Wetenschappers hebben een doorbraak geforceerd in de communicatie tussen mens en machine door een AI-model te ontwikkelen dat hersenactiviteit vertaalt naar tekst. In tegenstelling tot eerdere geavanceerde systemen zijn hiervoor geen chirurgische implantaten nodig. De resultaten suggereren dat de effectiviteit van non-invasieve methoden steeds dichter bij die van implantaten komt te liggen, mits er voldoende data en rekenkracht beschikbaar is.
Het herstellen van de communicatie voor personen die door ernstig hersenletsel niet meer kunnen spreken of bewegen, is een complex medisch vraagstuk. Hoewel chips die direct in de hersenen worden geplaatst al hoge prestaties leveren, bleven externe meetmethoden lange tijd achter. In een recent onderzoek, dat is gepubliceerd via arxiv.org, presenteren onderzoekers het model Brain2Qwerty v2 als een potentieel alternatief.
Techniek en dataverzameling
Het systeem Brain2Qwerty v2 maakt gebruik van magneto-encefalografie (MEG), een techniek die de magnetische velden van de elektrische activiteit in de hersenen meet zonder dat er fysiek contact met het hersenweefsel nodig is. Om het model te trainen, is een omvangrijke dataset opgebouwd waarbij negen proefpersonen in totaal 22.000 zinnen typten. Voor elke deelnemer werd de hersenactiviteit gedurende tien uur vastgelegd.
Door te werken met representaties op het niveau van tekens, woorden en volledige zinnen, behaalde het model een gemiddelde foutmarge (word error rate) van 39%. Bij de meest succesvolle deelnemer was de precisie nog hoger: de helft van de zinnen werd gedecodeerd met maximaal één foutief woord. In deze context is het proces van cambridge.org cruciaal, aangezien het gaat om het omzetten van complexe signalen naar begrijpelijke taal.
De rol van kunstmatige intelligentie
Volgens de onderzoekers, waaronder Jarod Lévy en Mingfang Zhang, is dit resultaat mogelijk dankzij drie specifieke AI-toepassingen. Ten eerste is deep learning ingezet om handmatige processen voor eventdetectie te vervangen. Daarnaast zijn grote taalmodellen (LLM's) specifiek getraind om semantische betekenissen uit de hersensignalen te filteren. Tot slot hielpen AI-agents bij het iteratief optimaliseren van de software via geautomatiseerde codeontwikkeling.
Een belangrijke conclusie uit de studie op is dat de nauwkeurigheid van de vertaling log-lineair toeneemt naarmate er meer trainingsdata beschikbaar is. Dit impliceert dat de prestatiekloof tussen externe scans en chirurgische implantaten mogelijk volledig gedicht kan worden door de inzet van grotere hoeveelheden data.
Toekomstige implicaties
Deze ontwikkeling betekent dat hersen-naar-tekstvertalingen op een niveau van precisie komen dat voorheen enkel mogelijk werd geacht via operaties. Dit vermindert de medische risico's voor patiënten aanzienlijk, omdat invasieve ingrepen niet langer de enige weg naar effectieve communicatie zijn. Het proces van wordt hierbij vertaald van een puur taalkundig concept naar een technisch proces van signaalverwerking.
Het onderzoek, dat op 29 juni 2026 is ingediend, bevindt zich op het snijvlak van machine learning, kunstmatige intelligentie en computationele taalwetenschap. De volledige methodologie en de behaalde resultaten zijn in detail beschreven in de publicatie op .