Исследование сновидений связано с его зависимостью от субъективного устного сообщения о сновидении. Мы не можем самостоятельно проверить, видел ли человек. Все, что у нас есть, – это его отчет о том, что у него действительно был сон. Если мы увидим характерные модели активности мозга REM-сна на машине ЭЭГ, то наша уверенность в том, что этот человек мечтает, увеличивается, но никогда не бывает абсолютно уверен. Когда люди пробуждаются от REM, они не всегда сообщают сон. Тем не менее, большинство людей, большую часть времени, сообщают сон, когда пробуждаются от сна REM.
Даже если мы согласны с тем, что человек, вероятно, испытывает сон, когда он или она входит в сон REM, мы понятия не имеем, о чем он мечтает. Чтобы узнать, о чем люди мечтают, мы должны спросить их. Еще раз мы полностью зависим от субъективного отчета, если хотим изучить содержание сновидений.
Было бы неплохо, если бы нам не пришлось спрашивать человека, о чем его мечта. Если бы мы знали базовый нейронный код, с помощью которого мозг обрабатывал когнитивное содержание, тогда мы могли бы просто проконсультироваться с кодом, отображаемым в моделях активности мозга, а затем получить содержание сна. Конечно, нам предстоит пройти долгий путь от расшифровки нейронного кода, который использует человеческий мозг для представления когнитивного контента. Но недавняя публикация сделала нас на один шаг ближе к тому, чтобы делать именно это.
Horikawa и др. (Science, Vol 340, 4 апреля 2013 г.) наняли 3 добровольцев для изучения их активности мозга (измеренной с помощью МРТ и ЭЭГ) во время переходного состояния сна (S1), когда многие люди испытывают гипнагические галлюцинации. Когда добровольцы перешли в это состояние S1, они были разбужены и устно сообщили о своем визуальном опыте во время сна. Шаблоны активности fMRI использовались в качестве входных данных в программу компьютерного моделирования, которая рассматривала шаблоны fMRI как код для слов, представляющих визуальные объекты. Эти коды визуальных объектов были помечены словами, полученными из словесного описания субъекта его визуального опыта во время сна. Например, если человек сообщил, что видел красный дом, в то время как fMRI отображал рисунок X в визуальной коре, тогда машина узнала, что образец X или шаблон, похожий на X, всегда указывали «красный дом».
Как только машина узнала большое количество этих ассоциаций шаблона-объекта, она могла предсказать, что объект видел во время сна, основываясь исключительно на моделях fMRI. Исследователям не нужно было просить субъекта сообщать о своем визуальном опыте. Машина может сделать это (не менее 60% времени), если текущие шаблоны fMRI соответствуют тем, которые находятся в его репертуаре образованных пар изображений и объектов.
Есть несколько существенных последствий и вопросов для исследования мечты … Во-первых, когда добровольцы Хорикавы подтвердили, что машина была в значительной степени правильной в своих предсказаниях того, что они видели во сне, она подразумевала, что мы в конечном итоге сможем посмотреть на нейровизуальные записи состояний сна и быть в состоянии сказать, о чем люди мечтают.
Если когда-нибудь мы рассмотрим тысячи этих нейровизуальных записей из большой группы предметов, а затем собраем краткое изложение того, о чем эти люди мечтают, мы можем собрать соответствующие отчеты о снах этих людей и сравнить отчеты с нейровизуальными записями , Если это сравнение хорошо сочетается (помимо того, что вы ожидаете, основываясь на случайности), тогда мы сможем легче доверять словесные сообщения людей о содержании их мечты. Мы можем быть более уверенными в том, что сообщения людей о своих мечтах обычно не обманчивы, верны или верны.
Во-вторых, по мере того, как наши знания о влиянии сновидений на бодрствующее поведение возрастают, мы сможем более эффективно относиться к людям с болезненными расстройствами сна (такими как повторяющиеся кошмары). Если, например, монстр X всегда появляется с рисунком fMRI Y, а лекарство z исключает шаблон Y из fMRI. И пациент сообщает об облегчении после лечения, тогда мы можем заключить, что изображение этой мечты и связанный с ней образ мозга действительно вызывали дистресс.
В-третьих, поскольку наука о мечтах начинает идентифицировать некоторые повторяющиеся изображения содержания сна как сильные предиктора бодрствования поведенческих моделей, машинный анализ этих изображений мечты может быть использован для предсказания поведенческих моделей поведения.
В-четвертых, будет интересно сравнить мозговые подписи для повторяющихся изображений мечты с их бодрствующими коллегами. Видит ли красный дом во сне, требует та же самая нейронная подпись, что видит красный дом во время бодрствования? Результаты Хорикавы говорят о том, что ответ «Да», но это может быть не так, когда мы отошли от каталога простых визуальных образов, изучаемых в предметах Хорикавы.
В-пятых, интересное содержание снов чаще всего касается эмоций. Эмоции связаны с нейронными сигнатурами. Может ли машина научиться прогнозировать эмоциональное содержание снов на основе нейронных подписей?