LLM, který dokáže zpracovávat a zobrazovat přenášená srdeční data v reálném čase

Kromě lingvistických výzev mohou velké jazykové modely také porozumět, interpretovat a přizpůsobit své reakce údajům o srdeční frekvenci. Dr. Morris Gellisch, dříve z Ruhr University Bochum, Německo, a nyní na Univerzitě v Curychu, Švýcarsko, a Boris Burr z Ruhr University Bochum vyvinuli technické rozhraní, přes které mohou být fyziologická data přenášena do jazykového modelu v reálném čase.

AI může také odpovídat za jemné fyziologické signály, jako jsou změny v srdeční činnost. To otevírá nové dveře pro použití v lékařských a pečovatelských aplikacích. Práce je zveřejněno v Hranice v digitálním zdraví.

Tabulka a vizualizace dat – žádný problém

Pro svůj experiment oba výzkumníci použili společné zařízení, které měří variabilita srdeční frekvence přes hrudní pás. Data získaná z toho byla dekódována, filtrována a kondenzována. V reálném čase byla zpracovaná data srdce vkládána do velkého jazykového modelu GPT-4. V reakci na odpovídající výzvu byla AI schopna správně zobrazit přenášená data srdce v tabulce obsahující průměrné hodnoty, minimum, maximum a další informace.

„Vyhodnocení a vizualizace probíhají přímo v prostředí LLM, bez jakéhokoli externího statistického nebo vykreslovacího softwaru,“ říká Burr. Na vyžádání AI také vizualizovala naměřená data srdce.

„Testovali jsme také náš systém v řadě scénářů interakce v reálném čase, včetně experimentu s kognitivním stresem, ve kterém jazykový model přizpůsobil svůj výstup na základě reakcí srdeční frekvence menším a větším požadavkům,“ uvádí Gellisch. Systém byl schopen identifikovat rozdíly ve vzorcích srdeční frekvence mezi úkoly s nízkou a vysokou kognitivní náročností a poté na ně reagovat ve výstupu AI.

„Náš experiment není ověřenou psychofyziologickou studií, ale spíše scénářem proof-of-concept,“ zdůrazňuje Gellisch. Cílem bylo ukázat, že jazykový model může reagovat na fyziologické parametry v reálném čase, když jsou zadány přes vyvinuté rozhraní.

Přidaná hodnota pro různé úkoly

„Integrace fyziologických signálů do AI nabízí jasnou přidanou hodnotu,“ uvádějí oba autoři. Jazykové modely tak mohou brát v úvahu textové vstupy i indikátory autonomního stavu v reálném čase, což by mohlo vést k adaptivnějším a kontextově citlivějším interakcím při učení a rozhodování a ve zdravotnictví.

„Rozhraní není zajímavé jen pro scénáře vzdělávání a výzkumu, ale také pro lékařské a zdravotnické aplikace, jako je identifikace stresu, vyčerpání nebo emoční dysregulace v reálném čase,“ říká Gellisch.