TEDMED 2011
Sheila Nirenberg: A prosthetic eye to treat blindness
Sheila Nirenberg: Szemprotézis a vakság kezelésére
Filmed:
Readability: 4.3
470,530 views
A TEDMED keretében Sheila Nirenberg okos módszert mutat be, amely bizonyos fajta vakságban szenvedőknek visszaadja a látását. A módszer: egy kamerát a látóideghez kapcsolva közvetlenül küldhetünk jeleket az agyba.
Sheila Nirenberg - Neuroscientist
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Double-click the English transcript below to play the video.
00:15
I study how the brain processes
0
0
2000
Az agy információfeldolgozását
tanulmányozom.
tanulmányozom.
00:17
information. That is, how it takes
1
2000
2000
Azt, hogyan fogadja be
00:19
information in from the outside world, and
2
4000
2000
a külvilág információit,
00:21
converts it into patterns of electrical activity,
3
6000
2000
hogyan alakítja elektromos
jelek mintázataivá,
jelek mintázataivá,
00:23
and then how it uses those patterns
4
8000
2000
és hogyan használja e mintázatokat,
00:25
to allow you to do things --
5
10000
2000
hogy cselekedhessünk:
00:27
to see, hear, to reach for an object.
6
12000
2000
lássunk, halljunk,
s egy tárgyért nyúljunk.
s egy tárgyért nyúljunk.
00:29
So I'm really a basic scientist, not
7
14000
2000
Alapkutatással foglalkozom,
00:31
a clinician, but in the last year and a half
8
16000
2000
nem vagyok gyógyító orvos,
00:33
I've started to switch over, to use what
9
18000
2000
de az utóbbi másfél évben kezdek váltani,
00:35
we've been learning about these patterns
10
20000
2000
hogy amit e mintázatokról megismerünk,
00:37
of activity to develop prosthetic devices,
11
22000
3000
alkalmazzam protetikai
eszközök fejlesztésére.
eszközök fejlesztésére.
00:40
and what I wanted to do today is show you
12
25000
2000
Ma egy példát
00:42
an example of this.
13
27000
2000
szeretnék mutatni erről.
00:44
It's really our first foray into this.
14
29000
2000
Ez az első próbálkozásunk:
00:46
It's the development of a prosthetic device
15
31000
2000
egy protetikai eszköz fejlesztése
00:48
for treating blindness.
16
33000
2000
vakság kezelésére.
00:50
So let me start in on that problem.
17
35000
2000
Kezdjük a helyzet jellemzésével!
00:52
There are 10 million people in the U.S.
18
37000
2000
Az USA-ban tízmillió vak él,
00:54
and many more worldwide who are blind
19
39000
2000
de a világon sokkal többen vannak;
00:56
or are facing blindness due to diseases
20
41000
2000
van, akire vakság vár
00:58
of the retina, diseases like
21
43000
2000
a recehártya betegségei
01:00
macular degeneration, and there's little
22
45000
2000
vagy a sárgafolt sorvadása miatt,
és nem sokat tehetünk értük.
01:02
that can be done for them.
23
47000
2000
Létezik gyógyszeres kezelés,
01:04
There are some drug treatments, but
24
49000
2000
de csak a lakosság töredékénél hatásos.
01:06
they're only effective on a small fraction
25
51000
2000
01:08
of the population. And so, for the vast
26
53000
2000
Ezért a betegek zöme
01:10
majority of patients, their best hope for
27
55000
2000
a protetikai eszközöktől reméli
01:12
regaining sight is through prosthetic devices.
28
57000
2000
látása visszanyerését.
01:14
The problem is that current prosthetics
29
59000
2000
Az a baj, hogy a jelenlegi eszközök
01:16
don't work very well. They're still very
30
61000
2000
nem működnek valami jól.
Csak részben adják vissza a látást.
01:18
limited in the vision that they can provide.
31
63000
2000
01:20
And so, you know, for example, with these
32
65000
2000
Az efféle eszközökkel
01:22
devices, patients can see simple things
33
67000
2000
egyszerű dolgokat láthatnak,
01:24
like bright lights and high contrast edges,
34
69000
2000
pl. fényeket, igen éles kontrasztokat,
01:26
not very much more, so nothing close
35
71000
2000
sokkal többet nem, semmi olyat,
01:28
to normal vision has been possible.
