用于拼写 BCI 最优刺激序列生成的主动 RBSE 框架
基于摘要分析。该研究针对基于 EEG 事件相关电位（ERP）的逐字母拼写 BCI，提出主动递归贝叶斯状态估计（active-RBSE）框架，将用户意图推断与刺激序列优化结合，以更有信息依据的字符子集选择替代随机选择。 核心机制是在每轮刺激呈现之前，依据查询函数选择字符子集，并在每次意图检测过程中自适应地调整查询，使其针对用户进行优化。研究对象是语言模型辅助的拼写 BCI，因此需关注语言先验、EEG 观测与主动查询如何共同影响字母推断。摘要未给出查询函数的数学形式、贝叶斯状态更新细节、EEG 特征或分类器，也未说明语言模型的具体实现，这些内容尚未验证。 作者通过仿真评估打字速度和准确率，并采用行列矩阵呈现范式与随机快速串行视觉呈现（RSVP）范式作为对照。作者报告，active-RBSE 可改善系统在线打字准确率与速度；此外，作者开展了真人参与的在线实验以考察人在环路效应，并报告结果与仿真一致。摘要未提供具体数值、被试人数、数据划分或指标计算口径，因此无法判断收益幅度及统计可靠性，也不能将打字速度直接等同于 ITR。 阅读与复现时应重点核对：查询优化目标及计算开销、语言模型先验的作用、不同呈现范式是否采用一致的停止条件和刺激预算，以及个体 ERP 差异如何影响自适应查询。真人实验的被试内、跨被试或跨会话设置，以及实验协议、消融及统计信息尚未验证。现有材料支持将其理解为 ERP 拼写 BCI 的主动刺激设计方法，但尚不足以确认其对其他 BCI 任务的适用性。
阅读价值：该研究将刺激子集选择与递归贝叶斯意图推断结合，且摘要同时报告仿真与真人在线实验，值得核对其查询优化机制以及相对标准呈现范式的速度、准确率收益。