Forscher nutzen Gehirn-Maschine-Schnittstelle, um attraktive Gesichter basierend auf persönlichen Vorlieben zu generieren

Ein Forscherteam der Universität Helsinki hat eine KI geschaffen soll Bilder von attraktiven Gesichtern erzeugens, basierend auf den Funktionen, die Personen, die ein Brain-Computer Interface (BCI) tragen, attraktiv finden. Die KI generiert Gesichtsmerkmale auf Basis der vom BCI erfassten Daten.

Das Forschungsteam war eine Kombination aus Informatikern und Psychologen der Universität Helsinki. Das Forscherteam aus Helsinki nutzte Messungen der Elektroenzephalographie (EEG), um die Gesichtszüge zu bestimmen, die verschiedene Menschen attraktiv finden könnten. Die EEG-Signale wurden mit Gesichtsmerkmalen korreliert und die Daten dann an ein Generative Adversarial Network (GAN) weitergeleitet. Das maschinelle Lernsystem wurde dann auf die Gesichtszüge trainiert, die eine Vielzahl von Menschen attraktiv fanden, und war dann in der Lage, diese Muster zurückzuentwickeln, um völlig neue Gesichter zu erzeugen.

Die Forscher ließen 30 Teilnehmer vor einem Bildschirm sitzen und ihnen Bilder von Gesichtern zeigen. Diese Gesichter zeigten keine echten Menschen, sie wurden von einer KI generiert, die auf einem Datensatz von über 200,000 Bildern von Prominenten trainiert wurde. Die Teilnehmer trugen eine mit Elektroden versehene EEG-Haube, um ihre Gehirnaktivität aufzuzeichnen und zu analysieren, während sie die verschiedenen Gesichter betrachteten. Das EEG konnte ihre Reaktionen auf Gesichter aufzeichnen, die sie attraktiv fanden. Die vom EEG-System erfassten Messungen wurden dem GAN zugeführt, das die EEG-Signale dahingehend interpretierte, wie attraktiv die Teilnehmer das Gesicht fanden. Das GAN konnte nach dem Training mit diesen Daten neue Gesichter generieren.

Anschließend führte das Forschungsteam ein zweites Experiment durch. Die neu erstellten Gesichter wurden denselben Freiwilligen angezeigt, die an der vorherigen Betrachtungssitzung teilgenommen hatten. Die Teilnehmer wurden gebeten, die Gesichter nach ihrer Attraktivität zu bewerten. Bei der Analyse der Ergebnisse der Studie stellten die Forscher fest, dass die Teilnehmer die erzeugten Bilder in etwa 80 % der Fälle als attraktiv bewerteten. Dies steht im Gegensatz zu den Originalbildern, die nur in 20 % der Fälle als attraktiv bewertet wurden.

Die Stichprobengröße der Studie war eher klein, daher ist nicht klar, wie robust die Methode wäre, wenn sie an einer größeren Population getestet würde. Die Ergebnisse sind jedoch interessant und sicherlich ein weiteres Beispiel dafür, wie sich scheinbar undurchschaubare Verhaltensweisen und Vorlieben mit bestimmten KI-Techniken quantifizieren lassen.

Michael Spapé, leitender Forscher am Institut für Psychologie und Logopädie der Universität Helsinki, erklärte, dass die Studie zeige, wie psychologische Eigenschaften anhand von Informationen darüber, wie das Gehirn auf Reize reagiert, nachgewiesen werden können. Wie Spapé in erklärte über EurekaAlert:

„Die Studie zeigt, dass wir in der Lage sind, Bilder zu erzeugen, die den persönlichen Vorlieben entsprechen, indem wir ein künstliches neuronales Netzwerk mit Gehirnreaktionen verbinden. Die erfolgreiche Beurteilung der Attraktivität ist besonders wichtig, da es sich dabei um eine so ergreifende psychologische Eigenschaft der Reize handelt. Computer Vision war bisher sehr erfolgreich bei der Kategorisierung von Bildern anhand objektiver Muster. Indem wir Gehirnreaktionen in die Mischung einbeziehen, zeigen wir, dass es möglich ist, Bilder basierend auf psychologischen Eigenschaften, wie dem persönlichen Geschmack, zu erkennen und zu erzeugen.“

Die Forscher argumentieren, dass die Studie Auswirkungen darauf haben könnte, wie Computer subjektive Präferenzen verstehen. KI-Lösungen und Gehirn-Computer-Schnittstellen können nebeneinander eingesetzt werden, um komplexe psychologische Phänomene zu verstehen. Laut Spapé können wir mit ähnlichen Techniken möglicherweise auch andere kognitive Funktionen wie Entscheidungsfindung und Wahrnehmung untersuchen. Unter der Annahme, dass die allgemeinen Taktiken zur Interpretation von Attraktivität auch für andere kognitive Funktionen gelten, könnte ein ähnliches System entwickelt werden, um Formen von Voreingenommenheit oder Stereotypen zu identifizieren.