36
73000
3000
ami megközelítené a normál látást.
01:31
So what I'm going to tell you about today
37
76000
2000
Ma az általunk fejlesztett készülékről
01:33
is a device that we've been working on
38
78000
2000
fogok beszélni,
01:35
that I think has the potential to make
39
80000
2000
amelyben megvan a lehetőség,
01:37
a difference, to be much more effective,
40
82000
2000
hogy változást hozzon, hatékonyabb legyen.
01:39
and what I wanted to do is show you
41
84000
2000
Bemutatom a működését.
01:41
how it works. Okay, so let me back up a
42
86000
2000
Kezdjük kissé előbbről,
01:43
little bit and show you how a normal retina
43
88000
2000
a recehártya normális működésével.
01:45
works first so you can see the problem
44
90000
2000
Így jobban érzékelik
a megoldandó föladatot.
01:47
that we were trying to solve.
45
92000
2000
Ez a recehártya, a retina.
01:49
Here you have a retina.
46
94000
2000
A képen a retina és az agy látható.
01:51
So you have an image, a retina, and a brain.
47
96000
2000
Ha erre a babaarcra nézünk,
01:53
So when you look at something, like this image
48
98000
2000
a képe bejut a szemünkbe,
01:55
of this baby's face, it goes into your eye
49
100000
2000
ahol a lévő recehártya felületi sejtjeire,
01:57
and it lands on your retina, on the front-end
50
102000
2000
a fényérzékeny receptorokra kerül.
01:59
cells here, the photoreceptors.
51
104000
2000
A recehártya középső rétegében lévő
02:01
Then what happens is the retinal circuitry,
52
106000
2000
idegi "áramkör" dolgozza föl a képet,
02:03
the middle part, goes to work on it,
53
108000
2000
műveleteket végez rajta,
02:05
and what it does is it performs operations
54
110000
2000
kinyeri belőle az információt,
02:07
on it, it extracts information from it, and it
55
112000
2000
és kóddá alakítja.
02:09
converts that information into a code.
56
114000
2000
02:11
And the code is in the form of these patterns
57
116000
2000
A kód elektromos impulzusok formájában
02:13
of electrical pulses that get sent
58
118000
2000
jut be az agyba,
02:15
up to the brain, and so the key thing is
59
120000
2000
ezért a döntő kérdés,
02:17
that the image ultimately gets converted
60
122000
2000
hogy a kép végül kóddá alakuljon át.
02:19
into a code. And when I say code,
61
124000
2000
Amikor kódról beszélek,
02:21
I do literally mean code.
62
126000
2000
ezt szó szerint értem.
02:23
Like this pattern of pulses here actually means "baby's face,"
63
128000
3000
Ez az impulzusegyüttes
azt jelenti: bébiarc,
azt jelenti: bébiarc,
02:26
and so when the brain gets this pattern
64
131000
2000
és mikor az impulzusegyüttes az agyba jut,
02:28
of pulses, it knows that what was out there
65
133000
2000
az agy érti, miről van szó:
02:30
was a baby's face, and if it
66
135000
2000
egy bébiarcról.
02:32
got a different pattern it would know
67
137000
2000
Ha más mintázatot kap, tudni fogja,
02:34
that what was out there was, say, a dog,
68
139000
2000
hogy másról, pl. kutyáról
02:36
or another pattern would be a house.
69
141000
2000
vagy házról van szó.
02:38
Anyway, you get the idea.
70
143000
2000
Tudatosítja a fogalmat.
02:40
And, of course, in real life, it's all dynamic,
71
145000
2000
A valóságban a folyamat
dinamikusan megy végbe,
dinamikusan megy végbe,
02:42
meaning that it's changing all the time,
72
147000
2000
vagyis állandóan változik,
02:44
so the patterns of pulses are changing
73
149000
2000
az impulzusminta mindig változik,
02:46
all the time because the world you're
74
151000
2000
mivel környezetünk is
02:48
looking at is changing all the time too.
