序贯最优臂识别及其在 P300 拼写器中的应用

基于摘要分析。研究针对 P300 拼写器中非自适应刺激呈现将每次选择视为孤立事件、难以利用先前交互信息的问题，把连续字符或词语选择建模为多臂老虎机中的一系列最优臂识别任务，并提出 sequential top-two Thompson sampling 算法，借助大语言模型提供的先验知识辅助后续任务。 核心机制是将单次字符或词语选择对应为一个任务，使前序任务积累的知识能够用于后续选择，而非每次独立决策。作者分别研究固定置信度与固定预算两种设置：前者关注在给定可靠性要求下完成识别，后者关注在有限采样预算下作出选择。摘要未说明候选臂与刺激呈现的具体对应关系、大语言模型先验如何与 EEG 观测结合，以及跨任务信息更新与停止规则的实现细节，这些均尚未验证。 作者报告分析了算法的理论性质，并在仿真以及 P300 拼写器模拟器生成的数据上获得显著的实证改善；该模拟器基于真实 BCI 实验构建。不过，摘要未提供改善幅度、评价指标、对照算法、数据划分或被试信息，无法判断提升体现于识别准确性、采样效率还是其他指标，也不能据此认定已完成真实用户在线验证。具体理论结论、实验协议、消融及统计信息尚未验证。 阅读与复现时应重点核对语言先验的构造及更新方式、EEG 证据与先验的融合机制、两种设置下的决策规则，以及模拟器对真实交互过程的刻画范围。还需确认语言先验与用户意图不一致时的表现，避免将仿真中的效率收益直接外推为实际 P300 拼写性能。