aprendizaje automático.
al aprendizaje automático.
02:53
Now, our eyes are not very good
at picking up patterns in noisy data,
at picking up patterns in noisy data,
68
161209
3976
Los ojos no son muy buenos
para identificar patrones
entre datos caóticos,
entre datos caóticos,
02:57
but machine learning algorithms
are designed to do just that,
are designed to do just that,
69
165209
2946
pero los algoritmos
de aprendizaje automático
de aprendizaje automático
están precisamente para eso.
03:00
so could we take a lot of pictures
and a lot of data
and a lot of data
70
168179
3201
Entonces, ¿podríamos tomar
muchas imágenes y datos
muchas imágenes y datos
y entrarlos a una computadora
03:03
and feed it in and train a computer
71
171404
1790
para programarla a interpretar
lo que Christy está viendo en tiempo real?
lo que Christy está viendo en tiempo real?
03:05
to be able to interpret
what Christy is looking at in real time?
what Christy is looking at in real time?
72
173218
3381
03:09
We're trying to code the information
that's coming out of her EEG
that's coming out of her EEG
73
177088
4117
Tratamos de escribir la información
que sale de su EEG
que sale de su EEG
03:13
in real time
74
181229
1175
en tiempo real,
03:14
and predict what it is
that her eyes are looking at.
that her eyes are looking at.
75
182428
2461
y predecir lo que sus ojos están viendo.
03:16
And if it works, what we should see
76
184913
1727
Y si funciona, entonces cada vez
que le toca una imagen del paisaje,
que le toca una imagen del paisaje,
03:18
is every time that she gets
a picture of scenery,
a picture of scenery,
77
186664
2381
debe decir: paisaje, paisaje,
paisaje, paisaje.
paisaje, paisaje.
03:21
it should say scenery,
scenery, scenery, scenery.
scenery, scenery, scenery.
78
189069
2286
Y cuando es una cara:
cara, cara, cara, cara.
cara, cara, cara, cara.
03:23
A face -- face, face, face, face,
79
191379
1957
03:25
but it's not quite working that way,
is what we're discovering.
is what we're discovering.
80
193360
3531
Pero no está funcionando exactamente así,
aparentemente.
03:33
(Laughter)
81
201385
3548
(Risas)
03:36
OK.
82
204957
1151
Muy bien.
03:38
Director: So what's going on here?
GG: We need a new career, I think.
GG: We need a new career, I think.
83
206132
3382
Christy: ¿Qué está pasando aquí?
GG: Necesitamos una nueva carrera, creo.
03:41
(Laughter)
84
209538
1070
(Risas)
03:42
OK, so that was a massive failure.
85
210632
2444
GG: Bien, eso fue un enorme fracaso.
03:45
But we're still curious:
How far could we push this technology?
How far could we push this technology?
86
213100
3212
Pero seguimos curiosos:
¿Hasta dónde podríamos
llevar esta tecnología?
llevar esta tecnología?
03:48
And we looked back at what we did.
87
216336
1640
Revisamos lo que habíamos hecho.
03:50
We noticed that the data was coming
into our computer very quickly,
into our computer very quickly,
88
218000
3143
Notamos que los datos entraban
a la computadora muy rápido,
a la computadora muy rápido,
sin indicar dónde ocurrían
los intervalos entre imágenes.
los intervalos entre imágenes.
03:53
without any timing
of when the images came on,
of when the images came on,
89
221167
2241
03:55
and that's the equivalent
of reading a very long sentence
of reading a very long sentence
90
223432
2876
Eso sería el equivalente de leer
una oración muy larga
una oración muy larga
sin espacios entre las palabras.
03:58
without spaces between the words.
91
226332
1605
Algo así sería difícil de leer,
03:59
It would be hard to read,
92
227961
1438
04:01
but once we add the spaces,
individual words appear
individual words appear
93
229423
3713
pero una vez que insertemos los espacios,
aparecen las palabras individuales
aparecen las palabras individuales
04:05
and it becomes a lot more understandable.
94
233160
2044
y es mucho más comprensible.
04:07
But what if we cheat a little bit?
95
235228
1847
Pero ¿qué pasa si hacemos trampa?
Utilizando un sensor, podemos
decirle a la computadora
decirle a la computadora
04:09
By using a sensor, we can tell
the computer when the image first appears.
the computer when the image first appears.
96
237099
3537
el momento en que sale la imagen.
04:12
That way, the brainwave stops being
a continuous stream of information,
a continuous stream of information,
97
240660
3602
De ese modo, la onda cerebral deja de ser
un flujo continuo de información,
un flujo continuo de información,
04:16
and instead becomes
individual packets of meaning.
individual packets of meaning.
98
244286
2711
y en cambio se vuelven unidades
individuales de significado.
individuales de significado.
04:19
Also, we're going
to cheat a little bit more,
to cheat a little bit more,
99
247021
2368
Vamos a hacer un poquito más de trampa,
04:21
by limiting the categories to two.
100
249413
1812
usando solo dos de las categorías.
04:23
Let's see if we can do
some real-time mind-reading.
some real-time mind-reading.
101
251249
2383
Veamos si podemos leer la mente
en tiempo real.
en tiempo real.
En este nuevo experimento,
lo restringimos un poco más
lo restringimos un poco más
04:25
In this new experiment,
102
253656
1235
04:26
we're going to constrict it
a little bit more
a little bit more
103
254915
2097
04:29
so that we know the onset of the image
104
257036
2252
para saber el momento
en que sale la imagen,
en que sale la imagen,
04:31
and we're going to limit
the categories to "face" or "scenery."
the categories to "face" or "scenery."