75
153000
3000
állandóan változik.
02:51
So, you know, it's sort of a complicated
76
156000
2000
A folyamat elég bonyolult.
02:53
thing. You have these patterns of pulses
77
158000
2000
Ilyen impulzusegyüttesek érkeznek
02:55
coming out of your eye every millisecond
78
160000
2000
ezredmásodpercenként a szemünkből,
02:57
telling your brain what it is that you're seeing.
79
162000
2000
és közlik az agyunkkal, mit látunk.
02:59
So what happens when a person
80
164000
2000
Mi történik, amikor valaki
03:01
gets a retinal degenerative disease like
81
166000
2000
recehártya-sorvadásban,
03:03
macular degeneration? What happens is
82
168000
2000
pl. a sárgafolt-sorvadásban
megbetegszik,
megbetegszik,
03:05
is that, the front-end cells die,
83
170000
2000
azaz elhalnak a felületi sejtek,
a fényérzékeny receptorok,
03:07
the photoreceptors die, and over time,
84
172000
2000
03:09
all the cells and the circuits that are
85
174000
2000
majd idővel a hozzájuk kapcsolódó
03:11
connected to them, they die too.
86
176000
2000
összes sejt is elhal.
03:13
Until the only things that you have left
87
178000
2000
Míg végül csak ezek maradnak meg,
03:15
are these cells here, the output cells,
88
180000
2000
a kilépő idegsejtek,
03:17
the ones that send the signals to the brain,
89
182000
2000
amelyek továbbítanák a jeleket az agyba,
03:19
but because of all that degeneration
90
184000
2000
de a sorvadás miatt
már nincs mit továbbítaniuk.
03:21
they aren't sending any signals anymore.
91
186000
2000
03:23
They aren't getting any input, so
92
188000
2000
Nem kapnak bemenő jelet,
03:25
the person's brain no longer gets
93
190000
2000
ezért a beteg agya többé már
nem jut látásinformációhoz,
03:27
any visual information --
94
192000
2000
ezért a páciens vak.
03:29
that is, he or she is blind.
95
194000
3000
03:32
So, a solution to the problem, then,
96
197000
2000
A probléma megoldása,
03:34
would be to build a device that could mimic
97
199000
2000
hogy a felületi sejtek áramköreit utánzó
03:36
the actions of that front-end circuitry
98
201000
2000
eszközt alakítsunk ki,
03:38
and send signals to the retina's output cells,
99
203000
2000
amely jeleket küldhet
a recehártya kilépő idegsejtjeibe,
a recehártya kilépő idegsejtjeibe,
03:40
and they can go back to doing their
100
205000
2000
s működésüket fölújítva,
azok ismét jeleket küldhessenek az agyba.
03:42
normal job of sending signals to the brain.
101
207000
2000
03:44
So this is what we've been working on,
102
209000
2000
Ezen dolgozunk,
03:46
and this is what our prosthetic does.
103
211000
2000
a protézisünk erre képes.
03:48
So it consists of two parts, what we call
104
213000
2000
Két részből áll:
03:50
an encoder and a transducer.
105
215000
2000
a kódolóból és a jelátalakítóból.
03:52
And so the encoder does just
106
217000
2000
A kódoló feladata utánozni
03:54
what I was saying: it mimics the actions
107
219000
2000
a felületi áramkörök működését:
03:56
of the front-end circuitry -- so it takes images
108
221000
2000
képeket fogad be,
03:58
in and converts them into the retina's code.
109
223000
2000
és átalakítja őket a recehártya kódjaivá.
04:00
And then the transducer then makes the
110
225000
2000
A jelátalakító útján a kilépő idegsejtek
04:02
output cells send the code on up
111
227000
2000
a kódot elküldik az agyba,
04:04
to the brain, and the result is
112
229000
2000
és az eredmény:
04:06
a retinal prosthetic that can produce
113
231000
3000
egy recehártya-protézis,
amely recehártya-kimeneti
jelet állít elő.
jelet állít elő.
04:09
normal retinal output.
