使用大语言模型对 P300 拼写器输出进行后处理

P300 拼写器通过向用户呈现由闪烁字符构成的矩阵，将脑电图（EEG）活动转换为文本。尽管这类系统能够实现较高的分类准确率，但为了获得可靠信号而需要进行多次刺激重复，这会严重降低通信速度。减少重复次数虽可加快拼写过程，却会引入字符级错误，包括插入、删除和替换，从而降低可用性并增加用户疲劳。尽管已有大量研究聚焦于提升信号采集与解码阶段的性能，本文则探讨了一种互补性的文本后处理方法，即利用大语言模型（LLM）恢复受损的 P300 拼写器输出。 我们构建了一个源自 cLang-8 的数据集，并采用随机策略和基于经验提取的人类式错误策略，模拟了符合现实情况的 P300 风格文本损坏。我们在零样本和少样本提示条件下，评估了若干经过指令微调的大语言模型，以及一个针对光学字符识别（OCR）任务微调的 ByT5 模型。研究发现，大语言模型能够有效地从噪声输入中恢复干净文本。采用 SentencePiece 分词的模型始终优于基于字节对编码（BPE）的对应模型，而少样本上下文学习进一步提升了恢复准确率，其中 Gemma 3 在所有设置中均表现出最强性能。这些结果表明，基于大语言模型的后处理有望使 P300 拼写器系统在减少重复次数和降低延迟的同时，维持甚至提升输出准确性，从而为运动与言语障碍用户实现更高效的日常交流提供一条切实可行的路径。

该网站正在使用安全服务来保护其免受在线攻击。您刚才执行的操作触发了安全防护系统。可能触发此拦截的操作有多种，包括提交某个特定词语或短语、SQL 命令或格式错误的数据。

您可以发送电子邮件联系网站所有者，告知他们您已被拦截。请同时附上此页面出现时您正在执行的操作，以及本页面底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.24.734268v1?rss=1

🏷️ P300拼写器 脑机接口 脑电图 大语言模型 文本后处理 噪声纠错