DOI: https://doi.org/10.1038/s41598-025-25660-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41698950
تاريخ النشر: 2026-02-16
المؤلف: Jiazhen Hong وآخرون
الموضوع الرئيسي: نمذجة الموضوعات
نظرة عامة
في هذا البحث، يقدم المؤلفون ChatBCI، وهو واجهة دماغ-كمبيوتر مبتكرة تعتمد على تهجئة P300، تستخدم نماذج اللغة الكبيرة (LLMs)، وبالتحديد GPT-3.5، لتعزيز كفاءة الكتابة وتقليل العبء المعرفي أثناء تأليف الجمل. تتطلب تهجئات P300 التقليدية عادةً من المستخدمين إدخال النص حرفًا بحرف، مما قد يكون مستهلكًا للوقت ومرهقًا ذهنيًا. يتناول ChatBCI هذه القيود من خلال تقديم توقعات كلمات مدفوعة بالسياق بناءً على الأحرف الأولية المدخلة من قبل المستخدم، مما يقلل بشكل كبير من عدد الضغطات على المفاتيح والوقت المطلوب لتأليف الجمل. يستخدم النظام واجهة مستخدم رسومية معدلة (GUI) تعرض اقتراحات الكلمات كمفاتيح إضافية، ويستخدم تحليل التمييز الخطي التدريجي (SWLDA) لتصنيف P300.
شملت تقييم ChatBCI مهمتين تهجئة عبر الإنترنت مع سبعة مشاركين: مهمة تهجئة نسخ ومهمة ارتجال. أظهرت النتائج أن ChatBCI تفوق على تهجئات P300 التقليدية حرفًا بحرف، حيث حقق انخفاضًا بنسبة 62.14% في الوقت وانخفاضًا بنسبة 53.22% في الضغطات على المفاتيح لمهمة تهجئة النسخ، بالإضافة إلى زيادة بنسبة 229.48% في معدل نقل المعلومات. بالنسبة لمهمة الارتجال، شهد المشاركون متوسط توفير قدره 80.68% في الضغطات على المفاتيح. يقدم البحث مقياسًا جديدًا، وهو نسبة عجز توفير الضغطة على المفاتيح (KS-DR)، لقياس أداء الكتابة التنبؤية. بشكل عام، تشير النتائج إلى أن قدرات ChatBCI في توقع الكلمات المتعددة يمكن أن تعزز بشكل كبير التواصل في الوقت الحقيقي للأفراد ذوي الإعاقات التواصلية والحركية، على الرغم من الحاجة إلى مزيد من التحقق في السكان السريريين لتأكيد فعاليتها.
الطرق
يستعرض قسم الطرق تصميم وتنفيذ نظام ChatBCI، الذي يدمج جهاز كمبيوتر للتحفيز، وجهاز كمبيوتر للتسجيل، ونظام تسجيل EEG لمهمة التهجئة. يعرض جهاز الكمبيوتر للتحفيز واجهة مستخدم رسومية (GUI) تتضمن نموذج لغة كبير (LLM) وتنقل رموز التحفيز إلى جهاز الكمبيوتر للتسجيل، الذي يعالج إشارات EEG لتحديد المفاتيح المختارة من قبل المستخدم من خلال اكتشاف إمكانات P300 المرتبطة بالمنبهات البصرية. استخدمت عملية اكتساب بيانات EEG نظام Brain Products، مع إرسال مشغلات الأجهزة من جهاز الكمبيوتر للتحفيز لضمان محاذاة زمنية دقيقة بين المنبهات وتسجيلات EEG، محققة زمن تزامن أقل من 1 مللي ثانية.