114
234000
2000
04:11
So a completely blind retina,
115
236000
2000
Így a teljesen vak recehártya –
04:13
even one with no front-end circuitry at all,
116
238000
2000
még teljesen hiányzó felületi áramkörök,
04:15
no photoreceptors,
117
240000
2000
működésképtelen fényreceptorok esetén is
04:17
can now send out normal signals,
118
242000
2000
rendes jeleket tud küldeni,
04:19
signals that the brain can understand.
119
244000
3000
amelyeket az agy képes értelmezni.
04:22
So no other device has been able
120
247000
2000
Semmilyen más készülék
04:24
to do this.
121
249000
2000
nem képes erre.
04:26
Okay, so I just want to take
122
251000
2000
Egy keveset szólok
04:28
a sentence or two to say something about
123
253000
2000
a kódolóról
és a feladatáról,
04:30
the encoder and what it's doing, because
124
255000
2000
mert ez kulcskérdés,
04:32
it's really the key part and it's
125
257000
2000
érdekes, és elég menő.
04:34
sort of interesting and kind of cool.
126
259000
2000
Nem biztos, hogy a menő
a legjobb szó rá,
a legjobb szó rá,
04:36
I'm not sure "cool" is really the right word, but
127
261000
2000
de értik, mire gondolok.
04:38
you know what I mean.
128
263000
2000
A kódoló kiváltja
04:40
So what it's doing is, it's replacing
129
265000
2000
a recehártya áramkörének lényegét
04:42
the retinal circuitry, really the guts of
130
267000
2000
egy egyenletrendszerrel,
04:44
the retinal circuitry, with a set of equations,
131
269000
2000
04:46
a set of equations that we can implement
132
271000
2000
amelyet egy csipbe írhatunk.
04:48
on a chip. So it's just math.
133
273000
2000
Ez csak matek,
04:50
In other words, we're not literally replacing
134
275000
3000
azaz a recehártya elemeit
04:53
the components of the retina.
135
278000
2000
nem szó szerint helyettesítjük.
Nem készítünk egy-egy pici műszert
04:55
It's not like we're making a little mini-device
136
280000
2000
04:57
for each of the different cell types.
137
282000
2000
minden egyes sejttípushoz.
A recehártya feladatát
04:59
We've just abstracted what the
138
284000
2000
egy egyenletrendszerbe sűrítettük,
05:01
retina's doing with a set of equations.
139
286000
2000
05:03
And so, in a way, the equations are serving
140
288000
2000
ezért ez szolgál egyfajta kódkönyvként.
05:05
as sort of a codebook. An image comes in,
141
290000
2000
05:07
goes through the set of equations,
142
292000
3000
A bejutó kép
átmegy az egyenletrendszeren,
05:10
and out comes streams of electrical pulses,
143
295000
2000
s a kimeneten elektromos
impulzusok jelennek meg,
impulzusok jelennek meg,
05:12
just like a normal retina would produce.
144
297000
4000
mint amilyeneket az ép recehártya képezne.
05:16
Now let me put my money
145
301000
2000
Hogy ne a levegőbe beszéljek,
05:18
where my mouth is and show you that
146
303000
2000
megmutatom, hogy képesek vagyunk
05:20
we can actually produce normal output,
147
305000
2000
rendes kimenő jelet előállítani,
és azt is, mi ennek a következménye.
05:22
and what the implications of this are.
148
307000
2000
05:24
Here are three sets of
149
309000
2000
Ez itt három tüzelő mintázat.
05:26
firing patterns. The top one is from
150
311000
2000
A felső egy állaté,
05:28
a normal animal, the middle one is from
151
313000
2000
a középső egy kódoló-jelátalakító
eszközzel kezelt
eszközzel kezelt
05:30
a blind animal that's been treated with
152
315000
2000
vak állaté,
05:32
this encoder-transducer device, and the
153
317000
2000
a legalsó pedig
05:34
bottom one is from a blind animal treated
154
319000
2000
egy sztenderd protézissel kezelt
05:36
with a standard prosthetic.
155
321000
2000
állaté.
Az alsó a jelenleg kapható,
05:38
So the bottom one is the state-of-the-art
156
323000
2000
05:40
device that's out there right now, which is
157
325000
2000
lényegében fényérzékelőkből álló
modern műszer,
modern műszer,
05:42
basically made up of light detectors,
158
327000
2000
de nincs benne kódoló.
