I dagens vitenskap-så-rare-det-absolutt-må-være-science-fiction-konkurranse har vi en klar vinner: en ny studie der et team av forskere bruker en MR-maskin, en datamodell og tusenvis av bilder fra internett for å finne ut hva folk ser på som de drømmer.
Relatert innhold
- Hvorfor Mind Wandering kan være så elendig, ifølge lykkeeksperter
Utrolig som det høres ut, sier forskere fra Kyoto, Japan, at de har bygget noe av en drømmelesemaskin, som lærte nok om de nevrologiske mønstrene til tre forskningsdeltakere til å forutsi visualiseringene deres om søvnen med 60 prosent nøyaktighet. Studien, som ble publisert i dag i Science, antas å være det første tilfellet der objektive data er blitt hentet om innholdet i en drøm.
Den tilsynelatende ekstraordinære ideen er bygget ut fra et greit konsept: at hjernen vår følger forutsigbare mønstre når de reagerer på forskjellige slags visuelle stimuli, og over tid kan en læringsalgoritme finne ut hvordan de skal korrelere hvert av disse mønstrene med forskjellige klasser av visualiseringer. En studie fra 2005 av en av forskerne oppnådde dette på en mye mer primitiv måte - mens forsøkspersoner var våkne - med et læringsprogram riktig ved bruk av funksjonell MR-avlesning (fMRI indikerer blodstrøm til forskjellige deler av hjernen) for å bestemme i hvilken retning et fag så etter.
Denne studien fulgte det samme prinsippet, men tok det i en mye mer ambisiøs retning, og forsøkte å matche faktiske bilder - ikke bare visuelle retninger - med fMRI-avlesninger, og gjøre det mens forsøkspersonene sov.
Forskningen ble gjort på tre deltakere, som hver tok svinger med å sove i en MR-skanner i et antall 3-timersblokker i løpet av 10 dager. Deltakerne ble også kablet med en elektroencefalografi (EEG) maskin, som sporer det generelle nivået av elektrisk aktivitet i hjernen og ble brukt til å indikere hvilket søvnstadium de var i.
De dypeste, lengste drømmene oppstår under REM-søvn, som vanligvis begynner etter noen timers søvn. Men raske, sporadiske hallusinasjoner forekommer også under trinn 1 av ikke-REM-søvn, som starter noen minutter etter at du drev av, og forskerne prøvde å spore visualiseringene i løpet av dette stadiet.
Da fMRI overvåket blodstrømmen til forskjellige deler av forsøkspersonenes hjerner, drev de i dvale; så, når forskerne la merke til at de hadde kommet inn i trinn 1, vekket de dem og ba dem beskrive hva de tidligere så mens de drømte. De gjentok denne prosessen nesten 200 ganger for hver av deltakerne.
Etterpå registrerte de de 20 vanligste klassene med elementer som ble sett av hver deltaker (“bygning”, “person” eller “brev”, for eksempel) og søkte etter bilder på nettet som omtrent matchet objektene. De viste disse bildene til deltakerne mens de var våkne, også i MR-skanneren, og sammenlignet deretter avlesningene med MR-avlesningene fra da folket hadde sett de samme objektene i drømmene sine. Dette tillot dem å isolere de spesielle hjerneaktivitetsmønstrene som virkelig er forbundet med å se et gitt objekt fra ikke-relaterte mønstre som rett og slett korrelerte med å være i søvn.
De matet alle disse dataene - de 20 vanligste objekttypene som hver deltaker hadde sett i drømmene sine, representert av tusenvis av bilder fra nettet, sammen med deltakernes hjerneaktivitet (fra MR-avlesningene) som skjedde som et resultat å se dem - inn i en læringsalgoritme, i stand til å forbedre og foredle modellen basert på dataene. Da de inviterte de tre svillene tilbake til MR-en for å teste den nylig raffinerte algoritmen, genererte den videoer som den nedenfor, og produserte grupper av relaterte bilder (hentet fra tusenvis på nettet) og valgte hvilken av de 20 gruppene med elementer (ordene nederst) det trodde det var mest sannsynlig at personen så, basert på MR-avlesningene hans:
Da de vekket motivene denne gangen og ba dem beskrive drømmene sine, viste det seg at maskinens spådommer var bedre enn tilfeldigheter, selv om de på ingen måte var perfekte. Forskerne valgte to klasser med gjenstander - en som drømmeren hadde rapportert å se, og en han eller hun ikke hadde gjort - og sjekket, hvor ofte algoritmen bare hadde rapportert en av dem, hvor ofte den spådde den riktige.
Algoritmen fikk det riktig 60 prosent av tiden, en andel forskerne sier ikke kan forklares ved en tilfeldighet. Spesielt var det bedre til å skille visualiseringer fra forskjellige kategorier enn forskjellige bilder fra samme kategori - det vil si at det hadde en bedre sjanse til å fortelle om en drømmer så en person eller en scene, men var mindre nøyaktig med å gjette om en bestemt scenen var en bygning eller en gate.
Selv om det bare er i stand til relativt grove forutsigelser, demonstrerer systemet noe overraskende: Drømmene våre kan virke som subjektive, private opplevelser, men de produserer objektive, konsistente data som kan analyseres av andre. Forskerne sier at dette arbeidet kan være et første forsøk på vitenskapelig drømmeanalyse, og til slutt tillate mer sofistikert drømmetydning i dypere søvnstadier.
