TEDGlobal 2010
Tan Le: A headset that reads your brainwaves
Tan Le: Egy headset, ami olvassa az agyhullámokat
Filmed:
Readability: 5
2,732,929 views
Tan Le bámulatos új számítógépes interfésze olvassa használójának agyhullámait, lehetővé téve, hogy virtuális tárgyakat, és akár létező elektronikai eszközöket irányítsunk, pusztán gondolatokkal (és egy kis koncentrációval). Bemutatja a headsetet, és beszél annak messze mutató alkalmazási lehetőségeiről is.
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
Máig a gépekkel való kommunikációnk
00:18
has always been limited
1
3000
2000
mindig is tudatos és közvetlen
00:20
to conscious and direct forms.
2
5000
2000
formákra korlátozódott.
00:22
Whether it's something simple
3
7000
2000
Akár valami olyan egyszerűről beszélünk,
00:24
like turning on the lights with a switch,
4
9000
2000
mint felkapcsolni egy villanyt egy kapcsolóval,
00:26
or even as complex as programming robotics,
5
11000
3000
vagy akár olyan komplex dologról, mint a robotok programozása,
00:29
we have always had to give a command to a machine,
6
14000
3000
mindig parancsot kellett adnunk egy gépnek,
00:32
or even a series of commands,
7
17000
2000
vagy akár egy sor parancsot is,
00:34
in order for it to do something for us.
8
19000
3000
azért, hogy valamit megtegyen számunkra.
00:37
Communication between people, on the other hand,
9
22000
2000
Az emberek közötti kommunikáció ugyanakkor
00:39
is far more complex and a lot more interesting
10
24000
3000
sokkal összetettebb és sokkal érdekesebb,
00:42
because we take into account
11
27000
2000
mert sokkal több mindent figyelembe veszünk,
00:44
so much more than what is explicitly expressed.
12
29000
3000
mint amit határozottan kifejezünk.
00:47
We observe facial expressions, body language,
13
32000
3000
Megfigyeljük az arckifejezéseket, a testbeszédet,
00:50
and we can intuit feelings and emotions
14
35000
2000
és ösztönösen megértünk érzéseket és érzelmeket
00:52
from our dialogue with one another.
15
37000
3000
az egymással való beszélgetésből.
00:55
This actually forms a large part
16
40000
2000
Valójában ez képezi
00:57
of our decision-making process.
17
42000
2000
a döntéshozatali folyamat nagy részét.
00:59
Our vision is to introduce
18
44000
2000
A mi elképzelésünk az, hogy bemutatjuk
01:01
this whole new realm of human interaction
19
46000
3000
az emberi kommunikáció új birodalmát
01:04
into human-computer interaction
20
49000
2000
az ember-számítógép kommunikációt,
01:06
so that computers can understand
21
51000
2000
ahol a számítógépek képesek megérteni
01:08
not only what you direct it to do,
22
53000
2000
nem csak azt, amire utasítjuk azokat,
01:10
but it can also respond
23
55000
2000
hanem válaszolni is tudnak
01:12
to your facial expressions
24
57000
2000
az arckifejezésekre
01:14
and emotional experiences.
25
59000
2000
és érzelmi tapasztalatokra.
01:16
And what better way to do this
26
61000
2000
És mi lehet jobb módja ennek,
01:18
than by interpreting the signals
27
63000
2000
mint azoknak a jeleknek a lefordítása,
01:20
naturally produced by our brain,
28
65000
2000
amiket természetes módon az agyunk állít elő,
01:22
our center for control and experience.
29
67000
3000
az irányításért és tapasztalatokért felelős központunk.
01:25
Well, it sounds like a pretty good idea,
30
70000
2000
Nos, ez nagyon jó ötletnek hangzik,
01:27
but this task, as Bruno mentioned,
31
72000
2000
de ez a feladat, ahogyan Bruno is említette,
01:29
isn't an easy one for two main reasons:
32
74000
3000
két fő okból sem könnyű:
01:32
First, the detection algorithms.
33
77000
3000
Először is a felismerő algoritmusok miatt.