105
259312
3382
y limitamos las categorías
a solo "cara" y "paisaje".
a solo "cara" y "paisaje".
04:35
Nathan: Face. Correct.
106
263097
1511
Nathan: Cara. Correcto.
04:37
Scenery. Correct.
107
265780
1351
Paisaje. Correcto.
04:40
GG: So right now,
every time the image comes on,
every time the image comes on,
108
268251
2373
GG: Así que cada vez
que aparece la imagen,
que aparece la imagen,
04:42
we're taking a picture
of the onset of the image
of the onset of the image
109
270648
2266
sacamos una foto del momento en que sale
04:44
and decoding the EEG.
110
272938
1695
y desciframos las ondas del EEG.
04:46
It's getting correct.
111
274657
1256
Está mejorando.
04:47
Nathan: Yes. Face. Correct.
112
275937
1579
Nathan: Sí. Cara. Correcto.
04:49
GG: So there is information
in the EEG signal, which is cool.
in the EEG signal, which is cool.
113
277540
2859
GG: Entonces sí, hay información
en la señal del EEG,
en la señal del EEG,
nada más la tuvimos que alinear
con la apariencia de la imagen.
con la apariencia de la imagen.
04:52
We just had to align it
to the onset of the image.
to the onset of the image.
114
280423
2537
04:55
Nathan: Scenery. Correct.
115
283307
1311
Nathan: Paisaje. Correcto.
04:59
Face. Yeah.
116
287344
1150
Cara. Sí.
05:00
GG: This means there is some
information there,
information there,
117
288518
2288
GG: Esto significa que sí,
hay información presente,
hay información presente,
05:02
so if we know at what time
the picture came on,
the picture came on,
118
290830
2913
y si sabemos el momento
en que apareció la imagen,
en que apareció la imagen,
05:05
we can tell what type of picture it was,
119
293767
1999
podemos determinar qué tipo de imagen era,
05:07
possibly, at least on average,
by looking at these evoked potentials.
by looking at these evoked potentials.
120
295790
5096
posiblemente, o por lo menos en promedio,
observando estos potenciales activados.
05:12
Nathan: Exactly.
121
300910
1325
Nathan: Exactamente.
05:14
GG: If you had told me at the beginning
of this project this was possible,
of this project this was possible,
122
302259
3521
GG: Si me hubieras dicho al principio
que esto era posible,
que esto era posible,
habría dicho que no hay manera.
05:17
I would have said no way.
123
305804
1251
No creí que fuera posible.
05:19
I literally did not think
we could do this.
we could do this.
124
307079
2000
¿De verdad funcionó nuestro experimento
de lectura del pensamiento?
de lectura del pensamiento?
05:21
Did our mind-reading
experiment really work?
experiment really work?
125
309103
2066
05:23
Yes, but we had to do a lot of cheating.
126
311193
1975
Sí, pero tuvimos que hacer mucha trampa.
05:25
It turns out you can find
some interesting things in the EEG,
some interesting things in the EEG,
127
313192
2905
Al final, puedes encontrar
algunas cosas interesantes en el EEG,
algunas cosas interesantes en el EEG,
05:28
for example if you're
looking at someone's face,
looking at someone's face,
128
316121
2290
por ejemplo, si estás mirando
la cara de alguien.
la cara de alguien.
05:30
but it does have a lot of limitations.
129
318435
2157
Pero está bastante limitado.
05:32
Perhaps advances in machine learning
will make huge strides,
will make huge strides,
130
320616
2946
Quizás se harán grandes avances
en el aprendizaje automático
en el aprendizaje automático
05:35
and one day we will be able to decode
what's going on in our thoughts.
what's going on in our thoughts.
131
323586
3390
y algún día podremos descifrar
lo que pasa en nuestros pensamientos.
lo que pasa en nuestros pensamientos.
05:39
But for now, the next time a company says
that they can harness your brainwaves
that they can harness your brainwaves
132
327000
4077
Pero por ahora, cuando una compañía dice
que pueden emplear tus ondas cerebrales
que pueden emplear tus ondas cerebrales
05:43
to be able to control devices,
133
331101
1750
para poder controlar aparatos,
05:44
it is your right, it is your duty
to be skeptical.
to be skeptical.
134
332875
3310
es tu derecho --es tu obligación--
ser escéptico.
ABOUT THE SPEAKER
Greg Gage - NeuroscientistTED Fellow Greg Gage helps kids investigate the neuroscience in their own backyards.
Why you should listen
As half of Backyard Brains, neuroscientist and engineer Greg Gage builds the SpikerBox -- a small rig that helps kids understand the electrical impulses that control the nervous system. He's passionate about helping students understand (viscerally) how our brains and our neurons work, because, as he said onstage at TED2012, we still know very little about how the brain works -- and we need to start inspiring kids early to want to know more.
Before becoming a neuroscientist, Gage worked as an electrical engineer making touchscreens. As he told the Huffington Post: "Scientific equipment in general is pretty expensive, but it's silly because before [getting my PhD in neuroscience] I was an electrical engineer, and you could see that you could make it yourself. So we started as a way to have fun, to show off to our colleagues, but we were also going into classrooms around that time and we thought, wouldn't it be cool if you could bring these gadgets with us so the stuff we were doing in advanced Ph.D. programs in neuroscience, you could also do in fifth grade?" His latest pieces of gear: the Roboroach, a cockroach fitted with an electric backpack that makes it turn on command, and BYB SmartScope, a smartphone-powered microscope.
Greg Gage | Speaker | TED.com