شملت الدراسة سبعة مشاركين أصحاء، يمين اليد، تتراوح أعمارهم بين 18 إلى 50 عامًا، جميعهم لديهم رؤية طبيعية أو مصححة إلى طبيعية وإجادة للغة الإنجليزية. تم تعريف المشاركين على واجهة المستخدم الرسومية ومهام التهجئة قبل التجربة، التي أجريت في بيئة خاضعة للرقابة. تم تسجيل إشارات EEG باستخدام نظام مكون من 32 قناة بمعدل أخذ عينات قدره 250 هرتز، مع توجيه المشاركين لتقليل الحركات. تمت الموافقة على البروتوكول التجريبي بالكامل من قبل مجلس مراجعة المؤسسات بجامعة روتجرز، وتم الحصول على موافقة مستنيرة من جميع المشاركين. استخدمت الطرق بايثون لمعالجة إشارات EEG واستخراج الميزات، باستخدام مكتبات مثل NumPy وPandas وScikit-learn، والتفاعل مع BrainVision Recorder لجمع البيانات في الوقت الحقيقي.
النتائج
في هذا القسم، يتم تفصيل نتائج أداء ChatBCI، المستمدة من البيانات التي تم جمعها خلال ثلاث جلسات عبر الإنترنت. يتم توضيح مقاييس التقييم المستخدمة لتقييم فعالية النظام في القسم السابق، “مقاييس التقييم.” تشير النتائج إلى قدرات النظام ومعايير الأداء، مما يوفر رؤى حول كفاءته التشغيلية ونتائج تفاعل المستخدم. سيوضح التحليل الإضافي لهذه المقاييس نقاط القوة والمجالات المحتملة للتحسين في تصميم ChatBCI ووظائفه.
المناقشة
يستعرض قسم المناقشة في ورقة البحث تصميم ووظائف واجهة المستخدم الرسومية (GUI) لـ ChatBCI ودمجها مع نماذج اللغة الكبيرة (LLMs) للتهجئة التنبؤية. تتكون واجهة المستخدم الرسومية من لوحة مفاتيح مرتبة في مصفوفة 5 × 8، تحتوي على 26 مفتاحًا للأبجدية، وأربعة مفاتيح وظيفية، وعمودين لعرض عشرة اقتراحات كلمات تم إنشاؤها ديناميكيًا من نموذج GPT-3.5. تم تصميم هذا التخطيط لتعزيز تجربة المستخدم من خلال الحفاظ على التماثل البصري وتسهيل الانتباه المكاني المتوازن. يعمل آلية التهجئة التنبؤية من خلال استعلامات عن بُعد إلى واجهة برمجة التطبيقات GPT-3.5-turbo، مما يولد اقتراحات بناءً على الإدخال النصي الجزئي للمستخدم. يميز النظام بين إكمال الكلمة وتوقع الكلمة، مستخدمًا قالب موجه منظم لتحسين الاقتراحات المقدمة.
بالإضافة إلى ذلك، يناقش القسم عمليات اكتشاف P300 والتعرف على المفتاح المستهدف الضرورية لوظيفة BCI. يتم تحديد مكون P300 باستخدام مصنف تحليل التمييز الخطي التدريجي (SWLDA)، الذي يختار بفعالية الميزات من إشارات EEG لتصنيف وجود إمكانات P300 المستحثة. يستخدم التعرف على المفتاح المستهدف درجات LDA التراكمية من تكرارات متعددة من وميض المنبهات لتحديد الاختيار المقصود من قبل المستخدم. تشمل مقاييس التقييم لأداء ChatBCI دقة الاختيار، دقة الأحرف، الوقت لإكمال المهام، ومعدل نقل المعلومات (ITR)، والتي تقيم مجتمعة كفاءة النظام وفعاليته في تسهيل التواصل من خلال الكتابة التنبؤية. بشكل عام، يظهر ChatBCI تقدمًا كبيرًا في تكنولوجيا BCI من خلال دمج معالجة إشارات EEG مع نمذجة لغوية متطورة لتعزيز تفاعل المستخدم وتقليل جهد الكتابة.
DOI: https://doi.org/10.1038/s41598-025-25660-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41698950
Publication Date: 2026-02-16
Author(s): Jiazhen Hong et al.
Primary Topic: Topic Modeling
Overview
In this research, the authors present ChatBCI, an innovative P300 speller brain-computer interface (BCI) that utilizes large language models (LLMs), specifically GPT-3.5, to enhance typing efficiency and reduce cognitive load during sentence composition. Traditional P300 spellers typically require users to input text letter by letter, which can be time-consuming and mentally taxing. ChatBCI addresses this limitation by offering context-driven word predictions based on user-inputted initial letters, thereby significantly decreasing the number of keystrokes and the time required to compose sentences. The system employs a modified graphical user interface (GUI) that displays word suggestions as additional keys, and utilizes stepwise linear discriminant analysis (SWLDA) for P300 classification.