01:35
Our brain is made up of
34
80000
2000
Az agyunk milliárdnyi
01:37
billions of active neurons,
35
82000
2000
aktív neuronból áll,
01:39
around 170,000 km
36
84000
3000
mintegy 170.000 km-nyi
01:42
of combined axon length.
37
87000
2000
kombinált axon hosszúsággal.
01:44
When these neurons interact,
38
89000
2000
Amikor ezek a neuronok kommunikálnak,
01:46
the chemical reaction emits an electrical impulse,
39
91000
2000
a kémiai reakció egy elektromos impulzust bocsát ki,
01:48
which can be measured.
40
93000
2000
ami mérhető formájú.
01:50
The majority of our functional brain
41
95000
3000
Agyunk funkcionális részének többsége
01:53
is distributed over
42
98000
2000
eloszlik
01:55
the outer surface layer of the brain,
43
100000
2000
az agy külső felületén.
01:57
and to increase the area that's available for mental capacity,
44
102000
3000
Annak érdekében, hogy növeljük a mentális kapacitás területét,
02:00
the brain surface is highly folded.
45
105000
3000
az agy felszíne erősen redőzött.
02:03
Now this cortical folding
46
108000
2000
Nos ez a kortikus redő
02:05
presents a significant challenge
47
110000
2000
nagy kihívást jelent
02:07
for interpreting surface electrical impulses.
48
112000
3000
a felszíni elektromos impulzusok fordítása során.
02:10
Each individual's cortex
49
115000
2000
Minden egyes ember cortex-e
02:12
is folded differently,
50
117000
2000
eltérően redőzött,
02:14
very much like a fingerprint.
51
119000
2000
akárcsak az ujjlenyomatunk.
02:16
So even though a signal
52
121000
2000
Így még akkor is, ha egy jel
02:18
may come from the same functional part of the brain,
53
123000
3000
érkezik a funkcionális részből,
02:21
by the time the structure has been folded,
54
126000
2000
mire a redőzött felületet eléri,
02:23
its physical location
55
128000
2000
a fizikai helye
02:25
is very different between individuals,
56
130000
2000
nagyon különböző lesz személyenként,
02:27
even identical twins.
57
132000
3000
még egypetéjű ikreknél is.
02:30
There is no longer any consistency
58
135000
2000
A felszíni jelek esetében
02:32
in the surface signals.
59
137000
2000
megszűnik a konzisztencia.
02:34
Our breakthrough was to create an algorithm
60
139000
2000
Az áttörésünk az volt, hogy létrehoztunk egy algoritmust
02:36
that unfolds the cortex,
61
141000
2000
ami kisimítja a cortex redőit,
02:38
so that we can map the signals
62
143000
2000
így feltérképezhetjük a jeleket
02:40
closer to its source,
63
145000
2000
és közelebb kerülünk azok forrásához,
02:42
and therefore making it capable of working across a mass population.
64
147000
3000
és ez teszi lehetővé a működését különböző emberek sokaságán is.
02:46
The second challenge
65
151000
2000
A második kihívást
02:48
is the actual device for observing brainwaves.
66
153000
3000
maga az agyhullámokat megfigyelő eszköz jelenti.
02:51
EEG measurements typically involve
67
156000
2000
Az EEG mérések esetében általában
02:53
a hairnet with an array of sensors,
68
158000
3000
egy szenzorokkal felszerelt hajhálót használnak,
02:56
like the one that you can see here in the photo.
69
161000
3000
amilyet ezen a fotón is láthatnak.
02:59
A technician will put the electrodes
70
164000
2000
A technikus a hajas fejbőrre
03:01
onto the scalp
71
166000
2000
helyezi az elektródákat,
03:03
using a conductive gel or paste
72
168000
2000
egy vezetőképes zselével vagy krémmel
03:05
and usually after a procedure of preparing the scalp
73
170000
3000
és mindezt azután teszi, hogy előkészítette a fejbőrt
03:08
by light abrasion.
74
173000
2000
enyhe dörzsöléssel.
03:10
Now this is quite time consuming
75
175000
2000
Nos ez eléggé időigényes,
03:12
and isn't the most comfortable process.
