La técnica de Microsoft para leer la mente

Ya no le basta con dirigir su computadora, ahora Microsoft también quiere leer su mente.

La empresa afirma que es difícil evaluar debidamente la manera en que las personas interactúan con las computadoras ya que preguntarles en ese momento los distraería, y preguntarles después podría no arrojar respuestas fiables. La empresa declara que los seres humanos no suelen saber explicar sus propias acciones.

En cambio, Microsoft quiere obtener la información directamente del cerebro del usuario mientras que éste trabaja. Prevén hacerlo utilizando electroencefalogramas (EEG) para registrar las señales eléctricas del cerebro. El problema es que la información que brinda el EEG está llena de artefactos ocasionados, por ejemplo, por parpadeo o movimientos involuntarios, lo que dificulta separarlos de la información cognitiva que Microsoft querría estudiar.

Por lo tanto, a la empresa se le ha ocurrido un método para filtrar la información de los EEG de manera que separe la información cognitiva útil de la no tan útil y no cognitiva. La empresa espera que la información le permita crear interfaces para los usuarios de modo que a las personas les resulten más fáciles de usar. Que los usuarios quieran que Microsoft lea sus ondas cerebrales, ya eso es harina de otro costal.

Lea el documento completo: Microsoft mind reading patent application

 

Justin Mullins, colaborador de New Scientist

Solicitud de Patente de los Estados Unidos
20070185697
Código de Clasificación A1
Tan; Desney S. ; et al. 9 de agosto de 2007

Utilización de las señales de encefalogramas para clasificar tareas y reconocer actividades.
Reseña analítica
Se describe un método para clasificar los estados cerebrales a partir de las señales electroencefalográficas (EEG), que comprende la creación de un modelo clasificador y la clasificación de los estados cerebrales utilizando el modelo clasificador. Se determinan los estados cerebrales. Se recopila la información etiquetada del EEG y se divide en ventanas de tiempo superpuestas. Se retira la dimensión de tiempo de cada ventana de tiempo. Se obtienen las características distintivas al computar las características de base; se combinan las características de base para formar un mayor conjunto de características; se reduce este conjunto mayor; se reduce aun más el grupo de características con una técnica particular de aprendizaje a través de la máquina. Se clasifican los estados cerebrales en la información del EEG sin etiqueta con el modelo clasificador dividiendo la información del EEG sin etiqueta en ventanas de tiempo superpuestas y eliminando la dimensión de tiempo para cada ventana de tiempo. Se generan las características que requiere el modelo clasificador. Los artefactos en la información del EEG etiquetada y sin etiquetar comprenden los artefactos cognitivos y los artefactos no cognitivos.
Inventores: Tan; Desney S.; (Kirkland, Washington) ; Lee; Johnny C.; (Pittsburgh, Pennsylvania)
Correspondencia Nombre y dirección: CHRISTENSEN, O’CONNOR, JOHNSON, KINDNESS, PLLC
1420 FIFTH AVENUE
SUITE 2800
SEATTLE
WA
98101-2347
US
Nombre del cesionario y dirección: Microsoft Corporation
Redmond
WA
Número de serie: 349859
Código de serie: 11
Presentado: 7 de febrero de 2006

Categoría Actual de EEUU: 703/11; 600/544
Categoría de EEUU en Publicaciones : 703/011; 600/544
Categoría Internacional: G06G 7/48 20060101 G06G007/48; A61B 5/04 20060101 A61B005/04

Fundamentos

1. Se trata de un método para clasificar los estados cerebrales que comprende la creación de un modelo clasificador utilizando señales de información electroencefalográficas etiquetadas que contienen artefactos, y la clasificación de estados cerebrales en las señales de información de EEG sin etiquetar que contienen artefactos utilizando el modelo clasificador.

2. El método del fundamento 1, en el que la creación de un modelo clasificador abarca: a) determinar los estados cerebrales de interés; b) recopilar un conjunto de señales de datos de EEG etiquetados que incluyen artefactos («información de EEG etiquetada»); c) dividir la información de EEG etiquetada en ventanas de tiempo superpuestas; d) eliminar la dimensión de tiempo de cada ventana de tiempo; e) generar características a partir de las ventanas de tiempo; y f) crear el modelo clasificador.

