ChatBCI：利用大语言模型改善真实场景中句子组织的 P300 拼写 BCI

基于摘要分析。该研究针对 P300 拼写 BCI 逐字母输入或输入词首字母所带来的按键、时间与认知负担，提出 ChatBCI：通过大语言模型提供词语及后续词语预测，并将建议整合为 GUI 中可选择的额外按键，以加快句子组织。 机制上，ChatBCI 通过远程 GPT-3.5 API 查询，利用其零样本能力，根据用户已拼写的词首字母给出候选词，或预测接下来的一个或多个词；用户仍通过视觉刺激诱发的 EEG P300 成分选择目标按键，P300 分类采用 SWLDA。因此，主要改动位于语言辅助与交互界面，而非摘要所述的 EEG 分类方法。系统无需本地训练或存储 LLM，但依赖远程服务。 评估包含七名被试参与的两项在线拼写任务。任务一为使用 ChatBCI 复制输入自己事先组织的句子；在与逐字母 BCI 拼写器的比较中，作者报告平均耗时减少 62.14%、按键数减少 53.22%，ITR 增加 198.96%。任务二为借助 ChatBCI 的词语建议即兴组织句子；作者报告按键节省率为 80.68%，输入速度为 8.53 字符/分钟。摘要未明确任务二按键节省率的参照及计算细节，这两类任务的结果也不宜直接合并比较。 阅读与复现时需核对候选词数量、刺激与选择协议、SWLDA 校准方式、错误纠正流程，以及耗时和 ITR 是否计入 API 等待、候选阅读与纠错。还需区分预先确定句子的复制输入与受候选词影响的即兴表达，确认效率提升是否伴随表达意图改变。摘要未说明被试是否具有沟通或运动障碍，不能据此视为目标临床人群中的有效性验证；其具体人群构成、实验协议、消融及统计信息尚未验证。远程 API 的可用性、响应延迟、版本变化与文本隐私也是实际部署需核对的条件。