利用大型语言模型进行自动特征提取和在基于EMG的运动解码中进行模型训练

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 基于电肌图 (EMG) 的运动解码在很大程度上依赖于特征提取和模型训练.
• 传统方法需要显著的领域专业知识和编程技能,用于信号处理和模型优化.

研究的目的:

• 调查使用大型语言模型 (LLM) 来自动化EMG特征提取和运动解码模型开发的可行性.
• 将LLM生成的特征和模型的性能与手工开发的方法进行比较.

主要方法:

• 利用LLM从EMG数据中自动提取特征.
• 开发了机器学习模型,使用LLM生成的功能来解码运动.
• 基于LLM的方法与传统的手动编码方法进行了比较.

主要成果:

• 通过LLM提取的特征及其相应的模型实现了与传统方法相比的性能.
• 展示了人工智能驱动生物信号处理的潜力,以加速研究.

结论:

• 在自动化EMG数据分析和运动解码方面,LLM显示出前景.
• 强调LLM在肌肉机界面和生物医学信号处理工作流程方面的能力和局限性.