76
177000
2000
és nem a legkényelmesebb folyamat.
03:14
And on top of that, these systems
77
179000
2000
És mindezek felett, ezek a rendszerek
03:16
actually cost in the tens of thousands of dollars.
78
181000
3000
több tízezer dollárba kerülnek.
03:20
So with that, I'd like to invite onstage
79
185000
3000
Ezek után szeretném a színpadra hívni
03:23
Evan Grant, who is one of last year's speakers,
80
188000
2000
Evan Grant-et, aki az egyik tavalyi előadó volt,
03:25
who's kindly agreed
81
190000
2000
és készségesen beleegyezett
03:27
to help me to demonstrate
82
192000
2000
hogy segít nekem bemutatni
03:29
what we've been able to develop.
83
194000
2000
mit tudtunk kifejleszteni.
03:31
(Applause)
84
196000
6000
(Taps)
03:37
So the device that you see
85
202000
2000
Tehát az eszköz, amit látnak
03:39
is a 14-channel, high-fidelity
86
204000
2000
egy 14 csatornás, nagy pontosságú
03:41
EEG acquisition system.
87
206000
2000
EEG-vevő rendszer.
03:43
It doesn't require any scalp preparation,
88
208000
3000
Nem igényel semmilyen fejbőr előkészítést,
03:46
no conductive gel or paste.
89
211000
2000
nincs szükség vezetőképes gélre vagy krémre.
03:48
It only takes a few minutes to put on
90
213000
3000
Csak pár perc, amíg felvesszük,
03:51
and for the signals to settle.
91
216000
2000
és felismeri a jeleket.
03:53
It's also wireless,
92
218000
2000
Vezeték nélküli,
03:55
so it gives you the freedom to move around.
93
220000
3000
így megadja a mozgás szabadságát.
03:58
And compared to the tens of thousands of dollars
94
223000
3000
És a több tízezer dollárhoz képest,
04:01
for a traditional EEG system,
95
226000
3000
amibe egy hagyományos EEG rendszer kerül,
04:04
this headset only costs
96
229000
2000
ez a headset csupán
04:06
a few hundred dollars.
97
231000
2000
néhány száz dollárba kerül.
04:08
Now on to the detection algorithms.
98
233000
3000
Rátérek a felismerő algoritmusra.
04:11
So facial expressions --
99
236000
2000
Szóval az arckifejezések --
04:13
as I mentioned before in emotional experiences --
100
238000
2000
amint korábban már említettem az érzelmi tapasztalatokat --
04:15
are actually designed to work out of the box
101
240000
2000
tulajdonképpen hasonlóan működnek
04:17
with some sensitivity adjustments
102
242000
2000
néhány érzékenységi kiigazítással
04:19
available for personalization.
103
244000
3000
ahhoz, hogy személyessé tegyük ezeket.
04:22
But with the limited time we have available,
104
247000
2000
Mivel azonban szorít a rendelkezésre álló idő,
04:24
I'd like to show you the cognitive suite,
105
249000
2000
szeretném megmutatni az észlelő berendezést,
04:26
which is the ability for you
106
251000
2000
ami képessé tesz minket arra,
04:28
to basically move virtual objects with your mind.
107
253000
3000
hogy virtuális tárgyakat mozgassunk a gondolatainkkal.
04:32
Now, Evan is new to this system,
108
257000
2000
Nos, Evan új a rendszer használatában,
04:34
so what we have to do first
109
259000
2000
szóval amit először tennünk kell,
04:36
is create a new profile for him.
110
261000
2000
hogy létrehozunk egy új profilt neki.
04:38
He's obviously not Joanne -- so we'll "add user."
111
263000
3000
Ő természetesen nem Joanne - így "hozzáadunk egy felhasználót".
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
Szóval az első, amit tennünk kell az észlelő berendezéssel,
04:46
is to start with training
114
271000
2000
hogy elkezdjük edzeni
04:48
a neutral signal.
115
273000
2000
egy semleges jellel.
04:50
With neutral, there's nothing in particular
116
275000
2000
A semleges jel esetében Evannak
04:52
that Evan needs to do.
