Reconstructing the brain’s language network from non-invasive EEG enables interpretable speech decoding

Depuis des décennies, les scientifiques rêvent de lire le langage de l'esprit directement depuis l'extérieur, espérant rendre la parole à ceux qui ont perdu la capacité de bouger la bouche. Le cerveau est une vaste ville bruyante d'activité électrique, et lorsque nous pensons des mots, des quartiers spécifiques s'illuminent selon une séquence précise. Cependant, capturer cette activité sans chirurgie a été comme essayer d'entendre une seule conversation dans un stade bondé depuis le parking ; les signaux sont faibles, mélangés et varient considérablement d'une personne à l'autre. Les tentatives traditionnelles pour traduire ces ondes cérébrales en texte ont souvent reposé sur de puissants programmes informatiques agissant comme des boîtes noires. Ces programmes apprennent à deviner le mot suivant en repérant des motifs statistiques dans les données, mais ils n'offrent aucun aperçu sur la manière dont le cerveau a réellement produit cette pensée, ni n'expliquent pourquoi ils échouent parfois. Sans compréhension du mécanisme sous-jacent, ces systèmes peinent à fonctionner de manière fiable d'une personne à l'autre ou selon différents types de tâches linguistiques, laissant la promesse d'un dispositif de communication universel hors de portée.

Une équipe de chercheurs à Shenzhen et Hong Kong a maintenant proposé une voie différente, une voie qui va au-delà de la simple supposition pour reconstruire la carte réelle du réseau du langage du cerveau. Ils ont développé un nouveau cadre appelé CAGNNF, qui traite le cerveau non pas comme une boîte noire, mais comme un système physique doté de règles spécifiques. Au lieu de passer directement des signaux électriques bruts sur le cuir chevelu à une phrase de texte, leur système construit d'abord un modèle dynamique et tridimensionnel de l'activité interne du cerveau. Il utilise une méthode appelée inférence perturbationnelle neuronale pour tracer la façon dont une étincelle d'activité dans une partie du cerveau se propage vers l'extérieur pour influencer d'autres régions, un peu comme si l'on jetait une pierre dans un étang et que l'on observait la propagation des ondes. Pour maintenir ce modèle ancré dans la réalité biologique, ils ont ajouté des contraintes géométriques basées sur la forme et la structure réelles du cortex humain, garantissant que l'activité reconstruite circule le long des autoroutes naturelles du cerveau plutôt que de flotter dans le vide.

Le résultat de ce processus est une carte claire et interprétable du réseau du langage du cerveau en action. Les chercheurs ont constaté que cette carte mettait systématiquement en évidence les mêmes régions connues pour être critiques pour le langage, spécifiquement les zones temporales qui forment la voie ventrale, un chemin essentiel pour la compréhension des phrases. Ce n'était pas seulement un exercice théorique ; le système a réussi à décoder du texte à partir d'ondes cérébrales enregistrées pendant que des personnes lisaient silencieusement en chinois et en anglais. Lors des tests, cette nouvelle approche a surpassé les méthodes de pointe existantes, réduisant le nombre d'erreurs dans le texte décodé jusqu'à 11 % par rapport aux meilleurs modèles précédents. Crucialement, le système a prouvé que le réseau du langage du cerveau fonctionne de manière similaire qu'une personne lise des mots sur un écran ou les écoute être prononcés, suggérant que la machinerie centrale du langage est partagée entre différents sens.

Ce qui rend ce travail particulièrement significatif, c'est qu'il transforme les erreurs de décodage en un outil de diagnostic. Parce que le système comprend les étapes du traitement du langage, il peut identifier précisément où une erreur s'est produite. Les chercheurs ont découvert que les erreurs de reconnaissance de la forme d'un caractère étaient liées aux signaux précoces du traitement visuel, tandis que les erreurs d'omission d'un mot étaient liées aux signaux de l'attention, et que les erreurs de compréhension du sens étaient connectées à des signaux associés à l'intégration sémantique. En identifiant ces points de défaillance spécifiques, le système pouvait alors appliquer une correction ciblée, abaissant davantage le taux d'erreur de plus de 8 %. Cette capacité à remonter une erreur jusqu'à un moment spécifique dans la chaîne de traitement du cerveau offre un niveau de clarté que les méthodes précédentes ne possédaient pas, transformant le processus de décodage d'une supposition statistique en une reconstruction physiologiquement fondée.

L'étude a également démontré que ce système peut s'adapter rapidement à de nouveaux individus. En utilisant une technique qui permet au modèle d'apprendre à partir de très peu d'exemples, les chercheurs ont montré que le système pouvait être calibré pour le cerveau d'une nouvelle personne avec seulement cent phrases de lecture. Cette efficacité suggère que le réseau du langage central est assez stable pour être capturé avec un entraînement minimal, une étape vitale pour rendre une telle technologie pratique pour une utilisation à long terme. Bien que le système actuel fonctionne dans un cadre hors ligne, ce qui signifie qu'il traite les données après qu'elles ont été enregistrées, les chercheurs ont noté que sa vitesse approche déjà les niveaux nécessaires pour une communication en temps réel. En établissant un lien clair et interprétable entre les signaux électriques sur le cuir chevelu, le réseau du langage reconstruit dans le cerveau et le texte final, ce travail offre une étape concrète vers des interfaces cerveau-machine qui sont non seulement puissantes, mais aussi compréhensibles et dignes de confiance.