Dit algoritme kan herkennen wat je hebt geleerd vlak voordat je gaat slapen

Elke dag komt er weer een stortvloed aan informatie over ons heen, dus is het geen verrassing dat we soms even wat wat rust moeten hebben van ons dagelijkse prikkelbombardement om alles te verwerken en de belangrijke dingen te onthouden. Hoewel de meeste mensen slaap als een periode van rust zien, is er steeds meer onderzoek dat het ziet als een actieve hersenstaat waar herinneringen worden gevormd.

Als we slapen zorgen onze hersenen ervoor dat onze herinnering ingeslepen worden. Dat gaat via een proces waarbij de neuronen die vuurden toen we dat moment eerst meemaakten geheractiveerd worden. Dat is iets wat we vrij zeker weten. Wat minder zeker is, is of individuele herinneringen duidelijke sporen in onze neurale activiteit achterlaten als ze verwerkt worden.

Volgens onderzoek dat vorige week werd gepresenteerd bij de Society for Neuroscience in Washington DC, laat het consolideren van herinneringen echt elektrische sporen na in de hersenen. Mensen kunnen dat natuurlijk niet zien, maar onze AI-overlords kunnen dat wel, en wel met een machine-learningalgoritme dat hersenactiviteit van slapende mensen verwerkt. Dat algoritme kon 'zien' wat mensen hadden geleerd voordat ze in slaap vielen.

In andere woorden: een algoritme kon elektrische activiteit uit slapende hersenen 'lezen' en bepalen wat ze aan het onthouden waren.

Maar laten we nu niet allemaal uit onze broek scheuren van enthousiasme of angst, dit betekent niet dat een computer kan zien wat je droomt of dat-ie kan zien wat je aan het onthouden bent buiten een klinische context. Maar volgens slaaponderzoeker en hoofdonderzoeker Monika Schönauer (Universiteit van Tübingen in Duitsland) zijn dit wel de eerste babystapjes in die richting.

Eerder dit jaar publiceerde Schönauer en haar collega's een onderzoek waarin 32 deelnemers foto's bestudeerden vlak voordat ze in slaap vielen. Eén nacht kregen ze een set van 100 foto's van huizen te zien, een andere nacht kregen ze 100 foto's van gezichten te zien. Daarna werden de deelnemers aan een elektro-encefalogram (EEG) gehangen om de elektrische activiteit in hun grijze massa te meten terwijl ze een nachtje in het lab sliepen.

Met het onderzoek probeerden ze uit te vinden of die elektrische activiteit een specifiek patroon had dat uniek was aan de daarvoor geleerde informatie. In andere woorden, of hun hersenen een ander patroon vertoonden als ze plaatjes van huizen hadden geleerd of plaatjes van gezichten.

In eerdere studies werd al gevonden dat mensen informatie beter onthouden als ze vlak na het leren gaan slapen dan als ze wakker blijven. Dus lijkt het logisch dat als het vormen van herinneringen specifieke sporen achterlaat, deze het sterkst waren als mensen die plaatjes vlak voor het slapen te zien kregen.

“Eerder onderzoek heeft al laten zien dat hele hersengebieden die actief zijn tijdens leren ook actief zijn tijdens slaap,” vertelde Schönauer in een email. “Maar wij zijn de eersten die hebben laten zien dat er specifieke activatiepatronen zijn als mensen bepaalde content leren.”

En die specifieke content waar Schönauer het over heeft is praktisch onzichtbaar voor mensen, omdat de veranderingen die met een EGG gemeten worden zo klein zijn. Dus kunnen ze alleen achterhaald worden als de hersenactiviteit van meerdere proefpersonen met elkaar vergeleken wordt. En dat is praktisch onmogelijk voor mensen om te doen en daar komt dat algoritme kijken.

Het verwerken van specifieke informatie was al eerder aangetoond bij andere dieren, maar Schönhauer en collega's hebben de primeur bij mensen.

Het is alleen nog mogelijk om te achterhalen of mensen huizen of gezichten hadden gezien, maar niet naar welk huis of gezicht ze specifiek keken. Volgens Schönauer komt dat omdat het brein een huis en een gezicht "significant anders" verwerkt, maar meer gedetailleerde informatie die nodig zou zijn om het verschil tussen een flat en een rijtjeshuis of een baby en een volwassene te zien, is er nog niet.

“Het onderzoeksveld is nog ver verwijderd van individuele gezichten en objecten uit elkaar halen,” vertelde Schönauer me. “Maar in de toekomst gaat dat zeker mogelijk zijn.”