A próba abból állt,
05:44
but no encoder. So what we did was we
159
329000
2000
hogy mindennapi dolgokról:
05:46
presented movies of everyday things --
160
331000
2000
emberekről, babákról, padokról szóló
05:48
people, babies, park benches,
161
333000
2000
filmet vetítettünk,
05:50
you know, regular things happening -- and
162
335000
2000
és rögzítettük az állatok
e három csoportjának
e három csoportjának
05:52
we recorded the responses from the retinas
163
337000
2000
recehártyáról érkező reakciót.
05:54
of these three groups of animals.
164
339000
2000
05:56
Now just to orient you, each box is showing
165
341000
2000
Minden ábra
05:58
the firing patterns of several cells,
166
343000
2000
több sejt tüzelő mintázatát mutatja,
06:00
and just as in the previous slides,
167
345000
2000
s akárcsak az előző diákon,
06:02
each row is a different cell,
168
347000
2000
minden sor egy-egy sejtet mutat.
06:04
and I just made the pulses a little bit smaller
169
349000
2000
Az impulzusokat lekicsinyítettem
06:06
and thinner so I could show you
170
351000
3000
és megritkítottam,
hogy hosszabb adatfolyamot mutathassak.
06:09
a long stretch of data.
171
354000
2000
06:11
So as you can see, the firing patterns
172
356000
2000
Látható, hogy a kódoló-
jelátalakítóval kezelt
jelátalakítóval kezelt
06:13
from the blind animal treated with
173
358000
2000
06:15
the encoder-transducer really do very
174
360000
2000
vak állat tüzelő mintázata
06:17
closely match the normal firing patterns --
175
362000
2000
eléggé egybevág
a szokásos tüzelő mintázatokkal,
06:19
and it's not perfect, but it's pretty good --
176
364000
2000
06:21
and the blind animal treated with
177
366000
2000
s noha nem tökéletes, de elég jó.
06:23
the standard prosthetic,
178
368000
2000
A sztenderd protézissel kezelt
06:25
the responses really don't.
179
370000
2000
vak állat reagálása
viszont nem nagyon.
06:27
And so with the standard method,
180
372000
3000
A sztenderd módszernél
06:30
the cells do fire, they just don't fire
181
375000
2000
a sejtek ugyan tüzelnek,
de nem a normális tüzeléssel,
06:32
in the normal firing patterns because
182
377000
2000
06:34
they don't have the right code.
183
379000
2000
mert nincs meg a helyes kódjuk.
06:36
How important is this?
184
381000
2000
Mennyiben fontos ez?
Mennyire befolyásolja ez
06:38
What's the potential impact
185
383000
2000
06:40
on a patient's ability to see?
186
385000
3000
a beteg látóképességét?
06:43
So I'm just going to show you one
187
388000
2000
Bemutatom a legfontosabb kísérletet,
06:45
bottom-line experiment that answers this,
188
390000
2000
amely választ ad erre.
06:47
and of course I've got a lot of other data,
189
392000
2000
Sok más adatot is gyűjtöttem,
06:49
so if you're interested I'm happy
190
394000
2000
és ha kíváncsiak rájuk,
készséggel bemutatom őket.
06:51
to show more. So the experiment
191
396000
2000
Ez egy ún. rekonstrukciós kísérlet.
06:53
is called a reconstruction experiment.
192
398000
2000
06:55
So what we did is we took a moment
193
400000
2000
A fölvételekből kiválasztottunk
06:57
in time from these recordings and asked,
194
402000
3000
egy pillanatot, és figyeltük,
07:00
what was the retina seeing at that moment?
195
405000
2000
mit lát a recehártya e pillanatban.
07:02
Can we reconstruct what the retina
196
407000
2000
Rekonstruálhatjuk-e,
07:04
was seeing from the responses
197
409000
2000
amit a recehártya lát
a tüzelő mintázatok válaszaiból?
07:06
from the firing patterns?
