ทีมวิจัยอธิบายว่า "กิจกรรมในสมองนั้นเดินทางไปตามเส้นทางที่คุ้นเคย การทำงานไปกับเส้นทางเหล่านั้น ไม่ใช่ต่อต้านมัน คือกุญแจสำคัญสู่การเรียนรู้ที่จะใช้ BCI"

ระบบของพวกเขาใช้อัลกอริทึมการเรียนรู้ของเครื่อง (Machine Learning) เพื่อค้นพบโครงสร้างของแมนิโฟลด์ที่เป็นธรรมชาติของแต่ละบุคคลแบบเรียลไทม์ จากนั้นข้อมูลสะท้อนกลับทางประสาท (Neurofeedback) จะถูกปรับแต่งให้เหมาะกับผู้ใช้แต่ละคน เพื่อนำทางพวกเขาไปตามเส้นทางธรรมชาติเหล่านี้ และยังเปิดโอกาสให้ผู้ใช้สามารถขยายขอบเขตของแมนิโฟลด์นั้นออกไปในทิศทางใหม่ๆ เพื่อควบคุมระบบได้

ข้อค้นพบสำคัญ: จากความน่าเบื่อหลายชั่วโมง สู่การควบคุมได้ในไม่ถึง 60 นาที

ผลลัพธ์ที่ได้นั้นน่าทึ่งมาก ผู้เข้าร่วมทดลองที่ใช้ BCI ที่สอดคล้องกับรูปทรงเรขาคณิตของสมอง สามารถเรียนรู้ที่จะควบคุมอวาตาร์ในวิดีโอเกมได้ภายในเวลาไม่ถึงหนึ่งชั่วโมง ตัวเลขนี้ตรงข้ามอย่างสิ้นเชิงกับระบบ BCI แบบเรียลไทม์ที่ใช้การสแกนสมองด้วยคลื่นแม่เหล็กไฟฟ้า (fMRI) รุ่นก่อนหน้านี้ ซึ่งมักต้องใช้เวลาในการฝึกฝนมากถึง 10 ครั้งต่อคน และที่แย่ไปกว่านั้น ในระบบรุ่นเก่า ผู้ใช้ประมาณหนึ่งในสามไม่สามารถควบคุมระบบได้อย่างน่าเชื่อถือเลยแม้แต่น้อย

แนวทางใหม่นี้แทบจะขจัดปัญหา 'ผู้ที่เรียนรู้ไม่ได้' (non-learner) ออกไปได้หมดสิ้น เป็นการพิสูจน์ให้เห็นว่าการควบคุม BCI ได้อย่างรวดเร็วและเป็นสากลนั้นเป็นไปได้อย่างแท้จริง เมื่ออินเทอร์เฟซนั้นเคารพต่อโครงสร้างตามธรรมชาติของสมอง

ระเบียบวิธีวิจัย: fMRI แบบเรียลไทม์ และสมองส่วนการมองเห็น

ทีมวิจัยใช้เครื่อง fMRI เพื่อให้ข้อมูลสะท้อนกลับทางประสาทแบบเรียลไทม์ โดยเจาะจงไปที่สมองส่วนการมองเห็น (Visual Cortex) ผู้เข้าร่วมทดลองเรียนรู้ที่จะปรับเปลี่ยนการทำงานของสมองในบริเวณนี้ไปตามมิติต่างๆ ที่ถูกระบุโดยอัลกอริทึมการเรียนรู้แมนิโฟลด์ วิธีการที่เจาะจงนี้แตกต่างจากการฝึกฝนสมองส่วนใดส่วนหนึ่งหรือรูปแบบสัญญาณใดๆ แบบกว้างๆ โดยเป็นการฝังรากฐานของ BCI ไว้ในระบบประสาทที่มีความเฉพาะเจาะจงและเป็นที่เข้าใจกันดี