117
277000
2000
semmi különöset nem kell csinálnia.
04:54
He just hangs out. He's relaxed.
118
279000
2000
Ő csak vár. Nyugodtan.
04:56
And the idea is to establish a baseline
119
281000
2000
Az ötlet az, hogy létrehozzunk egy alapot
04:58
or normal state for his brain,
120
283000
2000
avagy az agy normál állapotát,
05:00
because every brain is different.
121
285000
2000
mert minden agy más.
05:02
It takes eight seconds to do this,
122
287000
2000
Ez 8 másodpercbe telik.
05:04
and now that that's done,
123
289000
2000
És most, hogy ezt megcsináltuk,
05:06
we can choose a movement-based action.
124
291000
2000
választhatunk egy mozgásalapú cselekvést.
05:08
So Evan, choose something
125
293000
2000
Szóval Evan választ valamit
05:10
that you can visualize clearly in your mind.
126
295000
2000
amit világosan el tud képzelni az elméjében.
05:12
Evan Grant: Let's do "pull."
127
297000
2000
Evan Grant: Legyen a "húz" mozdulat.
05:14
Tan Le: Okay, so let's choose "pull."
128
299000
2000
Tan Le: OK. Szóval válasszuk a "húzás"-t.
05:16
So the idea here now
129
301000
2000
Szóval az az ötlet
05:18
is that Evan needs to
130
303000
2000
hogy Evannak el kell képzelnie
05:20
imagine the object coming forward
131
305000
2000
hogy a tárgy előre mozdul
05:22
into the screen,
132
307000
2000
a képernyőn.
05:24
and there's a progress bar that will scroll across the screen
133
309000
3000
Egy folyamatjelző fog megjelenni a képernyőn,
05:27
while he's doing that.
134
312000
2000
amint ezt csinálja.
05:29
The first time, nothing will happen,
135
314000
2000
Első alkalommal semmi sem fog történni,
05:31
because the system has no idea how he thinks about "pull."
136
316000
3000
mert a rendszernek fogalma sincs arról, hogy ő mit gondol a "húzás"-ról.
05:34
But maintain that thought
137
319000
2000
De tartsuk meg ezt a gondolatot
05:36
for the entire duration of the eight seconds.
138
321000
2000
a teljes 8 másodpercen keresztül.
05:38
So: one, two, three, go.
139
323000
3000
Szóval: egy, két, há', rajta.
05:49
Okay.
140
334000
2000
OK.
05:51
So once we accept this,
141
336000
2000
Szóval ha elfogadjuk ezt,
05:53
the cube is live.
142
338000
2000
akkor a kocka életre kel.
05:55
So let's see if Evan
143
340000
2000
Lássuk, hogy Evan
05:57
can actually try and imagine pulling.
144
342000
3000
megpróbálja-e elképzelni a húzást.
06:00
Ah, good job!
145
345000
2000
Á, jó munka!
06:02
(Applause)
146
347000
3000
(Taps)
06:05
That's really amazing.
147
350000
2000
Ez egészen elképesztő!
06:07
(Applause)
148
352000
4000
(Taps)
06:11
So we have a little bit of time available,
149
356000
2000
Szóval van még egy kis időnk,
06:13
so I'm going to ask Evan
150
358000
2000
ezért megkérem Evant
06:15
to do a really difficult task.
151
360000
2000
hogy valami igazán nehéz feladatot hajtson végre.
06:17
And this one is difficult
152
362000
2000
Ez azért lesz nehéz,
06:19
because it's all about being able to visualize something
153
364000
3000
mert valami olyat kell elképzelnie,
06:22
that doesn't exist in our physical world.
154
367000
2000
ami nem létezik a fizikai világunkban.
06:24
This is "disappear."
155
369000
2000
Ez az "eltűnés".
06:26
So what you want to do -- at least with movement-based actions,
156
371000
2000
Szóval a mozgásalapú cselekvéseket
06:28
we do that all the time, so you can visualize it.
157
373000
3000
állandóan csináljuk, ezért tudjuk vizualizálni is.