198
411000
2000
07:08
So, when we did this for responses
199
413000
3000
Elvégeztük mind a sztenderd módszerre,
07:11
from the standard method and from
200
416000
3000
mind a kódoló-jelátalakító kialakítású
07:14
our encoder and transducer.
201
419000
2000
eszközre nézve.
07:16
So let me show you, and I'm going to
202
421000
2000
Először bemutatom
07:18
start with the standard method first.
203
423000
2000
a sztenderd módszer esetét.
07:20
So you can see that it's pretty limited,
204
425000
2000
Az eredmény eléggé korlátozott,
07:22
and because the firing patterns aren't
205
427000
2000
és ha az impulzusminta
07:24
in the right code, they're very limited in
206
429000
2000
helytelenül van kódolva,
akkor kevés információt kapunk.
07:26
what they can tell you about
207
431000
2000
Valamit látunk,
07:28
what's out there. So you can see that
208
433000
2000
07:30
there's something there, but it's not so clear
209
435000
2000
de nemigen tudjuk kivenni,
hogy az micsoda.
hogy az micsoda.
07:32
what that something is, and this just sort of
210
437000
2000
Valamilyen köröket látunk.
07:34
circles back to what I was saying in the
211
439000
2000
Korábban beszéltem róla,
07:36
beginning, that with the standard method,
212
441000
2000
hogy a betegek a sztenderd módszernél
07:38
patients can see high-contrast edges, they
213
443000
2000
csak erős kontrasztokat,
07:40
can see light, but it doesn't easily go
214
445000
2000
fényt látnak, ennél többet nemigen.
07:42
further than that. So what was
215
447000
2000
Mi volt a képen?
07:44
the image? It was a baby's face.
216
449000
3000
Egy babaarc.
07:47
So what about with our approach,
217
452000
2000
És ha a módszerünkhöz hozzáadjuk a kódot?
07:49
adding the code? And you can see
218
454000
2000
A látás lényegesen megjavult.
07:51
that it's much better. Not only can you
219
456000
2000
Nemcsak általában egy babaarcot látunk,
07:53
tell that it's a baby's face, but you can
220
458000
2000
hanem mondhatjuk,
hogy pontosan e baba arcát.
07:55
tell that it's this baby's face, which is a
221
460000
2000
Ez pedig nem kis föladat.
07:57
really challenging task.
222
462000
2000
A bal oldalon egyedül a kódoló van,
07:59
So on the left is the encoder
223
464000
2000
jobbra a vak recehártya
08:01
alone, and on the right is from an actual
224
466000
2000
08:03
blind retina, so the encoder and the transducer.
225
468000
2000
a kódolóval és a jelátalakítóval.
08:05
But the key one really is the encoder alone,
226
470000
2000
A lényeges a kódoló,
mert a kódolót csatolhatjuk
08:07
because we can team up the encoder with
227
472000
2000
különféle jelátalakítókhoz.
08:09
the different transducer.
228
474000
2000
Ezt próbáltuk ki először.
08:11
This is just actually the first one that we tried.
229
476000
2000
Szólnék pár szót a sztenderd módszerről.
08:13
I just wanted to say something about the standard method.
230
478000
2000
Amikor a módszer megjelent,
08:15
When this first came out, it was just a really
231
480000
2000
megdöbbenést váltott ki,
08:17
exciting thing, the idea that you
232
482000
2000
hogy a vak recehártyát egyáltalán
reagálásra késztettük.
reagálásra késztettük.
08:19
even make a blind retina respond at all.
233
484000
3000
De ott volt ez a korlátozó tényező,
08:22
But there was this limiting factor,
234
487000
3000
a kódok kérdése,
08:25
the issue of the code, and how to make
235
490000
2000
és az, hogyan késztessük a sejteket
08:27
the cells respond better,
236
492000
2000
jobb, normális válaszra.
08:29
produce normal responses,
237
494000
2000
És itt jön a mi szerepünk.
08:31
and so this was our contribution.
238
496000
2000
08:33
Now I just want to wrap up,
239
498000
2000
Összefoglalva:
08:35
and as I was mentioning earlier
240
500000
2000
korábban említettem,
08:37
of course I have a lot of other data
241
502000
2000
hogy sok egyéb adatunk is van,
ha érdekli önöket.
ha érdekli önöket.
