Gedankenlesen aus der Hirnaktivität?^[*]

Zusammenfassung

Kann man auf der Basis der Gehirnaktivität einer Person bestimmen, was sie gerade denkt und fühlt? Im Forschungsgebiet des „Brain-Reading” (wörtlich: Gehirnlesen) wird untersucht, inwiefern es möglich ist, aus den Hirnprozessen einer Person auf ihre Gedankeninhalte zu schließen. Die Grundidee ist, dass jeder Gedanke mit einem charakteristischen Aktivierungsmuster im Gehirn einhergeht. Trainiert man einen Computer darauf, solche Muster zu erkennen, wird es möglich, die Gedanken einer Person allein aus der Hirnaktivität auszulesen. Bereits heute sind eine Reihe verschiedener Gedanken ausgelesen worden. Dazu zählen visuelle Wahrnehmungen und Vorstellungen, Erinnerungen, Absichten, Gefühle und Trauminhalte. Es ist bisweilen sogar möglich, aus der Hirnaktivität mehr über die mentalen Prozesse einer Person auszulesen, als ihr selbst bewusst ist. So kann man in bestimmten Situationen Absichten, bereits mehrere Sekunden bevor sie das Bewusstsein erreichen, auslesen. Trotz der erheblichen Erfolge in den letzten Jahren stößt das „Brain-Reading” jedoch auch schnell an Grenzen. So ist es zum Beispiel aus prinzipiellen Gründen schwierig, beliebige Gedanken auszulesen oder Erkenntnisse von einer Person auf andere zu übertragen. Es ist also noch ein langer Weg bis zu einer hypothetischen „universellen Gedankenlesemaschine”, bei der die beliebigen Gedanken einer beliebigen Versuchsperson auf Anhieb ausgelesen werden können. Es zeichnen sich mit heute verfügbaren Ansätzen bereits zwar einige Anwendungsmöglichkeiten ab, wie etwa in der Forensik und Kriminologie, in der Steuerung von Computern und künstlichen Prothesen mittels der Hirnaktivität, oder auch im „Neuromarketing”. Allerdings sind diese Techniken weit von der Anwendungsreife entfernt. Außerdem stellen sich vor ihrem Einsatz erhebliche ethische Fragen.

Summary

Is it possible to tell what a person is thinking and feeling based on their current brain activity? The research field of brain reading assesses to which degree it is possible to infer a person’s thoughts from their brain processes. The key idea is that every thought is associated with characteristic brain activation patterns. By training a computer to recognize these patterns it is possible to determine thoughts from brain activity. To date, several types of thoughts have already been read out. This includes visual percepts and images, memories, intentions, emotions and even the content of dreams. In certain cases it is even possible to read out more about a person’s mental processes than they themselves are aware of. For example, under certain conditions it is possible to predict a person’s intentions even before they are aware of them. Despite the recent success brain reading nonetheless runs into its limits. For principled reasons it is difficult to read out arbitrary thoughts or to transfer knowledge from one person to another. Thus, it is still a long way to a hypothetical “universal thought reading machine” that would allow to immediately read arbitrary thoughts of an arbitrary participant. However, already today several applications have been proposed, such as in forensics and criminology, in the control of computers and artificial prostheses and in neuromarketing. However, these technologies are still far from mature for reliable applications. Furthermore, they raise considerable ethical questions.

Schlüsselwörter

Funktionelle Magnetresonanztomografie - Gedankenlesen - Mustererkennung - Lügendetektion - Neuromarketing

Keywords

Functional magnetic resonance imaging - mind reading - pattern recognition - lie detection - neuromarketing

^* Überarbeitete Version eines Berichtes für den Deutschen Ethikrat (2009).