The evaluation of ChatBCI involved two online spelling tasks with seven subjects: a copy-spelling task and an improvisation task. Results indicated that ChatBCI outperformed traditional letter-by-letter P300 spellers, achieving a 62.14% reduction in time and a 53.22% reduction in keystrokes for the copy-spelling task, alongside a 229.48% increase in information transfer rate. For the improvisation task, participants experienced an average of 80.68% keystroke savings. The study introduces a new metric, the keystroke savings deficit ratio (KS-DR), to quantify predictive typing performance. Overall, the findings suggest that ChatBCI’s multi-word prediction capabilities could significantly enhance real-time communication for individuals with communication and motor disabilities, although further validation in clinical populations is necessary to confirm its effectiveness.
Methods
The methods section outlines the design and implementation of the ChatBCI system, which integrates a stimulation computer, a recording computer, and an EEG recording system for a spelling task. The stimulation computer displays a graphical user interface (GUI) that incorporates a large language model (LLM) and transmits stimulus codes to the recording computer, which processes EEG signals to identify user-selected keys by detecting the P300 event-related potential (ERP) associated with visual stimuli. The EEG data acquisition utilized a Brain Products system, with hardware triggers sent from the stimulation computer to ensure precise temporal alignment of stimuli and EEG recordings, achieving synchronization latency below 1 ms.
The study involved seven healthy, right-handed participants, aged 18 to 50, all with normal or corrected-to-normal vision and proficiency in English. Participants were familiarized with the GUI and the spelling tasks prior to the experiment, which was conducted in a controlled environment. EEG signals were recorded using a 32-channel system at a sampling rate of 250 Hz, with participants instructed to minimize movements. The entire experimental protocol was approved by the Rutgers University Institutional Review Board, and informed consent was obtained from all participants. The methods employed Python for EEG signal processing and feature extraction, utilizing libraries such as NumPy, Pandas, and Scikit-learn, and interfacing with BrainVision Recorder for real-time data acquisition.
Results
In this section, the performance results of ChatBCI are detailed, derived from data collected during three online sessions. The evaluation metrics employed to assess the system’s effectiveness are outlined in the preceding section, “Evaluation Metrics.” The results indicate the system’s capabilities and performance benchmarks, providing insights into its operational efficiency and user interaction outcomes. Further analysis of these metrics will elucidate the strengths and potential areas for improvement in ChatBCI’s design and functionality.
Discussion
The discussion section of the research paper outlines the design and functionality of the ChatBCI graphical user interface (GUI) and its integration with large language models (LLMs) for predictive spelling. The GUI consists of a keyboard panel arranged in a 5 × 8 matrix, featuring 26 alphabet keys, four function keys, and two columns for displaying ten dynamically generated word suggestions from the GPT-3.5 model. This layout is designed to enhance user experience by maintaining visual symmetry and facilitating balanced spatial attention. The predictive spelling mechanism operates through remote queries to the GPT-3.5-turbo API, generating suggestions based on the user’s partial text input. The system distinguishes between word completion and word prediction, employing a structured prompt template to optimize the suggestions provided.
Additionally, the section discusses the P300 detection and target key recognition processes essential for the BCI’s functionality. The P300 component is identified using a stepwise linear discriminant analysis (SWLDA) classifier, which effectively selects features from EEG signals to classify the presence of P300 evoked potentials. The target key recognition utilizes cumulative LDA scores from multiple repetitions of stimulus flashes to determine the user’s intended selection. The evaluation metrics for ChatBCI’s performance include selection accuracy, character accuracy, time to complete tasks, and information transfer rate (ITR), which collectively assess the system’s efficiency and effectiveness in facilitating communication through predictive typing. Overall, the ChatBCI demonstrates a significant advancement in BCI technology by combining EEG signal processing with sophisticated language modeling to enhance user interaction and reduce typing effort.