大语言模型对跨被试训练下 P300 拼写器性能的影响

基于摘要分析。该研究针对 P300 拼写器中被试特异性训练负担与文本输入效率问题，提出多被试分类器训练方案，并评估多种大语言模型（LLMs）辅助刺激呈现与词预测的效果；另构建具有完美预测能力的理想 LLM，用于估计性能上限。ALS 患者的沟通需求是研究背景，摘要未提供患者实际使用或临床验证结果。 P300 拼写器通过识别用户对屏幕高亮字符的 EEG 响应，将字符选择转化为文本。本文涉及两个层面的改进：多被试 EEG 分类器训练，以及语言模型驱动的拼写交互优化。摘要明确涉及刺激呈现与词预测，但未说明分类器结构、训练目标、跨被试划分方式、语言模型与 EEG 输出的融合规则，也未交代词预测如何影响刺激次数和字符选择流程。 在使用随机抽样 EEG 数据进行的仿真中，针对包含罕见词及词表外（OOV）词的文本输入，作者报告字符级语言模型带来约 10% 的输入速度提升，Llama、Mistral 和 GPT2 等开源 LLM 通过词预测带来约 40% 的提升。摘要未给出这些相对提升对应的具体基线、速度单位、计算口径及模型版本，不能将其解释为 Accuracy 或 ITR 的提升。作者还报告，许多现代 LLM 的性能与完美预测理想模型的差距在 10% 以内，但该差距的具体度量方式尚未验证。作者报告速度收益可在不同分类器间保持，包括旨在减少被试特异性训练的分类器。 阅读与复现时需核对随机 EEG 抽样方式、训练与测试被试是否独立、文本与 OOV 词构成、错误修正成本及理想模型的构造假设，并区分语言预测收益与 EEG 分类收益。数据集、被试数、实验协议、消融及统计信息尚未验证；仿真结果不能直接等同于真实在线 BCI 或 ALS 用户的沟通效率提升。