機器學習新技術，從你的腦信號來捕捉你的興趣點

芬蘭的研究人員利用機器學習開發(fā)出一種技術，可以在你閱讀時讀取你的腦信號來捕捉你的興趣點。

未來涌現(xiàn)的數(shù)據(jù)越來越多，人們又將如何智能地篩分導航信息呢？所以面對堆積如山的MBs（數(shù)據(jù)流量），我們需要更好的方式去過濾分流數(shù)字內(nèi)容。

芬蘭的研究人員一直關注這個問題，并且已經(jīng)使用腦電圖（electroencephalogram，EGG）感知器監(jiān)控人們閱讀Wiki文章時的腦信號，并將它與經(jīng)過訓練的機器學習模型結合起來去解析EEG數(shù)據(jù)，同時識別出閱讀者感興趣的概念。這個研究團隊使用該技術生成了一列關鍵詞，這些關鍵詞是閱讀者讀到包含信息的地方時心理上標記下來（mentally flag）的。這些關鍵詞之后可用于預測與這個閱讀者相關的其他Wiki文章?；蛘呔€下幫助過濾一條社交媒體回復，或者為增強現(xiàn)實用戶實時標記出一條符合其興趣的內(nèi)容。

“我們已經(jīng)探索了搜索過程中人類大腦中產(chǎn)生的信號，”研究者Tuukka Ruotsalo說。“現(xiàn)在我們想要采集極端（extreme）的信號，我們能嘗試直接讀取使用者大腦中的興趣和注意嗎？”

該團隊來自赫爾辛基信息技術研究所（HIIT），認為這是研究人員首次展示了基于直接從腦信號中提取關聯(lián)推薦新信息。“現(xiàn)在有很多腦機接口研究，但通常... 主要研究的都是向計算機作出明確的命令，”Ruotsalo說。“所以那就意味著，你想控制房間里的光線和你在做一個明確的模式時，你正在嘗試明確地做一些事情，然后計算機就要試著從大腦中讀取這些你要做的事情。”

“在我們的研究中，這些是自然進行的。你只要閱讀就好，我們不會讓你在讀到一個興奮的單詞時去拉左右胳膊。你就是在閱讀，同時因為文本中有些地方與你相關，我們能讓機器學習與文本喚起的事件匹配的大腦信號，并使用這些信號，”他補充道。

你只需要讀你的書就好，計算機會挑出你閱讀中的興趣點或者有關聯(lián)的地方。

“所以在某種意義上，它是純粹的被動互動。你只要閱讀，計算機會挑出你閱讀中的興趣點或者有關聯(lián)的地方。”

雖然這是一個研究，只有15名測試者和一個腦電帽（EEG cap），沒人愿意在實驗室之外的地方戴上那個帽子，但是它可以讓我們窺探到未來的可能性。一旦有了高質(zhì)量的EGG感知器（人人都能戴的可穿戴智能帽子？），讓整個過程不再那么麻煩，并且可切實結合機器學習軟件，經(jīng)過訓練后能掌握一點讀心術時，它就能走出實驗室了。

“如果你只研究純粹的信號無視其他事情，那就難了，”Ruotsalo解釋道，他指出該團隊沒有通過跟蹤任何物理上的身體移動比如眼球運動來解釋興趣。他們對關聯(lián)的理解僅僅是基于他們的機器學習模型解析EEG腦波。

“這是一個真正具有挑戰(zhàn)性的機器學習任務。你需要訓練這個系統(tǒng)來探測它。有很多像移動或眼球運動這樣更加容易的東西... 能在信號中真實地看到。這次你真正要做的是把它從噪音中找出來。”

Ruotsalo說他們在數(shù)據(jù)量適度的數(shù)據(jù)集上訓練模型，只使用了平均120詞的6個文件，每個文件都用來為其對應的測試對象建立模型。實驗還包括使用少量的初始化監(jiān)督學習，使用的是每個維基百科文章的前六個句子。據(jù)Ruotsalo表明，在未來的研究中他們想看看是否可以在沒有任何監(jiān)督學習下達到同等實驗結果。

雖然“興趣”的概念是相當廣泛的，它可能是由讀者因各種不同原因在心理上標記的一個關鍵詞，他強調(diào)人們已經(jīng)經(jīng)過有效地訓練來以這種方式導航信息，因為他們已經(jīng)習慣使用通過這種興趣信號的語言來實現(xiàn)的數(shù)字服務。

Ruotsalo接著說：“這就是現(xiàn)在我們在數(shù)字世界中所做的。我們點贊或者點擊鏈接和搜索引擎，只要我們點擊了，它們就認為這是里面一定有什么。這就使得在沒有任何明確的行動下也能獲取我們的興趣，所以你其實是從大腦中讀取維基百科的。”

那么這就意味著當人們在閱讀相當大小的文本時從他們的思維中提取出興趣信號是可能的。如果你考慮如何在一個人沉浸于某個內(nèi)容時使用定制營銷信息來抓取他的興趣，那么這就有點恐怖了（dystopic）。所以換句話來說，將目標廣告真正讀取的是你的意圖，而不只是你的點擊。

Ruotsalo希望未來將技術應用于其他更好的商業(yè)用途。

“例如在有大量的信息需要處理，很多事情需要控制、記憶的工作任務中，這可以作為一種支持agent類型的軟件，并且標記上‘這對用戶很重要’，然后能以后提醒用戶：‘記得查閱這些你發(fā)現(xiàn)有趣的事情’，”他建議道。“這樣的用戶建模能在一個真正的信息密集型任務中自動提取特征是很重要的。

“即使是搜索類型的場景，你正在與你的環(huán)境進行交互，在投影機上查看數(shù)字內(nèi)容，我們同樣可以看到你對它的興趣，然后它可以自動檢測并為你注釋或推送個性化內(nèi)容”

“我們已經(jīng)在數(shù)字世界中留下了各種痕跡。我們正在研究過去看過的文檔，并可能會粘貼一些我們以后想要再查看的數(shù)字內(nèi)容，但是所有這些都可以自動記錄。然后，我們表達的各種偏好，不論是評級還是其他什么，都能用于不同的服務建模。他補充說：“看來，現(xiàn)在所有這一切都可以通過從大腦中讀裙。

這并不是他們團隊第一次參與解決搜索和信息超載問題。Ruotsalo也是構建SciNet視覺檢測搜索接口的研究人員，后來由這項技術成立了一家商業(yè)公司Etsimo。

“信息檢索或推薦是一種過濾問題，所以我們試圖過濾信息，來找到到底什么是有趣的或相關的。他補充說：“我認為這是現(xiàn)在最大的問題之一，所有這些新的系統(tǒng)只是推送我們不一定想要的事情。”