用于生成拼写 BCI 最优刺激序列的主动 RBSE 框架

基于摘要分析。本文研究基于 EEG 的 ERP 逐字拼写 BCI 中如何选择待呈现的字符子集，提出主动递归贝叶斯状态估计（active-RBSE）框架，将意图推断与刺激序列优化结合，以改善语言模型辅助拼写系统的准确率与速度。 核心机制是在每轮刺激呈现前，依据查询函数选择字符子集，而非随机选取；查询在每次意图检测过程中自适应地针对用户进行调整。研究关注的是刺激呈现策略与推断过程的协同设计，而不是提出新的 EEG 信号解码网络。摘要未给出查询函数的具体形式、最优性的目标与约束、贝叶斯状态更新公式，以及语言模型与 EEG 证据的融合方式，这些细节尚未验证。 评估采用仿真研究，对照包括标准行列矩阵呈现范式与随机快速序列视觉呈现范式。作者报告，在该语言模型辅助拼写 BCI 的仿真条件下，active-RBSE 可同时提高拼写准确率与速度。摘要虽将收益表述为系统在线性能改善，但所述证据来自仿真，不能据此认定已在真实用户在线实验中验证；材料也未提供具体数值、速度指标定义或统计不确定性。 复现时需核对仿真中的 EEG／ERP 观测模型、用户差异如何建模、语言模型先验、停止准则、刺激时序，以及各对照范式是否使用一致的观测与推断条件。数据来源、被试信息、实验协议、消融及统计信息尚未验证，因此目前可确认的是主动刺激选择的机制与仿真评估方向，尚不能量化实际使用中的收益。