混合式 EEG 驱动脑机接口：用于个性化语言康复的大语言模型框架
基于摘要分析。该研究针对传统辅助与替代沟通（AAC）系统及语言学习平台难以实时适应用户认知和语言需求的问题，提出将非侵入式 EEG-BCI 与基于 Transformer 的大语言模型（LLM）结合，用于个性化语言康复辅助。其主要研究对象是面向严重言语或运动障碍用户的交互与训练系统，摘要以卒中后失语症和肌萎缩侧索硬化症为应用背景，并未提供这些患者群体的实际验证信息。 框架包含三个目标：通过心理指令导航语言学习模块；动态个性化词汇、句子构建练习及纠错反馈；监测反映认知努力的神经标志物，并据此实时调整任务难度。设计上的关键在于把 EEG 交互输入与 LLM 内容生成、训练难度调节连接起来，而不只是提供固定练习。摘要未明确心理指令采用何种 EEG 范式，也未说明认知努力标志物、信号处理与解码方法、LLM 型号、训练方式或两者之间的接口机制。 作者表示提出并评估了该框架，但摘要没有报告被试构成、数据集、被试内或跨被试划分、对照系统、定量指标及评估结果。因此，目前不能确认其指令识别性能、实时响应能力、个性化收益或语言康复效果，也不能将应用目标视为已经证实的临床获益。 进一步阅读应核对 EEG 指令解码与认知努力估计是否分别验证，难度调节的依据及稳定性，以及 LLM 生成内容和纠错反馈的适宜性。复现还需明确 EEG 采集与校准条件、任务流程、模型配置及评估协议；实验协议、消融及统计信息尚未验证。