神经运动辅助大模型的生成方法和装置与流程

本发明涉及运动辅助大模型，尤其是涉及一种神经运动辅助大模型的生成方法和装置、电子设备和存储介质。

背景技术：

1、每年约有5590万人遭受获得性脑损伤，1500万人经历中风，多达500，000人遭受脊髓损伤，280万人患有多发性硬化症。这些人中的许多人行动不便或出现某种形式的瘫痪。这可能是一个毁灭性的诊断，对患者及其家人来说都完全改变了生活。

2、随着人类社会的持续发展，在国内外，越来越多的团队将人体神经学与生物、计算机等联系起来，初步构建出了人类神经辅助系统，利用脑机接口技术，实现助残、国防等领域的创新突破。然而，目前的人类神经辅助系统，主要应用于侵入式脑机接口，而采用侵入式脑机接口来控制神经传导外骨骼的方法，需要进行开颅手术，虽然属于微创，但其实际风险极高。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出了一种神经运动辅助大模型的生成方法和装置、电子设备和存储介质，神经运动辅助大模型能够应用于非侵入式脑机接口，降低风险。

2、一方面，根据本发明实施例的神经运动辅助大模型的生成方法，包括以下步骤：

3、获取数据集，并对所述数据集进行预处理；

4、将预处理后的所述数据集划分为训练集和测试集；

5、采用tensorflow学习框架，并通过所述训练集和所述测试集训练预设的大模型，获得神经运动辅助大模型；

6、对所述神经运动辅助大模型进行微调和评估；

7、将微调和评估后的所述神经运动辅助大模型拆分为多个小模型，并将所述小模型植入非侵入式脑机接口。

8、根据本发明的一些实施例，所述获取数据集，并对所述数据集进行预处理的步骤，包括：

9、处理所述数据集的缺失值和异常值；

10、对所述数据集进行数据类型转换和数据格式统一；

11、删除所述数据集的重复数据；

12、对所述数据集的数据进行标准化和归一化处理；

13、验证所述数据集的数据的准确性和完整性，以确保所述数据集符合设定的规则和约束。

14、根据本发明的一些实施例，所述处理所述数据集的缺失值和异常值的步骤，包括：

15、识别所述数据集的缺失值；

16、删除包含所述缺失值的行或列，删除后检查所述数据集的完整性和一致性；

17、采用箱线图对所述数据集的数据进行分组；

18、对每组数据计算统计量；所述统计量包括最小值、第一四分位数、中位数、第三四分位数和最大值；

19、计算箱体的上边界和下边界；

20、将每组数据的箱体、所述上边界和所述下边界绘制在箱线图中；

21、根据所述箱线图，确定超过所述上边界和所述下边界的数据为异常值；

22、删除或替换所述异常值。

23、根据本发明的一些实施例，所述删除所述数据集的重复数据的步骤，包括：

24、获取所述数据集的数据，并将所述数据集的数据转换为dataframe格式；

25、使用k-motion的duplicated()函数检查dataframe格式的数据集中的重复数据行；

26、删除所有所述重复数据行或保留其中一条所述重复数据行。

27、根据本发明的一些实施例，所述验证所述数据集的数据的准确性和完整性，以确保所述数据集符合设定的规则和约束的步骤，包括：

28、使用python的great_expectations自动化验证工具，自动执行数据验证步骤，验证所述数据集的数据的准确性和完整性；

29、根据验证结果，生成验证报告。

30、根据本发明的一些实施例，所述将预处理后的所述数据集划分为训练集和测试集的步骤，包括：

31、采用第一函数随机划分所述数据集，形成训练集和测试集；所述第一函数的参数包括特征、标签和划分比例；

32、对所述数据集进行分层抽样，返回所述训练集和所述测试集的索引；

33、使用所述索引将所述特征和所述标签分别划分为所述训练集和所述测试集。

34、根据本发明的一些实施例，所述对所述神经运动辅助大模型进行微调和评估的步骤，包括：

35、使用model.fit方法微调所述神经运动辅助大模型并最小化损失：

36、将softmax附加到所述神经运动辅助大模型。

37、另一方面，根据本发明实施例的神经运动辅助大模型的生成装置，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述方面实施例所述的神经运动辅助大模型的生成方法。

38、另一方面，根据本发明实施例的电子设备，包括上述方面实施例所述的神经运动辅助大模型的生成装置。

39、另一方面，根据本发明实施例的存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述方面实施例所述的神经运动辅助大模型的生成方法。

40、根据本发明实施例的神经运动辅助大模型的生成方法和装置、电子设备和存储介质，至少具有如下有益效果：构建了优秀的神经运动辅助大模型，并根据数据统计将大模型拆分为多个小模型实现90％本地化分析，本地化输出指令集。神经运动辅助大模型应用于非侵入式脑机接口，相比于传统的侵入式脑机接口，其可以将风险降到接近为0，并且通过大运动项功能分担脑电信号传导压力，能够降低使用维护成本，最终实现广泛应用于各类国家核心领域，帮助残疾人士重新恢复正常生活，帮助特殊行业如飞行员等高价值技术人员重新回归岗位，帮助相关企业节省人工成本。

41、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种神经运动辅助大模型的生成方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的神经运动辅助大模型的生成方法，其特征在于，所述获取数据集，并对所述数据集进行预处理的步骤，包括：

3.根据权利要求2所述的神经运动辅助大模型的生成方法，其特征在于，所述处理所述数据集的缺失值和异常值的步骤，包括：

4.根据权利要求2所述的神经运动辅助大模型的生成方法，其特征在于，所述删除所述数据集的重复数据的步骤，包括：

5.根据权利要求2所述的神经运动辅助大模型的生成方法，其特征在于，所述验证所述数据集的数据的准确性和完整性，以确保所述数据集符合设定的规则和约束的步骤，包括：

6.根据权利要求1所述的神经运动辅助大模型的生成方法，其特征在于，所述将预处理后的所述数据集划分为训练集和测试集的步骤，包括：

7.根据权利要求1所述的神经运动辅助大模型的生成方法，其特征在于，所述对所述神经运动辅助大模型进行微调和评估的步骤，包括：

8.一种神经运动辅助大模型的生成装置，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的神经运动辅助大模型的生成方法。

9.一种电子设备，其特征在于，包括权利要求8所述的神经运动辅助大模型的生成装置。

10.一种存储介质，其特征在于，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行权利要求1-7中任一项所述的神经运动辅助大模型的生成方法。

技术总结本发明公开了一种神经运动辅助大模型的生成方法和装置、电子设备和存储介质，涉及运动辅助大模型技术领域。该方法包括：获取数据集，并对数据集进行预处理；将预处理后的数据集划分为训练集和测试集；采用TensorFlow学习框架，并通过训练集和测试集训练预设的大模型，获得神经运动辅助大模型；对神经运动辅助大模型进行微调和评估；将微调和评估后的神经运动辅助大模型拆分为多个小模型，并将小模型植入非侵入式脑机接口。根据本发明的方法，构建了优秀的神经运动辅助大模型，神经运动辅助大模型应用于非侵入式脑机接口，相比于传统的侵入式脑机接口，其可以将风险降到接近为0。技术研发人员：廖万里,金卓,欧阳博文,苏涛受保护的技术使用者：珠海金智维信息科技有限公司技术研发日：技术公布日：2024/10/17