3. El método del fundamento 2, el que la generación de las características a partir de las ventanas de tiempo comprende: a) computar las características de base de las ventanas de tiempo; b) combinar las características de base para formar un conjunto mayor de características; c) reducir el conjunto mayor de características sin tener en consideración las técnicas de aprendizaje a través de la máquina; y d) reducir aun más el conjunto de características para una técnica de aprendizaje a través de la máquina.

4. El método del fundamento 1, en el que la clasificación de los estados cerebrales utilizando el modelo clasificador comprende: a) recopilar un conjunto de señales de información de EEG sin etiquetar que incluye artefactos («información de EEG sin etiquetar»); b) dividir la información de EEG sin etiquetar en ventanas de tiempo superpuestas; c) eliminar la dimensión de tiempo de cada ventana de tiempo; d) generar las características requeridas por el modelo clasificador a partir de las ventanas de tiempo; e) utilizar el modelo clasificador para clasificar los estados cerebrales en los datos de EEG sin etiquetar; f) escoger la medida de los núcleos (kernels) promedio; y g) promediar el resultado del clasificador sobre las ventanas de tiempo adyacentes.

5. El método del fundamento 1, en el que los artefactos incluidos en las señales de datos de EEG etiquetados comprende los artefactos cognitivos.

6. El método del fundamento 1, en el que los artefactos incluidos en las señales de datos de EEG etiquetados abarcan artefactos cognitivos y no cognitivos.

7. El método del fundamento 1, en el que los artefactos incluidos en las señales de datos de EEG no etiquetados abarcan artefactos cognitivos.

8. El método del fundamento 1, en el que los artefactos incluidos en las señales de datos de EEG no etiquetados abarcan artefactos cognitivos y no cognitivos.

9. El método del fundamento 1, en el que se recopilan las señales de EEG de los pares de sensores adheridos a las personas.

10. El método del fundamento 1, en el que los pares de sensores comprenden dos pares de sensores.

11. El método del fundamento 9, en el que las personas son sanas desde el punto de vista neurológico.

12. El método del fundamento 11, en el que las personas sanas desde el punto de vista neurológico son usuarios que se están probando para evaluar las interfaces de los usuarios.

13. El método del fundamento 1, en el que los estados cerebrales están asociados, al menos, a una condición de los usuarios seleccionada del grupo de condiciones de los usuarios, que abarcan: posibilidad de interrumpir el trabajo, carga de trabajo cognitiva, enfrascamiento en una tarea, mediación comunicativa, interpretación y predicción de la respuesta del sistema, sorpresa, satisfacción y frustración.

14. El método del fundamento 1, incluye discriminar al menos dos estados cerebrales diferentes.

15. El método del fundamento 1, incluye determinar la persistencia de los estados cerebrales.

16. El método del fundamento 1, incluye determinar las transiciones entre los estados cerebrales.

17. El método del fundamento 1, en el que se generan múltiples características y después se reducen.

Descripción

ANTECEDENTES

[0001] Al estudiar la interacción de los seres humanos con los equipos de computación, es conveniente poder determinar la eficacia de una interfaz computadora-usuario, por ejemplo, la interfaz de usuario. Una manera tradicional de determinar la eficacia de una interfaz de usuario es presentar a un usuario de computadora, a saber, a un usuario, una tarea, observar al usuario mientras opera la interfaz de usuario para completar la tarea asignada, y formular al usuario preguntas antes, durante y/o después de realizada la tarea. El comportamiento observado y las respuestas a las preguntas se clasifican y cuantifican. Los resultados cuantificados se analizan para determinar la eficacia de la interfaz de usuario.
[0002] Las técnicas de la neurociencia cognitiva pueden utilizarse a fin de brindar una vía más directa para determinar la eficacia de las interfaces de usuarios. Una técnica típica de la neurociencia cognitiva es adherir sensores eléctricos, o sea, sensores, en diferentes puntos del cuero cabelludo del usuario. Posteriormente los sensores se conectan a un electroencefalógrafo (EEG). El propósito del EEG es detectar los cambios eléctricos dentro del cerebro que corresponden a ciertos estados cerebrales. Es posible determinar la eficacia de una interfaz de usuario analizando los estados cerebrales de un usuario antes, durante y/o después de que el usuario realice la tarea utilizando la interfaz de usuario.
[0003] Como el nombre lo indica, las técnicas de la neurociencia «cognitiva», también denominadas técnicas cognitivas, se centran en los procesos del pensamiento. Las técnicas cognitivas analizan las señales eléctricas ocasionadas por cambios eléctricos dentro del cerebro, a saber, las señales de EEG. Estas señales de EEG contienen información y patrones de datos relacionados con los estados cerebrales, que se pueden utilizar para inferir la existencia de procesos de pensamiento. Un problema que presentan las técnicas cognitivas es que las señales de EEG a menudo contienen artefactos, o sea, información indeseada que podría distorsionar la información sobre el estado cerebral. Anteriormente se había intentado evadir los artefactos o los «problemas de ruido» para lo cual se filtraban las señales de EEG y se utilizaba retroalimentación neuronal. Si bien es eficaz para eliminar algunos artefactos, la filtración y la retroalimentación neuronal suponen un gran costo y complican extraordinariamente las técnicas cognitivas, lo que, a su vez, reduce la utilidad de aplicar las técnicas cognitivas para determinar la eficacia de las interfaces de usuarios.
RESUMEN

