In de wetenschap-zo-raar-het-absoluut-moet-zijn-wetenschap-fictiewedstrijd van vandaag hebben we een duidelijke winnaar: een nieuwe studie waarin een team van wetenschappers een MRI-machine, een computermodel en duizenden afbeeldingen van de internet om erachter te komen wat mensen zien als ze dromen.
gerelateerde inhoud
- Waarom Mind Wandering zo ellendig kan zijn, volgens Happiness Experts
Ongelooflijk als het klinkt, zeggen onderzoekers uit Kyoto, Japan, dat ze iets van een droomleesmachine hebben gebouwd, die genoeg heeft geleerd over de neurologische patronen van drie onderzoeksdeelnemers om hun sleeptime-visualisaties met 60 procent nauwkeurigheid te voorspellen. Het onderzoek, dat vandaag in Science is gepubliceerd, wordt beschouwd als het eerste geval waarin objectieve gegevens zijn verzameld over de inhoud van een droom.
Het ogenschijnlijk buitengewone idee is gebaseerd op een eenvoudig concept: dat onze hersenen voorspelbare patronen volgen als ze reageren op verschillende soorten visuele stimuli, en in de loop van de tijd kan een leeralgoritme uitzoeken hoe deze patronen kunnen worden gecorreleerd met verschillende klassen visualisaties. Een studie uit 2005 door een van de onderzoekers heeft dit op een veel primitiever manier bereikt - terwijl proefpersonen wakker waren - met een leerprogramma dat correct gebruikmaakte van functionele MRI-metingen (fMRI geeft de bloedstroom naar verschillende delen van de hersenen aan) om te bepalen in welke richting een persoon was aan het kijken.
Deze studie volgde hetzelfde principe, maar nam het in een veel ambitieuzere richting, en probeerde werkelijke beelden - niet alleen visuele richtingen - te matchen met fMRI-metingen, en deed dit terwijl de proefpersonen sliepen.
Het onderzoek werd uitgevoerd op drie deelnemers, die elk om de beurt gedurende een aantal blokken van 3 uur in een MRI-scanner sliepen. De deelnemers werden ook aangesloten met een elektro-encefalografie (EEG) -machine, die het algehele niveau van elektrische activiteit in de hersenen volgt en werd gebruikt om aan te geven in welk slaapstadium ze zich bevonden.
De diepste, langste dromen komen voor tijdens de REM-slaap, die meestal begint na een paar uur slapen. Maar snelle, sporadische hallucinaties komen ook voor tijdens fase 1 van niet-REM-slaap, die een paar minuten begint nadat je afdrijft, en de onderzoekers probeerden de visualisaties in deze fase te volgen.
Terwijl de fMRI de bloedstroom naar verschillende delen van de hersenen van de proefpersonen controleerde, zakten ze in slaap; toen de wetenschappers eenmaal merkten dat ze fase 1 waren ingegaan, maakten ze hen wakker en vroegen ze om te beschrijven wat ze eerder zagen tijdens het dromen. Ze herhaalden dit proces bijna 200 keer voor elk van de deelnemers.
Daarna namen ze de 20 meest voorkomende klassen items op die door elke deelnemer werden gezien (bijvoorbeeld 'bouwen', 'persoon' of 'brief') en zochten naar foto's op het web die ongeveer overeenkwamen met de objecten. Ze toonden deze beelden aan de deelnemers terwijl ze wakker waren, ook in de MRI-scanner, en vergeleken vervolgens de metingen met de MRI-waarden van toen de mensen dezelfde objecten in hun dromen hadden gezien. Dit stelde hen in staat om de specifieke hersenactiviteitspatronen die echt geassocieerd zijn met het zien van een bepaald object, te isoleren van niet-gerelateerde patronen die gewoon correleerden met in slaap zijn.
Ze voerden al deze gegevens in - de 20 meest voorkomende soorten objecten die elke deelnemer in zijn dromen had gezien, zoals vertegenwoordigd door duizenden afbeeldingen van het web, samen met de hersenactiviteit van de deelnemers (uit de MRI-uitlezingen) die plaatsvonden als gevolg om ze te zien - in een leeralgoritme dat in staat is het model op basis van de gegevens te verbeteren en te verfijnen. Toen ze de drie slapers terug uitnodigden in de MRI om het nieuw verfijnde algoritme te testen, genereerde het video's zoals die hieronder, produceerde groepen gerelateerde afbeeldingen (genomen van duizenden op internet) en selecteerend welke van de 20 groepen items (de woorden onderaan) het dacht dat de persoon hoogstwaarschijnlijk zag, op basis van zijn of haar MRI-metingen:
Toen ze de proefpersonen deze keer wakker maakten en hen vroegen om hun dromen te beschrijven, bleken de voorspellingen van de machine beter dan het toeval, hoewel lang niet perfect. De onderzoekers kozen twee klassen items - een die de dromer had gemeld en één die hij of zij niet had gezien - en controleerden, van de tijd dat het algoritme slechts één ervan had gemeld, hoe vaak het de juiste voorspelde.
Het algoritme heeft het 60 procent van de tijd goed, een percentage dat volgens onderzoekers niet door toeval kan worden verklaard. In het bijzonder was het beter in het onderscheiden van visualisaties uit verschillende categorieën dan verschillende afbeeldingen uit dezelfde categorie - dat wil zeggen, het had een betere kans om te vertellen of een dromer een persoon of een scène zag, maar was minder nauwkeurig in het raden of een bepaalde scène was een gebouw of een straat.
Hoewel het alleen in staat is om relatief ruwe voorspellingen te doen, toont het systeem iets verrassends: onze dromen lijken misschien subjectieve, privé-ervaringen, maar ze produceren objectieve, consistente gegevens die door anderen kunnen worden geanalyseerd. De onderzoekers zeggen dat dit werk een eerste stap in de wetenschappelijke droomanalyse zou kunnen zijn en uiteindelijk een meer gesofisticeerde droominterpretatie mogelijk zou maken tijdens diepere slaapfasen.