จะเกิดอะไรขึ้นเมื่อคุณละเมิดหลักการนี้

งานวิจัยชิ้นนี้ไม่ได้พิสูจน์แค่ว่าอะไรที่เวิร์ค แต่ยังพิสูจน์ให้เห็นด้วยว่าอะไรที่ล้มเหลว เมื่อทีมวิจัยจงใจออกแบบ BCI ให้ทำงาน สวนทาง กับรูปทรงเรขาคณิตตามธรรมชาติของสมอง โดยขอให้ผู้เข้าร่วมปรับเปลี่ยนกิจกรรมของสมองในมิติที่ไม่สอดคล้องกับโครงสร้างภายในของระบบประสาท การเรียนรู้ก็หยุดชะงักลงทันที ผู้ใช้แทบไม่มีการพัฒนาใดๆ เลย ซึ่งมันจำลองผลลัพธ์ที่น่าผิดหวังของ BCI รุ่นก่อนๆ ได้อย่างสมบูรณ์แบบ

ข้อค้นพบนี้เป็นมากกว่าบันทึกทางเทคนิคเล็กๆ น้อยๆ มันให้คำอธิบายเชิงเหตุผลว่าทำไม BCI แบบไม่ต้องผ่าตัดรุ่นก่อนๆ ถึงมักจะประสบปัญหา อุปสรรคที่แท้จริงไม่เคยเป็นแค่เรื่องของคุณภาพสัญญาณหรือความพยายามของผู้ใช้ แต่มันคือความไม่ลงรอยกันขั้นพื้นฐานระหว่างการออกแบบอินเทอร์เฟซกับสถาปัตยกรรมการทำงานของสมอง

ทีมวิจัยเบื้องหลังการศึกษา

งานวิจัยนี้เป็นความร่วมมือข้ามสาขาวิชาที่มหาวิทยาลัยเยล Erica Busch ผู้จบการศึกษาระดับปริญญาเอกเมื่อไม่นานนี้ เป็นผู้เขียนผลงานชิ้นแรก โดยมี Smita Krishnaswamy จากภาควิชาพันธุศาสตร์และวิทยาการคอมพิวเตอร์ และ Nicholas Turk-Browne จากภาควิชาจิตวิทยา เป็นผู้เขียนร่วมที่รับผิดชอบการติดต่อ นอกจากนี้ยังมีผู้เขียนร่วมคนอื่นๆ ได้แก่ E. Chandra Fincke และ Guillaume Lajoie

ผลกระทบในวงกว้างต่อการแพทย์ เกม และอื่นๆ

นัยยะของงานวิจัยนี้ขยายวงกว้างไปไกลกว่าแค่วิดีโอเกม คณะผู้เขียนได้โต้แย้งว่า เทคโนโลยีประสาทใดๆ ก็ตามที่ถูกออกแบบมาเพื่อปฏิสัมพันธ์กับสมอง ไม่ว่าจะเพื่อช่วยเหลือผู้ที่มีความผิดปกติด้านการเคลื่อนไหวหรือการสื่อสาร การพัฒนาวิธีการรักษาโรคซึมเศร้าหรือโรควิตกกังวล หรือการสร้างอุปกรณ์สำหรับผู้บริโภคยุคใหม่ ก็จะมีประสิทธิภาพมากขึ้นหากมันถูกสร้างขึ้นมาโดยมี 'รูปทรงเรขาคณิต' ตามธรรมชาติของสมองเป็นศูนย์กลาง การศึกษาครั้งนี้เป็นการวางพิมพ์เขียวเพื่อทำให้การแทรกแซงเหล่านี้รวดเร็วขึ้น มีประสิทธิภาพมากขึ้น และเข้าถึงได้ง่ายขึ้น

ปรัชญาการออกแบบที่ยึดมนุษย์เป็นศูนย์กลางและสอดคล้องกับรูปทรงเรขาคณิตของสมองนี้อาจเป็นจุดเปลี่ยนครั้งสำคัญ ดังที่บทความหนึ่งเกี่ยวกับงานวิจัยนี้ได้กล่าวไว้ว่า มันอาจจะหมายถึง 'game over' สำหรับจอยคอนโทรลเลอร์แบบดั้งเดิมในไม่ช้า ไม่ใช่เพราะอุปกรณ์ชิ้นใดชิ้นหนึ่ง แต่เป็นเพราะวิธีการที่ชาญฉลาดกว่าในการ "ฟัง" เสียงของสมอง