[0004] El objetivo del presente resumen es presentar una selección de conceptos de manera simplificada y que se describen más adelante en el acápite titulado Descripción detallada. En el resumen no se pretende determinar las características claves de la materia fundamentada, ni utilizarlo como ayuda para determinar el alcance de la materia fundamentada.
[0005] Se revela un método para clasificar los estados cerebrales utilizando las señales de EEG. El método es capaz de determinar la persistencia de los estados cerebrales y las transiciones entre los estados cerebrales. El método abarca la creación de un modelo clasificador utilizando la información etiquetada del EEG y la clasificación de los estados cerebrales en la información de EEG no etiquetada utilizando el modelo clasificador.
[0006] El modelo clasificador ejemplar se crea mediante la determinación de los estados cerebrales; la recopilación de un conjunto de datos etiquetados de EEG; y la división del conjunto en ventanas de tiempo superpuestas. Se elimina la dimensión de tiempo de cada ventana de tiempo, se generan las características de datos para las ventanas de tiempo, y se crea el modelo clasificador. Se generan las características a partir de las ventanas de tiempo de la información etiquetada de EEG computando las características de base de las ventanas de tiempo; combinando las características de base para formar un conjunto mayor de características, reduciendo el conjunto mayor de características sin tener en cuenta las técnicas de aprendizaje a través de la máquina, y reduciendo aún más el conjunto de características para una técnica particular de aprendizaje a través de la máquina. Los estados cerebrales se clasifican utilizando el modelo clasificador mediante la recopilación de un conjunto de datos de EEG sin etiquetar, dividiendo los datos no etiquetados del EEG en ventanas de tiempo superpuestas, y eliminado la dimensión de tiempo de cada ventana de tiempo. Las características requeridas por el modelo clasificador se generan a partir de las ventanas de tiempo. El modelo clasificador se utiliza para clasificar los estados cerebrales en la información de EEG no etiquetada. Se escoge el tamaño de los kernels promedio y el resultado del clasificador se promedia sobre las ventanas de tiempo adyacentes. La información de EEG etiquetada y sin etiquetar contiene tanto los datos de los estados cerebrales como los artefactos.
[0007] En una aplicación típica, las señales de EEG se recopilan a partir de los sensores adheridos al cuero cabelludo de las personas sanas desde el punto de vista neurológico («usuarios») mientras los usuarios operan las interfaces de usuarios. Preferentemente, el número de sensores es sustancialmente menor al número de sensores normalmente utilizados para recopilar la información de las señales del EEG, por ejemplo, cuatro (4) sensores que forman dos pares de sensores. Preferiblemente, los estados cerebrales se asocian con al menos una condición seleccionada de un grupo de condiciones de usuarios, que abarcan: posibilidad de interrumpir el trabajo, carga de trabajo cognitiva, enfrascamiento en una tarea, mediación comunicativa, interpretación y predicción de la respuesta del sistema, sorpresa, satisfacción y frustración.
[0008] La utilización típica de este método incluye, entre otras cosas: comparar los niveles de carga de trabajo cognitiva, o tipos de carga de trabajo de múltiples interfaces de usuarios; evaluar la utilidad cognitiva de las interfaces de usuarios en tiempo real para permitir que las interfaces de usuarios se adapten dinámicamente a los estados de usuarios; y presentar una mayor comprensión detallada de la carga de trabajo cognitiva de los grupos de usuarios.

http://www.newscientist.com/blog/invention/2007/10/microsoft-mind-reading.html