06:31
But with "disappear," there's really no analogies --
158
376000
2000
De mi a helyzet az "eltűnés"-sel?, igazából nincs analógia.
06:33
so Evan, what you want to do here
159
378000
2000
Szóval Evan, amit te csinálni akarsz,
06:35
is to imagine the cube slowly fading out, okay.
160
380000
3000
hogy elképzeled, amint a kocka lassan eltűnik, ok?
06:38
Same sort of drill. So: one, two, three, go.
161
383000
3000
Ugyanaz a gyakorlat. Szóval: egy, két, há', rajta.
06:50
Okay. Let's try that.
162
395000
3000
Ok. Próbáljuk meg ezt.
06:53
Oh, my goodness. He's just too good.
163
398000
3000
Ó, te jó ég. Ő egyszerűen túl jó!
06:57
Let's try that again.
164
402000
2000
Próbáljuk meg újra.
07:04
EG: Losing concentration.
165
409000
2000
EG: Nem tudok koncentrálni.
07:06
(Laughter)
166
411000
2000
(Nevetés)
07:08
TL: But we can see that it actually works,
167
413000
2000
TL: De látjuk, hogy igazából működik,
07:10
even though you can only hold it
168
415000
2000
még akkor is, ha csak kis időre
07:12
for a little bit of time.
169
417000
2000
tudod megtartani.
07:14
As I said, it's a very difficult process
170
419000
3000
És ahogy mondtam,
07:17
to imagine this.
171
422000
2000
ezt nagyon bonyolult elképzelni.
07:19
And the great thing about it is that
172
424000
2000
És a nagyszerű ebben az,
07:21
we've only given the software one instance
173
426000
2000
hogy a szoftvernek csak egyszer mondtuk meg,
07:23
of how he thinks about "disappear."
174
428000
3000
hogy ő hogyan gondolkodik az "eltűnés"-ről.
07:26
As there is a machine learning algorithm in this --
175
431000
3000
És egy tanulékony gépi algoritmus van emögött.
07:29
(Applause)
176
434000
4000
(Taps)
07:33
Thank you.
177
438000
2000
Köszönöm.
07:35
Good job. Good job.
178
440000
3000
Jó munka! Nagyszerű!
07:38
(Applause)
179
443000
2000
(Taps)
07:40
Thank you, Evan, you're a wonderful, wonderful
180
445000
3000
Köszönöm Evan, csodálatos vagy,
07:43
example of the technology.
181
448000
3000
lenyűgöző példa ez a technológiára.
07:46
So, as you can see, before,
182
451000
2000
Szóval ahogy látták korábban,
07:48
there is a leveling system built into this software
183
453000
3000
egy fokozatokat felismerő rendszer van a szoftverbe építve
07:51
so that as Evan, or any user,
184
456000
2000
azért, hogy Evan és bármilyen felhasználó,
07:53
becomes more familiar with the system,
185
458000
2000
ahogy egyre jobban megismeri a rendszert,
07:55
they can continue to add more and more detections,
186
460000
3000
képes legyen több és több felismerést hozzáadni,
07:58
so that the system begins to differentiate
187
463000
2000
hogy a rendszer elkezdje megkülönböztetni
08:00
between different distinct thoughts.
188
465000
3000
a különböző gondolatokat.
08:04
And once you've trained up the detections,
189
469000
2000
És amint megtanítottuk a felismerésekre,
08:06
these thoughts can be assigned or mapped
190
471000
2000
ezeket a gondolatokat továbbítani vagy térképezni lehet
08:08
to any computing platform,
191
473000
2000
bármilyen számítógépes platformnak,
08:10
application or device.
192
475000
2000
alkalmazásnak vagy eszköznek.
08:12
So I'd like to show you a few examples,
193
477000
2000
Szóval szeretnék Önöknek néhány példát mutatni,
08:14
because there are many possible applications
194
479000
2000
mert sok lehetséges alkalmazási lehetőség van
08:16
for this new interface.
195
481000
2000
ezzel az új interfésszel kapcsolatban.