08:39
if you're interested, but I just wanted to give
242
504000
2000
Csak a fő elvről szólok most,
08:41
this sort of basic idea
243
506000
2000
nevezetesen:
08:43
of being able to communicate
244
508000
3000
hogyan közölhetünk valamit az aggyal
08:46
with the brain in its language, and
245
511000
2000
a saját nyelvén,
08:48
the potential power of being able to do that.
246
513000
3000
és hogy milyen lehetőség rejlik ebben.
08:51
So it's different from the motor prosthetics
247
516000
2000
Ez eltér a motoros protézisektől,
08:53
where you're communicating from the brain
248
518000
2000
ahol a közlés az agyból indul ki
08:55
to a device. Here we have to communicate
249
520000
2000
a készülék irányába.
Itt a külvilágból indul az agyba,
08:57
from the outside world
250
522000
2000
08:59
into the brain and be understood,
251
524000
2000
és ott tudatosul
09:01
and be understood by the brain.
252
526000
2000
az információ.
09:03
And then the last thing I wanted
253
528000
2000
Végezetül,
09:05
to say, really, is to emphasize
254
530000
2000
szeretném hangsúlyozni,
09:07
that the idea generalizes.
255
532000
2000
hogy az ötlet általánosítható.
09:09
So the same strategy that we used
256
534000
2000
A recehártya kódolási módszerét
09:11
to find the code for the retina we can also
257
536000
2000
alkalmazhatjuk
09:13
use to find the code for other areas,
258
538000
2000
más területeken is,
pl. a hallórendszer
09:15
for example, the auditory system and
259
540000
2000
és a motorikus rendszer esetén,
09:17
the motor system, so for treating deafness
260
542000
2000
tehát süketség és motorikus
rendellenességek kezelésére.
rendellenességek kezelésére.
09:19
and for motor disorders.
261
544000
2000
09:21
So just the same way that we were able to
262
546000
2000
Azonos módszerrel,
09:23
jump over the damaged
263
548000
2000
mint ahogy áthidaltuk a retina
sérült áramkörét,
sérült áramkörét,
09:25
circuitry in the retina to get to the retina's
264
550000
2000
hogy eljussunk kimeneti sejtjeihez,
09:27
output cells, we can jump over the
265
552000
2000
áthidalhatjuk
09:29
damaged circuitry in the cochlea
266
554000
2000
a belső fül sérült csigajáratát is,
09:31
to get the auditory nerve,
267
556000
2000
hogy eljussunk a hallóideghez,
09:33
or jump over damaged areas in the cortex,
268
558000
2000
vagy áthidaljuk az agykéreg
sérült területét
sérült területét
09:35
in the motor cortex, to bridge the gap
269
560000
3000
a motoros kéregben,
szélütés okozta hatás kiküszöbölésére.
09:38
produced by a stroke.
270
563000
2000
09:40
I just want to end with a simple
271
565000
2000
Egyszerű gondolattal fejezem be:
09:42
message that understanding the code
272
567000
2000
a kód megértése
09:44
is really, really important, and if we
273
569000
2000
rendkívül fontos.
Ha megértjük a kódot, az agy nyelvét,
09:46
can understand the code,
274
571000
2000
09:48
the language of the brain, things become
275
573000
2000
olyan dolgok válnak lehetségessé,
09:50
possible that didn't seem obviously
276
575000
2000
amelyek eddig még sohasem.
09:52
possible before. Thank you.
277
577000
2000
Köszönöm.
(Taps)
09:54
(Applause)
278
579000
5000
ABOUT THE SPEAKER
Sheila Nirenberg - NeuroscientistSheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices.
Why you should listen
Sheila Nirenberg is a neuroscientist/professor at Weill Medical College of Cornell University, where she studies neural coding – that is, how the brain takes information from the outside world and encodes it in patterns of electrical activity. The idea is to be able to decode the activity, to look at a pattern of electrical pulses and know what an animal is seeing or thinking or feeling. Recently, she’s been using this work to develop new kinds of prosthetic devices, particularly ones for treating blindness.
Sheila Nirenberg | Speaker | TED.com