• Literatur

• 1 Haynes DJ, Rees G. Decoding mental states from brain activity in humans. Nat. Rev Neurosci 2006; 07: 523-534.
• 2 Tong F, Pratte MS. Decoding patterns of human brain activity. Annu Rev Psychol 2012; 63: 483-509.
• 3 Norman KA. et al. Beyond mind-reading: multivoxel pattern analysis of fMRI data. Trends Cogn Sci 2006; 10: 424-430.
• 4 Bandettini PA. What’s new in neuroimaging methods?. Ann N Y Acad Sci 2009; 1156: 260-293.
• 5 Hillman EM. Coupling Mechanism and Significance of the BOLD Signal: A Status Report. Annu Rev Neurosci 2014; 37: 161-181.
• 6 Farah MF. Emerging ethical issues in neuroscience. Nat Neurosci 2002; 05: 1123-1129.
• 7 Dewan EM. Occipital alpha rhythm eye position and lens accommodation. Nature 1967; 214: 975-977.
• 8 Daly J, Wolpaw JR. Brain-computer interfaces in neurological rehabilitation. Lancet Neurol 2008; 07: 1032-1043.
• 9 Noble WS. What is a support vector machine?. Nat Biotechnol 2006; 24: 1565-1567.
• 10 Güçlü U, van Gerven MA. Deep neural networks reveal a gradient in the complexity of neural representations across the ventral stream. J Neurosci Off J Soc Neurosci 2015; 35: 10005-10014.
• 11 Haynes JD. A primer on pattern-based approaches to fMRI: Principles, pitfalls, and perspectives. Neuron 2015; 87: 257-270.
• 12 Christophel TB. et al. The distributed nature of working memory. Trends Cogn Sci 2017; 21: 111-124.
• 13 Cichy RM. et al. Imagery and perception share cortical representations of content and location. Cereb Cortex 2012; 22: 372-380.
• 14 Harrison SA, Tong F. Decoding reveals the contents of visual working memory in early visual areas. Nature 2009; 458: 632-635.
• 15 Haynes JD. et al. Reading hidden intentions in the human brain. Curr Biol CB 2007; 17: 323-328.
• 16 Ethofer T. et al. Decoding of emotional information in voice-sensitive cortices. Curr Biol 2009; 19: 1028-1033.
• 17 Horikawa T. et al. Neural decoding of visual imagery during sleep. Science 2013; 340: 639-642.
• 18 Haynes JD, Rees G. Predicting the orientation of invisible stimuli from activity in human primary visual cortex. Nat Neurosci 2005; 08: 686-691.
• 19 Soon CS. et al. Unconscious determinants of free decisions in the human brain. Nat Neurosci 2008; 11: 543-545.
• 20 Yacoub E. et al. High-field fMRI unveils orientation columns in humans. Proc Natl Acad Sci USA 2008; 105: 10607-10612.
• 21 Ugurbil K. What is feasible with imaging human brain function and connectivity using functional magnetic resonance imaging. Philos Trans R Soc 2016; 1705: 5.
• 22 Ekanayake J. et al. Real-time decoding of covert attention in higher-order visual areas. NeuroImage 2018; 169: 462-472.
• 23 Guntupalli JS. et al. A model of representational spaces in human cortex. Cereb Cortex 2016; 26: 2919-2934.
• 24 Nishimoto S. et al. Reconstructing visual experiences from brain activity evoked by natural movies. Curr Biol 2011; 21: 1641-1646.
• 25 Thomas C, Baker CI. Teaching an adult brain new tricks: a critical review of evidence for training-dependent structural plasticity in humans. NeuroImage 2013; 73: 225-236.
• 26 Davatzikos C. et al. Classifying spatial patterns of brain activity with machine learning methods: application to lie detection. NeuroImage 2005; 02: 663-668.
• 27 Vicianova M. Historical techniques of lie detection. Eur J Psychol 2015; 11: 522-534.
• 28 Haynes JD. Detecting deception from neuroimaging signals – a data-driven perspective. Trends Cogn Sci 2008; 12: 126-127.
• 29 Ganis G. et al. Lying in the scanner: covert countermeasures disrupt deception detection by functional magnetic resonance imaging. NeuroImage 2011; 55: 312-319.
• 30 Ariely D, Berns GS. Neuromarketing: the hope and hype of neuroimaging in business. Nat Rev Neurosci 2010; 11: 284-292.
• 31 Lande RG, Pourzand M. Brain computer interface technology: Usability and applications in psychiatry. Technol Health Care Off J Eur Soc Eng Med. 2015
• 32 Radüntz T. Signal quality evaluation of emerging EEG devices. Front Physiol 2018; 09: 98.
• 33 Downey JE. et al. Intracortical recording stability in human brain-computer interface users. J Neural Eng 2018; 15: 046016.