I dagens science-so-weird-it-absolut-must-be-science-fiction-konkurrence har vi en klar vinder: en ny undersøgelse, hvor et forskerhold bruger en MR-maskine, en computermodel og tusinder af billeder fra internet for at finde ud af, hvad folk ser, som de drømmer.
Relateret indhold
- Hvorfor Mind Wandering kan være så elendige, ifølge lykkens eksperter
Utroligt, som det lyder, siger forskere fra Kyoto, Japan, at de har bygget noget af en drømmelæsemaskine, som lærte nok om de neurologiske mønstre hos tre forskningsdeltagere til at forudsige deres søvnvisualiseringer med 60 procent nøjagtighed. Undersøgelsen, der blev offentliggjort i dag i Science, antages at være det første tilfælde, hvor objektive data er blevet henrykt om indholdet af en drøm.
Den tilsyneladende ekstraordinære idé er bygget ud fra et ligetil koncept: at vores hjerner følger forudsigelige mønstre, når de reagerer på forskellige slags visuelle stimuli, og med tiden kan en læringsalgoritme finde ud af, hvordan man korrelerer hvert af disse mønstre med forskellige klasser af visualiseringer. En undersøgelse fra 2005 af en af forskerne gennemførte dette på en meget mere primitiv måde - mens forsøgspersoner var vågne - med et læringsprogram korrekt ved hjælp af funktionel MR-aflæsning (fMRI indikerer blodstrøm til forskellige dele af hjernen) for at bestemme i hvilken retning et fag kiggede.
Denne undersøgelse fulgte det samme princip, men tog det i en meget mere ambitiøs retning og forsøgte at matche faktiske billeder - ikke kun visuelle retninger - med fMRI-læsninger og gøre det, mens forsøgspersonerne sov.
Undersøgelsen blev udført på tre deltagere, der hver især skiftede om at sove i en MR-scanner i et antal 3-timers blokke i løbet af 10 dage. Deltagerne blev også kablet med en elektroencefalografi (EEG) maskine, der sporer det samlede niveau af elektrisk aktivitet i hjernen og blev brugt til at indikere, hvilket søvnstadium de var i.
De dybeste, længste drømme forekommer under REM-søvn, som typisk begynder efter et par timers søvn. Men hurtige, sporadiske hallucinationer forekommer også under fase 1 af ikke-REM-søvn, der starter få minutter efter, at du er væk, og forskerne forsøgte at spore visualiseringerne i dette trin.
Da fMRI overvågede blodgennemstrømningen til forskellige dele af forsøgspersonernes hjerner, drev de i søvn; så når forskerne bemærkede, at de var gået ind i trin 1, vækkede de dem og bad dem beskrive, hvad de tidligere så, mens de drømte. De gentog denne proces næsten 200 gange for hver af deltagerne.
Derefter registrerede de de 20 mest almindelige klasser af genstande, som hver deltager har set (“bygning”, “person” eller “brev”, for eksempel) og søgte efter fotos på Internettet, der omtrent svarede til objekterne. De viste disse billeder til deltagerne, mens de var vågne, også i MR-scanneren, sammenlignede derefter læsningerne med MR-aflæsningerne fra da folk havde set de samme objekter i deres drømme. Dette gjorde det muligt for dem at isolere de bestemte hjerneaktivitetsmønstre, der virkelig er forbundet med at se et givet objekt fra ikke-relaterede mønstre, der simpelthen korrelerede med at være i søvn.
De fodrede alle disse data - de 20 mest almindelige typer objekter, som hver deltager havde set i deres drømme, repræsenteret af tusinder af billeder fra Internettet sammen med deltagernes hjerneaktivitet (fra MR-aflæsninger), der opstod som et resultat at se dem — ind i en læringsalgoritme, der er i stand til at forbedre og foredle sin model baseret på dataene. Da de inviterede de tre svellerne tilbage til MR til at teste den nyligt raffinerede algoritme, genererede den videoer som den nedenfor og producerede grupper af relaterede billeder (taget fra tusinder på nettet) og valg af hvilken af de 20 grupper af varer (ordene i bunden) troede det mest sandsynligt, at personen så, baseret på hans eller hendes MR-aflæsninger:
Da de vækkede emnerne denne gang og bad dem beskrive deres drømme, viste det sig, at maskinens forudsigelser var bedre end tilfældet, skønt på ingen måde perfekte. Forskerne valgte to klasser af genstande - en, som drømmeren havde rapporteret om at se, og en han eller hun ikke havde gjort - og kontrolleret, af de gange algoritmen kun havde rapporteret en af dem, hvor ofte den forudsagde den rigtige.
Algoritmen fik det rigtigt 60 procent af tiden, en andel, som forskerne siger, kan ikke forklares tilfældigt. Især var det bedre til at skelne visualiseringer fra forskellige kategorier end forskellige billeder fra den samme kategori - det vil sige, det havde en bedre chance for at fortælle, om en drømmer så en person eller en scene, men var mindre nøjagtig til at gætte, om en bestemt scene var en bygning eller en gade.
Selvom det kun er i stand til relativt grove forudsigelser, demonstrerer systemet noget overraskende: Vores drømme kan virke som subjektive, private oplevelser, men de producerer objektive, konsistente data, der kan analyseres af andre. Forskerne siger, at dette arbejde kan være et indledende forsøg på videnskabelig drømmeanalyse og til sidst muliggøre mere sofistikeret drømmetydning i dybere søvnstadier.
