Применение парапсихологических феноменов в технических устройствах
Шрифт:
Сначала разделим процесс получения данных с помощью блок схемы на несколько этапов. См. ниже:
Рис 13. Архитектура процесса комбинации пси-интерфейса и нейроинтерфейса
Из схемы видно, что результаты взаимодействия с пси-интерфейсом неминуемо будут влиять на показатели мозга, и процесс будет закольцовываться. Это значит, что нельзя просто взять и только один раз
Вариант «автоматической» настройки пси-интерфейса.
Этот процесс будет иметь свой ритм, при этом должна быть возможность настроить его периодичность.
К примеру, нейроинтерфейс все время снимает показатели ЭЭГ. Первое снятие показателей устанавливает самые начальные настройки. Затем нажимается кнопка «запуск». После запуска каждые 5 секунд программа анализирует полученные в течении 5 секунд данные по нескольким показателям и на их основании изменяет настройки пси-интерфейса на следующие 5 секунд. И после этого процесс снова запускается заново.
Для начала приведем таблицу настроек пси-интерфейса, которые наиболее пригодны для автоматической настройки и попробуем свести ее с различными показателями ЭЭГ, которые могут быть полезны для этой цели. Свои выводы мы будем делать на основе последних научных статей ученых-нейробиологов. Ссылки на статьи будут оставлены в таблице в соответствующей графе таблицы.
Теперь рассмотрим несколько вариантов показателей вышеперечисленных сенсоров и возможные варианты настроек:
Перед началом автоматического измерения выбираем периодичность фикс. От этой суммы будут вычитаться значения. Одеваем нейроинтерфейс и в течении определенного времени (которое тоже можно настроить) ожидаем снятия первых показаний для настроек
Алгоритмы расчета можно внести, например, используя прилагаемую к нейроинтерфейсу платформу Matlab. (если речь идет о к примеру о нейроинтерфейсе EMOTIV) Например выявить периодичность альфа волны можно с помощью кода [11]:
Fs = 128; # EPOC Sampling Frequency
T = 1/Fs; # Sample time
L = size(signal,2); # Length of the signal
t = (0:L-1)*T; # Scaled Time Vector
% Add a pure 50 Hz control signal
x1 = 0.7*sin(2*pi*50*t) + signal;
NFFT = 2^nextpow2(L);# Approximate to the nearest power of two for efficiency.
Y = fft(x1, NFFT)/L;
f = Fs/2*linspace(0,1,NFFT/2+1);
% Plot single-sided amplitude spectrum
plot(f,2*abs(Y(1:NFFT/2+1)));
xlabel('Frequency (Hz)');
ylabel('|Y(f)|');
Вариант с нейросетью.
Другой вариант использования комбинированного нейроинтерфейса – это использовать нейросеть для выявления необходимых паттернов для настроек. Для этой цели сначала нужно будет провести несколько сеансов работы с пси-интерфейсом вместе с нейроинтерфейсом. Снять данные ЭЭГ с наиболее удачных взаимодействий. Использовать их в качестве образцов для нейросети. На их основе выбирать из нескольких вариантов настроек самые подходящие под текущие данные.
Получается следующее:
Эталонный Вариант настроек 1 каналов AF, P, O1, O2 соответствует Х, Х = треугольник, периодичность фикс 0,24. Границы случайности = -500, 500
Подобранный вариант настроек 1n. Каналов AF, P, O1, O2 соответствует Y, где Y=квадрат, периодичность фикс 0,33, границы случайности = 440, 433.
Обучение происходит на основе подбора вариантов настроек в соответствии с данными ЭЭГ. Сообщение об успехе или приближении можно брать с человека-оператора и таким образом натренировать несложную нейросеть на подбор настроек. Можно также использовать варианты из предыдущего пункта, где были описаны предположительные взаимодействия.
При обучении нейросети можно использовать больше каналов для подбора, так как какие-то взаимодействия мы можем и не знать.
Здесь стоит упомянуть об одном важном вопросе. Есть ли преимущества о пси-интерфейса по сравнению с традиционным нейроинтерфейсом с нейросетью? Какова разница между ними?
Разница достаточно интересна и начинается она с разницы в подходах
Разница в подходах заключается в том, что пси-интерфейс создает вероятность успешного взаимодействия. А нейроинтерфейс имеет претензию на создание взаимодействия со 100% успешностью. Проблема заключается в том, что это лишь претензия и второй вариант в итоге все равно создает лишь вероятность успешного взаимодействия и более того требует очень долгого обучения нейросетей для каждого взаимодействия. В алгоритмах обучения часто используется случайность в тех или иных вариантах, при снятии показателей тоже возможен шум, и мозг человека тоже действует хаотично. В итоге вы будете иметь ту же неопределенность, но проблема в том, что из-за претензии на высокую точность эта неопределенность будет играть против успешного взаимодействия.
Пси-интерфейс с самого начала генерирует неопределенность и использует случайность, из-за этого мы можем пренебречь шумом на уровне мозга, съема данных и отгадывания нейросети. Но есть и минус- взаимодействие никогда не может быть 100% точным. Но с другой стороны о 100% точности нельзя говорить даже при использовании традиционной клавиатуры и мышки.
Причина разницы в подходах кроется в эвристике. Нейроинтерфейсы, как они разрабатываются сейчас, делаются на основе традиционного отношения субъекта-объекта, а пси-интерфейс, как и многие другие парапсихологические техники и инструменты предполагает периодическое смешение одного и другого.
Далее существенная разница возникает в активном элементе. В случае нейроинтерфейса активный элемент – нейросеть, которая, отгадывает паттерн мозга, и пытается на основе своего отгадывания заставить программу действовать тем или иным способом. В случае же пси-интерфейса активным началом является человек, который даже в случае автоматических настроек должен концентрировать свое внимание формировать ожидания, предсказывать, отгадывать итд. Можно сказать, что человек выполняет работу нейросети в какой-то форме здесь. С одной стороны мы можем говорить, что это не так уж и существенно – если в конечном итоге результат один и тот же, с другой стороны быть пассивным субъектом под влиянием нейросети или же самому воздействовать на нее и на программу? Второй подход может оказаться дорогой к новым интересным индивидуальным способностям, в то время как первый оставляет за человеком роль пассивного источника больших данных для нейросети.