2025.11.06.686984v1.full.pdf
Интеграция P300-спеллера с большой языковой моделью
Наше исследование демонстрирует, как использование больших языковых моделей может преодолеть ключевое ограничение интерфейсов "мозг-компьютер" для набора текста — низкую скорость.
Традиционные спеллеры, основанные на детекции P300-потенциала, требуют высокой точности распознавания каждого символа, что замедляет коммуникацию. Предлагаемый подход меняет парадигму: вместо идеального посимвольного ввода пользователь формирует слова, фокусируясь на буквах в удобном темпе, что приводит к появлению некоторого количества ошибок в сыром выходе системы. Затем эта текстовая строка с шумом обрабатывается большой языковой моделью, которая, используя контекст целого предложения, эффективно исправляет ошибки.
Моделирование на основе реальных данных ЭЭГ подтвердило, что даже при значительном уровне ошибок после декодера языковые модели успешно восстанавливают исходный замысел. Это позволяет снизить требования к точности распознавания отдельных символов и увеличить скорость набора.
Кроме ускорения коммуникации, интеграция с большой языковой моделью трансформирует интерфейс в интеллектуального агента, способного выступать в роли собеседника и ассистента, что значительно обогащает пользовательский опыт и открывает новые возможности для помощи людям с тяжелыми нарушениями моторики и речи.
https://www.biorxiv.org/content/10.1101/2025.11.06.686984v1.full.pdf
Наше исследование демонстрирует, как использование больших языковых моделей может преодолеть ключевое ограничение интерфейсов "мозг-компьютер" для набора текста — низкую скорость.
Традиционные спеллеры, основанные на детекции P300-потенциала, требуют высокой точности распознавания каждого символа, что замедляет коммуникацию. Предлагаемый подход меняет парадигму: вместо идеального посимвольного ввода пользователь формирует слова, фокусируясь на буквах в удобном темпе, что приводит к появлению некоторого количества ошибок в сыром выходе системы. Затем эта текстовая строка с шумом обрабатывается большой языковой моделью, которая, используя контекст целого предложения, эффективно исправляет ошибки.
Моделирование на основе реальных данных ЭЭГ подтвердило, что даже при значительном уровне ошибок после декодера языковые модели успешно восстанавливают исходный замысел. Это позволяет снизить требования к точности распознавания отдельных символов и увеличить скорость набора.
Кроме ускорения коммуникации, интеграция с большой языковой моделью трансформирует интерфейс в интеллектуального агента, способного выступать в роли собеседника и ассистента, что значительно обогащает пользовательский опыт и открывает новые возможности для помощи людям с тяжелыми нарушениями моторики и речи.
https://www.biorxiv.org/content/10.1101/2025.11.06.686984v1.full.pdf