08:19
In games and virtual worlds, for example,
196
484000
2000
Játékokban és a virtuális világokban, például,
08:21
your facial expressions
197
486000
2000
az arckifejezéseinket
08:23
can naturally and intuitively be used
198
488000
2000
természetesen és ösztönösen használjuk,
08:25
to control an avatar or virtual character.
199
490000
3000
hogy irányítsunk egy avatart vagy virtuálist karaktert.
08:29
Obviously, you can experience the fantasy of magic
200
494000
2000
Értelemszerűen megtapasztalhatjuk a varázslat fantasztikumát
08:31
and control the world with your mind.
201
496000
3000
és a világot az értelmünkkel irányíthatjuk.
08:36
And also, colors, lighting,
202
501000
3000
Sőt a színek, a világítás,
08:39
sound and effects
203
504000
2000
a hangok és effektek,
08:41
can dynamically respond to your emotional state
204
506000
2000
dinamikusan válaszolhatnak az érzelmi állapotunkra
08:43
to heighten the experience that you're having, in real time.
205
508000
3000
hogy mélyítsék a tapasztalatunkat, valós időben.
08:47
And moving on to some applications
206
512000
2000
Rátérve néhány konkrét alkalmazásra
08:49
developed by developers and researchers around the world,
207
514000
3000
amit fejlesztők és kutatók alkottak a világon,
08:52
with robots and simple machines, for example --
208
517000
3000
robotokkal és egyszerű gépekkel, például --
08:55
in this case, flying a toy helicopter
209
520000
2000
ebben az esetben: egy játék helikoptert
08:57
simply by thinking "lift" with your mind.
210
522000
3000
tudunk irányítani pusztán azzal, hogy az emelkedésre gondolunk.
09:00
The technology can also be applied
211
525000
2000
A technológiát alkalmazhatjuk
09:02
to real world applications --
212
527000
2000
a valódi világban használt eszközökre is --
09:04
in this example, a smart home.
213
529000
2000
ebben a példában egy okos otthont látunk.
09:06
You know, from the user interface of the control system
214
531000
3000
Tudják, a irányító rendszer felhasználói felületétől
09:09
to opening curtains
215
534000
2000
a függönyök elhúzásáig
09:11
or closing curtains.
216
536000
3000
vagy a függőnyök behúzásáig.
09:22
And of course, also to the lighting --
217
547000
3000
És persze a világításig --
09:25
turning them on
218
550000
3000
felkapcsolni
09:28
or off.
219
553000
2000
vagy lekapcsolni.
09:30
And finally,
220
555000
2000
És végül,
09:32
to real life-changing applications,
221
557000
2000
egészen életet megváltoztató alkalmazásokig
09:34
such as being able to control an electric wheelchair.
222
559000
3000
mint az, hogy képesek vagyunk irányítani egy elektromos tolószéket.
09:37
In this example,
223
562000
2000
Ebben a példában,
09:39
facial expressions are mapped to the movement commands.
224
564000
3000
az arckifejezéseket párosítottuk a mozgásparancsokkal.
09:42
Man: Now blink right to go right.
225
567000
3000
Férfi: Most pislogjon a jobb szemével, hogy jobbra forduljon.
09:50
Now blink left to turn back left.
226
575000
3000
Most pislogjon a bal szemével, hogy balra forduljon.
10:02
Now smile to go straight.
227
587000
3000
Most mosolyogjon, hogy egyenesen haladjon.
10:08
TL: We really -- Thank you.
228
593000
2000
TL: Mi igazán -- Köszönöm.
10:10
(Applause)
229
595000
5000
(Taps)
10:15
We are really only scratching the surface of what is possible today,
230
600000
3000
Mi tényleg csak súroljuk a felszínét annak, ami ma lehetséges.
10:18
and with the community's input,
231
603000
2000
És a közösség ötleteivel,
10:20
and also with the involvement of developers
232
605000
2000
és a fejlesztők és kutatók
10:22
and researchers from around the world,
233
607000
3000
bevonásával a világon,
10:25
we hope that you can help us to shape
234
610000
2000
reméljük, hogy tudnak segíteni formálni
10:27
where the technology goes from here. Thank you so much.
235
612000
3000
hová is halad a technológia innen. Nagyon köszönöm.
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