ทีมวิจัยอธิบายว่า "กิจกรรมในสมองนั้นเดินทางไปตามเส้นทางที่คุ้นเคย การทำงานไปกับเส้นทางเหล่านั้น ไม่ใช่ต่อต้านมัน คือกุญแจสำคัญสู่การเรียนรู้ที่จะใช้ BCI"

ระบบของพวกเขาใช้อัลกอริทึมการเรียนรู้ของเครื่อง (Machine Learning) เพื่อค้นพบโครงสร้างของแมนิโฟลด์ที่เป็นธรรมชาติของแต่ละบุคคลแบบเรียลไทม์ จากนั้นข้อมูลสะท้อนกลับทางประสาท (Neurofeedback) จะถูกปรับแต่งให้เหมาะกับผู้ใช้แต่ละคน เพื่อนำทางพวกเขาไปตามเส้นทางธรรมชาติเหล่านี้ และยังเปิดโอกาสให้ผู้ใช้สามารถขยายขอบเขตของแมนิโฟลด์นั้นออกไปในทิศทางใหม่ๆ เพื่อควบคุมระบบได้

ข้อค้นพบสำคัญ: จากความน่าเบื่อหลายชั่วโมง สู่การควบคุมได้ในไม่ถึง 60 นาที

ผลลัพธ์ที่ได้นั้นน่าทึ่งมาก ผู้เข้าร่วมทดลองที่ใช้ BCI ที่สอดคล้องกับรูปทรงเรขาคณิตของสมอง สามารถเรียนรู้ที่จะควบคุมอวาตาร์ในวิดีโอเกมได้ภายในเวลาไม่ถึงหนึ่งชั่วโมง ตัวเลขนี้ตรงข้ามอย่างสิ้นเชิงกับระบบ BCI แบบเรียลไทม์ที่ใช้การสแกนสมองด้วยคลื่นแม่เหล็กไฟฟ้า (fMRI) รุ่นก่อนหน้านี้ ซึ่งมักต้องใช้เวลาในการฝึกฝนมากถึง 10 ครั้งต่อคน และที่แย่ไปกว่านั้น ในระบบรุ่นเก่า ผู้ใช้ประมาณหนึ่งในสามไม่สามารถควบคุมระบบได้อย่างน่าเชื่อถือเลยแม้แต่น้อย

แนวทางใหม่นี้แทบจะขจัดปัญหา 'ผู้ที่เรียนรู้ไม่ได้' (non-learner) ออกไปได้หมดสิ้น เป็นการพิสูจน์ให้เห็นว่าการควบคุม BCI ได้อย่างรวดเร็วและเป็นสากลนั้นเป็นไปได้อย่างแท้จริง เมื่ออินเทอร์เฟซนั้นเคารพต่อโครงสร้างตามธรรมชาติของสมอง

ระเบียบวิธีวิจัย: fMRI แบบเรียลไทม์ และสมองส่วนการมองเห็น

ทีมวิจัยใช้เครื่อง fMRI เพื่อให้ข้อมูลสะท้อนกลับทางประสาทแบบเรียลไทม์ โดยเจาะจงไปที่สมองส่วนการมองเห็น (Visual Cortex) ผู้เข้าร่วมทดลองเรียนรู้ที่จะปรับเปลี่ยนการทำงานของสมองในบริเวณนี้ไปตามมิติต่างๆ ที่ถูกระบุโดยอัลกอริทึมการเรียนรู้แมนิโฟลด์ วิธีการที่เจาะจงนี้แตกต่างจากการฝึกฝนสมองส่วนใดส่วนหนึ่งหรือรูปแบบสัญญาณใดๆ แบบกว้างๆ โดยเป็นการฝังรากฐานของ BCI ไว้ในระบบประสาทที่มีความเฉพาะเจาะจงและเป็นที่เข้าใจกันดี

จะเกิดอะไรขึ้นเมื่อคุณละเมิดหลักการนี้

งานวิจัยชิ้นนี้ไม่ได้พิสูจน์แค่ว่าอะไรที่เวิร์ค แต่ยังพิสูจน์ให้เห็นด้วยว่าอะไรที่ล้มเหลว เมื่อทีมวิจัยจงใจออกแบบ BCI ให้ทำงาน สวนทาง กับรูปทรงเรขาคณิตตามธรรมชาติของสมอง โดยขอให้ผู้เข้าร่วมปรับเปลี่ยนกิจกรรมของสมองในมิติที่ไม่สอดคล้องกับโครงสร้างภายในของระบบประสาท การเรียนรู้ก็หยุดชะงักลงทันที ผู้ใช้แทบไม่มีการพัฒนาใดๆ เลย ซึ่งมันจำลองผลลัพธ์ที่น่าผิดหวังของ BCI รุ่นก่อนๆ ได้อย่างสมบูรณ์แบบ

ข้อค้นพบนี้เป็นมากกว่าบันทึกทางเทคนิคเล็กๆ น้อยๆ มันให้คำอธิบายเชิงเหตุผลว่าทำไม BCI แบบไม่ต้องผ่าตัดรุ่นก่อนๆ ถึงมักจะประสบปัญหา อุปสรรคที่แท้จริงไม่เคยเป็นแค่เรื่องของคุณภาพสัญญาณหรือความพยายามของผู้ใช้ แต่มันคือความไม่ลงรอยกันขั้นพื้นฐานระหว่างการออกแบบอินเทอร์เฟซกับสถาปัตยกรรมการทำงานของสมอง

ทีมวิจัยเบื้องหลังการศึกษา

งานวิจัยนี้เป็นความร่วมมือข้ามสาขาวิชาที่มหาวิทยาลัยเยล Erica Busch ผู้จบการศึกษาระดับปริญญาเอกเมื่อไม่นานนี้ เป็นผู้เขียนผลงานชิ้นแรก โดยมี Smita Krishnaswamy จากภาควิชาพันธุศาสตร์และวิทยาการคอมพิวเตอร์ และ Nicholas Turk-Browne จากภาควิชาจิตวิทยา เป็นผู้เขียนร่วมที่รับผิดชอบการติดต่อ นอกจากนี้ยังมีผู้เขียนร่วมคนอื่นๆ ได้แก่ E. Chandra Fincke และ Guillaume Lajoie

ผลกระทบในวงกว้างต่อการแพทย์ เกม และอื่นๆ

นัยยะของงานวิจัยนี้ขยายวงกว้างไปไกลกว่าแค่วิดีโอเกม คณะผู้เขียนได้โต้แย้งว่า เทคโนโลยีประสาทใดๆ ก็ตามที่ถูกออกแบบมาเพื่อปฏิสัมพันธ์กับสมอง ไม่ว่าจะเพื่อช่วยเหลือผู้ที่มีความผิดปกติด้านการเคลื่อนไหวหรือการสื่อสาร การพัฒนาวิธีการรักษาโรคซึมเศร้าหรือโรควิตกกังวล หรือการสร้างอุปกรณ์สำหรับผู้บริโภคยุคใหม่ ก็จะมีประสิทธิภาพมากขึ้นหากมันถูกสร้างขึ้นมาโดยมี 'รูปทรงเรขาคณิต' ตามธรรมชาติของสมองเป็นศูนย์กลาง การศึกษาครั้งนี้เป็นการวางพิมพ์เขียวเพื่อทำให้การแทรกแซงเหล่านี้รวดเร็วขึ้น มีประสิทธิภาพมากขึ้น และเข้าถึงได้ง่ายขึ้น

ปรัชญาการออกแบบที่ยึดมนุษย์เป็นศูนย์กลางและสอดคล้องกับรูปทรงเรขาคณิตของสมองนี้อาจเป็นจุดเปลี่ยนครั้งสำคัญ ดังที่บทความหนึ่งเกี่ยวกับงานวิจัยนี้ได้กล่าวไว้ว่า มันอาจจะหมายถึง 'game over' สำหรับจอยคอนโทรลเลอร์แบบดั้งเดิมในไม่ช้า ไม่ใช่เพราะอุปกรณ์ชิ้นใดชิ้นหนึ่ง แต่เป็นเพราะวิธีการที่ชาญฉลาดกว่าในการ "ฟัง" เสียงของสมอง